CN117641240A - 一种利用神经网络进行室内定位的方法和装置 - Google Patents

一种利用神经网络进行室内定位的方法和装置 Download PDF

Info

Publication number
CN117641240A
CN117641240A CN202311364195.3A CN202311364195A CN117641240A CN 117641240 A CN117641240 A CN 117641240A CN 202311364195 A CN202311364195 A CN 202311364195A CN 117641240 A CN117641240 A CN 117641240A
Authority
CN
China
Prior art keywords
neural network
stage
indoor positioning
time
classification
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
CN202311364195.3A
Other languages
English (en)
Inventor
王斌
王微
刘德生
龙真真
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.)
Zhongke Jingrui Suzhou Technology Co ltd
Original Assignee
Zhongke Jingrui Suzhou Technology Co ltd
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 Zhongke Jingrui Suzhou Technology Co ltd filed Critical Zhongke Jingrui Suzhou Technology Co ltd
Priority to CN202311364195.3A priority Critical patent/CN117641240A/zh
Publication of CN117641240A publication Critical patent/CN117641240A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种利用神经网络进行室内定位的方法和装置，包括S1：特征构建阶段：每个AOI存在固定的AP和固定数量的RP，每个RPi在物理位置(Xi,Yi)对应的指纹向量f＝{Fi1,Fi2,Fi3...FiN}作为CNN网络的输入，Fij(1<＝j<＝N)就是RPi的第j个特征(Feature)。该利用神经网络进行室内定位的方法和装置，利用运动序列在CNN通过模型进行分类预测，结合时间序列和位置的关系，用RNN模型预测目标的未来运动轨迹；其次是两个主要模型的输入特征的构建方式，同时本发明中的模型参数可以根据实际情况调整，按不同的分类构建位置变化概率分布表，并以此获得更好的效果。

Description

一种利用神经网络进行室内定位的方法和装置
技术领域
本发明涉及室内定位技术领域，具体为一种利用神经网络进行室内定位的方法和装置。
背景技术
室内定位是指在室内环境中实现位置定位，主要采用无线通讯、基站定位、惯导定位、动作捕捉等多种技术集成形成一套室内位置定位体系，从而实现人员、物体等在室内空间中的位置监控，室内定位技术主要分基站定位和惯导定位两种服务商。基站定位服务商主要有：谷歌、诺基亚、TI、苹果、高德、百度等采用WIFI定位，一般来说，利用WiFi信号作为特征的室内定位有两个主要方法：基于模型和基于WIFI指纹的方法。前者利用传播接收信号形式的无线信号模型强度、飞行时间到达角之类构建模型，进行预测，后者考虑物理WiFi的可测量属性，利用离散的空间点不同指纹或签名以区分位置，现有的由于室内WiFi信号一般具有大幅波动，很难获得准确的传播模型，所以一般选用指纹识别的方法。
现有的指纹方法中，接收到的信号强度指示器被广泛用作本地化中的功能，因为RSSI可以从大多数WiFi接收器轻松获得，例如各种手机，但是RSSI的方法有一些明显的缺点，由于信号多路径衰减导致的不稳定性，以及由于结构的个体差异，不同器件即使在相同位置也具有不同的RSSI,需要结合其他的方法才能保证定位的准确性，针对上述问题，需要对现有的室内定位的方法进行改进。
发明内容
本发明的目的在于提供一种利用神经网络进行室内定位的方法和装置，以解决上述背景技术中提出的现有的指纹方法中，接收到的信号强度指示器被广泛用作本地化中的功能，因为RSSI可以从大多数WiFi接收器轻松获得，例如各种手机，但是RSSI的方法有一些明显的缺点，由于信号多路径衰减导致的不稳定性，以及由于结构的个体差异，不同器件即使在相同位置也具有不同的RSSI,需要结合其他的方法才能保证定位的准确性的问题。
为实现上述目的，本发明提供如下技术方案：一种利用神经网络进行室内定位的方法和装置，包括S1：特征构建阶段：
每个AOI存在固定的AP和固定数量的RP，每个RPi在物理位置(Xi,Yi)对应的指纹向量f＝{Fi1,Fi2,Fi3...FiN}作为CNN网络的输入，N是所有AP上的有效的RSSI的总数，编码顺序固定，Fij(1<＝j<＝N)就是RPi的第j个特征(Feature)，第二个LSTM的网络的输入特征f＝{Fi1,Fi2,Fi3...FiN，C}，其中C是分类，为CNN网络的输出；
S2：样本生成阶段：
按照时间序列和运动路径，生成样本序列，之后进行数据清洗；
S3：确定分类阶段：
利用卷积神经网络，对个体进行分类，因为不同的类别，运动轨迹，运动速度都会有差异，先确定个体分类，这样对于后续的预测提供了依据；
S4：网络训练阶段：
分类网络主要采用卷积神经网络(CNN)，激活函数采用Relu或者其他，BN层根据情况选取；
S5：预测阶段：
按照相应的时间序列，作为RNN网络的输入，类别影响值的生成，例如某个类别的最大速度是V，那么T时刻距离T-1时刻的最大距离差异，就大于一个固定的值，物体移动速度不超过最大速度，基于此生成路径。
优选的，所述S1阶段跟其他RSSI方案的步骤类似分为离线和在线两个步骤，离线步骤每个预定义的RP的RSSI读数保存在数据库，在线步骤根据RSSI读数进行位置推理。
优选的，所述S4阶段的CNN分类网络的损失函数采用交叉熵，优化器采用Adam，输入的宽度是特征总数J，高度是固定的时间序列。
优选的，所述S4阶段采用64个时间序列，Channel为8，其主要是为了体现出Channel数量，实际操作可以选择1，CNN一般用于图像处理，Channel一般是选择3，对应图像的RGB通道数量。
优选的，所述S5阶段的RNN损失函数，由于输入和输出都是一个序列，那么定义如下：
其中，T是总的时间片(time step)长度，表示输出的序列长度是T，是模型输出,li是GT(Ground Truth)。
优选的，所述S5阶段每个分类，都按照固定间隔的时间序列，首先，点与点之间的真实物理距离，都是已知的，预先计算好，基于真实的值，P(li)作为下一个位置点的概率。Xpre和Ypre是之前时间点Li的位置坐标，dmax是根据分类，理论上下一时刻可能离Li最远的位置，分布可以采用高斯分布，所有距离Li的距离一样的点，下一个时间点被选中的概率都是一样的，这样来构建CDFmap。
优选的，所述S5阶段初始距离是通过测量后获得，由于物体的室内运动速度有限，△T时间间隔，最大移动距离是σ＝Vmax X△T，每个类别的移动速度不同，但是越近的点，下个时间间隔，到达的概率越大，构建初始的位置变换概率表，表中的数值表示下个时间段，位置变化的概率。
优选的，所述S5阶段CDF map表归一化之后的概率P(li)根据下面公式计算
其中(xpre,ypre)是li之前的位置，dmax是li和其他位置的最大可能距离，CDF表通过累每个li位置的P(li)获得，路径预测中，根据策略(具体策略选择，根据实际情况确定)选择一个随机数r，随机数在0-1之间，在CDF中选择最接近r的值作为下一个位置的预测值。
优选的，所述S5阶段不同的分类，会有不同的CDF，CDF最后的输出值，根据输出的序列，取设定长度T取滑动窗口内的平均值
一种利用神经网络进行室内定位的装置，包括：
生成模块，所述生成模块用于将获取的样本数据生成样本序列；
分类模块，所述分类模块用于对生成样本序列的数据进行分类存储，同时分类存储采用；
获取模块，所述获取模块用于获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应RSSI值。
与现有技术相比，本发明的有益效果是：该利用神经网络进行室内定位的方法和装置，
本发明先利用运动序列在CNN通过模型进行分类预测，之后根据分类，结合时间序列和位置的关系，用RNN模型预测目标的未来运动轨迹；其次本发明中的具体的模型参数可以根据实际情况调整，按不同的分类构建不同的位置变化概率分布表，并以此获得更好的效果，同时避免出现上述提到的由于信号多路径衰减导致的不稳定性，以及由于结构的个体差异，不同器件即使在相同位置也具有不同的RSSI,而导致的定位的准确性较低的问题。
附图说明
图1为本发明S1-S5之间的控制关系工作流程示意图；
图2为本发明S1内部的控制关系工作流程示意图；
图3为本发明S5阶段的位置变化概率分布表；
图4为本发明S5阶段的RNN网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-4，本发明提供一种技术方案：一种利用神经网络进行室内定位的方法，包括以下具体步骤：
实施例一
S1：特征构建阶段：
每个AOI存在固定的AP和固定数量的RP，每个RPi在物理位置(Xi,Yi)对应的指纹向量f＝{Fi1,Fi2,Fi3...FiN}作为CNN网络的输入，N是所有AP上的有效的RSSI的总数，编码顺序固定，Fij(1<＝j<＝N)就是RPi的第j个特征(Feature)，第二个LSTM的网络的输入特征f＝{Fi1,Fi2,Fi3...FiN，C}，其中C是分类，为CNN网络的输出；
所述S1阶段跟其他RSSI方案的步骤类似分为离线和在线两个步骤，离线步骤每个预定义的RP的RSSI读数保存在数据库，在线步骤根据RSSI读数进行位置推理，同时这个属于室内定位的常用步骤区分。
S2：样本生成阶段：
按照时间序列和运动路径，生成样本序列，之后进行数据清洗，数据清洗策略不是本案的重点，可以根据情况选择；
S3：确定分类阶段：
利用卷积神经网络，对个体进行分类，因为不同的类别，运动轨迹，运动速度都会有差异，先确定个体分类，这样对于后续的预测提供了依据；
S4：网络训练阶段：
分类网络主要采用卷积神经网络(CNN)，激活函数采用Relu或者其他，BN层根据情况选取；
所述S4阶段的CNN分类网络的损失函数采用交叉熵，优化器采用Adam，输入的宽度是特征总数J，高度是固定的时间序列。
所述S4阶段采用64个时间序列，Channel为8，其主要是为了体现出Channel数量，实际操作可以选择1，CNN一般用于图像处理，Channel一般是选择3，对应图像的RGB通道数量。
所述S5阶段的RNN损失函数，由于输入和输出都是一个序列，那么定义如下：
其中，T是总的时间片(time step)长度，表示输出的序列长度是T，是模型输出,li是GT(Ground Truth)。
S5：预测阶段：
按照相应的时间序列，作为RNN网络的输入，类别影响值的生成，例如某个类别的最大速度是V，那么T时刻距离T-1时刻的最大距离差异，就大于一个固定的值，物体移动速度不超过最大速度，基于此生成路径。
所述S5阶段每个分类，都按照固定间隔的时间序列，首先，点与点之间的真实物理距离，都是已知的，预先计算好，基于真实的值，P(li)作为下一个位置点的概率。Xpre和Ypre是之前时间点Li的位置坐标，dmax是根据分类，理论上下一时刻可能离Li最远的位置，分布可以采用高斯分布，所有距离Li的距离一样的点，下一个时间点被选中的概率都是一样的，这样来构建CDF map。
所述S5阶段初始距离是通过测量后获得，由于物体的室内运动速度有限，△T时间间隔，最大移动距离是σ＝Vmax X△T，每个类别的移动速度不同，但是越近的点，下个时间间隔，到达的概率越大，构建初始的位置变换概率表，表中的数值表示下个时间段，位置变化的概率。
所述S5阶段CDF map表归一化之后的概率P(li)根据下面公式计算
其中(xpre,ypre)是li之前的位置，dmax是li和其他位置的最大可能距离，CDF表通过累每个li位置的P(li)获得，路径预测中，根据策略(具体策略选择，根据实际情况确定)选择一个随机数r，随机数在0-1之间，在CDF中选择最接近r的值作为下一个位置的预测值。
所述S5阶段不同的分类，会有不同的CDF，CDF最后的输出值，根据输出的序列，取设定长度T取滑动窗口内的平均值
实施例二
本实施例为上述实施例的进一步描述应当理解本实施例包括前述全部技术特征并作进一步具体描述。
一种利用神经网络进行室内定位的装置，包括：
生成模块，所述生成模块用于将获取的样本数据生成样本序列；
分类模块，所述分类模块用于对生成样本序列的数据进行分类存储，同时分类存储采用；
获取模块，所述获取模块用于获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应RSSI值。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种利用神经网络进行室内定位的方法，包括以下具体步骤，其特征在于：
S1：特征构建阶段：
每个AOI存在固定的AP和固定数量的RP，每个RPi在物理位置(Xi,Yi)对应的指纹向量f＝{Fi1,Fi2,Fi3...FiN}作为CNN网络的输入，N是所有AP上的有效的RSSI的总数，编码顺序固定，Fij(1<＝j<＝N)就是RPi的第j个特征(Feature)，第二个LSTM的网络的输入特征f＝{Fi1,Fi2,Fi3...FiN，C}，其中C是分类，为CNN网络的输出；
S2：样本生成阶段：
按照时间序列和运动路径，生成样本序列，之后进行数据清洗；
S3：确定分类阶段：
利用卷积神经网络，对个体进行分类，因为不同的类别，运动轨迹，运动速度都会有差异，先确定个体分类，这样对于后续的预测提供了依据；
S4：网络训练阶段：
分类网络主要采用卷积神经网络(CNN)，激活函数采用Relu或者其他，BN层根据情况选取；
S5：预测阶段：
按照相应的时间序列，作为RNN网络的输入，类别影响值的生成，例如某个类别的最大速度是V，那么T时刻距离T-1时刻的最大距离差异，就大于一个固定的值，物体移动速度不超过最大速度，基于此生成路径。
2.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S1阶段跟其他RSSI方案的步骤类似分为离线和在线两个步骤，离线步骤的RP的RSSI读数保存在数据库，在线步骤根据RSSI读数进行位置推理。
3.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S4阶段的CNN分类网络的损失函数采用交叉熵，优化器采用Adam，输入的宽度是特征总数J，高度是固定的时间序列。
4.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S4阶段采用64个时间序列，Channel为8，其主要是为了体现出Channel数量，实际操作可以选择1，CNN一般用于图像处理，Channel一般是选择3，对应图像的RGB通道数量。
5.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段的RNN损失函数，由于输入和输出都是一个序列，那么定义如下：
其中，T是总的时间片(time step)长度，表示输出的序列长度是T，是模型输出,li是GT(Ground Truth)。
6.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段每个分类，都按照固定间隔的时间序列，首先，点与点之间的真实物理距离，都是已知的，预先计算好，基于真实的值，P(li)作为下一个位置点的概率。Xpre和Ypre是之前时间点Li的位置坐标，dmax是根据分类，理论上下一时刻可能离Li最远的位置，分布可以采用高斯分布，所有距离Li的距离一样的点，下一个时间点被选中的概率都是一样的，这样来构建CDF map(cumulative distribution function map)。
7.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段初始距离是通过测量后获得，由于物体的室内运动速度有限，△T时间间隔，最大移动距离是σ＝Vmax X△T，每个类别的移动速度不同，但是越近的点，下个时间间隔，到达的概率越大，构建初始的位置变换概率表，表中的数值表示下个时间段，位置变化的概率。
8.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段CDF map表归一化之后的概率P(li)根据下面公式计算
其中(xpre,ypre)是li之前的位置，dmax是li和其他位置的最大可能距离，CDF表通过累每个li位置的P(li)获得，路径预测中，根据策略(具体策略选择，根据实际情况确定)选择一个随机数r，随机数在0-1之间，在CDF中选择最接近r的值作为下一个位置的预测值。
9.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段不同的分类，会有不同的CDF，CDF最后的输出值，根据输出的序列，取设定长度T取滑动窗口内的平均值
10.一种利用神经网络进行室内定位的装置，其特征在于，包括：
生成模块，所述生成模块用于将获取的样本数据生成样本序列；
分类模块，所述分类模块用于对生成样本序列的数据进行分类存储，同时分类存储采用；
获取模块，所述获取模块用于获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应RSSI值。
CN202311364195.3A 2023-10-20 2023-10-20 一种利用神经网络进行室内定位的方法和装置 Pending CN117641240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311364195.3A CN117641240A (zh) 2023-10-20 2023-10-20 一种利用神经网络进行室内定位的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311364195.3A CN117641240A (zh) 2023-10-20 2023-10-20 一种利用神经网络进行室内定位的方法和装置

Publications (1)

Publication Number Publication Date
CN117641240A true CN117641240A (zh) 2024-03-01

Family

ID=90029385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311364195.3A Pending CN117641240A (zh) 2023-10-20 2023-10-20 一种利用神经网络进行室内定位的方法和装置

Country Status (1)

Country Link
CN (1) CN117641240A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118075873A (zh) * 2024-04-19 2024-05-24 浙江口碑网络技术有限公司 基于无线网络数据的定位方法、数据处理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118075873A (zh) * 2024-04-19 2024-05-24 浙江口碑网络技术有限公司 基于无线网络数据的定位方法、数据处理方法

Similar Documents

Publication Publication Date Title
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN107396322B (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
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN109275095B (zh) 一种基于蓝牙的室内定位***、定位设备和定位方法
CN101639527B (zh) 基于rss-p的k近邻模糊聚类wlan室内定位方法
CN106559749B (zh) 一种基于射频层析成像的多目标被动式定位方法
US11782120B2 (en) Methods and systems for low power wide area network localization
CN117641240A (zh) 一种利用神经网络进行室内定位的方法和装置
Han et al. A wireless fingerprint location method based on target tracking
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
Elesawi et al. Hierarchical multi-building and multi-floor indoor localization based on recurrent neural networks
CN113993172B (zh) 一种基于用户移动行为预测的超密集网络切换方法
Khassanov et al. Finer-level sequential wifi-based indoor localization
Yiu et al. Locating user equipments and access points using RSSI fingerprints: A Gaussian process approach
CN116432144B (zh) 一种基于载波通信的数据融合***
Hsu et al. An adaptive Wi-Fi indoor localisation scheme using deep learning
CN109831802B (zh) 基于支持向量机的预测数据包接收可能性的方法
CN109121081B (zh) 一种基于位置候选集与em算法的室内定位方法
Ali et al. A deep learning model implementation based on rssi fingerprinting for lora-based indoor localization
Guo et al. Indoor positioning optimization based on genetic algorithm and RBF neural network
CN109766969B (zh) 基于异步优势动作评价的rfid室内定位算法
Tarekegn et al. Reduce fingerprint construction for positioning IoT devices based on generative adversarial nets
CN113866716A (zh) 一种基于rssi加权近邻定位方法
Tarekegn et al. SRCLoc: Synthetic radio map construction method for fingerprinting outdoor localization in hybrid networks
CN112040408A (zh) 一种适用于监管场所的多目标精确智能定位跟踪方法

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