CN115426712A - 一种基于深度学习的wifi精确鲁棒室内定位方法 - Google Patents

一种基于深度学习的wifi精确鲁棒室内定位方法 Download PDF

Info

Publication number
CN115426712A
CN115426712A CN202211023010.8A CN202211023010A CN115426712A CN 115426712 A CN115426712 A CN 115426712A CN 202211023010 A CN202211023010 A CN 202211023010A CN 115426712 A CN115426712 A CN 115426712A
Authority
CN
China
Prior art keywords
neural network
training
convolutional neural
fingerprint
deep convolutional
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
CN202211023010.8A
Other languages
English (en)
Inventor
李昊昕
鲍沁宇
史秀纺
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202211023010.8A priority Critical patent/CN115426712A/zh
Publication of CN115426712A publication Critical patent/CN115426712A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的wifi精确鲁棒室内定位方法，包括以下步骤：(1)建立N个对应于N个指纹训练点的深度卷积神经网络模型。(2)在感兴趣区域的不同指纹位置扫描ap及其相关信号强度，并对数据进行预处理。(3)对预处理后的数据注入人工噪声来破坏原始测量数据。(4)对于每个指纹点，利用原始和损坏的噪声数据进行深度卷积神经网络模型训练，训练好深度卷积神经网络模型后，存储所有针对不同位置的指纹训练好的深度卷积神经网络模型。(5)在未知的用户位置扫描ap和它们的rss，经过预处理后，利用训练好的深度卷积神经网络模型估计最可能的用户位置。

Description

一种基于深度学习的wifi精确鲁棒室内定位方法
技术领域
本发明涉及室内定位技术领域，具体涉及一种基于深度学习的wifi精确鲁棒室内定位，应用于基于wifi的室内定位问题。
背景技术
近年来，学术界和工业界已经认识到室内定位问题的价值，并投入了大量的精力和资源来解决它。由于WiFi的广泛覆盖和大多数移动设备对IEEE 802.11标准的支持，大多数室内定位***都是基于WiFi的，包括基于传播和基于指纹的技术。基于传播的技术目的是在不进行现场测量的情况下建立接收信号与距离之间的关系模型。尽管这些技术部署简单，不需要事先校准，但它们在异构手机上不能很好地工作，而且它们的准确性通常低于基于指纹的技术。
另一方面，指纹技术利用记录的WiFi ap签名(即指纹)来估计设备的位置。典型的基于指纹的WiFi定位技术工作在两个阶段：第一个是离线阶段(即校准)，在此期间，从安装在感兴趣区域的多个接入点(APs)接收到的信号强度(RSS)读数被记录在已知位置。然后，在跟踪阶段，将检测到的APs在未知位置的RSS测量值与存储的指纹进行匹配，以估计最佳位置匹配，可以是确定性的，也可以是概率性的。基于指纹的技术由于其相对较好的准确性而被广泛采用。然而，实际上，由于无线信号中的固有噪声影响定位精度，这种技术的部署面临着重大挑战。因此，多年来，人们提出了许多***来应对这些挑战。
发明内容
本发明要克服现有技术的上述缺点，提出一种基于wifi的室内指纹定位方法，可以在存在设备异质性的情况下实现鲁棒和高精度跟踪。
为此，建立在深度学习的基础上，自动捕获不同指纹位置的不同接入点之间的非线性和相关关系，而无需在当前的概率技术中假设接入点的独立性。然而，单独利用深度网络可能不会在设备异构的情况下获得所需的性能，因为设备异构可以被认为是一种噪声。为了保证***在这个具有挑战性的场景中的鲁棒性和泛化能力，采用了一种端到端的深度神经网络模型，稳健地提取出噪声WiFi扫描与不同指纹位置之间关系的良好表示。
此外，采用了正则化技术来避免模型过拟合，提高了***的鲁棒性。
本发明是通过以下技术方案实现的：一种基于深度学习的wifi精确鲁棒室内定位方法，包括以下步骤：
(1)建立N个对应于N个指纹训练点的深度卷积神经网络模型。
(2)在感兴趣区域的不同指纹位置扫描ap及其相关信号强度，并对数据进行预处理。
(3)对预处理后的数据注入人工噪声来破坏原始测量数据。
(4)对于每个指纹点，利用原始和损坏的噪声数据进行深度卷积神经网络模型训练，训练好深度卷积神经网络模型后，存储所有针对不同位置的指纹训练好的深度卷积神经网络模型。
(5)在未知的用户位置扫描ap和它们的rss，经过预处理后，利用训练好的深度卷积神经网络模型估计最可能的用户位置。
进一步地，步骤(1)具体包括：
(1.1)首先构建深度卷积神经网络模型，并使用Sigmoid函数作为激活函数。其中深度卷积神经网络模型使用的Sigmoid函数为：
Figure BDA0003814775850000021
深度卷积神经网络模型使用的Sigmoid函数的输出范围在0到1之间。
(1.2)对构建的深度卷积神经网络模型进行端到端训练。端对端的训练包括了两个训练阶段：预训练阶段和微调阶段。
预训练阶段：进行深度卷积神经网络的预训练步骤。在这个阶段，使用前一个卷积神经网络的输出作为输入，对每个卷积神经网络进行独立训练。
微调阶段：在这个阶段，对预训练阶段训练好的深度卷积神经网络模型进行了端到端训练。将权重初始化为训练前得到的权重。然后，将每个输入的训练样本(WiFi扫描)通过网络，采用正向传播的方式获得输入扫描的重构数据。并以原始输入数据与重构数据(即深度网络的输出)的差的平方和作为损失函数，用梯度下降算法调整不同层的所有权值。
进一步，步骤(3)具体包括：
先后使用两种方式对输入数据添加随机噪声：屏蔽破坏和加性高斯破坏。
屏蔽破坏方式：生成一个随机的二进制向量，其元素为零的特定概率由参数决定。然后将生成的二进制矢量乘以原始输入，得到一个有噪声的输入信号。
加性高斯破坏方式：将具有特定标准差s的白高斯噪声添加到RSS向量的不同条目中。重新规范化合成的向量，使所有元素都在0到1之间。
进一步，步骤(5)具体包括：
(5.1)用户站在一个未知的位置接收WiFi信息，该信息经过预处理得到一个信号强度向量x＝(x1,…,xM)，其中M为环境中ap的总数。
(5.2)在给定接收到的信号强度向量x的情况下，求解用户在感兴趣区域的指纹位置li的概率，也即求解p(li∣x)。利用贝叶斯定理，后验概率p(li∣x)为：
Figure BDA0003814775850000031
其中p(li)为手机位于给定指纹位置li的先验概率，N为指纹数据库中位置的数量(即训练位置)。
假设所有位置的概率相等，上式可以改写为：
Figure BDA0003814775850000032
之后利用了构建的离线深度学习模型计算p(x∣li)。具体地说，从每个深度模型以及与输入信号相关的相似度评分中获得输入扫描xi的重构版本。为了获得上述相似度评分，使用径向基核作为相似度函数，因为它的输出有界于0和1，因此可以被概率解释。将第i个模型的相似函数输出记为p(x∣li)，有：
Figure BDA0003814775850000041
其中xij和
Figure BDA0003814775850000042
分别为第j次扫描的原始和重构输入数据，σ为输入扫描的方差，λ为输入扫描的变异系数(CV)的缩放版本，n为用于位置确定的扫描总数。
之后为了能够在连续空间中跟踪用户，以所有指纹点的质心估计用户位置，并以每个参考点p(li∣x)的概率作为其权重。因此，用户位置估计为：
Figure BDA0003814775850000043
本发明具有如下优点：
1.能在不影响定位精度的情况下与异构设备操作。单独使用深度模型(例如DeepFi)不能达到这个设计目标。能够实现这一点，是因为它结合了所使用的特定深度网络的选择和相关的设计考虑。具体来说，其使用的深度神经网络模型能够在存在噪声或失真的情况下重建底层输入。因此为了获得最佳的训练结果，该网络的训练过程中需要使用噪声数据，使网络真正学会从用户的异构设备中获取的数据中提取底层信息。
2.网络在具有挑战性的场景下的泛化能力很强。例如在存在设备异构性的情况下。同时，单独使用带噪声的数据与DeepFi(它不使用这种类型的网络模型)会导致获得的定位精度下降。
附图说明
图1是本发明的流程图；
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
参照图1，一种基于深度学习的wifi精确鲁棒室内定位方法，包括以下步骤：
(1)建立N个对应于N个指纹训练点的深度卷积神经网络模型。
(2)在感兴趣区域的不同指纹位置扫描ap及其相关信号强度，并对数据进行预处理。
(3)对预处理后的数据注入人工噪声来破坏原始测量数据。
(4)对于每个指纹点，利用原始和损坏的噪声数据进行深度卷积神经网络模型训练，训练好深度卷积神经网络模型后，存储所有针对不同位置的指纹训练好的深度卷积神经网络模型。
(5)在未知的用户位置扫描ap和它们的rss，经过预处理后，利用训练好的深度卷积神经网络模型估计最可能的用户位置。
步骤(1)具体包括：
(1.1)首先构建深度卷积神经网络模型，并使用Sigmoid函数作为激活函数。其中深度卷积神经网络模型使用的Sigmoid函数为：
Figure BDA0003814775850000051
深度卷积神经网络模型使用的Sigmoid函数确保其输出范围在0到1之间。
(1.2)对构建的深度卷积神经网络模型进行端到端训练。端对端的训练包括了两个训练阶段：预训练阶段和微调阶段。
预训练阶段：进行深度卷积神经网络的预训练步骤。在这个阶段，使用前一个卷积神经网络的输出作为输入，对每个卷积神经网络进行独立训练。
微调阶段：在这个阶段，对预训练阶段训练好的深度卷积神经网络模型进行了端到端训练。将权重初始化为训练前得到的权重。然后，将每个输入的训练样本(WiFi扫描)通过网络，采用正向传播的方式获得输入扫描的重构数据。并以原始输入数据与重构数据(即深度网络的输出)的差的平方和作为损失函数，用梯度下降算法调整不同层的所有权值。
步骤(3)具体包括：
(3.1)先后使用两种方式对输入数据添加随机噪声：屏蔽破坏和加性高斯破坏。
屏蔽破坏方式：生成一个随机的二进制向量，其元素为零的特定概率由参数决定。然后将生成的二进制矢量乘以原始输入，得到一个有噪声的输入信号。
加性高斯破坏方式：将具有特定标准差s的白高斯噪声添加到RSS向量的不同条目中。重新规范化合成的向量，使所有元素都在0到1之间。
步骤(5)具体包括：
(5.1)用户站在一个未知的位置接收WiFi信息，该信息经过预处理得到一个信号强度向量x＝(x1,…,xM)，其中M为环境中ap的总数。
(5.2)在给定接收到的信号强度向量x的情况下，求解用户在感兴趣区域的指纹位置li的概率，也即求解p(li∣x)。利用贝叶斯定理，后验概率p(li∣x)为：
Figure BDA0003814775850000061
其中p(li)为手机位于给定指纹位置li的先验概率，N为指纹数据库中位置的数量(即训练位置)。
假设所有位置的概率相等，上式可以改写为：
Figure BDA0003814775850000062
之后利用了构建的离线深度学习模型计算p(x∣li)。具体地说，从每个深度模型以及与输入信号相关的相似度评分中获得输入扫描xi的重构版本。为了获得上述相似度评分，使用径向基核作为相似度函数，因为它的输出有界于0和1，因此可以被概率解释。将第i个模型的相似函数输出记为p(x∣li)，有：
Figure BDA0003814775850000071
其中xij和
Figure BDA0003814775850000072
分别为第j次扫描的原始和重构输入数据，σ为输入扫描的方差，λ为输入扫描的变异系数(CV)的缩放版本，n为用于位置确定的扫描总数。
之后为了能够在连续空间中跟踪用户，以所有指纹点的质心估计用户位置，并以每个参考点p(li∣x)的概率作为其权重。因此，用户位置估计为：
Figure BDA0003814775850000073
实施例：为了收集评估所需的数据，将本发明应用在两个不同布局和APs密度的建筑中。第一个是大学建筑的楼层，面积为37m×17m，包括办公室、实验室、会议室和走廊。第二个是面积为14.5m×4.5m的l型私人工作室公寓。在这两个数据集中，都利用了建筑物中预先安装的WiFi ap的rss，或从附近楼层 /建筑物中偷听(大学楼层有122个ap，而公寓有59个ap)。在大学数据集的48个不同位置总共收集了7200个样本。
对于公寓数据集，在139个不同地点的每个点收集了2000个样本。这些数据是由5名参与者在不同的日子里使用不同的Android手机(如三星Galaxy Note 3、三星GalaxyS4、华为P9 lite等)收集的。这捕捉到了WiFi指纹的时变特性，以及用户和设备的异质性。
下面是在大学平面图中不同***的精度百分比。
技术 平均距离 50％ 75％ 100％
本发明 2.64m 2.38m 3.38m 7.12m
Horus 4.04m 2.25m 4.03m 17.50m
DeepFi 7.10m 6.09m 9.54m 24.14m
在两个不同尺寸和密度的接入点测试平台上对发明结果进行了评估。结果表明，该方法对较大试验台的定位精度达到2.64m。这种准确性在所有测试场景中都优于最先进的技术，并对异构设备具有鲁棒性。

Claims (4)

1.一种基于深度学习的wifi精确鲁棒室内定位方法，包括以下步骤：
(1)建立N个对应于N个指纹训练点的深度卷积神经网络模型；
(2)在感兴趣区域的不同指纹位置扫描ap及其相关信号强度，并对数据进行预处理；
(3)对预处理后的数据注入人工噪声来破坏原始测量数据；
(4)对于每个指纹点，利用原始和损坏的噪声数据进行深度卷积神经网络模型训练，训练好深度卷积神经网络模型后，存储所有针对不同位置的指纹训练好的深度卷积神经网络模型；
(5)在未知的用户位置扫描ap和它们的rss，经过预处理后，利用训练好的深度卷积神经网络模型估计最可能的用户位置。
2.如权利要求1所述的一种基于深度学习的wifi精确鲁棒室内定位方法，其特征在于：步骤(1)具体包括：
(1.1)首先构建深度卷积神经网络模型，并使用Sigmoid函数作为激活函数；其中深度卷积神经网络模型使用的Sigmoid函数为：
Figure FDA0003814775840000011
深度卷积神经网络模型使用的Sigmoid函数的输出范围在0到1之间；
(1.2)对构建的深度卷积神经网络模型进行端到端训练；端对端的训练包括了两个训练阶段：预训练阶段和微调阶段；
预训练阶段：进行深度卷积神经网络的预训练步骤；在这个阶段，使用前一个卷积神经网络的输出作为输入，对每个卷积神经网络进行独立训练；
微调阶段：在这个阶段，对预训练阶段训练好的深度卷积神经网络模型进行了端到端训练；将权重初始化为训练前得到的权重；然后，将每个输入的训练样本(WiFi扫描)通过网络，采用正向传播的方式获得输入扫描的重构数据；并以原始输入数据与重构数据(即深度网络的输出)的差的平方和作为损失函数，用梯度下降算法调整不同层的所有权值。
3.如权利要求1所述的一种基于深度学习的wifi精确鲁棒室内定位方法，其特征在于：步骤(3)具体包括：
先后使用两种方式对输入数据添加随机噪声：屏蔽破坏和加性高斯破坏；
屏蔽破坏方式：生成一个随机的二进制向量，其元素为零的特定概率由参数决定；然后将生成的二进制矢量乘以原始输入，得到一个有噪声的输入信号；
加性高斯破坏方式：将具有特定标准差s的白高斯噪声添加到RSS向量的不同条目中；重新规范化合成的向量，使所有元素都在0到1之间。
4.如权利要求1所述的一种基于深度学习的wifi精确鲁棒室内定位方法，其特征在于：步骤(5)具体包括：
(5.1)用户站在一个未知的位置接收WiFi信息，该信息经过预处理得到一个信号强度向量x＝(x1,…,xM)，其中M为环境中ap的总数；
(5.2)在给定接收到的信号强度向量x的情况下，求解用户在感兴趣区域的指纹位置li的概率，也即求解p(li∣x)；利用贝叶斯定理，后验概率p(li∣x)为：
Figure FDA0003814775840000021
其中p(li)为手机位于给定指纹位置li的先验概率，N为指纹数据库中位置的数量(即训练位置)；
假设所有位置的概率相等，上式可以改写为：
Figure FDA0003814775840000022
之后利用了构建的离线深度学习模型计算p(x∣li)；具体地说，从每个深度模型以及与输入信号相关的相似度评分中获得输入扫描xi的重构版本；为了获得上述相似度评分，使用径向基核作为相似度函数，因为它的输出有界于0和1，因此可以被概率解释；将第i个模型的相似函数输出记为p(x∣li)，有：
Figure FDA0003814775840000031
其中xij和
Figure FDA0003814775840000032
分别为第j次扫描的原始和重构输入数据，σ为输入扫描的方差，λ为输入扫描的变异系数(CV)的缩放版本，n为用于位置确定的扫描总数；
之后为了能够在连续空间中跟踪用户，以所有指纹点的质心估计用户位置，并以每个参考点p(li∣x)的概率作为其权重；因此，用户位置估计为：
Figure FDA0003814775840000033
CN202211023010.8A 2022-08-25 2022-08-25 一种基于深度学习的wifi精确鲁棒室内定位方法 Pending CN115426712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211023010.8A CN115426712A (zh) 2022-08-25 2022-08-25 一种基于深度学习的wifi精确鲁棒室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211023010.8A CN115426712A (zh) 2022-08-25 2022-08-25 一种基于深度学习的wifi精确鲁棒室内定位方法

Publications (1)

Publication Number Publication Date
CN115426712A true CN115426712A (zh) 2022-12-02

Family

ID=84199246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211023010.8A Pending CN115426712A (zh) 2022-08-25 2022-08-25 一种基于深度学习的wifi精确鲁棒室内定位方法

Country Status (1)

Country Link
CN (1) CN115426712A (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103096466A (zh) * 2013-01-17 2013-05-08 哈尔滨工业大学 Wi-Fi室内定位方法
CN103686999A (zh) * 2013-12-12 2014-03-26 中国石油大学(华东) 基于WiFi信号的室内无线定位方法
CN103702416A (zh) * 2013-12-24 2014-04-02 北京交通大学 基于支持向量机的半监督学习室内定位方法
CN103874118A (zh) * 2014-02-25 2014-06-18 南京信息工程大学 WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
US20140171114A1 (en) * 2012-12-14 2014-06-19 Apple Inc. Location determination using fingerprint data
CN104080039A (zh) * 2013-03-26 2014-10-01 富士通株式会社 无线定位方法和装置
CN104467997A (zh) * 2014-11-18 2015-03-25 无锡清华信息科学与技术国家实验室物联网技术中心 一种基于无线信号强度预测的终端节能的方法和装置
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN105223619A (zh) * 2015-08-31 2016-01-06 清华大学 基于智能移动设备的室内门判定方法
US20160202342A1 (en) * 2013-08-26 2016-07-14 Dublin City University Location detection system and method
CN108225304A (zh) * 2018-01-26 2018-06-29 青岛美吉海洋地理信息技术有限公司 基于多源传感器室内快速定位方法与***
CN109379711A (zh) * 2018-12-19 2019-02-22 香港中文大学（深圳） 一种定位方法
CN110012428A (zh) * 2019-05-22 2019-07-12 合肥工业大学 一种基于WiFi的室内定位方法
CN110222502A (zh) * 2019-06-10 2019-09-10 北京计算机技术及应用研究所 一种注入随机化的对抗训练方法
CN111212379A (zh) * 2020-01-06 2020-05-29 天津工业大学 一种基于卷积神经网络的新型csi室内定位方法
CN111385757A (zh) * 2020-03-20 2020-07-07 浙江大学城市学院 一种用于室内定位WiFi指纹库设备异构性的消除技术
CN113538575A (zh) * 2020-04-20 2021-10-22 辉达公司 使用一个或更多个神经网络进行距离确定
CN113543026A (zh) * 2021-06-11 2021-10-22 同济大学 一种基于径向基函数网络的多楼层室内定位方法
CN114550283A (zh) * 2022-01-10 2022-05-27 南京邮电大学 基于改进支持向量机的无线网信号动作识别***及方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140171114A1 (en) * 2012-12-14 2014-06-19 Apple Inc. Location determination using fingerprint data
CN103096466A (zh) * 2013-01-17 2013-05-08 哈尔滨工业大学 Wi-Fi室内定位方法
CN104080039A (zh) * 2013-03-26 2014-10-01 富士通株式会社 无线定位方法和装置
US20160202342A1 (en) * 2013-08-26 2016-07-14 Dublin City University Location detection system and method
CN103686999A (zh) * 2013-12-12 2014-03-26 中国石油大学(华东) 基于WiFi信号的室内无线定位方法
CN103702416A (zh) * 2013-12-24 2014-04-02 北京交通大学 基于支持向量机的半监督学习室内定位方法
CN103874118A (zh) * 2014-02-25 2014-06-18 南京信息工程大学 WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
CN104467997A (zh) * 2014-11-18 2015-03-25 无锡清华信息科学与技术国家实验室物联网技术中心 一种基于无线信号强度预测的终端节能的方法和装置
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN105223619A (zh) * 2015-08-31 2016-01-06 清华大学 基于智能移动设备的室内门判定方法
CN108225304A (zh) * 2018-01-26 2018-06-29 青岛美吉海洋地理信息技术有限公司 基于多源传感器室内快速定位方法与***
CN109379711A (zh) * 2018-12-19 2019-02-22 香港中文大学（深圳） 一种定位方法
CN110012428A (zh) * 2019-05-22 2019-07-12 合肥工业大学 一种基于WiFi的室内定位方法
CN110222502A (zh) * 2019-06-10 2019-09-10 北京计算机技术及应用研究所 一种注入随机化的对抗训练方法
CN111212379A (zh) * 2020-01-06 2020-05-29 天津工业大学 一种基于卷积神经网络的新型csi室内定位方法
CN111385757A (zh) * 2020-03-20 2020-07-07 浙江大学城市学院 一种用于室内定位WiFi指纹库设备异构性的消除技术
CN113538575A (zh) * 2020-04-20 2021-10-22 辉达公司 使用一个或更多个神经网络进行距离确定
CN113543026A (zh) * 2021-06-11 2021-10-22 同济大学 一种基于径向基函数网络的多楼层室内定位方法
CN114550283A (zh) * 2022-01-10 2022-05-27 南京邮电大学 基于改进支持向量机的无线网信号动作识别***及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HAOXIN TANG; YI ZHANG; QIN QIAO; JUNHUI REN;: ""Risk assessment of credit field based on PSO-SVM"", 《2020 2ND INTERNATIONAL CONFERENCE ON ECONOMIC MANAGEMENT AND MODEL ENGINEERING (ICEMME)》, 26 May 2021 (2021-05-26) *
ZAILONG ZHANG 等: ""Processing Technology of Multi-sensor Position Fingerprint Inoformaiton"", 《2021 2ND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND HUMAN-COMPUTER INTERACTION (ICHCI)》, 21 February 2022 (2022-02-21), pages 1 - 4 *
ZAILONG ZHANG; YIFEI SHAO; YANFANG ZHANG: ""Processing Technology of Multi-sensor Position Fingerprint Information"", 《2021 2ND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND HUMAN-COMPUTER INTERACTION (ICHCI)》, 21 February 2022 (2022-02-21) *
刘帅;***;吴楠: "" 一种基于卷积神经网络的CSI指纹室内定位方法"", 《工程科学学报》, 12 October 2021 (2021-10-12) *
史秀纺: ""复杂因素影响下的定位跟踪问题研究"", 《中国博士学位论文全文数据库（电子期刊）》, 15 August 2017 (2017-08-15) *
张文安;洪毅;史秀纺;葛其运: ""基于子图拉普拉斯谱的异常传感器检测及识别方法"", 《 传感技术学报》, 15 June 2021 (2021-06-15) *

Similar Documents

Publication Publication Date Title
CN106851573B (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
Wang et al. Indoor radio map construction and localization with deep Gaussian processes
Gansemer et al. Rssi-based euclidean distance algorithm for indoor positioning adapted for the use in dynamically changing wlan environments and multi-level buildings
Elbakly et al. A robust zero-calibration RF-based localization system for realistic environments
Laoudias et al. Localization using radial basis function networks and signal strength fingerprints in WLAN
CN106454747B (zh) 手机终端的无线定位方法
CN109951798A (zh) 融合Wi-Fi和蓝牙的增强位置指纹室内定位方法
CN114449452B (zh) 一种基于CNN-RNN的Wi-Fi室内定位方法
CN108712714B (zh) 一种室内wlan指纹定位中ap的选择方法及装置
CN110413655B (zh) 一种基于改进隐马尔科夫模型的楼层识别方法
Lin et al. An indoor Wi-Fi localization algorithm using ranging model constructed with transformed RSSI and BP neural network
Canovas et al. Detecting indoor/outdoor places using WiFi signals and AdaBoost
CN113115224B (zh) 室内定位方法和室内定位装置
CN108549049B (zh) 一种射线追踪辅助的贝叶斯指纹定位方法及装置
Ebhota et al. Improved adaptive signal power loss prediction using combined vector statistics based smoothing and neural network approach
Kjærgaard Automatic mitigation of sensor variations for signal strength based location systems
CN115150744A (zh) 一种大型会议场馆室内信号干扰源定位方法
CN113609097B (zh) 指纹库的生成方法、装置、计算机设备和存储介质
Wei et al. Handling device heterogeneity in Wi-Fi based indoor positioning systems
Soro et al. Performance comparison of indoor fingerprinting techniques based on artificial neural network
Subakti et al. Indoor Localization with Fingerprint Feature Extraction
Borenović et al. Space partitioning strategies for indoor WLAN positioning with cascade-connected ANN structures
Cheerla et al. RSS based Wi-Fi positioning method using multi layer neural networks
CN115426712A (zh) 一种基于深度学习的wifi精确鲁棒室内定位方法
Li et al. Cramér-Rao Bound analysis of Wi-Fi indoor localization using fingerprint and assistant nodes

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