CN108111973B - 一种基于实时指纹获取的室内定位方法与装置 - Google Patents
一种基于实时指纹获取的室内定位方法与装置 Download PDFInfo
- Publication number
- CN108111973B CN108111973B CN201711354405.5A CN201711354405A CN108111973B CN 108111973 B CN108111973 B CN 108111973B CN 201711354405 A CN201711354405 A CN 201711354405A CN 108111973 B CN108111973 B CN 108111973B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- sparse
- indoor
- dictionary
- unit
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于实时指纹获取的室内定位方法和定位装置,定位方法包括:接收室内终端发送的定位请求;根据所述定位请求,依据指纹匹配方式从实时指纹库中确定所述室内终端的位置;将确定的所述室内终端的位置发送所述室内终端,以使所述室内终端获得该室内终端的定位结果;所述指纹库为基于稀疏字典的空间稀疏方法选择传感器节点,由这些传感器节点实时采集的指纹信号,并通过信号重建方法构建的指纹库。上述方法基于实时采集的传感器信号构建指纹库,进而能够实时保证指纹空间的有效性。
Description
技术领域
本发明涉及互联网技术领域,特别是一种基于实时指纹获取的室内定位方法与装置。
背景技术
室内定位技术指的是在大型建筑物的室内环境下,在需要得知目标所处位置时,通过某种定位方法计算得出其具体坐标位置的技术。这里的室内所指范围较广,场景也较多。不仅仅包括日常人们生活居住的房屋,还有体育馆、博物馆、展览馆等公众活动的场所,甚至还可以是地下煤矿作业通道等地下封闭空间。近年来,室内定位技术正越来越得到人们的关注,室内定位的应用场景也变得极为广泛。如精准营销,家庭看护,医疗监控等领域,精确的室内定位已成为其开展高级服务的迫切要求。
由于室内环境结构较为复杂,诸如墙壁、家具和设备等障碍物较多,并且无线网络具有灵活性髙、扩展性强、覆盖范围广等优点,因此在室内定位中进行网络部署时一般首选采用无线网络。根据采用的机制区别,目前的定位可分成基于测距的定位与非测距的定位机制。其中基于测距的定位如到达时间方法、到达时间差方法等一般需要时间的精确同步,如果在复杂的环境下,要求时间同步是很难做到的,如要在这方面进行尝试,这将增加了节点的功耗和网络的成本。
非测距的定位一般是利用信号空间与地理空间的映射关系,通过构建信号指纹的方式确定待定位终端的位置。这种方法较容易实现和部署,应用成本低,总体精确度髙,但在离线阶段需要采集大量的无线接入点(Access Point,AP)信号样本来建立指纹数据库,需要一定的精力和时间。更为关键的是,由于空间信号分布受到人群、装修格局及AP部署位置的影响,使得离线构建的指纹库并不能实时反映空间的信号特征,如何以较小的代价实时维护指纹库的有效性成为研究的难点问题。
发明内容
针对现有技术中的问题,本发明提供一种基于实时指纹获取的室内定位方法与装置,能够是是保证指纹空间的有效性。
第一方面,本发明提供一种基于实时指纹获取的室内定位方法,包括:
步骤101、接收室内终端发送的定位请求;
步骤102、根据所述定位请求,依据指纹匹配方式从指纹库中确定所述室内终端的位置;
步骤103、将确定的所述室内终端的位置发送所述室内终端,以使所述室内终端获得该室内终端的定位结果;
所述指纹库为基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建的指纹库。
可选地,所述步骤102之前,所述方法还包括:
步骤100、基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建指纹库。
可选地,所述信号重构方法为稀疏自适应匹配追踪算法。
可选地,所述步骤100,包括:
1.1、在网络初始化阶段,指纹重构单元接收物联网中每一个传感器节点上传的该传感器节点感知的指纹信息;
1.2、指纹空间重构单元根据所述信号重构单元接收的所有传感器节点的指纹信息,构建指纹库,并将构建的指纹库发送给稀疏字典分解单元;
1.3、稀疏字典分解单元对指纹库进行稀疏分解,确定当前指纹库的稀疏字典Ψ及稀疏度K;
1.4、稀疏采样单元根据稀疏字典,确定当前的工作节点集大小M=λK,获取采样次数;
1.5、稀疏采样单元根据采样次数,从物联网的所有传感器节点组成的集合N中生成工作节点集Nw,由工作节点集Nw定期进行所述指纹库中的指纹感知;
1.6网络初始化阶段工作执行完毕,物联网周期性执行指纹采集阶段。
可选地,所述步骤100还包括:
2.1、在指纹采集阶段,当前稀疏采样阶段在时刻ti,从休眠节点集N-NW中随机选择α个节点,并由工作节点集Nw以及α个节点共同把感知指纹的感知信号发送给指纹重构单元;
ti=ti+t0,重复执行步骤2.1,t0为设定值。
可选地,所述步骤100还包括:
或者,
2.4、稀疏字典分解单元调整工作节点集M,以及
依据重新制定的工作节点集重复上述步骤2.1至步骤2.3。
可选地,所述步骤2.4包括:
可选地,所述稀疏字典分解单元将当前重构的指纹库进行分解,求出新的稀疏度K,包括:
使用K-SVD方法将当前重构指纹库的各个传感器节点的感知信号进行分解。
可选地,还包括:
采用K-SVD算法对指纹库进行稀疏,
其中,N表示样本的采样数量。
可选地,基于K-SVD算法获取稀疏矩阵X,包括:
初始化:给出初始字典D0∈RN*L,其中的列向量都是l2范数下的标准形式;设置最大迭代次数M,设置误差∈,设迭代次数J=1;
步骤S1:使用稀疏自适应匹配追踪算法计算能够表示yi的稀疏向量xi,通过公式二得到近似结果;
步骤S2:对D(J-1)中的每列k=1,...,K进行迭代,
步骤S2.2:计算误差矩阵Ek;
步骤S3:使J=J+1,如果J<M或者Y-DX>∈,重复上面S1和S2的迭代过程;否则迭代停止。
步骤S4:统计稀疏矩阵X中的非零值数量,并把非零数量作为指纹库的稀疏度K。
第二方面,本发明实施例提供一种基于实时指纹获取的室内定位装置,包括:
接收单元,用于接收室内终端发送的定位请求,
指纹匹配单元,用于根据所述定位请求,依据指纹匹配方式从指纹库中确定所述室内终端的位置;
发送单元,用于将确定的所述室内终端的位置发送所述室内终端,以使所述室内终端获得该室内终端的定位结果;
所述指纹库为基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建的指纹库。
可选地,所述装置还包括:
指纹重构单元,基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建指纹库。
本发明具有的有益效果:
本发明的基于实时指纹获取的室内定位方法与装置,通过在定位区域部署指纹采集物联网内的传感器节点,通过传感器节点定期上传指纹数据以保证定位区域指纹的时效性。同时,为了减少传感器节点的能耗以及部署传感器节点的密度,对构建的指纹库与空间的对应关系进行了分析,并设计了基于稀疏字典的信号空间稀疏方法。
进一步,通过在空间相关位置部署相关的传感器节点,由这些传感器节点实时采集信号的指纹信号,并基于实时采集的传感器信号,基于自适应匹配追踪重构整个监控区域的信号指纹特征,从而能够实时保证指纹空间的有效性。
附图说明
图1为本发明一实施例中基于实时指纹获取的室内定位方法的示意图;
图2为本发明实施例中AP 1原始数据和稀疏表示的示意图;
图3为本发明实施例中AP 2原始数据和稀疏表示的示意图;
图4为本发明实施例中AP 1的信号重构结果的示意图;
图5为本发明实施例中重构数据定位于原始数据定位结果对比的示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明实施例中为了提高室内定位场景中离线指纹库的有效性,提出一种基于实时指纹构建的定位装置。整个装置包括:稀疏指纹采样单元、指纹空间重构单元、稀疏字典分解单元、指纹匹配单元。各单元模块组成及功能如下:
稀疏指纹采样单元:由完全覆盖监控区域的物联网组成,物联网中每个传感器节点能够实时监控当前位置所感知的各个无线接收点的无线信号值。本实施例定位装置主要功能在于接收根据稀疏字典的内容,启动相应的传感器节点完成感知区域的无线信号指纹构建。并将感知的RSSI指纹发送到指纹空间重构单元中。
更为具体地,图1中包含了36个传感器节点,3个AP节点,其中工作节点集为9个。
指纹空间重构单元:主要根据各个传感器节点上传的接收信号强度(RSSI,Received Signal Strength Indication)值,采用稀疏自适应匹配追踪算法(SignalAdaptive Matching Pursuit,SAMP)方法完成整个监控区域无线信号指纹地图的构建。
本实施例中的指纹信号指的就是RSSI值。
重采样判决单元:主要根据信号重构的质量,判决定位区域的指纹地图是否已经发生改变,并在改变的情况下,决定是否需要增加还是减少采样次数。
稀疏字典分解单元:主要根据指纹地图,采用稀疏字典的方法,确定监控区域的稀疏度,并生成监控区域的指纹稀疏字典。
指纹匹配单元:当接收到待定位终端的实时定位请求时,通过获取定位请求的无线信号值,通过与构建的指纹地图进行匹配,确定待定位终端的位置。
本实施例的一种基于实时指纹获取的室内定位方法包括:
步骤101、接收室内终端发送的定位请求;
步骤102、根据所述定位请求,依据指纹匹配方式从指纹库中确定所述室内终端的位置;
步骤103、将确定的所述室内终端的位置发送所述室内终端,以使所述室内终端获得该室内终端的定位结果;
所述指纹库为基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建的指纹库。
本实施例中,指纹匹配单元从指纹空间重构单元中获取最新的指纹库,指纹匹配单元接收终端的定位请求,并根据指纹匹配方法从指纹库中确定终端的位置,其中指纹匹配算法可以选择KRR等常规指纹匹配方法。
在具体实现过程中,上述步骤102之前,所述方法还包括:
步骤100、基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建指纹库。
本实施例中信号重构方法可为稀疏自适应匹配追踪算法。
在一种可选的实现方式中,上述步骤100可包括下述的子步骤:
子步骤1.1、在网络初始化阶段,指纹重构单元接收物联网中每一个传感器节点上传的该传感器节点感知的指纹信息。
可理解的是,在网络初始阶段,即当指纹监控网络部署完毕时,指纹重构单元接收物联网中每一个传感器节点上传的该节点感知的指纹信息/指纹信号。
其中,物联网中的传感器节点在待定位区域中预先部署,主要用于采集待定位区域的无线信号指纹信息。更具体而言,本实施例中采集的信号指纹信息为待定位区域中各个无线AP发射节点的RSSI。
子步骤1.2、指纹空间重构单元根据所述信号重构单元接收的所有传感器节点的指纹信息,构建指纹库,并将构建的指纹库发送给稀疏字典分解单元;
子步骤1.3、稀疏字典分解单元对指纹库进行稀疏分解,确定当前指纹库的稀疏字典Ψ及稀疏度K;
子步骤1.4、稀疏采样单元根据稀疏字典,确定当前的工作节点集大小M=λK,获取采样次数;
子步骤1.5、稀疏采样单元根据采样次数,从物联网的所有传感器节点组成的集合N中生成工作节点集Nw,由工作节点集Nw定期进行所述指纹库中的指纹感知;
子步骤1.6网络初始化阶段工作执行完毕,物联网周期性执行指纹采集阶段。
具体地,在指纹采集阶段,可包括下述的子步骤:
子步骤2.1、在指纹采集阶段,假设当前稀疏采样阶段在时刻ti,从休眠节点集N-NW中随机选择α个节点,并由工作节点集Nw以及α个节点共同把感知指纹的感知信号发送给指纹重构单元;
ti=ti+t0,重复执行步骤2.1,t0为设定值。t0为每轮的工作周期。
或者,
子步骤2.4、稀疏字典分解单元调整工作节点集M,以及
依据重新制定的工作节点集重复上述子步骤2.1至子步骤2.3。
另外,上述的子步骤2.4可包括:
特别说明的是,子步骤2.41中所述稀疏字典分解单元将当前重构的指纹库进行分解,求出新的稀疏度K,包括:
本实施例中使用K-SVD方法将当前重构指纹库的各个传感器节点的感知信号进行分解。
具体来说,针对感知指纹库的稀疏分解,由于采用传统正交基如离散余弦变化、小波变化不一定能够获得足够稀疏的信号,为此,采用基于超完备字典分解指纹信号库。基于超完备字典的信号稀疏分解是一种新的信号表示理论,其采用超完备的冗余函数***代替传统的正交基函数,为信号自适应的稀疏扩展提供了极大的灵活性。稀疏分解可以实现数据压缩的高效性,更重要的是可以利用字典的冗余特性捕捉信号内在的本质特征。针对指纹库信号难以在常规傅里叶变换、小波变换下进行稀疏分解的问题,优选地,本实施例首次使用稀疏字典的分解方法,并使用经典的K-SVD方法,完成了指纹空间的稀疏度判定。
在本实施例中,采用K-SVD算法对指纹库进行稀疏,
其中,N表示样本的采样数量。
本实施例中基于K-SVD算法获取稀疏矩阵X,可包括:
初始化:给出初始字典D0∈RN*L,其中的列向量都是l2范数下的标准形式;设置最大迭代次数M,设置误差∈,设迭代次数J=1;
步骤S1:使用稀疏自适应匹配追踪算法计算能够表示yi的稀疏向量xi,通过公式二得到近似结果;
步骤S2:对D(J-1)中的每列k=1,...,K进行迭代,
步骤S2.2:计算误差矩阵Ek;
步骤S3:使J=J+1,如果J<M或者Y-DX>∈,重复上面S1和S2的迭代过程;否则迭代停止。
步骤S4:统计稀疏矩阵X中的非零值数量,并把非零数量作为指纹库的稀疏度K。
本实施例的方法,通过在定位区域部署指纹采集物联网,通过物联网内的传感器节点定期上传指纹数据以保证定位区域指纹的时效性。同时,为了减少传感器节点的能耗以及部署节点的密度,对构建的指纹库与空间的对应关系进行了分析。
进一步,通过在空间相关位置部署相关的传感器节点,由这些传感器节点实时采集信号的指纹信号,并基于实时采集的传感器信号,基于自适应匹配追踪重构整个监控区域的信号指纹特征,从而能够实时保证指纹空间的有效性。
信号重构方法
当前对于压缩采样后的信号重构已经有很多成熟的方法,考虑到稀疏采样后的指纹库中稀疏度容易发生改变,优选地,本发明使用稀疏自适应匹配追踪算法(SignalAdaptive Matching Pursuit,SAMP)对指纹库进行重构。
具体而言,指纹重构方法包括:
输入:M维的测量向量y,M*N的测量矩阵Φ,N*L的稀疏基Ψ。设大小为M*N的传感矩阵A=ΦΨ,阶段步长Δstep,初始步长step1,初始权重w,最大迭代次数maxGen=M。
输出:信号的稀疏表示估计θ'。
002:计算u=abs[ATr],并从u中提出size个最大值对应的索引值,获得索引集S;
003:合并索引集与支撑集得到候选集C=F∪S。
005:从θ'中找出绝对值最大的size个项,把对应的索引值提取出来,得到Fnew。
006:更新残差rnew=y-Aθ';
007:若||rnew||2≤ε或者t>M,则停止迭代。若||rnew||2≥||r||2,更新支撑集大小和步长size=step=step+w*Δstep,更新权重因子w,转步骤2;若||rnew||2≤||r||2,F=Fnew,r=rnew,转步骤2。
008:输出θ'的最后一次迭代所得值。
在得到信号的稀疏表示估计θ'后,利用稀疏基Ψ即可得到重构信号X'=Ψθ'。
实验验证稀疏分解的有效性
首先在图2与图3中展示了指纹库的稀疏度分解有效性。实验中对仿真实验中的分别对2个信号发射节点即AP在72个参考位置处的信号接收强度进行稀疏编码,并获取其稀疏字典,为下述的信号重构进行准备。
如图2和图3所示,原始数据的信号强度都是非稀疏的,并且可以看到信号的强度的空间聚集分为了大体4个部分,这跟设定的定位空间中的子区域是一致的。在使用K-SVD算法对原始信号强度进行稀疏后,可以看到图2和图3的下半部分中大部分的数值为零,只有极少部分的值非零,这说明原始信号是可以被稀疏表示的。在获得了良好的稀疏基之后,就可以对原始信号进行稀疏采样并使用重构算法来对原始信号进行重构。
使用SAMP算法分别对6个AP的信号进行重建:用原始样本中的36个参考位置重建所有的72个参考位置。即压缩采样系数M=36,原始信号长度N=72。横轴为参考位置的索引,纵轴为参考位置的信号强度。图3中展示了对信号发射节点1的信号重构的结果。
图4中上半部分为全部72个参考位置的原始信号,下半部分为使用随机部分采样得到的36个信号进行重建后得到的全部信号。从图4中可以看出,使用稀疏度自适应算法进行信号重构的效果很好,达到了只进行部分采样就可以恢复所有样本的效果。
定位验证
图5显示了在稀疏采样50的情况下,使用重建的132个参考位置的指纹数据和使用原始数据进行定位效果的比较。实验证明,使用稀疏采样,再对指纹数据库进行精确重构,在减少采样次数的前提下,依然能够保证同等级别的定位精度。
需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于实时指纹获取的室内定位方法,其特征在于,包括:
步骤101、接收室内终端发送的定位请求;
步骤102、根据所述定位请求的无线信号值,依据指纹匹配方式从指纹库中确定所述室内终端的位置;
步骤103、将确定的所述室内终端的位置发送所述室内终端,以使所述室内终端获得该室内终端的定位结果;
所述指纹库为基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过稀疏自适应匹配追踪算法构建的指纹地图;
所述指纹信号为RSSI值;
所述步骤102之前,所述方法还包括:
步骤100、基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过稀疏自适应匹配追踪算法构建指纹库;
所述步骤100,包括:
1.1、在网络初始化阶段,指纹重构单元接收物联网中每一个传感器节点上传的该传感器节点感知的指纹信息;
1.2、指纹空间重构单元根据所述信号重构单元接收的所有传感器节点的指纹信息,构建指纹库,并将构建的指纹库发送给稀疏字典分解单元;
1.3、稀疏字典分解单元对指纹库进行稀疏分解,确定当前指纹库的稀疏字典Ψ及稀疏度K;
1.4、稀疏采样单元根据稀疏字典,确定当前的工作节点集的采样次数M=λK,获取采样次数;
1.5、稀疏采样单元根据采样次数,从物联网的所有传感器节点组成的集合N中生成工作节点集Nw,由工作节点集Nw定期进行所述指纹库中的指纹感知;
1.6网络初始化阶段工作执行完毕,物联网周期性执行指纹采集阶段;
所述步骤100还包括:
2.1、在指纹采集阶段,当前稀疏采样阶段在时刻ti,从休眠节点集N-NW中随机选择α个节点,并由工作节点集Nw以及α个节点共同把感知指纹的感知信号发送给指纹重构单元;
ti=ti+t0,重复执行步骤2.1,t0为设定值;
或者,
2.4、稀疏字典分解单元调整工作节点集Nw,以及
依据重新制定的工作节点集重复上述步骤2.1至步骤2.3;
所述步骤2.4包括:
2.根据权利要求1所述的方法,其特征在于,所述稀疏字典分解单元将当前重构的指纹库进行分解,求出新的稀疏度K,包括:
使用K-SVD方法将当前重构指纹库的物联网内各个传感器节点的感知信号进行分解。
4.根据权利要求3所述的方法,其特征在于,基于K-SVD算法获取稀疏矩阵X,包括:
初始化:给出初始字典D0∈RN*L,其中的列向量都是2范数下的标准形式;设置最大迭代次数Tmax,设置误差阈值ε,设迭代次数J=1;
步骤S1:使用稀疏自适应匹配追踪算法计算能够表示yi的稀疏向量xi,通过公式二得到近似结果;
步骤S2:对D(J-1)中的每列k=1,...,K进行迭代,
步骤S2.2:计算误差矩阵Ek;
步骤S3:使J=J+1,如果J<T或者Y-DX>ε,重复上面S1和S2的迭代过程;否则迭代停止;
步骤S4:统计稀疏矩阵X中的非零值数量,并把非零数量作为指纹库的稀疏度K。
5.一种基于实时指纹获取的室内定位装置,其特征在于,包括:
接收单元,用于接收室内终端发送的定位请求,
指纹匹配单元,用于根据所述定位请求的无线信号值,依据指纹匹配方式从指纹库中确定所述室内终端的位置;
发送单元,用于将确定的所述室内终端的位置发送所述室内终端,以使所述室内终端获得该室内终端的定位结果;
所述指纹库为基于稀疏字典的空间稀疏方法选择室内的传感器节点,根据选择的传感器节点实时采集的指纹信号,通过信号重构方法构建的指纹地图;
所述指纹信号为RSSI值;
其中,基于实时指纹获取的室内定位装置执行上述权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711354405.5A CN108111973B (zh) | 2017-12-15 | 2017-12-15 | 一种基于实时指纹获取的室内定位方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711354405.5A CN108111973B (zh) | 2017-12-15 | 2017-12-15 | 一种基于实时指纹获取的室内定位方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108111973A CN108111973A (zh) | 2018-06-01 |
CN108111973B true CN108111973B (zh) | 2020-08-21 |
Family
ID=62217354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711354405.5A Active CN108111973B (zh) | 2017-12-15 | 2017-12-15 | 一种基于实时指纹获取的室内定位方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108111973B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143161B (zh) * | 2018-09-30 | 2023-01-10 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
WO2020107369A1 (en) * | 2018-11-30 | 2020-06-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Positioning in wireless communication networks |
CN111654843B (zh) * | 2019-03-04 | 2024-04-30 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及***、wifi定位方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034478A (zh) * | 2010-11-17 | 2011-04-27 | 南京邮电大学 | 基于压缩感知和信息隐藏的语音保密通信***设计方法 |
CN102215497A (zh) * | 2011-06-08 | 2011-10-12 | 哈尔滨工业大学 | 基于条件信息熵的wlan室内单源高斯位置指纹定位性能评价方法 |
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 |
CN103167606A (zh) * | 2013-03-12 | 2013-06-19 | 钱钢 | 基于稀疏表示的wlan室内定位方法 |
CN105743510A (zh) * | 2016-02-03 | 2016-07-06 | 南京邮电大学 | 一种基于稀疏字典无线传感器网络WSNs信号处理的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131026B2 (en) * | 2004-04-16 | 2012-03-06 | Validity Sensors, Inc. | Method and apparatus for fingerprint image reconstruction |
-
2017
- 2017-12-15 CN CN201711354405.5A patent/CN108111973B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034478A (zh) * | 2010-11-17 | 2011-04-27 | 南京邮电大学 | 基于压缩感知和信息隐藏的语音保密通信***设计方法 |
CN102215497A (zh) * | 2011-06-08 | 2011-10-12 | 哈尔滨工业大学 | 基于条件信息熵的wlan室内单源高斯位置指纹定位性能评价方法 |
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 |
CN103167606A (zh) * | 2013-03-12 | 2013-06-19 | 钱钢 | 基于稀疏表示的wlan室内定位方法 |
CN105743510A (zh) * | 2016-02-03 | 2016-07-06 | 南京邮电大学 | 一种基于稀疏字典无线传感器网络WSNs信号处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108111973A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108111973B (zh) | 一种基于实时指纹获取的室内定位方法与装置 | |
Yu et al. | UAV-enabled spatial data sampling in large-scale IoT systems using denoising autoencoder neural network | |
Klis et al. | Vibration monitoring via spectro-temporal compressive sensing for wireless sensor networks | |
CN110728213A (zh) | 一种基于无线射频信号的细粒度人体姿态估计方法 | |
CN104519571B (zh) | 一种基于rss的室内定位方法 | |
CN104936287A (zh) | 基于矩阵补全的传感网室内指纹定位方法 | |
CN106028290A (zh) | 基于Kriging的WSN多维度向量指纹定位方法 | |
CN112040397A (zh) | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 | |
CN116738552B (zh) | 一种基于物联网的环境检测设备管理方法及*** | |
CN103684634B (zh) | 异构无线传感网中基于定位信息的压缩频谱感知方法 | |
CN105050105B (zh) | 基于压缩感知的高能效低信息密度数据收集方法 | |
CN113033654A (zh) | 基于WiFi信道状态信息的室内入侵检测方法及*** | |
CN111757250B (zh) | 一种基于张量分解的信道状态信息定位指纹构造方法 | |
Chen et al. | A spatiotemporal data compression approach with low transmission cost and high data fidelity for an air quality monitoring system | |
Li et al. | On joint optimization of sensing matrix and sparsifying dictionary for robust compressed sensing systems | |
Suroso et al. | Deep generative model-based RSSI synthesis for indoor localization | |
Deng et al. | Radio environment map construction using super-resolution imaging for intelligent transportation systems | |
Milioris et al. | Building complete training maps for indoor location estimation | |
Gufran et al. | VITAL: Vision transformer neural networks for accurate smartphone heterogeneity resilient indoor localization | |
Xu et al. | Spatio-temporal hierarchical data aggregation using compressive sensing (ST-HDACS) | |
Yu et al. | Multi-attribute missing data reconstruction based on adaptive weighted nuclear norm minimization in IoT | |
Chiumento et al. | Energy efficient WSN: A cross-layer graph signal processing solution to information redundancy | |
Mallik et al. | EME-Net: A U-net-based indoor EMF exposure map reconstruction method | |
Wang et al. | A Framework for CSI-Based Indoor Localization with ID Convolutional Neural Networks | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 |
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 |