CN109996172A - 一种基于bp神经网络精确室内定位***及定位方法 - Google Patents

一种基于bp神经网络精确室内定位***及定位方法 Download PDF

Info

Publication number
CN109996172A
CN109996172A CN201910192011.7A CN201910192011A CN109996172A CN 109996172 A CN109996172 A CN 109996172A CN 201910192011 A CN201910192011 A CN 201910192011A CN 109996172 A CN109996172 A CN 109996172A
Authority
CN
China
Prior art keywords
node
positioning
neural network
algorithm
error
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.)
Pending
Application number
CN201910192011.7A
Other languages
English (en)
Inventor
严海蓉
王希予
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910192011.7A priority Critical patent/CN109996172A/zh
Publication of CN109996172A publication Critical patent/CN109996172A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Neurology (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提出一种基于BP神经网络精确室内定位方法，采用ZigBee技术进行精确的小范围定位。提出了误差滤波算法、缺失值补全算法和神经网络定位算法室内定位方法，并结合它们提高了定位精度。本发明提出的方法的整体思路是先根据zigbee定位获得准确的距离信息，再根据误差滤除算法精确距离。如发现存在缺失值，用基于KNN算法进行缺失值补全。最后根据节点到盲节点的距离引入BP神经网络，得出盲节点坐标。实验证明，神经网络定位方法在平面定位中优于三角形心算法。神经网络方法在节点数较少的情况下表现较好，平均误差为34cm。本发明将误差滤波算法与神经网络定位算法相结合，实验表明，误差明显减小，平均误差为28cm。

Description

一种基于BP神经网络精确室内定位***及定位方法
技术领域
本发明属于室内定位技术领域，具体涉及一种基于神经网络改进算法的zigbee室内定位方法。
背景技术
物联感知技术最终目标是提供基于位置的服务LBS(Location-based Services)，其核心问题即是如何确定室内物品以及人员的位置。对室外开放性空间的定位已有很成熟的GPS定位导航和手机蜂窝网络定位技术等。但是对于室内定位的深入研究还不是很多，特别是在国内，还没有相应很成熟的产品和研究成果。因此室内定位技术存在大量应用需求，有很高的研究价值和前景。
无线信号在室内环境中传播时除了无线信号本身的反射、绕射、折射和散射所造成的多径现象外，还受到很多干扰因素的影响，相对来说要比在室外空旷的环境中的传播复杂得多。鉴于室内环境的复杂性与特殊性，利用无线信号的传播特性进行定位的技术有基于接收信号强度RSSI(Received Signal Strength Indicator)、基于信号到达时间TOA(Time of Arrival)、信号到达时间差TDOA(Time Difference of Arrival)和信号到达角度AOA(Angle of Arrival)的几种定位方法。其中基于接收信号强度RSSI的定位技术是根据接收信号强度随信号传播距离变化而变化的规律来进行位置估计的，不需要添加额外的用于精确的时间同步和角度测量设备。因此基于接收信号强度RSSI的定位技术是目前室内定位的研究热点。
目前城市中大部分的环境下都存在wifi信号，如果仅是使用wifi进行定位，由于其传播信号强度较大，在短距离内很难看到明显的衰减，其定位精度往往不能够满足要求。
发明内容
本发明要解决的技术问题是：提供一种基于BP神经网络改进算法的精确室内定位***，已解决现有技术中存在的问题。
本发明利用了基于神经网络的室内定位算法，通过测试数据的训练得到RSSI值与真实位置之间的关系，从而免去了人工消除噪音和抖动的工作；之后搭建运行此算法的Zigbee平台，此平台可以在信号消失或时间间隔较长时间的情况下，通过记录在数据库中的前几个定位得到未来时间的估计位置；此***可应用于：需要应用到室内定位的场景，例如商场、超市等购物中心，此技术可以实现对商品定位、消费者定位、广告发布、地图导航等功能。室内机器人的定位等。
ZigBee定位技术在几个待定位的盲节点、具有已知位置和网关的参考节点之间形成网络。每个微小的盲点相互配合，实现全方位定位。ZigBee定位技术采用RSSI值进行定位计算。发射信号的节点功率是确定的。接收节点通过比较接收信号强度与发送信号强度来获得信号的衰减值。该值为负值。由于衰减值的含义，值越大，衰减越小，距离越短。
接收信号强度和传输距离的计算公式(1)。a是在已知距离D处接收到的RSSI值，N是使用其他距离间隔从距离d推导得出的值。在室内环境中测量多次，取相应结果的平均值，根据公式2得出A值。其中t为实验具体测量的次数。具体公式如下：
以上是ZigBee信号定位的基本原理。
误差滤波算法的主要步骤是：由于我们选取的是信号强度最大的四个定位点，但是定位仅需要三个定位点，当定位节点进行移动时，由几何学我们可以得到至少有三个定位节点的值发生变化，因此当其中一个或者两个值变化时可以认为该值的突然变化是由于传播路径上突然出现障碍或者测量误差引起的。只有当三个值同时变化的时候，才对红色定位点的坐标进行重新计算。这种方法成功的减少了红色定位点的闪烁。
当ZigBee信号路径传播路径上突然出现障碍或者测量误差时，该值舍弃不用造成数据缺失。这里提供一种基于knn缺失值补全算法进行缺失值补全。其原理是在样本附近选取点进行排序取前k个样本，将这些样本某属性的平均值赋给该样本，将不同距离的邻居对该样本产生的影响赋予不同的权值。就可以得到该样本的预测值。如公式5。
其中k为选取的点数，μ为权重，μ＝(τ)i，τ和k为超参数。
采用BP神经网络，由于其局部变化的特点，使其更适合于不同位置的ZigBee数据容易发生变化的情况。输入节点数是定位区域中的定位节点数。
神经元是BP神经网络的基本单位，多个神经元通过连接组成了BP神经网络。神经元通过模拟生物的神经元，设定了三个基本功能，即加权、求和、转移。神经元的基本模型如Xi(i＝1，2，….n)为来自神经元i的输入，Wjn为神经元n与神经元j的连接强度，bj为神经元j的阈值，Sj为神经元j的净输入，f为单调上升的传递函数，yj为神经元j的输出。
Sj的值为：
其中X＝[x1，x2…xi...xn]T，n为该层神经元总数。
Wj＝[wj1，wj2...wji…wjn]
yj的值为
BP神经网络的权值改变方法是使用梯度下降法，通过梯度下降的方法，依据反向流动的误差不断调整权值，最终使整个网络的平方误差最小。在正向传播过程中，设BP网络的输入层有n个节点，隐藏层有q个节点，输出层有m个节点，输入层与隐藏层之间的权值为Vki，隐藏层与输出层之间的权值为Wjk，隐藏层的传递函数为f1，输出层的传递函数为f2。其中k为隐藏层节点序号。
则隐藏层节点的输出为
输出层节点的输出为：
在反向流动的过程中，设期望输出为t，输入样本得到的输出为y。
则第P个样本的误差Ep为：
全局误差为，P为样本数总量：
采用累计误差BP算法调整Wjk，使全局误差E变小，设η为学习率，通过化简，则输出层各神经元的权值变化为：
本发明的有益效果：与现有技术相比，本发明采用误差滤除算法和BP神经网络算法，进行数据的处理和反馈，实现精确室内定位，大大提高了定位精度和准确性。
附图说明
图1是BP神经网络训练流程图
图2是BP神经网络测试流程图
图3是BP神经网络模型图
图4是误差滤除算法流程图
图5是室内定位***流程图
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
结合图5一种基于神经网络改进算法的zibee室内定位***的定位方法，该方法包括以下步骤：
(1)zigbee定位节点发送RSSI信号强度到定位终端，并通过公式根据接收RSSI信号强度值计算多个锚节点到盲节点的距离，并通过误差滤除算法排除掉脏数据将干净数据传输到数据数据存储模块进行存储；
(2)定位算法模块读取data.arff文件获取距离数据，并通过神经网络算法计算获得定位终端的位置坐标；
(3)通过数据显示模块将位置坐标从PC端定位软件进行显示，数据传输模块将定位信息通过蓝牙传输到用户手机移动端，并实时显示。
首先在需要精准测量定位的地点在Zigbee神经网络定位训练阶段放置不少于四个Zigbee锚节点。然后进行1m间隔测量，长时间采样后取平均值获得公式(1)的A值，然后测量0.5米间隔，长时间采样后取平均值代入带有A值的信号强度与距离公式既可以获得N值，使用这一公式做为该定位地点的公式。在盲节点进入时，首先在边长为1m的正方形的四个角上部署四个zigbee锚点，用于接收盲节点发送到的信号，整个房间由N个这种正方形组成，当盲节点发送信号时，服务器接收获得信号强度最大的四个值计算盲节点位置。
请参考图4，定义一个四行三列的二维表和一个包含四个元素的标志数组，二维表中记录了该节点最近发布的三个包(可创建多个)的接收强度值，表一中第一行是第一个锚节点的接收到的包序号为id,id+1,id+2三个包的强度值，其中id为锚节点接受数据序号。id+2包应当是定位节点所发的最后一个包。如果连续10s收不到该节点的信号，则该节点做为消失处理。每当接收到一个新包时，数据表内所有列向右移动一列，最后一列丢弃。当接收到的新包与上一个包的数据相差大于d时，则认为这一行的数据产生了变化，标志数组中的该下标值变为TRUE。其中d为两者相差阈值。当标志数组中有三个值同时为TRUE时，即认为该点位置产生了变化，使用表1中的a,e,h,k四个值计算定位点。当a，b，c三个数据相差都不到2时，标志数组中将该下标值置回FALSE。该方法有效的降低了定位点的闪烁。其中a至m为相应时刻锚节点到盲节点的距离(单位为cm)
表1信号强度滤波算法
No.id+2 No.id+1 No.id
Anchor1 a b c
Anchor2 e f g
Anchor3 h i j
Anchor4 k l m
如果测量值出现误差，将该值都丢失。通过选取相应缺失点所在的锚节点通过公式5，因为按照队列先进先出的关系，选取队列后k个值进行加权求和得出缺失点预测值。并将预测值和其他锚节点测量值同时压入相应的队列包中。
请参考图3。神经网络算法的模型在Zibee定位中设置输入层节点数为用户部署锚节点数量。输出层有两个节点(X，Y)，输出层的激活函数为线性。输入层如果有一个锚节点停止工作或是数据存在问题，会设置一个默认值，默认为接近于零的随机浮点型。第一层隐层选用sigmoid激活函数，进行非线性变化。公式13如下，其中x为神经元输入值。
请参考图1图2神经网络算法的模型定位分为两个阶段：训练阶段和预测阶段。训练阶段具体步骤如下：
(1)从data.arff文件获取多个锚节点数据，按照batchsize大小进行数据整理，batchsize为每次迭代数据组数，进行随机梯度下降更新参数。
(2)设定算法迭代次数，对模型进行随机参数初始化，使得初始化参数满足均值为0，方差为1，符合高斯分布条件。设定学习率。
(3)当损失值不在下降时且满足预期要求停止训练，选择最优模型
通过表2可以看出当采用三角定位算法进行精确定位操作时，定位位置准确，当节点不移动时会偶尔发生晃动。节点移动时，误差较大，定位点偏移严重。只使用使用神经网络的定位，该图晃动较多，但34cm的定位精度优于50cm的三角测量精度。移动时，抖动范围会增大，但不会有严重的偏差。实验表明，将神经网络定位算法与误差滤波算法相结合，可以显著降低数据抖动。
表2定位方法比较
相较于传统室内定位方法，本发明提出的室内定位方法无论在定位精度还是在定位效率方面都有了较大、明显的改善，定位稳定性方面也有了一定的提高。在大型场合如商场中，由于面积大，接入点数目多，参考数据库的参考数据条数以及接入点数量都会逐渐增多，对定位精度和定位效率的要求也随之增大，更能体现出本发明方法的优越性和可用性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.一种基于zigbee传输BP神经网络室内定位***，其特征在于：包括定位终端、定位服务器、定位zigbee节点、手机端，定位zigbee节点无线连接到定位终端，定位终端连接到定位服务器，定位服务器包括定位算法模块、数据处理和数据存储模块和数据传输模块和数据显示模块，数据处理模块用于接收处理定位终端接收到的zigbee发出的RSSI信号强度，并进行RSSI公式计算得出锚节点到盲节点的距离，并将得出的结果存储到数据存储模块；定位算法模块读取数据存储模块的距离值数据采用BP神经网络算法计算获得定位终端的位置坐标，通过数据显示模块将位置坐标从PC端定位软件进行显示；数据传输模块将定位信息通过蓝牙传输到用户手机移动端，并实时显示。
2.根据权利要求1所述的室内定位***，其特征在于定位服务器采用远程服务器，客户端包括手机移动和PC端。
3.一种基于BP神经网络精确室内定位方法，其特征在于：
搭建运行此算法的Zigbee平台，选取的是信号强度最大的四个定位点，但是定位仅需要三个定位点，当定位节点进行移动时，由几何学得到至少有三个定位节点的值发生变化，只有当三个值同时变化的时候，才对定位点的坐标进行重新计算；如果只有一个点发生变化，则认为该锚节点测量数据有误进行舍弃，然后通过基于KNN算法进行补全；其原理是在样本附近选取点进行排序取前k个样本，将这些样本某属性的平均值赋给该样本，将不同距离的邻居对该样本产生的影响赋予不同的权值得到该样本的预测值；如公式1；
其中k为选取的点数，μ为权重，μ＝(τ)i,τ和k为超参数；
采用BP神经网络，输入节点数是定位区域中的定位节点数；
神经元的基本模型：Xi为来自神经元i的输入，其中i＝1,2,….n；Wjn为神经元n与神经元j的连接强度，bj为神经元j的阈值，Sj为神经元j的净输入，f为单调上升的传递函数，yj为神经元j的输出；
Sj的值为：
其中X＝[x1，x2...xi...xn]T，n为该层神经元总数；
Wj＝[wj1，wj2...wji...wjn]
yj的值为
BP神经网络的权值改变方法是使用梯度下降法，通过梯度下降的方法，依据反向流动的误差不断调整权值，最终使整个网络的平方误差最小；
在正向传播过程中，设BP网络的输入层有n个节点，隐藏层有q个节点，输出层有m个节点，输入层与隐藏层之间的权值为Vki，隐藏层与输出层之间的权值为Wjk，隐藏层的传递函数为f1，输出层的传递函数为f2；其中k为隐藏层节点序号；
则隐藏层节点的输出为
输出层节点的输出为：
在反向流动的过程中，设期望输出为t，输入样本得到的输出为y；
则第P个样本的误差Ep为：
全局误差为,P为样本数总量：
采用累计误差BP算法调整Wjk，使全局误差E变小，η为学习率，则输出层各神经元的权值变化为：
CN201910192011.7A 2019-03-14 2019-03-14 一种基于bp神经网络精确室内定位***及定位方法 Pending CN109996172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910192011.7A CN109996172A (zh) 2019-03-14 2019-03-14 一种基于bp神经网络精确室内定位***及定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910192011.7A CN109996172A (zh) 2019-03-14 2019-03-14 一种基于bp神经网络精确室内定位***及定位方法

Publications (1)

Publication Number Publication Date
CN109996172A true CN109996172A (zh) 2019-07-09

Family

ID=67129600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910192011.7A Pending CN109996172A (zh) 2019-03-14 2019-03-14 一种基于bp神经网络精确室内定位***及定位方法

Country Status (1)

Country Link
CN (1) CN109996172A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113518425A (zh) * 2021-09-14 2021-10-19 武汉依迅北斗时空技术股份有限公司 设备定位方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885030A (zh) * 2014-03-07 2014-06-25 电子科技大学 一种无线传感器网络移动节点的定位方法
CN106093849A (zh) * 2016-06-03 2016-11-09 清华大学深圳研究生院 一种基于测距和神经网络算法的水下定位方法
US20190057715A1 (en) * 2017-08-15 2019-02-21 Pointr Data Inc. Deep neural network of multiple audio streams for location determination and environment monitoring
CN109444813A (zh) * 2018-10-26 2019-03-08 南京邮电大学 一种基于bp和dnn双神经网络的rfid室内定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885030A (zh) * 2014-03-07 2014-06-25 电子科技大学 一种无线传感器网络移动节点的定位方法
CN106093849A (zh) * 2016-06-03 2016-11-09 清华大学深圳研究生院 一种基于测距和神经网络算法的水下定位方法
US20190057715A1 (en) * 2017-08-15 2019-02-21 Pointr Data Inc. Deep neural network of multiple audio streams for location determination and environment monitoring
CN109444813A (zh) * 2018-10-26 2019-03-08 南京邮电大学 一种基于bp和dnn双神经网络的rfid室内定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任谢楠: "基于遗传算法的BP神经网络的优化研究及MATLAB仿真", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
刘博: "基于ZigBee协议室内定位***的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
张孙力等: "基于改进的K近缺失数据补全", 《计算机与应用化学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113518425A (zh) * 2021-09-14 2021-10-19 武汉依迅北斗时空技术股份有限公司 设备定位方法及***
CN113518425B (zh) * 2021-09-14 2022-01-07 武汉依迅北斗时空技术股份有限公司 设备定位方法及***

Similar Documents

Publication Publication Date Title
KR101730269B1 (ko) 실내 디바이스 위치를 추정하는 방법
CN105072581B (zh) 一种基于路径衰减系数建库的室内定位方法
JP5278365B2 (ja) 位置推定装置及び位置推定方法
CN103747419B (zh) 一种基于信号强度差值与动态线性插值的室内定位方法
JP2011214920A (ja) 位置推定装置、位置推定方法及びプログラム
CN103338516A (zh) 一种基于总体最小二乘的无线传感器网络两步定位方法
CN107727095A (zh) 基于谱聚类和加权反向传播神经网络的3d室内定位方法
CN106353722A (zh) 基于代价参考粒子滤波的rssi测距方法
CN104540168A (zh) 一种测量人群拥挤度的方法、装置与***
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
CN102325370A (zh) 一种高精度的无线传感器网络节点的三维***
CN106961659A (zh) 一种类指纹的蓝牙定位方法
CN114466452A (zh) 一种基于5g的室内高精度定位***及方法
CN102264127B (zh) 基于共面度的无线传感网络的三维定位方法
Yang et al. Research on 3D positioning of handheld terminal based on particle swarm optimization
Eldeeb et al. Optimal placement of access points for indoor positioning using a genetic algorithm
Daramouskas et al. A survey of methods for location estimation on Low Power Wide Area Networks
CN109005510A (zh) 基于区域划分的无线传感器网络室内移动目标跟踪方法
CN110049441B (zh) 基于深度集成学习的WiFi室内定位方法
Pan et al. Map-aided and UWB-based anchor placement method in indoor localization
CN109996172A (zh) 一种基于bp神经网络精确室内定位***及定位方法
CN111194000B (zh) 基于蓝牙融合混合滤波与神经网络的测距方法与***
Suseenthiran et al. Indoor positioning utilizing bluetooth low energy RSSI on LoRa system
US20240248164A1 (en) Determining locations of mobile devices from wireless signals
WO2023083041A1 (zh) 一种定位方法、装置及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709

RJ01 Rejection of invention patent application after publication