CN109922432B - 无线通信环境下通过优化指纹元素个数的目标定位方法 - Google Patents
无线通信环境下通过优化指纹元素个数的目标定位方法 Download PDFInfo
- Publication number
- CN109922432B CN109922432B CN201910245311.7A CN201910245311A CN109922432B CN 109922432 B CN109922432 B CN 109922432B CN 201910245311 A CN201910245311 A CN 201910245311A CN 109922432 B CN109922432 B CN 109922432B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- positioning
- neural network
- information
- training
- 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
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种无线通信环境下通过优化指纹元素个数的目标定位方法,以短距离无线通信定位***为基础,以定位精度和计算效率为目标,以神经网络为研究工具,结合训练过程反馈的准确性以及计算周期不断优化特征维数;在训练阶段根据定位目标的历史轨迹,以及在这些轨迹下所采集到的特征信息所组成的指纹信息进行训练,采取神经网络进行回归分析,使得位置信息和特征信息能够实现映射,同时根据测试过程结果的调整对应位置上的特征向量的元素个数,从而实现用最合理的元素个数进行定位;最后在测试阶段,通过已经完成室内各个位置的训练模型,定位目标在室内具***置将会被检测出。本发明可以在定位过程中针对动态情况选取最优的特征向量的元素个数,从而提高特征采集的效率以及提供更加精确的位置信息。
Description
技术领域
本发明涉及一种基于深度学习视角,搭建基于短距离无线通信的室内定位***,属于无线通信定位技术领域。
背景技术
指纹识别,是解决室内定位问题的重要方法。所谓指纹(指纹信息),就是指将传统的定位算法中的接收信号强度(RSSI),到达时间(TOA),到达时间差(TDOA)等定位目标采集到的关于各个广播节点的特征信息组成的特征集合。所以在本发明中,常用“指纹”来表示采集到的特征,即将这些来自各个锚节点的特征信息组合成一个向量进行计算。
传统的定位方法主要将上述采集到的特征信息直接用于计算,这是由于在二维平面内,空间中的三个锚节点就可以通过求解三元二次的方程组来确定定位目标的位置,如果考虑到定位目标的高度情况,则在三维平面内至少布置四个锚节点。但是,传统的定位方法每次计算都是使用当前时刻来自锚节节点的一组特征信息,由于空间中的多径效应,用于计算的特征信息在同一位置都是不断变化的,所以无法提供较高的定位精度。
基于指纹的室内定位方法则将多组特征组成的特征向量用于表示某一具***置的属性,通过神经网络(本发明是基于BP神经网络)挖掘指纹信息和对应位置的关联性,同时本发明还通过神经网络去学习最优的特征向量维数。在一个室内定位***中,定位目标会不断采集到来自各个锚节节点的特征信息,并且会组成特征向量投入神经网络中,以定位目标的位置作为目标进行训练。由于选取的指纹向量的元素个数是可以调节的,如果选取元素的数目较低,则难以反映位置信息,定位精度较低;反之,如果每一个位置对应的指纹长度过长,则在整个计算过程中参与计算的位置数目会变少,从而导致计算的效率降低。所以根据神经网络的训练情况为***制定一套最优的特征维数能够同时兼顾定位精度和计算效率。
随着室内定位业务需求的增加,使用传统的定位方法或者仅仅使用简单的统计方法难以挖掘出这些特征信息和位置的关联性,所以利用深度学***衡,克服各种干扰的必然趋势。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种无线通信环境下通过优化指纹元素个数的目标定位方法,本方法基于神经网络的理论,解决了在短距离无线通信定位***中对输入神经网络的指纹信息的维数的优化,实现在定位过程中同时兼顾定位的准确性,又能保持较高的计算效率。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种无线通信环境下通过优化指纹元素个数的目标定位方法,以短距离无线通信定位***为基础,以定位精度和计算效率为目标,以神经网络为研究工具,结合训练过程反馈的准确性以及计算周期不断优化特征维数;由于神经网络的输出值是具体的坐标,所以该定位***最后反馈的是有多个坐标拟合而成的运动轨迹。
本发明中,短距离无线定位***的评价指标分成定位精度和计算效率。定位精度是指定位目标所采集的指纹信息通过在神经网络中计算之后和实际位置的误差。计算效率是指在有限的时间范围内反馈的位置信息的数目,由于指纹的维数会影响计算的时常,所以在构建神经网络时要选取合适的指纹向量的元素个数,同时由于物体的运动性,在定位过程中的坐标数目是没有预先设定的,所以神经网络在构建过程中不能简单的认为是一个多分类问题,而是应该构建一个具备回归功能的网络结构。
在训练阶段根据定位目标的历史轨迹,以及在这些轨迹下所采集到的特征信息所组成的指纹信息进行训练,采取神经网络进行回归分析,使得位置信息和特征信息能够实现映射,同时根据测试过程结果的调整对应位置上的特征向量的元素个数,从而实现用最合理的元素个数进行定位;最后在测试阶段,通过已经完成室内各个位置的训练模型,定位目标在室内具***置将会被检测出。
针对以上提出的神经网络需求,由于指纹是一维向量形式,所以本发明中使用常用的BP神经网络(BPNN,Back Propagation Neural Network)作为神经网络的基本架构,使用线性整流函数(ReLU,Rectified Linear Unit)作为激活函数实现神经网络的回归输出。BP神经网络包含了输入层、隐含层、输出层三层结构。输入层接收数据,输出层输出数据,前一层神经元连接到下一层神经元,收集上一层神经元传递来的信息,经过ReLu激活函数将上一层的值传递给下一层,实现非线性的映射。BP神经网络具有前向传播和反向传播的机制,不断地优化网络参数,最终会学习到一个由指纹向量计算坐标的回归模型。
本发明在短距离无线通信室内定位环境中,利用神经网络的回归模型,实现了在动态情况下选取合适的指纹向量的元素个数来进行定位,如图5所示,包括以下步骤:
步骤1,搭建基于短距离无线通信室内定位环境,在定位目标运动情况下采集指纹信息,初始化指纹的元素个数;
步骤2,将指纹信息根据不同的指纹元素个数进行切片,并且对应坐标;
步骤3,重复步骤1和步骤2,在同一种指纹元素个数下采集大量数据;
步骤4,利用BP神经网络进行训练,使用ReLU激活函数,依靠训练模型,在测试过程记录定位精度以及计算效率;
步骤5,增加指纹的元素个数,重复步骤1-4,并将步骤4得到不同种指纹元素的结果进行比较;重复步骤5多次,得到多种指纹元素个数下的结果;
步骤6,根据步骤5的结果找到最优的指纹元素个数,得到最佳的训练模型;
步骤7,根据步骤6的训练模型,进行测试,完成定位***的搭建。
优选的:记录在T时间内定位目标在定位范围内随意运动,同时记录在T时间内每个时刻的运动位置,得到一组在T时刻内来自所有锚节点的指纹信息A总,表示为:
A总={a0,a1,a2,…aS}
其中,S为总的特征信息个数;
将A总按照接受顺序划分成多个子集,子集表示为Cm,其中m∈{1,2,3,...,l},每个子集中a的个数为N,子集Cm={am-0,am-1,...,am-n-1},其中子集的时间间隔为τ,子集个数这是因为子集中的元素会有来自不同锚节点的特征信息,在一个子集中应当包含当前时间间隔τ内来自所有锚节点的特征信息;
优选的:BP神经网络在训练过程输入输出包括以下的处理过程:
输入:
1.各个时间间隔τ的指纹信息以及对应广播节点的标识,根据短距离无线通信***的特征,通过修改锚节点的标识从而实现区分;
输出:
1.训练过程的坐标来自于同一时间轴上物体运动轨迹和对应的指纹数据,例如我们当前选取的指纹特征维数为N,那么对应的指纹可以表示为A={a0,a1,a2,…aN-1},其中a是各个特征的组合,即a=[RSSI,TDOA,TOA...],同时我们可以根据a0和aN-1的对应的时间轴找到对应的坐标位置,可以通过求两点的中点来标识该指纹对应点的坐标(实验表明指纹采集速率较快,基于接收到的序列间隔所选取的坐标与实际坐标的误差可以忽略不计)。
优选的:单次训练的输入向量为Cm={am-0,am-1,...,am-n-1},则对应的输出向量为根据BP神经网络的结构,ReLU函数为其中λ设置为接近0的数或者直接设置为0;设Wij k为第k-1层第j个神经元与第k层的连接权重,bi k为第k层第i个神经元的偏置,则得:
hi k=f(neti k)
而h是每层的输入元素,第一层的输入是Cm,其中neti k是来自上一层的权重之和即
以上就完了正向传播的计算过程,在BP神经网络中需要通过反向传播修正Wij k和bi k;在执行反向传播需要确定损失函数其中β是权重系数,并且0<β<1,Tcost是计算时间,表示在神经网络某次迭代中训练过程的输出值。
同时该损失函数作为测试过程的目标函数,即测试目标为:
最后根据定义的损失函数通过以下方式对Wij k以及bi k进行更新:
其中,α是学习速率,上述过程中记录下损失函数的对应N,通过测试过程的结果来判断指纹最优的元素个数.
优选的:短距离无线通信定位***包括锚节点、定位节点以及上层服务器,根据短距离无线通信的协议,锚节点不断的向定位节点发送各种特征信息,定位节点通过解析这些信息,分析出锚节点的标识以及特征信息;定位节点通过无线通信方式将接收到的锚节点标识以及对应的特征信息转发给上层的服务器;在上层服务器中将将收集到的信息构造成指纹数据,通过神经网络的训练过程,寻找最优的指纹元素个数,实现定位精度和计算效率的优化
本发明相比现有技术,具有以下有益效果:
本发明基于神经网络理论的视角,通过对定位工程中的指纹信息进行训练,反馈不同指纹维数下的定位精度和计算效率,从而确定在当前***下最优的指纹维数。
附图说明
图1是基于短距离无线通信的定位***。
图2是指纹向量结构图。
图3是BP神经网络基本结构图。
图4时基于ReLU激活函数的神经元运算模型。
图5是短距离无线通信***下基于最佳指纹元素个数的室内定位优化算法流程。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种无线通信环境下通过优化指纹元素个数的目标定位方法,通过在室内布置以例如蓝牙、RFID、wifi等短距离无线通信设备作为锚节点的定位环境,使得定位目标感知周边节点的信号强度,到达时间差,到达时间等特征,并将这些特征作为指纹的组成元素,然后通过神经网络的训练和测试过程使得定位目标能够自适应的进行定位;在训练阶段需要根据定位目标的历史轨迹,以及在这些轨迹下所采集到的特征信息进行训练,主要采取神经网络进行回归分析,使得位置信息和特征信息能够实现映射,同时根据测试过程结果的好坏调整对应位置上的特征向量的元素个数,从而实现用最合理的元素个数进行定位,兼顾可靠的定位精度以及较高的运算效率;最后在测试阶段,由于已经完成室内各个位置的训练模型的搭建,定位目标在室内具***置将会被检测出。本发明可以在定位过程中针对动态情况选取最优的特征向量的元素个数,从而提高特征采集的效率以及提供更加精确的位置信息。定位精度是指定位目标所采集的指纹信息通过在神经网络中计算之后和实际位置的误差;计算效率是指在有限的时间范围内反馈的位置信息的数目;指纹信息指将关于接收信号强度、到达时间、到达时间差等定位目标采集到的关于各个广播节点的特征信息组成的特征集合。
本发明基于深度学习的视角,通过构建神经网络模型来研究室内定位环境下指纹元素的个数。本发明能够在保证定位准确性的前提下提高基于指纹定位算法的计算效率。
如图1所示是短距离无线通信室内定位***结构图,可以看到整个***包含锚节点(即广播节点),定位节点,以及上层的服务器。根据短距离无线通信的协议,锚节点会不断的向定位节点发送各种特征信息,定位节点通过解析这些信息,分析出锚节点的标识以及特征信息。定位节点会通过例如lora,wifi等无线通信方式将接收到的锚节点标识以及对应的特征信息转发给上层的服务器。在上层服务器中将完成本发明提出的算法,将收集到的信息构造成指纹数据,通过神经网络的训练过程,寻找最优的指纹元素个数,实现定位精度和计算效率的优化。
如图2所示是一组具有N个元素的指纹结构,可以看出指纹被划分为M个单元,这是因为对于定位节点来说,在时间间隔τ内可能同时会收到M个锚节点的信息。由于这些锚节点的信息通过定位节点发送到服务器时是顺序上随机的,所以需要在服务器对时间间隔τ内对来自M个锚节点的特征信息进行排序,组成图2的形式。这里需要说明一下限制条件,由于在指纹向量中各个锚节点的信号强度的数目是相同的,所以如果设定了指纹元素总个数,那么需要保证时间间隔τ内每个锚节点的信号强度信息数目至少要达到
通过以上分析,我们设数据采集总时间为T,即在T时间内定位目标在定位范围内随意运动,同时记录在T时间内每个时刻的运动位置(这个过程可以通过其他定位方法,例如摄像头定位,绑定传感器定位等方式得到实际运动的位置,为基于短距离无线通信的指纹定位提供参照物)。这样,我们将得到一组在T时刻内来自所有锚节点的指纹信息。可以表示为:
A总={a0,a1,a2,…aS}
其中S为总的指纹信息信息个数,由于数据会在服务器存放,所以在本发明中来自锚节点的特征的接收时间和定位目标的位置时间可以一一对应。根据发明内容部分所描述的情况,需要将A总按照接受顺序划分成多个子集,子集可以表示为Cm,其中m∈{1,2,3,...,l},每个子集中a的个数为N,子集Cm={am-0,am-1,...,am-n-1},其中子集的时间间隔为τ,子集个数这是因为各个锚节点离定位目标的远近不同,会导致锚节点在单位时间广播信息被接收的数目不同,但又同时需要满足需要满足时间间隔τ内每个锚节点的信号强度数目至少要达到根据之前的约束,由于要求N中每个锚节点的特征信息数目相同,所以会导致部分的特征信息被舍弃。综上所述,当确定子集长度N并且完成服务器中的排序过程,那么BP神经网络训练过程的输入将会被确定,而子集Cm对应的坐标可以通过定位目标在Cm对应的时间间隔τ内移动范围的中心点进行确定。
如图3和图4所示是本发明中BP神经网络的结构以及神经元通过激励函数的过程。BP神经网络使用误差逆向算法训练前馈神经网络,在实际应用中得到了广泛的应用,BP神经网络可以实现多目标的分类或者回归预测。在本发明中主要是在给定指纹的元素个数后通过BP神经网络实现定位坐标的回归,通过验证回归模型好坏调整元素个数N。
单次训练的输入向量为Cm={am-0,am-1,...,am-n-1},则对应的输出向量为根据BP神经网络的结构,设ReLU函数为其中λ可以设置为接近0的数或者直接设置为0。设Wij k为第k-1层第j个神经元与第k层的连接权重,bi k为第k层第i个神经元的偏置,则易得:
hi k=f(neti k)
而h是每层的输入元素,本发明中第一层的输入就是Cm,其中neti k是来自上一层的权重之和即:
以上就完了正向传播的计算过程,在BP神经网络中需要通过反向传播修正W和b。在执行反向传播需要确定损失函数其中β是权重系数,并且0<β<1,Tcost是计算时间,在整个定位过程中计算时间主要来自于服务器需要将接收到的指纹信息根据锚节点的标识进行排列。同时该损失函数也可以作为测试过程的目标函数,即测试目标为:
最后根据定义的损失函数可以通过以下方式对W以及b进行更新:
其中α是学习速率。根据上述过程,本发明中会记录下损失函数的对应N,由于初始的N不会取的过大,所以尽管会有较低的计算速率,但是定位精度也不会太高,所以如图5所示在本发明中会不断增加N,为避免过拟合,需要通过测试过程的结果来判断指纹最优的元素个数。测试过程中的指纹准备过程需要和对应的训练过程进行一致,值得注意的是如果训练模型出现过拟合的情况那么测试过程的定位精度也不会太理想,只有选取合适的指纹元素个数才能避免过拟合。在室内定位问题中,由于环境的变化,最优的N可能有所不同,但是本发明所提供的方法在基于指纹的室内定位问题中是通用的。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种无线通信环境下通过优化指纹元素个数的目标定位方法,其特征在于:以短距离无线通信定位***为基础,以定位精度和计算效率为目标,以神经网络为研究工具,结合训练过程反馈的准确性以及计算周期不断优化特征维数;在训练阶段根据定位目标的历史轨迹,以及在这些轨迹下所采集到的特征信息所组成的指纹信息进行训练,采取神经网络进行回归分析,使得位置信息和特征信息能够实现映射,同时根据测试过程结果的调整对应位置上的特征向量的元素个数,从而实现用最合理的元素个数进行定位;最后在测试阶段,通过已经完成室内各个位置的训练模型,定位目标在室内具***置将会被检测出;包括以下步骤:
步骤1,搭建基于短距离无线通信室内定位环境,在定位目标运动情况下采集指纹信息,初始化指纹的元素个数;
步骤2,将指纹信息根据不同的指纹元素个数进行切片,并且对应坐标;
步骤3,重复步骤1和步骤2,在同一种指纹元素个数下采集大量数据;
记录在T时间内,定位目标在定位范围内随意运动,同时记录在T时间内每个时刻的运动位置,得到一组在T时刻内来自所有锚节点的特征信息A总,表示为:
A总={a0,a1,a2,…aS}
其中,S为总的特征信息个数;
将A总按照接受顺序划分成多个子集,子集表示为Cm,其中m∈{1,2,3,...,l},每个子集中a的个数为N,子集Cm={am-0,am-1,...,am-n-1},其中子集的时间间隔为τ,子集个数这是因为子集中的元素会有来自不同锚节点的特征信息,在一个子集中应当包含当前时间间隔τ内来自所有锚节点的特征信息;
步骤4,利用BP神经网络进行训练,使用ReLU激活函数,依靠训练模型,在测试过程记录定位精度以及计算效率;
BP神经网络在训练过程输入输出包括以下的处理过程:
输入:
1.各个时间间隔τ的指纹信息以及对应广播节点的标识,根据短距离无线通信***的特征,通过修改锚节点的标识从而实现区分;
输出:
1.训练过程的坐标来自于同一时间轴上物体运动轨迹和对应的指纹数据,当前选取的指纹特征维数为N,对应的指纹表示为A={a0,a1,a2,…aN-1},其中a是各个特征的组合,即a=[RSSI,TDOA,TOA...],同时根据a0和aN-1的对应的时间轴找到对应的坐标位置,通过求两点的中点来标识该指纹对应点的坐标;
单次训练的输入向量为Cm={am-0,am-1,...,am-n-1},则对应的输出向量为根据BP神经网络的结构,ReLU函数为其中λ设置为接近0的数或者直接设置为0;设Wij k为第k-1层第j个神经元与第k层的连接权重,bi k为第k层第i个神经元的偏置,则得:
hi k=f(neti k)
而h是每层的输入元素,第一层的输入是Cm,其中neti k是来自上一层的权重之和即
以上就完成 了正向传播的计算过程,在BP神经网络中需要通过反向传播修正Wij k和bi k;在执行反向传播需要确定损失函数其中β是权重系数,并且0<β<1,Tcost是计算时间,表示在神经网络某次迭代中训练过程的输出值;
同时该损失函数作为测试过程的目标函数,即测试目标为:
最后根据定义的损失函数通过以下方式对Wij k以及bi k进行更新:
其中,α是学习速率,上述过程中记录下损失函数的对应N,通过测试过程的结果来判断指纹最优的元素个数;
步骤5,增加指纹的元素个数,重复步骤1-4,并将步骤4得到不同种指纹元素的结果进行比较;重复步骤5多次,得到多种指纹元素个数下的结果;
步骤6,根据步骤5的结果找到最优的指纹元素个数,得到最佳的训练模型;
步骤7,根据步骤6的训练模型,进行测试,完成定位***的搭建。
2.根据权利要求1所述无线通信环境下通过优化指纹元素个数的目标定位方法,其特征在于:短距离无线通信定位***包括锚节点、定位节点以及上层服务器,根据短距离无线通信的协议,锚节点不断的向定位节点发送各种特征信息,定位节点通过解析这些信息,分析出锚节点的标识以及特征信息;定位节点通过无线通信方式将接收到的锚节点标识以及对应的特征信息转发给上层的服务器;在上层服务器中将将收集到的信息构造成指纹数据,通过神经网络的训练过程,寻找最优的指纹元素个数,实现定位精度和计算效率的优化。
3.根据权利要求2所述无线通信环境下通过优化指纹元素个数的目标定位方法,其特征在于:所述锚节点为蓝牙、RFID或wifi中的一种或两种以上的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245311.7A CN109922432B (zh) | 2019-03-28 | 2019-03-28 | 无线通信环境下通过优化指纹元素个数的目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245311.7A CN109922432B (zh) | 2019-03-28 | 2019-03-28 | 无线通信环境下通过优化指纹元素个数的目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109922432A CN109922432A (zh) | 2019-06-21 |
CN109922432B true CN109922432B (zh) | 2021-07-16 |
Family
ID=66967549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910245311.7A Active CN109922432B (zh) | 2019-03-28 | 2019-03-28 | 无线通信环境下通过优化指纹元素个数的目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109922432B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764084A (zh) * | 2019-11-07 | 2020-02-07 | 西北工业大学 | 一种复杂地形下遮蔽目标的雷达探测方法 |
CN111405461B (zh) * | 2020-03-16 | 2021-10-08 | 南京邮电大学 | 一种优化等间隔指纹采样个数的无线室内定位方法 |
CN115119158A (zh) * | 2021-03-19 | 2022-09-27 | 南京航空航天大学 | 一种利用LoRa信号指纹实现室内无源被动定位的方法 |
CN117930135A (zh) * | 2024-03-21 | 2024-04-26 | 广东海洋大学 | 基于nrznd模型的tdoa移动目标定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482738A (zh) * | 2016-11-09 | 2017-03-08 | 江南大学 | 基于在线增量超限学习机的室内指纹定位算法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260369B2 (en) * | 2005-08-03 | 2007-08-21 | Kamilo Feher | Location finder, tracker, communication and remote control system |
CN101414350A (zh) * | 2007-12-14 | 2009-04-22 | 浙江师范大学 | 一种融合多参考节点整体对齐和方向场的指纹图像匹配方法 |
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
EP3282781A4 (en) * | 2015-05-22 | 2018-05-16 | Huawei Technologies Co., Ltd. | Method and device for improving positioning performance of artificial neural network |
CN105101408B (zh) * | 2015-07-23 | 2018-10-23 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN107070687A (zh) * | 2016-12-26 | 2017-08-18 | 南京理工大学 | 基于集成神经网络的wifi定位方法 |
CN108235248B (zh) * | 2018-01-04 | 2020-07-31 | 东北师范大学 | 一种多模态智能感知室内定位方法 |
-
2019
- 2019-03-28 CN CN201910245311.7A patent/CN109922432B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106482738A (zh) * | 2016-11-09 | 2017-03-08 | 江南大学 | 基于在线增量超限学习机的室内指纹定位算法 |
Non-Patent Citations (1)
Title |
---|
基于电信数据的室外定位技术研究;廖山河;《基于电信数据的室外定位技术研究》;20180430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109922432A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109922432B (zh) | 无线通信环境下通过优化指纹元素个数的目标定位方法 | |
Ibrahim et al. | CNN based indoor localization using RSS time-series | |
Song et al. | A novel convolutional neural network based indoor localization framework with WiFi fingerprinting | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
Song et al. | Cnnloc: Deep-learning based indoor localization with wifi fingerprinting | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN105223546B (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN110321401B (zh) | 时空数据关联深度学习方法 | |
CN110276783A (zh) | 一种多目标跟踪方法、装置及计算机*** | |
CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
CN109511085B (zh) | 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 | |
Turgut et al. | Deep learning in indoor localization using WiFi | |
Lakshmi et al. | Improved Chan algorithm based optimum UWB sensor node localization using hybrid particle swarm optimization | |
CN109035329A (zh) | 基于深度特征的相机姿态估计优化方法 | |
CN108828519B (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
CN112653991A (zh) | 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法 | |
CN111739053A (zh) | 一种复杂场景下的在线多行人检测跟踪方法 | |
Wang et al. | Machine learning and its applications in visible light communication based indoor positioning | |
CN111405461B (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
Chen et al. | An indoor location system based on neural network and genetic algorithm | |
CN110636437B (zh) | 一种基于指纹对的辅助定位方法 | |
CN117250583A (zh) | 智能购物车的定位方法、***、计算机设备和存储介质 | |
CN113310490B (zh) | Grnn结合遗传算法的室内定位方法及*** | |
CN116968039B (zh) | 用于机器人智能控制的动作执行优化方法及*** |
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 |