CN103415027B - Wifi室内信号分布模型自动选择与定位方法 - Google Patents
Wifi室内信号分布模型自动选择与定位方法 Download PDFInfo
- Publication number
- CN103415027B CN103415027B CN201310301804.0A CN201310301804A CN103415027B CN 103415027 B CN103415027 B CN 103415027B CN 201310301804 A CN201310301804 A CN 201310301804A CN 103415027 B CN103415027 B CN 103415027B
- Authority
- CN
- China
- Prior art keywords
- model
- wifi
- signal
- distributed
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种WIFI室内信号分布模型自动选择与定位方法,针对WIFI信号在室内分布的复杂性发明了一种多项式分布模型,并结合Keenan‑Motley电波信号强度分布模型构建分布候选集,根据采样数据估计各模型参数并自动评估模型与实际信号强度分布的相近程度,达到自适应选择最优分布的目的;在参数估计阶段估计各分布参数的线性无偏估计,并计算分布模型的预测残差,以预测残差为依据自动从候选集中选择一个最优分布进行定位,这样能用多个模型弥补单一模型适应性的不足,提高分布模型与实际信号分布的逼近程度,从而提高WIFI室内定位的准确性。
Description
技术领域
本发明涉及室内WIFI定位技术,具体涉及WIFI室内信号分布模型自动选择与定位方法。
背景技术
随着无线定位技术的发展,室内定位技术成为人们关注的热点。现有的室内定位技术主要有:光跟踪定位技术、A-GPS定位技术、超声波定位技术、基于WIFI的定位技术等。其中,基于WIFI的定位技术具有覆盖范围广,信息传输速度快,实现成本较低等优点倍受人们的关注。
利用WIFI信号进行室内定位方法主要分为两类:指纹匹配方法和信号分布模型方法。
其中,指纹匹配方法将每一个采样点采集的WIFI ID(即每个WIFI源具有唯一性的MAC地址)地址与对应的信号强度构成指纹向量录入中心数据库,与待定位终端采集到的WIFI指纹进行比较,以数据库内相似度最高的指纹位置或相似度最高的前几个指纹位置的均值为定位结果。指纹法的优点是计算简单,定位精度可以随采样点密度的增加而提高,但是过大的指纹数据量必然增加中心数据库存取负担导致比较检索时间延长,造成定位响应滞后。基于信号模型的方法能够解决采样点数据量过大的问题,它将WIFI信号的室内分布用分布模型表示,通过若干采样值训练模型参数,因此在数据库中只需要记录一个WIFI源的少量的参数,在定位阶段由终端接收到WIFI ID从数据库中取出信号分布参数,由信号强度从信号分布模型中计算出相应的终端位置。
信号分布模型方法是采用基于信号分布的方法,其进行WIFI定位的关键在于建立准确的WIFI信号场强分布模型。传统的室内电波传播模型(如Keenan-Motley模型)根据室内信号的某些传播特点建立信号分布模型,但不是所有环境下都能用单个模型准确描述信号分布。综合来看,当前方法主要有两方面缺陷:1、模型对信号场强分布的描述能力还有待增强,WIFI信号在室内分布形态极其复杂甚至呈现多峰状态,需要更为复杂的分布模型来逼近真实信号强度分布;2、仅采用单一模型无法适应所有室内分布情况,需要能多个模型中自动选择一个最符合某个WIFI源现实信号分布的模型来提高定位准确性。
发明内容
因此,针对上述的问题,本发明提出一种WIFI室内信号分布模型自动选择与定位方法,针对WIFI信号在室内分布的复杂性发明了一种多项式分布模型,并结合Keenan-Motley电波信号强度分布模型构建分布候选集,根据采样数据估计各模型参数并自动评估模型与实际信号强度分布的相近程度,达到自适应选择最优分布的目的;在参数估计阶段估计各分布参数的线性无偏估计,并计算分布模型的预测残差,以预测残差为依据自动从候选集中选择一个最优分布进行定位,这样能用多个模型弥补单一模型适应性的不足,提高分布模型与实际信号分布的逼近程度,从而提高WIFI室内定位的准确性。
为了解决上述技术问题,本发明所采用的技术方案是,一种WIFI室内信号分布模型自动选择与定位方法,包括以下步骤:
步骤1:构建模型候选集,该模型候选集至少包括两个室内信号分布模型;
步骤2:信号采集:采用带WIFI模块的手持设备进行信号采集,每一个经纬度坐标对应一个采样点,其采集内容包括采样点的经纬度坐标、接收到WIFI信号ID(简写为WIFIID)、每个WIFI ID对应的信号强度、WIFI源的位置(即WIFI信号发射装置所安装的位置)等信息,并将采集到的信息记录进数据库的采样信息表中;
步骤3:对模型候选集内的模型进行参数估算:根据信号采集的信息估算步骤1中构建的模型候选集中各室内信号分布模型的参数;其估算方法可采用最小二乘法;
步骤4:模型自动选择:根据估算所得参数分布计算每个室内信号分布模型在各采样点的信号强度预测值,将该预测值与各采样点的实际信号强度值进行比较,计算预测残差;根据预测残差的大小对各室内信号分布模型进行排序,从中选择预测残差最小的室内信号分布模型作为当前WIFI源的室内信号分布模型,并在数据库中的信号模型表中记录相应的模型序号与模型参数值;
步骤5:定位:终端(接收信号的终端)根据其接收到的WIFI ID,读取数据库中信号模型表,获得所选择的室内信号分布模型,由WIFI ID相应的信号强度与分布模型计算各WIFI源的位置对当前位置的影响比重,以比重为权值计算各WIFI ID位置的加权平均值,作为定位结果。
步骤1中,优选的,该模型候选集包含Keenan-Motley模型(该模型为现有技术所公开)和本发明创建的多项式分布模型。其中,Keenan-Motley模型如下:
其中f(d)表示信号强度,d为终端与WIFI源的距离,L(d)为信号衰减,P为无衰减信号强度(即WIFI信号发射器位置上的信号强度),l0为常数,代表一米处路径损耗,γ为路径损耗***,ki代表信号穿越同一类型墙或地板数,li为相应的穿越损耗系数。i=2表示室内存在墙与地板两种不同性质的障碍,如更复杂的室内环境(如存在多种墙壁)可增大i的范围,参数估计方法不变。
多项式分布模型如下:
其中(x,y)为采样点坐标,f(x,y)表示信号强度,N为多项式分布阶次,Ci、Di、Emn和F为待估计参数。
步骤2中,信号采集的具体步骤包括以下内容:
步骤21:测量WIFI信号源的经纬度坐标位置,记录进信号模型表;
步骤22:在WIFI信号源周边取采样点,将采样点经纬度坐标位置、在采样点上接收到的WIFI ID、信号强度记录进数据库的采样信息表;
步骤23:改变采样点位置重复步骤22,直到采样点均匀遍布需要实现WIFI定位的区域,进入步骤3。
其中,上述采样信息表、信号模型表的数据库表设计如下:
步骤3中对模型候选集内的模型进行参数估算,具体包括多项式分布模型参数估计和Keenan-Motley分布模型参数估计;其中,多项式分布模型参数估计包括以下内容:
步骤31a:从采样信息表中取出某一WIFI ID对应的采样记录,假设为M条,取出每条记录中的信号强度字段值f(xi,yi),i=1,2,...,M构建采样信号强度矩阵为:Y1=[f(x1,y1),f(x2,y2),…,f(xM,yM)]T;
步骤32a:根据多项式分布模型公式可知模型的***观测矩阵表达式为:由步骤31a得到的M条采样记录中取出每条记录的采样点位置字段值(xi,yi),i=1,2,...,M,把(xi,yi)代入***观测矩阵表达式B1中,得到***观测矩阵;
步骤33a:根据多项式分布模型公式可知模型的待估参数矩阵表达式为:X1=[C1,…,CN,D1,…,DN,E11,…,Emn,F]T;根据最小二乘法原理计算X1的无偏估计为
步骤34a:将步骤33a计算所得的参数估计值保存在缓存之中。
Keenan-Motley分布模型参数估计包括以下内容:
步骤31b:从采样信息表中取出某一WIFI ID对应的采样记录,假设为M条,取出每条记录中的信号强度字段值f(di)i=1,2,...,M构建采样信号强度矩阵为:Y2=[f(d1),f(d2),…,f(dM)]T,对于同一个WIFI ID信号强度矩阵Y2与Y1相等;
步骤32b:根据Keenan-Motley分布模型可知模型的***观测矩阵表达式为:由步骤31b得到的M条采样记录中取出每条记录的采样点位置字段值(xi,yi),i=1,2,...,M;从信号模型表中取出WIFI ID对应的记录中的WIFI源位置字段值(x0,y0),计算距离值:将di代入***观测矩阵表达式B2中,得到***观测矩阵;
步骤33b:根据Keenan-Motley分布模型可知模型的待估参数矩阵表达式为:X2=[1,l0,γ,l1,l2]T;根据最小二乘法原理计算X2的无偏估计为
步骤34b:将步骤33b计算所得的参数估计值保存在缓存之中。
步骤4中模型自动选择步骤中,其具体包括以下内容:
步骤41:从缓存中取出参数估计步骤得到的参数估计矩阵和根据无偏估计求得两个模型信号强度预测值矩阵:进入步骤42;
步骤42:计算两个模型的预测残差矩阵,计算的方法是求信号强度矩阵与信号强度预测矩阵的差值矩阵ε:
步骤43:计算各残差矩阵元素的平均值的绝对值得|E(ε1)|和|E(ε2)|;均值越小表明该模型总体上预测误差越小,模型越符合真实信号分布,在|E(ε1)|和|E(ε2)|中选择数值最小的值对应的模型作为当前WIFI ID的信号分布模型。将模型序号、参数矩阵记录进信号模型表中当前WIFI ID记录对应的字段中。本发明通过采样值计算模型的参数估计值,进而计算出采用应该模型时在采样点上的信号强度预测值,通过预测值与真实采集值的比较,自动选取差别最小的模型作为该WIFI信号源的信号分布描述,相比采用单一模型更具对复杂室内环境的适应性,能够充分利用各模型的特点选择最佳的信号强度分布描述,有利于提高后续定位步骤的准确性。
步骤5定位步骤具体包括以下内容:
步骤51:终端将接收到的WIFI ID{ID1,ID2,...,IDn}与对应的信号强度值{RSS1,RSS2,...,RSSn}上传到定位中心;
步骤52:定位中心依据WIFI ID从信号模型表中检索出WIFI源位置μi,i=1,2,...,n,分布模型序号和模型参数数值,从而得到对应的分布函数fi(x,y)或fi(d)i=1,2,...,n;
步骤53:依据信号强度值与所属分布模型计算各WIFI源的定位概率:
或
步骤54:依据步骤53计算所得的各WIFI源的定位概率值,结合步骤52得到的各WIFI源的位置μi,i=1,2,...,n,计算定位结果μ(x,y),计算公式如下所示:
将定位结果下发到终端,完成定位。
本发明通过采用上述步骤,具有以下有益效果:首先,提出了一种新的多项式分布模型,WIFI信号在室内分布形态极其复杂甚至呈现多峰状态,而本发明的多项式分布模型更能描述复杂以及多峰状态的波形,更为逼近真实信号强度分布;其次,本发明通过将传统电波分布模型与新提出的多项式分布模型结合,依据现实采样估计模型参数,利用估计值计算预测信号强度与现实采们信号强度的残差自动选择最佳分布模型,相比采用单一模型更具对复杂室内环境的适应性,能够充分利用各模型的优势达到最优的定位效果。同时,相比指纹匹配法定位,由于只需要在定位数据记录模型序号、WIFI源位置和参数数值等少量数据,因此在大范围WIFI定位应用中定位响应比指纹匹配快速,更具实用性。
附图说明
图1为本发明的逻辑结构示意图;
图2为本发明的WIFI定位方法的流程图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
本发明所阐述的自动选择信号分布模型的WIFI定位方法包括下述模块:模型候选集、采样模块、参数估计模块、自动选择模块和定位模块。该发明的逻辑结构如图1所示。各模块的功能和作用如下:
模型候选集:包含两个可能的信号分布模型,作为具体的实例,本发明中模型候选集包括Keenan-Motley模型和本发明创建的多项式分布模型。与采集模块得到的数据相结合,估计各模型的参数。
采样模块:采用带WIFI模块的手持设备进行信号采集,每一个经纬度坐标对应一个采样点,将采样点的经纬度坐标、接收到WIFI信号ID、每个WIFI ID对应的信号强度、WIFI源的位置(即WIFI信号发射装置所安装的位置)记录进数据库的采样信息表中,供参数估计模块估算模型参数。
自动选择模块:对某一WIFI源依据采样模块采得的数据,利用最小二乘法估算模型候选集中两个模型各自的参数。根据估算所得参数计算模型在各采样点的信号强度预测值,将预测值与各采样点的实际信号强度值进行比较,计算预测残差。根据预测残差的大小进行排序,从中选择预测残差最小的信号模型作为当前WIFI源的信号分布模型,并在数据库中的信号模型表中记录相应的模型序号与模型参数值。
定位模块:由终端接收到的WIFI ID从信号模型表中取出相应信号分布模型,由WIFI ID相应的信号强度与分布模型计算各WIFI源的位置对当前位置的影响比重,以比重为权值计算各WIFI ID位置的加权平均值,作为定位结果。
本发明所阐述的WIFI定位方法包括:
1、模型候选集构成:
1)Keenan-Motley模型:
其中f(d)表示信号强度,d为接收终端与WIFI源的距离,L(d)表示信号衰减,P为无衰减信号强度(即WIFI信号发射器位置上的信号强度),l0为常数,代表一米处路径损耗,γ为路径损耗***,ki代表信号穿越同一类型墙或地板数,li为相应的穿越损耗系数。i=2表示室内存在墙与地板两种不同性质的障碍,如更复杂的室内环境(如存在多种墙壁)可增大i的范围,参数估计方法不变。
2)多项式分布模型:
其中(x,y)为采样点坐标,f(x,y)表示信号强度,N为多项式分布阶次,Ci,Di,Emn,F,为待估计参数。
2、数据库表设计:
二、具体步骤:
1)采样步骤:
步骤一:测量WIFI信号源的经纬度坐标位置,记录进信号模型表;
步骤二:在WIFI信号源周边取采样点,将采样点经纬度坐标位置、在采样点上接收到的WIFI ID、信号强度记录进数据库的采样信息表;
步骤三:改变采样点位置重复步骤二,直到采样点均匀遍布需要实现WIFI定位的区域,进入参数估计步骤。
2)参数估计步骤
多项式分布模型参数估计:
步骤一:从采样信息表中取出某一WIFI ID对应的采样记录,假设为M条,取出每条记录中的信号强度字段值f(xi,yi),i=1,2,...,M构建采样信号强度矩阵为:Y1=[f(x1,y1),f(x2,y2),…,f(xM,yM)]T;
步骤二:根据公式(2)可知模型的***观测矩阵表达式为:由步骤一得到的M条采样记录中取出每条记录的采样点位置字段值(xi,yi),i=1,2,...,M,把(xi,yi)代入***观测矩阵表达式B1中,得到***观测矩阵;
步骤三:根据公式(2)可知模型的待估参数矩阵表达式为:X1=[C1,…,CN,D1,…,DN,E11,…,Emn,F]T。根据最小二乘法原理计算X1的无偏估计为
步骤四:将步骤三计算所得的参数估计值保存在自动选择模块的缓存之中。
Keenan-Motley分布模型参数估计:
步骤一:从采样信息表中取出某一WIFI ID对应的采样记录,假设为M条,取出每条记录中的信号强度字段值f(di)i=1,2,...,M构建采样信号强度矩阵为:Y2=[f(d1),f(d2),…,f(dM)]T,对于同一个WIFI ID信号强度矩阵Y2与Y1相等;
步骤二:根据公式(1)可知模型的***观测矩阵表达式为:由步骤一得到的M条采样记录中取出每条记录的采样点位置字段值(xi,yi),i=1,2,...,M;从信号模型表中取出WIFI ID对应的记录中的WIFI源位置字段值(x0,y0),计算距离值:将di代入***观测矩阵表达式B2中,得到***观测矩阵;
步骤三:根据公式(1)可知模型的待估参数矩阵表达式为:X2=[1,l0,γ,l1,l2]T。根据最小二乘法原理计算X2的无偏估计为
步骤四:将步骤三计算所得的参数估计值保存在自动选择模块的缓存之中。
3)自动选择模型步骤:
步骤一:从缓存中取出参数估计步骤得到的参数估计矩阵和根据无偏估计求得两个模型信号强度预测值矩阵:进入步骤二;
步骤二:计算两个模型的预测残差矩阵,计算的方法是求信号强度矩阵与信号强度预测矩阵的差值矩阵ε:
步骤三:计算各残差矩阵元素的平均值的绝对值得|E(ε1)|和|E(ε2)|。均值越小表明该模型总体上预测误差越小,模型越符合真实信号分布,在|E(ε1)|和|E(ε2)|中选择数值最小的值对应的模型作为当前WIFI ID的信号分布模型。将模型序号、参数矩阵记录进信号模型表中当前WIFI ID记录对应的字段中。本发明通过采样值计算模型的参数估计值,进而计算出采用应该模型时在采样点上的信号强度预测值,通过预测值与真实采集值的比较,自动选取差别最小的模型作为该WIFI信号源的信号分布描述,相比采用单一模型更具对复杂室内环境的适应性,能够充分利用各模型的特点选择最佳的信号强度分布描述,有利于提高后续定位步骤的准确性。
4)定位步骤:
步骤一:终端将接收到的WIFI ID{ID1,ID2,...,IDn}与对应的信号强度值{RSS1,RSS2,...,RSSn}上传到定位中心;
步骤二:定位中心依据WIFI ID从信号模型表中检索出WIFI源位置μi,i=1,2,...,n,分布模型序号和模型参数数值,从而得到对应的分布函数fi(x,y)或fi(d)i=1,2,...,n;
步骤三:依据信号强度值与所属分布模型计算各WIFI源的定位概率:
或
步骤四:依据步骤三计算所得的各WIFI源的定位概率值,结合步骤二得到的各WIFI源的位置μi,i=1,2,...,n,计算定位结果μ(x,y),计算公式如下所示:
将定位结果下发到终端,完成定位。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (2)
1.一种WIFI室内信号分布模型自动选择与定位方法,其特征在于:包括以下步骤:
步骤1:构建模型候选集,该模型候选集至少包括两个室内信号分布模型;
步骤2:信号采集:采用带WIFI模块的设备进行信号采集,每一个经纬度坐标对应一个采样点,其采集内容包括采样点的经纬度坐标、接收到WIFI ID、每个WIFI ID对应的信号强度以及WIFI源的位置,并将采集到的信息记录进数据库的采样信息表中;
步骤3:对模型候选集内的模型进行参数估算:根据步骤2信号采集的信息,估算步骤1中构建的模型候选集中各室内信号分布模型的参数;
步骤4:模型自动选择:根据估算所得参数分布计算每个室内信号分布模型在各采样点的信号强度预测值,将该预测值与各采样点的实际信号强度值进行比较,计算预测残差;根据预测残差的大小对各室内信号分布模型进行排序,从中选择预测残差最小的室内信号分布模型作为当前WIFI源的室内信号分布模型,并在数据库中的信号模型表中记录相应的模型序号与模型参数值;
步骤5:定位:终端根据其接收到的WIFI ID,读取数据库中信号模型表,获得所选择的室内信号分布模型,由WIFI ID相应的信号强度与分布模型计算各WIFI源的位置对当前位置的影响比重,以比重为权值计算各WIFI ID位置的加权平均值,作为定位结果;
步骤1中,该模型候选集包含Keenan-Motley模型和多项式分布模型;其中,Keenan-Motley模型如下:
式中,f(d)表示信号强度,d为终端与WIFI源的距离,L(d)为信号衰减,P为无衰减信号强度,l0为常数,代表一米处路径损耗,γ为路径损耗***,ki代表信号穿越同一类型墙或地板数,li为相应的穿越损耗系数,i=2表示室内存在墙与地板两种不同性质的障碍;
其中,多项式分布模型如下:
式中,(x,y)为采样点坐标,f(x,y)表示信号强度,N为多项式分布阶次,Ci、Di、Emn和F为待估计参数;
所述步骤2中信号采集的具体步骤包括以下内容:
步骤21:测量WIFI信号源的经纬度坐标位置,记录进信号模型表;
步骤22:在WIFI信号源周边取采样点,将采样点经纬度坐标位置、在采样点上接收到的WIFI ID、信号强度记录进数据库的采样信息表;
步骤23:改变采样点位置重复步骤22,直到采样点均匀遍布需要实现WIFI定位的区域;
所述步骤3中对模型候选集内的模型进行参数估算,具体包括多项式分布模型参数估计和Keenan-Motley分布模型参数估计;其中,多项式分布模型参数估计包括以下内容:
步骤31a:从采样信息表中取出某一WIFI ID对应的采样记录,该采样记录记为M条,取出每条记录中的信号强度字段值f(xi,yi),i=1,2,...,M,构建采样信号强度矩阵为:Y1=[f(x1,y1),f(x2,y2),…,f(xM,yM)]T;
步骤32a:根据多项式分布模型公式可知模型的***观测矩阵表达式为:由步骤31a得到的M条采样记录中取出每条记录的采样点位置字段值(xi,yi),i=1,2,...,M,把(xi,yi)代入***观测矩阵表达式B1中,得到***观测矩阵;
步骤33a:根据多项式分布模型公式可知模型的待估参数矩阵表达式为:X1=[C1,…,CN,D1,…,DN,E11,…,Emn,F]T;计算X1的无偏估计为
步骤34a:将步骤33a计算所得的参数估计值保存在缓存之中;
Keenan-Motley分布模型参数估计包括以下内容:
步骤31b:从采样信息表中取出某一WIFI ID对应的采样记录,假设为M条,取出每条记录中的信号强度字段值f(di)i=1,2,...,M构建采样信号强度矩阵为:Y2=[f(d1),f(d2),…,f(dM)]T;
步骤32b:根据Keenan-Motley分布模型可知模型的***观测矩阵表达式为:由步骤31b得到的M条采样记录中取出每条记录的采样点位置字段值(xi,yi),i=1,2,...,M;从信号模型表中取出WIFI ID对应的记录中的WIFI源位置字段值(x0,y0),计算距离值:将di代入***观测矩阵表达式B2中,得到***观测矩阵;
步骤33b:根据Keenan-Motley分布模型可知模型的待估参数矩阵表达式为:X2=[1,l0,γ,l1,l2]T;计算X2的无偏估计为
步骤34b:将步骤33b计算所得的参数估计值保存在缓存之中;
步骤4中模型自动选择步骤中,其具体包括以下内容:
步骤41:从缓存中取出参数估计步骤得到的参数估计矩阵和根据无偏估计求得两个模型信号强度预测值矩阵:进入步骤42;
步骤42:计算两个模型的预测残差矩阵,计算的方法是求信号强度矩阵与信号强度预测矩阵的差值矩阵ε:
步骤43:计算各残差矩阵元素的平均值的绝对值得|E(ε1)|和|E(ε2)|;在|E(ε1)|和|E(ε2)|中选择数值最小的值对应的模型作为当前WIFI ID的信号分布模型。
2.根据权利要求1所述的WIFI室内信号分布模型自动选择与定位方法,其特征在于:步骤5定位步骤具体包括以下内容:
步骤51:终端将接收到的WIFI ID{ID1,ID2,...,IDn}与对应的信号强度值{RSS1,RSS2,...,RSSn}上传到定位中心;
步骤52:定位中心依据WIFI ID从信号模型表中检索出WIFI源位置μi,i=1,2,...,n,分布模型序号和模型参数数值,从而得到对应的分布函数fi(x,y)或fi(d)i=1,2,...,n;
步骤53:依据信号强度值与所属分布模型计算各WIFI源的定位概率:
或
步骤54:依据步骤53计算所得的各WIFI源的定位概率值,结合步骤52得到的各WIFI源的位置μi,i=1,2,...,n,计算定位结果μ(x,y),计算公式如下所示:将定位结果下发到终端,完成定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310301804.0A CN103415027B (zh) | 2013-07-15 | 2013-07-15 | Wifi室内信号分布模型自动选择与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310301804.0A CN103415027B (zh) | 2013-07-15 | 2013-07-15 | Wifi室内信号分布模型自动选择与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103415027A CN103415027A (zh) | 2013-11-27 |
CN103415027B true CN103415027B (zh) | 2019-03-29 |
Family
ID=49608003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310301804.0A Active CN103415027B (zh) | 2013-07-15 | 2013-07-15 | Wifi室内信号分布模型自动选择与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103415027B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105208648B (zh) | 2014-05-29 | 2019-01-08 | 国际商业机器公司 | 用于进行无线定位的方法和设备以及无线定位方法和设备 |
CN104540103B (zh) * | 2014-12-08 | 2019-01-29 | 康佳集团股份有限公司 | 小型室内定位方法及其*** |
CN107623922B (zh) * | 2017-09-19 | 2021-05-18 | 深圳市深层互联科技有限公司 | 一种beacon基站的部署方法及装置 |
CN108966369B (zh) * | 2018-07-19 | 2021-08-17 | 广州华创物联科技股份有限公司 | 一种养老院人员定位监护***及其方法 |
CN110933629B (zh) * | 2019-11-26 | 2021-06-15 | 通号万全信号设备有限公司 | 一种测量无线设备传输特性的方法 |
CN110866347A (zh) * | 2019-11-28 | 2020-03-06 | 昆山国显光电有限公司 | 显示器件的寿命预估方法和装置、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592606A (zh) * | 2012-03-23 | 2012-07-18 | 福建师范大学福清分校 | 一种补偿小空间听音声环境的均衡信号处理方法 |
CN103139907A (zh) * | 2013-02-04 | 2013-06-05 | 北京工业大学 | 一种利用指纹法的室内无线定位方法 |
-
2013
- 2013-07-15 CN CN201310301804.0A patent/CN103415027B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592606A (zh) * | 2012-03-23 | 2012-07-18 | 福建师范大学福清分校 | 一种补偿小空间听音声环境的均衡信号处理方法 |
CN103139907A (zh) * | 2013-02-04 | 2013-06-05 | 北京工业大学 | 一种利用指纹法的室内无线定位方法 |
Non-Patent Citations (2)
Title |
---|
基于射频识别技术的室内定位算法研究;史伟光;《万方数据知识服务平台》;20130402;全文 |
无线传感器网络节点安全定位;叶阿勇;《万方数据知识服务平台》;20100119;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN103415027A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103415027B (zh) | Wifi室内信号分布模型自动选择与定位方法 | |
CN109444813B (zh) | 一种基于bp和dnn双神经网络的rfid室内定位方法 | |
Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
AU2019216706B2 (en) | Iterative ray-tracing for autoscaling of oblique ionograms | |
US20140128100A1 (en) | Binning Venues Into Categories Based On Propagation Characteristics | |
CN104507050B (zh) | 一种WiFi室内定位中概率型指纹匹配方法 | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN103402258A (zh) | 一种基于Wi-Fi的室内定位***和方法 | |
CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及*** | |
CN106612495B (zh) | 一种基于传播损耗学习的室内定位方法及*** | |
CN106793082A (zh) | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 | |
CN103167606B (zh) | 基于稀疏表示的wlan室内定位方法 | |
CN106162559A (zh) | 用于在无线通信***中估计位置的设备和方法 | |
CN103249144A (zh) | 一种基于c型的无线传感器网络节点定位方法 | |
CN109581281A (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
CN108627798A (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN103476113B (zh) | 基于mnl概率辨识室内定位***及方法、定位模型建立*** | |
CN106992822A (zh) | 一种无线传感器网络盲节点的定位方法 | |
CN105444755B (zh) | 基于空间杂波信号的室内定位方法 | |
CN114374449A (zh) | 一种干扰源确定方法、装置、设备及介质 | |
CN109143161A (zh) | 基于混合指纹质量评价模型的高精度室内定位方法 | |
CN116626238A (zh) | 一种气流和气体组合感知的双通道检测罗盘***、气体泄漏检测方法、数据融合及追踪方法 | |
Anjum et al. | Analysis of time-weighted LoRa-based positioning using machine learning | |
CN105866732A (zh) | 一种改进mk模型和wknn算法相结合的混合室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |