CN117858007A - 融合强化和联合学习的无线多基站定位网络优化方法 - Google Patents
融合强化和联合学习的无线多基站定位网络优化方法 Download PDFInfo
- Publication number
- CN117858007A CN117858007A CN202410258708.0A CN202410258708A CN117858007A CN 117858007 A CN117858007 A CN 117858007A CN 202410258708 A CN202410258708 A CN 202410258708A CN 117858007 A CN117858007 A CN 117858007A
- Authority
- CN
- China
- Prior art keywords
- base station
- positioning
- parameters
- model
- optimized
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002787 reinforcement Effects 0.000 title claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000002441 reversible effect Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 9
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了融合强化和联合学习的无线多基站定位网络优化方法,包括:S1:采集不同优化基站状态变换前后的共同特征数据、个性特征数据,利用偏最小二乘法拟合线性模型,交叉验证直至达到最大交叉协方差,迭代优化得到公共特征线性模型;S2:根据优化基站部署参数、优化基站参数选择相似基站,并构建基站公共模型;S3:将公共特征线性模型引入基站公共模型,根据其他基站的定位终端性能数据判断是否需要引入个性特征模型至其他基站,若定位终端性能数据获得提升,则引入,否则,不引入。本发明构建基站的公共特征线性模型,引入基站公共模型使得基站之间可以进行迁移学习,并通过个性特征模型优化其他基站,提升总体基站定位网络的定位精准度。
Description
技术领域
本发明涉及无线多基站定位网络优化领域,具体涉及融合强化和联合学习的无线多基站定位网络优化方法。
背景技术
无线多基站定位网络(如UWB精准定位***)由大量无线定位基站构成,多个基站覆盖一个无线多基站定位小区,通过多基站同时测量定位终端到多个已知基站的距离计算定位终端的位置以提供定位服务。
在小区基站进行小区终端定位的实际应用场景中,由于单个小区的探索次数非常有限,每个小区仅利用自身探索到的数据(小区定位终端到每个定位基站的信道质量、定位精度等)无法获得性能更优的定位网络参数,从而会导致基站定位网络在进行终端定位时精准度较低的问题。
发明内容
本发明的目的在于提供融合强化和联合学习的无线多基站定位网络优化方法,利用优化基站的共同特征数据、个性特征数据构建公共特征线性模型,并寻找具有相似特征的定位基站,并将其所在的定位基站区域构建成基站公共模型,引入公共特征线性模型至基站公共模型进行小区之间基站定位特征参数的迁移学习,提高相似基站定位区域的基站定位网络性能从而提高终端的定位精准度。
本发明为实现上述目的所采用的技术方案是:融合强化和联合学习的无线多基站定位网络优化方法,包括:
S1:采集不同优化基站状态变换前后的共同特征数据、个性特征数据,利用偏最小二乘法拟合所述共同特征数据到所述个性特征数据的线性模型,交叉验证所述线性模型直至达到最大交叉协方差,迭代优化得到公共特征线性模型;
S2:获取所述优化基站的优化基站部署参数、优化基站参数,根据所述优化基站部署参数、所述优化基站参数选择相似基站区域,并构建基站公共模型;
S3:将所述公共特征线性模型引入所述基站公共模型,根据其他基站的定位终端性能数据判断是否需要引入个性特征模型至所述其他基站,若所述定位终端性能数据获得提升,则引入,否则,不引入。
进一步的,步骤S3包括:所述个性特征数据包括所述优化基站所在区域的频率间隔,利用遗传算法对所述频率间隔进行迭代优化,生成个性特征模型。
进一步的,步骤S2包括:获取待处理定位网络中定位基站区域的定位基站部署参数、定位基站参数,比对所述定位基站部署参数与所述优化基站部署参数的部署相似度,预设部署相似度阈值,若所述部署相似度达到所述部署相似度阈值,则判断所述定位基站参数的基站参数相似度,否则,不判断。
进一步的,则判断所述定位基站参数的基站参数相似度包括:比对所述定位基站参数与所述优化基站参数的基站参数相似度,预设基站参数相似度阈值,若所述基站参数相似度达到所述基站参数相似度阈值,则定义所述定位基站区域为相似基站区域,构建所述相似基站区域得到基站公共模型。
进一步的,步骤S1包括:对共同特征数据、个性特征数据进行数据预处理,计算线性模型的残差,将残差作为新的个性特征数据进行下一轮迭代。
进一步的,步骤S1还包括:构建无线多基站定位可逆神经网络模型,输入待测基站的待测基站参数至无线多基站定位可逆神经网络模型,计算待测基站的观察点分值,迭代优化至达到预设观察点分值,得到优化基站参数,生成优化基站。
进一步的,输入历史基站参数至可逆神经网络模型,通过训练定位终端性能奖惩函数迭代优化生成无线多基站定位可逆神经网络模型。
进一步的,根据如下公式1计算观察点分值:
公式1
其中,代表观察点分值,/>代表时间片,i代表优化基站,j代表评估点,k代表距离优化基站的距离最近的前m个评估点的计数,/>代表优化基站在某个时间片的由评估点给出的观察值,/>代表归一化后的观察值。
进一步的,根据合格拓扑基站部署图对所述优化基站进行位置调整,所述合格拓扑基站部署图包括:基站的历史基站参数、小区定位终端的历史定位数据,历史基站参数包括历史频率点、历史发射功率、历史波瓣方向,历史定位数据包括历史定位精度、历史定位可靠性。
进一步的,获取小区评估参数、小区基站数量、邻近基站干扰值,利用多臂***算法对小区评估参数进行迭代优化,直至达到预设小区参数,得到合格小区参数,根据合格小区参数、小区基站数量设置基站坐标,根据邻近基站干扰值对基站坐标进行调整,直至达到预设邻近基站干扰阈值,得到合格基站坐标,生成合格拓扑基站部署图。
本发明的有益之处在于:通过采集不同优化基站的基站状态变换前后的共同特征数据、个性特征数据,利用最小二乘法构建线性模型并选择具有最大交叉协方差的线性模型,得到公共特征线性模型,迭代优化线性模型可以获得具有较好数据一致性的共性特征(即为公共特征)的公共特征线性模型,再根据优化基站的优化基站部署参数、优化基站参数选择具有相似特征的基站,将选择到的所有相似基站所在的相似基站区域构建成基站公共模型,导入公共特征线性模型至基站公共模型,使得相似基站之间的基站定位特征参数可以迁移学习得到优化,从而使得基站公共模型的定位终端性能得到提升,最后根据其他基站的定位终端性能数据的反馈情况,决定是否需要再引入个性特征模型对其他基站进行个性特征的优化,如果引入该个性特征模型能够进一步提升其他基站的定位终端性能,则引入,否则,不引入,除了对相似基站区域的基站进行优化以外,还根据具体情况对其他基站进行个性特征的优化,最终可以提高总体基站定位网络性能使得基站定位网络的终端定位精准度更高。
附图说明
图1为本申请融合强化和联合学习的无线多基站定位网络优化方法的总体流程图;
图2为本申请无线多基站定位网络优化场景图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1、图2所示,图1为本申请融合强化和联合学习的无线多基站定位网络优化方法的总体流程图,图2为本申请无线多基站定位网络优化场景图。
S1:采集不同优化基站状态变换前后的共同特征数据、个性特征数据,利用偏最小二乘法拟合所述共同特征数据到所述个性特征数据的线性模型,交叉验证所述线性模型直至达到最大交叉协方差,迭代优化得到公共特征线性模型。
具体的,利用可逆神经网络模型构建无线多基站定位可逆神经网络模型,获取基站参数,基站的参数包括频率点、发射功率、波瓣方向(仰角,方位角)、波瓣宽度(发射角)、天线仰角、坐标(水平位置,高度)、时隙、冲突检测方式,定位终端获取定位的性能数据,通过可逆神经网络模型训练终端性能奖惩函数,迭代优化得到优化基站参数,生成无线多基站定位可逆神经网络模型,输入待测基站的待测基站参数至无线多基站定位可逆神经网络模型,计算待测基站的观察点分值,迭代优化至达到预设观察点分值,得到优化基站参数,生成优化基站。
具体的,在一个具有N个定位基站的网络中,这些基站部署在三维空间,根据如下公式1计算待测基站的观察点分值:
公式1
其中,代表观察点分值,t代表时间片(基站有T个时间槽. 时间片t(t∈{1,2,… T})),i代表优化基站,j代表评估点(评估点j(j∈{1,2,…J})在某个时间片的参数lit是该评估点在三维空间中某个位置),k代表距离优化基站的距离最近的前m(一般为4个,可以根据情况增减)个评估点的计数,/>代表优化基站在某个时间片的由评估点给出的观察值,代表归一化后的观察值(基站i在时间t的由评估点j给观察值归一化性能函数)。
具体的,获取小区评估参数、小区无线业务办理数值、小区定位终端数值、小区基站数量、邻近基站干扰值,小区评估参数包括基站覆盖范围、小区定位终端分布情况、小区周围信号干扰因素分布情况,计算小区无线业务办理数值与小区定位终端数值之和,得到小区终端总值,根据小区终端总值设置小区基站数量,利用多臂***算法对小区评估参数进行迭代优化,直至达到预设小区参数,得到合格小区参数,根据合格小区参数、小区基站数量设置基站坐标,根据邻近基站干扰值对基站坐标进行调整,直至达到预设邻近基站干扰阈值,得到合格基站坐标,生成合格拓扑基站部署图。
具体的,根据合格拓扑基站部署图对优化基站进行位置调整,合格拓扑基站部署图包括:基站的历史基站参数、小区定位终端的历史定位数据,历史基站参数包括历史频率点、历史发射功率、历史波瓣方向,历史定位数据包括历史定位精度、历史定位可靠性。
具体的,调整完毕优化基站后,采集当前区域的不同优化基站的共同特征数据、个性特征数据,首先确定优化基站特征数据采集的时间范围、当前优化基站所在的采集区域,研究区域的大小和地形等因素,确定一定数量的数据采集点,采集到具有代表性的数据,可通过实地考察、问卷调查、仪器测量等方式在指定的时间和地点进行数据采集,将采集到的数据进行整理和分析,可以采用统计分析、聚类分析、关联规则挖掘等方法进行数据分析,提取出基站状态变换前后的共同特征数据和个性特征数据,对共同特征数据、个性特征数据进行数据预处理,检查数据中是否存在异常值、缺失值或重复值。对这些数据进行处理,如填充缺失值、删除重复值或修正异常值。
具体的,共性特征是不受具体定位区域中特定因素影响的测试结果。比如特定的干扰源、障碍物,测试时临时出现的障碍物如途径的车辆等。
具体的,利用偏最小二乘法对共同特征数据、个性特征数据进行中心化(减去均值),构建共同特征数据、个性特征数据的相关系数矩阵,通过最小二乘法拟合共同特征数据到个性特征数据的线性模型,利用相关系数矩阵得到与个性特征数据最相关的共同特征数据子集,计算线性模型的残差,迭代优化线性模型,其中,残差作为新的个性特征数据进行下一轮迭代,通过交叉验证迭代优化后的模型,将原始共同特征数据、原始个性特征数据分为训练集和测试集,利用训练集拟合模型,然后将模型应用到测试集上,计算模型输出和测试集真实值之间的协方差,选择具有最大交叉协方差的模型,得到数据一致性较好的共性特征,即公共特征,生成公共特征线性模型。
S2:获取所述优化基站的优化基站部署参数、优化基站参数,根据所述优化基站部署参数、所述优化基站参数选择相似基站区域,并构建基站公共模型。
具体的,首先获取优化基站的优化基站部署参数、优化基站参数,优化基站部署参数包括:优化基站的位置布设坐标、优化基站方位角,优化基站参数包括:优化基站的数量和优化基站的位置,再获取待处理定位网络中定位基站的定位基站部署参数、定位基站参数,定位基站部署参数包括:基站的位置布设坐标、基站方位角,定位基站参数包括:基站的数量和基站的位置,比对定位基站部署参数与优化基站部署参数的部署相似度,预设部署相似度阈值(80%),若部署相似度达到部署相似度阈值,则进一步判断定位基站参数的基站参数相似度,否则,不判断,比对定位基站参数与优化基站参数的基站参数相似度,预设基站参数相似度阈值(80%),若基站参数相似度达到基站参数相似度阈值,则定义定位基站为相似基站,比对完毕后将同时达到预设的部署相似度阈值、基站参数相似度阈值的所有相似基站所在的区域构建成基站公共模型。
S3:将所述公共特征线性模型引入所述基站公共模型,根据其他基站的定位终端性能数据判断是否需要引入个性特征模型至所述其他基站,若所述定位终端性能数据获得提升,则引入,否则,不引入。
具体的,将公共特征线性模型引入基站公共模型的所有相似基站中,调整优化这些相似基站的基站特征参数,得到一组具有公共特征的基站,作为公共特征提升基站组,将其他不是相似基站的基站分为另一组,作为个性特征提升基站组,共同特征优化结束后,根据定位终端性能数据判断是否需要将个性特征模型引入个性特征提升基站组,个性特征数据包括基站所在区域的频率间隔,利用遗传算法对频率间隔进行迭代优化,生成个性特征模型,同时对参数调整的方法进行评分,评分为获取定位终端性能的数据反馈,性能数据是定位终端的性能体现,包括定位精度、时延、覆盖等,若反馈好,则引入,否则,不引入。
具体的,可选择两种方式选择最终是否要引入个性特征模型,第一种方式:若引入个性特征模型,获取基站公共模型的定位终端性能数据,若基站公共模型的定位终端性能数据下降,则取消引入,若基站公共模型的定位终端性能数据不变或提升,则不取消引入,第二种方式:若引入个性特征模型,获取基站公共模型的定位终端性能数据,若基站公共模型的定位终端性能数据下降程度与个性特征提升基站组的定位终端性能数据上升程度平衡、基站公共模型的定位终端性能数据不变或提升,则引入,否则,取消引入。
以上实施例的各技术特征可以进行任意的组合,各方法步骤也并不做执行顺序的限制,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (10)
1.融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,包括:
S1:采集不同优化基站状态变换前后的共同特征数据、个性特征数据,利用偏最小二乘法拟合所述共同特征数据到所述个性特征数据的线性模型,交叉验证所述线性模型直至达到最大交叉协方差,迭代优化得到公共特征线性模型;
S2:获取所述优化基站的优化基站部署参数、优化基站参数,根据所述优化基站部署参数、所述优化基站参数选择相似基站区域,并构建基站公共模型;
S3:将所述公共特征线性模型引入所述基站公共模型,根据其他基站的定位终端性能数据判断是否需要引入个性特征模型至所述其他基站,若所述定位终端性能数据获得提升,则引入,否则,不引入。
2.根据权利要求1的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,步骤S3包括:所述个性特征数据包括所述优化基站所在区域的频率间隔,利用遗传算法对所述频率间隔进行迭代优化,生成个性特征模型。
3.根据权利要求1的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,步骤S2包括:获取待处理定位网络中定位基站区域的定位基站部署参数、定位基站参数,比对所述定位基站部署参数与所述优化基站部署参数的部署相似度,预设部署相似度阈值,若所述部署相似度达到所述部署相似度阈值,则判断所述定位基站参数的基站参数相似度,否则,不判断。
4.根据权利要求3的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,则判断所述定位基站参数的基站参数相似度包括:比对所述定位基站参数与所述优化基站参数的基站参数相似度,预设基站参数相似度阈值,若所述基站参数相似度达到所述基站参数相似度阈值,则定义所述定位基站区域为相似基站区域,构建所述相似基站区域得到基站公共模型。
5.根据权利要求1的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,步骤S1包括:对共同特征数据、个性特征数据进行数据预处理,计算线性模型的残差,将残差作为新的个性特征数据进行下一轮迭代。
6.根据权利要求1的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,步骤S1还包括:构建无线多基站定位可逆神经网络模型,输入待测基站的待测基站参数至无线多基站定位可逆神经网络模型,计算待测基站的观察点分值,迭代优化至达到预设观察点分值,得到优化基站参数,生成优化基站。
7.根据权利要求6的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,输入历史基站参数至可逆神经网络模型,通过训练定位终端性能奖惩函数迭代优化生成无线多基站定位可逆神经网络模型。
8.根据权利要求6的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,根据如下公式1计算观察点分值:
公式1
其中,代表观察点分值,/>代表时间片,i代表优化基站,j代表评估点,k代表距离优化基站的距离最近的前m个评估点的计数,/>代表优化基站在某个时间片的由评估点给出的观察值,/>代表归一化后的观察值。
9.根据权利要求6的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,根据合格拓扑基站部署图对所述优化基站进行位置调整,所述合格拓扑基站部署图包括:基站的历史基站参数、小区定位终端的历史定位数据,历史基站参数包括历史频率点、历史发射功率、历史波瓣方向,历史定位数据包括历史定位精度、历史定位可靠性。
10.根据权利要求9的融合强化和联合学习的无线多基站定位网络优化方法,其特征在于,获取小区评估参数、小区基站数量、邻近基站干扰值,利用多臂***算法对小区评估参数进行迭代优化,直至达到预设小区参数,得到合格小区参数,根据合格小区参数、小区基站数量设置基站坐标,根据邻近基站干扰值对基站坐标进行调整,直至达到预设邻近基站干扰阈值,得到合格基站坐标,生成合格拓扑基站部署图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410258708.0A CN117858007B (zh) | 2024-03-07 | 2024-03-07 | 融合强化和联合学习的无线多基站定位网络优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410258708.0A CN117858007B (zh) | 2024-03-07 | 2024-03-07 | 融合强化和联合学习的无线多基站定位网络优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117858007A true CN117858007A (zh) | 2024-04-09 |
CN117858007B CN117858007B (zh) | 2024-05-10 |
Family
ID=90531576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410258708.0A Active CN117858007B (zh) | 2024-03-07 | 2024-03-07 | 融合强化和联合学习的无线多基站定位网络优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117858007B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030146871A1 (en) * | 1998-11-24 | 2003-08-07 | Tracbeam Llc | Wireless location using signal direction and time difference of arrival |
CN102118887A (zh) * | 2010-01-05 | 2011-07-06 | 中兴通讯股份有限公司 | 一种动态管理小区数据的方法、装置及*** |
CN102970746A (zh) * | 2012-11-02 | 2013-03-13 | 江苏学府医疗科技有限公司 | 一种单基站异构网络环境下的遗传定位算法 |
CN111756848A (zh) * | 2020-06-28 | 2020-10-09 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
CN112818596A (zh) * | 2021-01-29 | 2021-05-18 | 广东振子电子科技有限公司 | 一种智能干扰识别定位方法及其*** |
CN112913274A (zh) * | 2018-09-06 | 2021-06-04 | 诺基亚技术有限公司 | 用于自组织网络的优化的过程 |
CN113873434A (zh) * | 2021-08-27 | 2021-12-31 | 北京邮电大学 | 面向通信网络热点区域容量增强的多空中基站部署方法 |
WO2023070381A1 (en) * | 2021-10-27 | 2023-05-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for deploying movable base station |
CN116324819A (zh) * | 2020-09-18 | 2023-06-23 | 谷歌有限责任公司 | 深度神经网络的用户设备协调集联邦学习 |
CN116390105A (zh) * | 2023-04-11 | 2023-07-04 | 北京航空航天大学 | 一种以服务可靠性为目标的移动基站动态选址优化方法 |
CN117349746A (zh) * | 2023-09-27 | 2024-01-05 | 赣州师范高等专科学校 | 一种基于伪标签迁移自监督学习的脑电信号情感分类方法 |
-
2024
- 2024-03-07 CN CN202410258708.0A patent/CN117858007B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030146871A1 (en) * | 1998-11-24 | 2003-08-07 | Tracbeam Llc | Wireless location using signal direction and time difference of arrival |
CN102118887A (zh) * | 2010-01-05 | 2011-07-06 | 中兴通讯股份有限公司 | 一种动态管理小区数据的方法、装置及*** |
CN102970746A (zh) * | 2012-11-02 | 2013-03-13 | 江苏学府医疗科技有限公司 | 一种单基站异构网络环境下的遗传定位算法 |
CN112913274A (zh) * | 2018-09-06 | 2021-06-04 | 诺基亚技术有限公司 | 用于自组织网络的优化的过程 |
CN111756848A (zh) * | 2020-06-28 | 2020-10-09 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
CN116324819A (zh) * | 2020-09-18 | 2023-06-23 | 谷歌有限责任公司 | 深度神经网络的用户设备协调集联邦学习 |
CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
CN112818596A (zh) * | 2021-01-29 | 2021-05-18 | 广东振子电子科技有限公司 | 一种智能干扰识别定位方法及其*** |
CN113873434A (zh) * | 2021-08-27 | 2021-12-31 | 北京邮电大学 | 面向通信网络热点区域容量增强的多空中基站部署方法 |
WO2023070381A1 (en) * | 2021-10-27 | 2023-05-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for deploying movable base station |
CN116390105A (zh) * | 2023-04-11 | 2023-07-04 | 北京航空航天大学 | 一种以服务可靠性为目标的移动基站动态选址优化方法 |
CN117349746A (zh) * | 2023-09-27 | 2024-01-05 | 赣州师范高等专科学校 | 一种基于伪标签迁移自监督学习的脑电信号情感分类方法 |
Non-Patent Citations (2)
Title |
---|
朱淑颖等: "基于无线通信基站的室内三维定位问题", 数学的实践与认识, no. 14, 23 July 2017 (2017-07-23) * |
阮凤立;安倩;王克己;李晓阳;: "室内定位中融合IMU的地图匹配算法研究与实现", 数字通信世界, no. 2, 15 October 2014 (2014-10-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117858007B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111327377B (zh) | 场强预测方法、装置、设备及存储介质 | |
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 | |
CN104703143B (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN104883734A (zh) | 一种基于地理指纹的室内被动定位方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
US8400358B2 (en) | Method to modify calibration data used to locate a mobile unit | |
CN109996279B (zh) | 过覆盖小区定位方法、装置、设备及介质 | |
CN1951027A (zh) | 无线网络里的位置确定和位置跟踪 | |
CN112135248A (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN102487516B (zh) | 利用路测数据进行自动小区规划优化的方法及装置 | |
CN112004233B (zh) | 一种基于大数据挖掘的网络规划方法 | |
CN105866732A (zh) | 一种改进mk模型和wknn算法相结合的混合室内定位方法 | |
CN117858007B (zh) | 融合强化和联合学习的无线多基站定位网络优化方法 | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
CN113133019A (zh) | 一种输出网络优化方案的方法 | |
Garah et al. | Particle swarm optimization for the path loss reduction in suburban and rural area | |
CN116885703B (zh) | 一种高维多元气象数据融合的短期风光功率预测方法 | |
CN111757257B (zh) | 一种克服设备差异的动态模糊匹配室内定位方法 | |
Guan et al. | Measuring uncertainty in signal fingerprinting with gaussian processes going deep | |
TWI593986B (zh) | 位置感知環境的製作系統及方法 | |
CN105744537A (zh) | 一种天线覆盖性能评估方法及装置 | |
Timoteo et al. | A hybrid machine learning approach for mobile user positioning in cellular networks | |
CN111491255B (zh) | 一种回填经纬度定位扩量方法、***及存储介质 | |
Sarkar et al. | RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation |
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 |