CN107396322A - 基于路径匹配与编码译码循环神经网络的室内定位方法 - Google Patents
基于路径匹配与编码译码循环神经网络的室内定位方法 Download PDFInfo
- Publication number
- CN107396322A CN107396322A CN201710750288.8A CN201710750288A CN107396322A CN 107396322 A CN107396322 A CN 107396322A CN 201710750288 A CN201710750288 A CN 201710750288A CN 107396322 A CN107396322 A CN 107396322A
- Authority
- CN
- China
- Prior art keywords
- mrow
- rss
- neural network
- recurrent neural
- msub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 33
- 230000003213 activating effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000020411 cell activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及室内定位方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。本发明包括训练阶段和测试阶段。训练阶段在待定位区域中设计行走路径，并采集移动设备在各路径上行走时来自AP的信号接收强度动态时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用长短时记忆作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。测试阶段获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。
Description
技术领域个
本发明涉及室内定位方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。
背景技术
全球定位***(Global Positioning System，GPS)在受建筑物遮挡的环境下定位效果差，因此室内定位技术成为GPS的重要补充。现有的室内定位方法主要可以分为基于信号模型的方法和基于机器学习的方法。室内环境一般较为复杂，多径现象严重，这使得精确可用的信号模型的建立十分困难，大部分已有的用于定位的信号模型都没有考虑多径情况或者考虑得过于简单。而基于机器学习的方法不需要建立信号模型，而是从数据中学习模型，在数据足够充分、模型选择合适的情况下能学习到更适应环境的定位模型。
目前基于机器学***滑的措施可以一定程度上缓解跳动，但没有从根本上利用时间相关性。此外一些跟踪方法利用到位置时间特性进行建模，例如卡尔曼滤波、粒子滤波及隐马尔科夫模型、贝叶斯推断等方法。但这些方法往往建立在信号模型是高斯的假设上，且跟踪与定位本质上不同，跟踪方法中对当前时刻的预测需要用到历史时刻的轨迹。
综上所述，移动设备的运动路径是动态连续的，接收信号中不仅包含空间信息还包含时间信息。有必要建立一种能从信号中学习这种时空特性的深度学习定位模型，以提高定位的鲁棒性和时间稳定性。
发明内容
本发明目的在于提供一种基于编码译码循环神经网络模型的室内路径匹配定位方法，循环神经网络是一种用于序列学习的深度学习框架。旨在充分利用移动设备运动过程中的动态信号测量的时间相关性以提高室内定位***的精度、鲁棒性和时间稳定性。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于路径匹配与编码译码循环神经网络的室内定位方法，基于M个AP、一个移动设备和定位服务器构成的定位***；AP与移动设备构成M个收发对；
所述定位方法包括训练阶段和测试阶段；
所述训练阶段：在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的RSS动态时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。
所述测试阶段：移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。
所述训练阶段具体包括以下步骤：
1)数据采集。手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集。为方便描述，假设数据采集在同一条路径上进行，容易推广到多条路径的情况。数据采集总共进行N次，第n次数据采集的RSS时间序列记为：
nS＝[ns1 ns2 … nsT]，n＝1,...,N，
其中T表示序列的长度，nst(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：
2)数据预处理。数据预处理包括对步骤1)中采集到的数据集{nS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集。
数据集的中心化的方法是把所有数据减去其均值。
数据集的归一化方法是把中心化后的数据除以其标准差。
当数据集中时间序列nS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列ntx，即ntx＝[nst,...,nst+L-1]，t＝1,...,T-L+1。
3)获取位置标签。根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列nty＝[nyt,...,nyt+L-1]，t＝1,...,T-L+1，即RSS时间序列ntx对应的位置标签序列，其中nyt∈R2表示RSS向量nst对应的二维位置坐标。将序列对{ntx,nty}作为训练编码译码循环神经网络模型的输入和输出对，为方便，简记为{x,y}。
4)建立编码译码循环神经网络模型。模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构。
译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y1,...,yt-1}，预测下一个时刻的位置yt。即是说，译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：
其中，y＝(y1,...,yL)，对于循环神经网络，每个条件概率模型为：
p(yt|{y1,...,yt-1},c)＝g(yt-1,st,c)
其中g为非线性多层函数用于输出yt的概率，st为译码器的隐藏层状态。为了引入对齐(alignment)机制，重新定义模型架构：
p(yi|{y1,...,yi-1},x)＝g(yi-1,si,ci)
其中si为译码器在i时刻的隐藏层状态，计算方式为：
si＝f(si-1,yi-1),ci)。
与前述非对齐机制不同，对于每个目标位置yi都有一个不同的编码ci，
权重αij的计算方式为：
其中eij＝a(si-1,hj)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度。将对齐模型a参数化为与所提出的***的所有其他组件联合训练的前馈神经网络。
编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，
ht＝f(xt,ht-1)，
和
c＝q({h1,...,hL})，
其中为t时刻的采样数据，为t时刻的隐藏状态。f和q表示某个非线性函数，本发明用LSTM单元作为f。
为了充分利用路径的前后位置和信号的关系，编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络按原始顺序读取输入序列并计算前向隐藏层状态后向循环神经网络以逆向读取输入序列得到后向隐藏层状态最后的编码器隐藏层状态由前向和后向隐藏层状态拼接得到，
所述测试阶段具体包括以下步骤：
1)移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照训练阶段步骤2)描述的方式对RSS时间序列进行预处理；
2)处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。
所述编码译码循环神经网络模型隐藏层采用LSTM作为基本组件。其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcct-1+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中，i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)，输出门(output gate)，单元激活向量(cell activation vectors)，隐藏层状态，Wxi、Whi、Wci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：
其中，x是输入数据。它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1。
tanh为另一种激活函数。输入和隐藏层状态通常使用tanh激活函数：
其中，x是输入数据。它能够把输入数据“压缩”到[-1,1]范围内，当输入为0时，tanh函数输出为0。
本发明具有如下有益效果：
与现有静态定位技术相比，本发明充分利用了室内定位信号的时间变化的动态特性，其定位结果比一般算法更具有时间稳定性。
其次，与一般的指纹匹配定位算法相比，本发明应用了深度学习技术，在室内复杂环境下定位结果更具有鲁棒性，且定位精度更高。
此外，一般的指纹匹配定位算法需要存储和计算的指纹随着环境规模的扩大而增加，而本发明需要存储和计算的参数不受环境规模的影响，可以根据环境的复杂程度自由设计，存储器不需要记忆所有指纹(即训练数据)。
附图说明
图1是本发明的***框图；
图2是编码译码循环神经网络模型路径匹配定位结构图；
图3是LSTM单元的结构图；
图4是仿真场景下三种方法的RMSE随噪声标准差σ变化的比较图；
图5是仿真场景下两种方法的RMSE随序列长度L变化的比较图；
图6是仿真场景下三种方法的CDF比较图；
图7是仿真场景下三种方法对一条路径进行定位的定位误差比较图。
具体实施方式
下面结合实例详细说明本发明的技术方案。
本发明***框图如图1所示，包括训练阶段和测试阶段。
训练阶段根据待定位区域的地图结构，设计一些用于采集数据的路径，以固定速率采集移动设备在各路径上行走时来自AP的RSS时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。
测试阶段移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。
训练阶段具体包括以下步骤：
1)数据采集。手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集。为方便描述，假设数据采集在同一条路径上进行，容易推广到多条路径的情况。数据采集总共进行N次，第n次数据采集的RSS时间序列记为：
nS＝[ns1 ns2 … nsT]，n＝1,...,N，
其中T表示序列的长度，nst(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：
2)数据预处理。数据预处理包括对步骤1)中采集到的数据集{nS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集。
数据集的中心化的方法是把所有数据减去其均值。
数据集的归一化方法是把中心化后的数据除以其标准差。
当数据集中时间序列nS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列ntx，即ntx＝[nst,...,nst+L-1]，t＝1,...,T-L+1。
3)获取位置标签。根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列nty＝[nyt,...,nyt+L-1]，t＝1,...,T-L+1，即RSS时间序列ntx对应的位置标签序列，其中nyt∈R2表示RSS向量nst对应的二维位置坐标。将序列对{ntx,nty}作为训练编码译码循环神经网络模型的输入和输出对，为方便，简记为{x,y}。
4)建立编码译码循环神经网络模型。模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构。
译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y1,...,yt-1}，预测下一个时刻的位置yt。即是说，译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：
其中，y＝(y1,...,yL)，对于循环神经网络，每个条件概率模型为：
p(yt|{y1,...,yt-1},c)＝g(yt-1,st,c)
其中g为非线性多层函数用于输出yt的概率，st为译码器的隐藏层状态。为了引入对齐(alignment)机制，重新定义模型架构：
p(yi|{y1,...,yi-1},x)＝g(yi-1,si,ci)
其中si为译码器在i时刻的隐藏层状态，计算方式为：
si＝f(si-1,yi-1),ci)。
与前述非对齐机制不同，对于每个目标位置yi都有一个不同的编码ci，
权重αij的计算方式为：
其中eij＝a(si-1,hj)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度。将对齐模型a参数化为与所提出的***的所有其他组件联合训练的前馈神经网络。
编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，
ht＝f(xt,ht-1)，
和
c＝q({h1,...,hL})，
其中为t时刻的采样数据，为t时刻的隐藏状态。f和q表示某个非线性函数，本发明用LSTM单元作为f。
为了充分利用路径的前后位置和信号的关系，编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络按原始顺序读取输入序列并计算前向隐藏层状态后向循环神经网络以逆向读取输入序列得到后向隐藏层状态最后的编码器隐藏层状态由前向和后向隐藏层状态拼接得到，
测试阶段具体包括以下步骤：
1)移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照训练阶段步骤2描述的方式对RSS时间序列进行预处理；
2)处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。
编码译码循环神经网络模型隐藏层采用LSTM作为基本组件。其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcct-1+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中，i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)，输出门(output gate)，单元激活向量(cell activation vectors)，隐藏层状态，Wxi、Whi、Wci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：
其中，x是输入数据。它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1。
tanh为另一种激活函数。输入和隐藏层状态通常使用tanh激活函数：
其中，x是输入数据。它能够把输入数据“压缩”到[-1,1]范围内，当输入为0时，tanh函数输出为0。
以下通过具体实施例说明本发明内容：
本实施例利用光线跟踪技术来模拟室内无线电磁环境，为评估本发明的定位方法，同时还对比仿真了经典的k最近邻(k-Nearest Neighbor，kNN)指纹定位方法。由于本发明采用路径匹配的思想，而传统kNN方法是基于位置点匹配的思想，出于对比的公平性，我们将传统kNN方法推广到了路径匹配中，即把路径视为一个样本点进行kNN匹配。把这两种思想下的kNN方法分别记为：kNN点匹配方法和kNN路径匹配方法，为方便图示说明，以下把本发明方法记为RNN路径匹配方法。下面通过具体实施例来对比这两种方法与本发明的定位方法的性能差异。
仿真环境设置为一间长宽高分别为20米，15米，4米的空旷房间，房间的四个角的平面坐标分别为(0，0)，(0，15)，(20，15)，(20，0)。房间内共放置6个AP，放置的高度为1米，它们的平面坐标分别为(1，1)，(10，1)，(19，1)，(1，14)，(10，14)，(19，14)，单位米。AP的发射频率设置为2400MHz。移动设备位置均假设与AP同高，即高度为1米。数据采集路径假设为沿着房间周围的一个矩形路径，矩形的四个角的坐标分别为(2，2)，(2，13)，(18，13)，(18，2)。仿真数据利用用光线跟踪技术产生移动设备沿矩形路径某一起点开始行走至该起点结束所接收到的RSS时间序列作为一次采样。为模拟真实采样过程，仿真路径在所设计的矩形路径上增加了一个微小的随机偏移，仿真RSS数据噪声标准差为σ。
仿真产生20次路径样本序列和50次路径样本序列分别作为训练数据集和测试数据集，每次路径样本序列包含92个位置点的RSS序列，编码译码循环神经网络模型输入序列长度设置为L＝5，通过对训练数据集和测试数据集预处理，可以分别得到1760个训练数据对和4400个测试数据对。训练时的优化算法采用Adam，该算法对每个权值都自适应地计算学习速率。训练时随机选取小量的batch_size个训练输入来工作，即小批量数据(mini-batch)，本实验中使用小批量数据尺寸为batch_size＝50。损失函数采用交叉熵损失。
图4为三种方法的测试均方根误差(Root Mean Square Error,RMSE)随噪声标准差变化的曲线比较，其中kNN方法的误差棒表示k值在1-10范围内变化时RMSE的偏差，类似的，RNN方法的误差棒表示取概率最大的k(k的变化范围也为1-10)个位置的平均值作为位置估计结果的RMSE的偏差。从图4可以看到，kNN点匹配方法的RMSE曲线在另外两种方法的上方，误差较大；利用了路径信息的kNN路径匹配方法和RNN路径匹配方法则有效降低了定位误差；在噪声标准差小于3dB时，kNN路径匹配方法略好于RNN路径匹配方法，而在噪声标准差大于3dB时，RNN路径匹配方法比kNN路径匹配方法对噪声有明显的抑制作用。
图5是k值取5，σ分别为4dB，8dB，12dB时，两种路径匹配方法的RMSE随输入序列长度L改变时的变化曲线比较。从图5可以看到，随L的增大，两种方法的误差都呈下降趋势；RNN路径匹配方法总体误差低于kNN路径匹配方法，且当噪声标准差越大时，优势越为明显。
图6(a)和图6(b)分别为当k＝1和k＝10时，三种方法的误差累积概率密度曲线比较。从图6可以看出，RNN路径匹配方法的误差累积概率密度曲线总体上好于另外两种方法；当k值取1时优势更为明显。
图7是k为3,σ为10的情况下三种定位方法对一条路径进行定位的定位误差比较。从图7看出RNN路径匹配方法的时间稳定性最好。
Claims (4)
1.基于路径匹配与编码译码循环神经网络的室内定位方法，该方法用于基于M个AP、一个移动设备和定位服务器构成的定位***，所述AP与移动设备构成M个收发对，其特征在于，所述的定位方法包括训练阶段和测试阶段；
训练阶段：
在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的动态RSS时间序列；对RSS时间序列进行预处理；用插值法得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练；
测试阶段：
移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。
2.根据权利要求1所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述训练阶段具体包括以下步骤：
S1、数据采集：
手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集；数据采集总共进行N次，第n次数据采集的RSS时间序列记为：
nS＝[ns1 ns2 … nsT]，n＝1,...,N，
其中T表示序列的长度，nst(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：
<mrow>
<msub>
<mmultiscripts>
<mi>s</mi>
<mi>n</mi>
</mmultiscripts>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mmultiscripts>
<mi>s</mi>
<mi>t</mi>
<mn>1</mn>
<mi>n</mi>
</mmultiscripts>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mmultiscripts>
<mi>s</mi>
<mi>t</mi>
<mi>M</mi>
<mi>n</mi>
</mmultiscripts>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>,</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>;</mo>
</mrow>
S2、数据预处理：
数据预处理包括对步骤S1中采集到的数据集{nS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集；
数据集的中心化的方法是把所有数据减去其均值；
数据集的归一化方法是把中心化后的数据除以其标准差；
当数据集中时间序列nS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列ntx，即ntx＝[nst,...,nst+L-1]，t＝1,...,T-L+1；
S3、获取位置标签：
根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列nty＝[nyt,...,nyt+L-1]，t＝1,...,T-L+1，即RSS时间序列ntx对应的位置标签序列，其中nyt∈R2表示RSS向量nst对应的二维位置坐标；将序列对{ntx,nty}作为训练编码译码循环神经网络模型的输入和输出对，记为{x,y}；
S4、建立编码译码循环神经网络模型：
模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构；
译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y1,...,yt-1}，预测下一个时刻的位置yt，即译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<mo>{</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，y＝(y1,...,yL)，对于循环神经网络，每个条件概率模型为：
p(yt|{y1,...,yt-1},c)＝g(yt-1,st,c)
其中g为非线性多层函数用于输出yt的概率，st为译码器的隐藏层状态；为了引入对齐机制，重新定义模型架构：
p(yi|{y1,...,yi-1},x)＝g(yi-1,si,ci)
其中si为译码器在i时刻的隐藏层状态，计算方式为：
si＝f(si-1,yi-1),ci)
与前述非对齐机制不同，对于每个目标位置yi都有一个不同的编码ci，
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
</mrow>
权重αij的计算方式为：
<mrow>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</msubsup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中eij＝a(si-1,hj)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度；将对齐模型a参数化为与所提出的***的所有其他组件联合训练的前馈神经网络；
编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，
ht＝f(xt,ht-1)，
和
c＝q({h1,...,hL})，
其中为t时刻的采样数据，为t时刻的隐藏状态；f和q表示某个非线性函数，设定用LSTM单元作为f；
编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络按原始顺序读取输入序列并计算前向隐藏层状态后向循环神经网络以逆向读取输入序列得到后向隐藏层状态最后的编码器隐藏层状态由前向和后向隐藏层状态拼接得到，
3.根据权利要求2所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述测试阶段具体包括以下步骤：
S5、移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照步骤S2对RSS时间序列进行预处理；
S6、处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。
4.根据权利要求3所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述编码译码循环神经网络模型隐藏层采用LSTM作为基本组件；其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcct-1+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中，i、f、o、c、h分别表示输入门、遗忘门，输出门，单元激活向量，隐藏层状态，Wxi、Whi、Wci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，x是输入数据。它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1；
tanh为另一种激活函数；输入和隐藏层状态通常使用tanh激活函数：
<mrow>
<mi>tanh</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>e</mi>
<mi>x</mi>
</msup>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
<mrow>
<msup>
<mi>e</mi>
<mi>x</mi>
</msup>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，x是输入数据，tanh激活函数能够把输入数据压缩到[-1,1]范围内，当输入为0时，tanh函数输出为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710750288.8A CN107396322B (zh) | 2017-08-28 | 2017-08-28 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710750288.8A CN107396322B (zh) | 2017-08-28 | 2017-08-28 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107396322A true CN107396322A (zh) | 2017-11-24 |
| CN107396322B CN107396322B (zh) | 2019-12-27 |
Family
ID=60346433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710750288.8A Active CN107396322B (zh) | 2017-08-28 | 2017-08-28 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107396322B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399201A (zh) * | 2018-01-30 | 2018-08-14 | 武汉大学 | 一种基于循环神经网络的Web用户访问路径预测方法 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
| CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 |
| CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
| CN109620154A (zh) * | 2018-12-21 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于深度学习的肠鸣音识别方法及相关装置 |
| CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
| CN110290466A (zh) * | 2019-06-14 | 2019-09-27 | ***通信集团黑龙江有限公司 | 楼层判别方法、装置、设备及计算机存储介质 |
| CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
| CN110519693A (zh) * | 2019-09-29 | 2019-11-29 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
| CN110533166A (zh) * | 2019-08-21 | 2019-12-03 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
| CN111372182A (zh) * | 2018-12-06 | 2020-07-03 | ***通信集团陕西有限公司 | 一种定位方法、装置、设备及计算机可读存储介质 |
| EP3764120A1 (en) * | 2019-07-10 | 2021-01-13 | Swisscom AG | Low power wide area network localization |
| CN112930484A (zh) * | 2018-10-31 | 2021-06-08 | 三菱电机株式会社 | 定位***、定位方法和存储介质 |
| CN112994840A (zh) * | 2021-02-03 | 2021-06-18 | 白盒子(上海)微电子科技有限公司 | 一种基于神经网络的译码器 |
| CN113051976A (zh) * | 2019-12-27 | 2021-06-29 | 广东博智林机器人有限公司 | 指纹定位方法、装置、电子设备及存储介质 |
| CN113347559A (zh) * | 2021-05-14 | 2021-09-03 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
| CN114510044A (zh) * | 2022-01-25 | 2022-05-17 | 北京圣威特科技有限公司 | Agv导航船导航方法、装置、电子设备及存储介质 |
| CN114631365A (zh) * | 2020-01-02 | 2022-06-14 | 三星电子株式会社 | 检测位置的电子装置及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8077090B1 (en) * | 2010-06-15 | 2011-12-13 | Microsoft Corp. | Simultaneous localization and RF modeling |
| CN105120517A (zh) * | 2015-07-29 | 2015-12-02 | 重庆邮电大学 | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 |
| WO2016079656A1 (en) * | 2014-11-18 | 2016-05-26 | Egypt-Japan University Of Science And Technology | Zero-calibration accurate rf-based localization system for realistic environments |
-
2017
- 2017-08-28 CN CN201710750288.8A patent/CN107396322B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8077090B1 (en) * | 2010-06-15 | 2011-12-13 | Microsoft Corp. | Simultaneous localization and RF modeling |
| WO2016079656A1 (en) * | 2014-11-18 | 2016-05-26 | Egypt-Japan University Of Science And Technology | Zero-calibration accurate rf-based localization system for realistic environments |
| CN105120517A (zh) * | 2015-07-29 | 2015-12-02 | 重庆邮电大学 | 基于多维尺度分析的室内wlan信号平面图构建与定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIANG LONG LIU ; YI HE WAN ; BAO GEN XU;SI LONG TANG: "A novel indoor positioning method based on location fingerprinting", 《2013 INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 * |
| 郑文翰: "基于WLAN的室内定位技术研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
| 龚阳；崔琛；余剑；孙从易；: "基于RBF神经网络的室内定位算法研究", 《电子测量技术》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399201A (zh) * | 2018-01-30 | 2018-08-14 | 武汉大学 | 一种基于循环神经网络的Web用户访问路径预测方法 |
| CN108399201B (zh) * | 2018-01-30 | 2020-05-12 | 武汉大学 | 一种基于循环神经网络的Web用户访问路径预测方法 |
| CN108957502B (zh) * | 2018-06-04 | 2022-10-21 | 安徽理工大学 | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 |
| CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
| CN108629978B (zh) * | 2018-06-07 | 2020-12-22 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
| CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
| CN108984904B (zh) * | 2018-07-17 | 2022-09-20 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
| CN112930484B (zh) * | 2018-10-31 | 2024-05-28 | 三菱电机株式会社 | 定位***、定位方法和存储介质 |
| CN112930484A (zh) * | 2018-10-31 | 2021-06-08 | 三菱电机株式会社 | 定位***、定位方法和存储介质 |
| CN111372182A (zh) * | 2018-12-06 | 2020-07-03 | ***通信集团陕西有限公司 | 一种定位方法、装置、设备及计算机可读存储介质 |
| CN109620154A (zh) * | 2018-12-21 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于深度学习的肠鸣音识别方法及相关装置 |
| CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
| CN110334741A (zh) * | 2019-06-06 | 2019-10-15 | 西安电子科技大学 | 基于循环神经网络的雷达一维距离像识别方法 |
| CN110290466A (zh) * | 2019-06-14 | 2019-09-27 | ***通信集团黑龙江有限公司 | 楼层判别方法、装置、设备及计算机存储介质 |
| EP3764120A1 (en) * | 2019-07-10 | 2021-01-13 | Swisscom AG | Low power wide area network localization |
| US11782120B2 (en) | 2019-07-10 | 2023-10-10 | Swisscom Ag | Methods and systems for low power wide area network localization |
| CN110533166A (zh) * | 2019-08-21 | 2019-12-03 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
| CN110533166B (zh) * | 2019-08-21 | 2023-04-28 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
| CN110519693B (zh) * | 2019-09-29 | 2020-11-03 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
| CN110519693A (zh) * | 2019-09-29 | 2019-11-29 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
| CN113051976A (zh) * | 2019-12-27 | 2021-06-29 | 广东博智林机器人有限公司 | 指纹定位方法、装置、电子设备及存储介质 |
| CN114631365A (zh) * | 2020-01-02 | 2022-06-14 | 三星电子株式会社 | 检测位置的电子装置及其方法 |
| CN112994840A (zh) * | 2021-02-03 | 2021-06-18 | 白盒子(上海)微电子科技有限公司 | 一种基于神经网络的译码器 |
| CN112994840B (zh) * | 2021-02-03 | 2021-11-02 | 白盒子(上海)微电子科技有限公司 | 一种基于神经网络的译码器 |
| CN113347559A (zh) * | 2021-05-14 | 2021-09-03 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
| CN113347559B (zh) * | 2021-05-14 | 2022-04-29 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
| CN114510044A (zh) * | 2022-01-25 | 2022-05-17 | 北京圣威特科技有限公司 | Agv导航船导航方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107396322B (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107396322A (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
| Li et al. | Deep reinforcement learning (DRL): Another perspective for unsupervised wireless localization | |
| CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
| Yang et al. | Robust UWB indoor localization for NLOS scenes via learning spatial-temporal features | |
| Zhang et al. | A comprehensive study of bluetooth fingerprinting-based algorithms for localization | |
| Kim et al. | UWB positioning system based on LSTM classification with mitigated NLOS effects | |
| CN107240122A (zh) | 基于时空连续相关滤波的视频目标跟踪方法 | |
| CN108696932A (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
| CN102819663B (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
| CN107247961A (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
| CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
| CN104794735B (zh) | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 | |
| Bhattarai et al. | Geomagnetic field based indoor landmark classification using deep learning | |
| Al-Homayani et al. | Improved indoor geomagnetic field fingerprinting for smartwatch localization using deep learning | |
| CN106932771A (zh) | 一种雷达仿真目标航迹跟踪方法及*** | |
| CN105354860A (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
| CN113347559B (zh) | 一种基于深度学习的强鲁棒性无线定位方法 | |
| Zhao et al. | Gaussian processes for flow modeling and prediction of positioned trajectories evaluated with sports data | |
| Zhang et al. | Csi-fingerprinting indoor localization via attention-augmented residual convolutional neural network | |
| CN105424043A (zh) | 一种基于判断机动的运动状态估计方法 | |
| Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
| Ding et al. | OGI-SLAM2: A hybrid map SLAM framework grounded in inertial-based SLAM | |
| Xingli et al. | Indoor positioning technology based on deep neural networks | |
| Li et al. | A variational learning approach for concurrent distance estimation and environmental identification | |
| CN109766969B (zh) | 基于异步优势动作评价的rfid室内定位算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210208 Address after: 611731, No. 2006, West Avenue, hi tech West District, Sichuan, Chengdu Patentee after: University of Electronic Science and Technology of China Patentee after: SICHUAN AIROCOV TECHNOLOGY Co.,Ltd. Address before: 611731, No. 2006, West Avenue, hi tech West District, Sichuan, Chengdu Patentee before: University of Electronic Science and Technology of China |
|
| CI03 | Correction of invention patent |
Correction item: Patentee|Address|Patentee Correct: Sichuan Xingwang Yunlian Technology Co.,Ltd.|611731 8th Floor, Building 2, No. 11, Tianying Road, High-tech West District, Chengdu, Sichuan Province False: University of Electronic Science and Technology of China|611731 No. 2006, Xiyuan Avenue, High-tech West District, Chengdu City, Sichuan Province|Sichuan Xingwang Yunlian Technology Co.,Ltd. Number: 09-02 Volume: 37 |
|
| CI03 | Correction of invention patent | ||
| CP03 | Change of name, title or address |
Address after: 226010 Room 516, No. 42, Guangzhou road, development zone, Nantong City, Jiangsu Province Patentee after: Nantong xingruipulian Technology Co.,Ltd. Address before: 611731 8th floor, building 2, No.11 Tianying Road, high tech West District, Chengdu, Sichuan Patentee before: SICHUAN AIROCOV TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220907 Address after: C6-2-1, Building 5, East District, No. 10, Northwest Wangdong Road, Haidian District, Beijing 100000 Patentee after: Beijing Stop Carbon Technology Co.,Ltd. Address before: 226010 Room 516, No. 42, Guangzhou road, development zone, Nantong City, Jiangsu Province Patentee before: Nantong xingruipulian Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |