CN103634902A - 基于指纹聚类的新型室内定位方法 - Google Patents
基于指纹聚类的新型室内定位方法 Download PDFInfo
- Publication number
- CN103634902A CN103634902A CN201310547705.0A CN201310547705A CN103634902A CN 103634902 A CN103634902 A CN 103634902A CN 201310547705 A CN201310547705 A CN 201310547705A CN 103634902 A CN103634902 A CN 103634902A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- subset
- characteristic point
- steps
- cluster
- 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
Images
Abstract
本发明提供了一种基于指纹聚类的新型室内定位方法,包括了基于相似性传播聚类算法(Affinity Propagation Cluster)以及最近邻居法相结合的分层的室内定位方法。这种通过有效利用地理位置相近的室内位置的指纹所具有的相似性,给采集到的室内指纹信息做预分类处理,将指纹库中的指纹分为不同的子集;并进一步地通过分类后得到的有特点的指纹集合分层解算定位结果的方法,极高地缩短了定位解算所需的时间,同时保证了室内定位系统的精度及稳定性。
Description
技术领域
本发明涉及室内定位方法,具体涉及一种基于室内无线系统中指纹聚类匹配的室内定位方法。
背景技术
随着移动互联网技术的快速发展,智慧城市概念的提出和迅速普及,基于位置的服务(Location Based Service,LBS)受到越来越多的关注,在医疗保健、紧急救助、个性化信息传递等科技生活领域显示出巨大的活力。以智能终端为平台,基于WLAN的室内定位因为其能够以纯软件的方式实现,定位系统成本低等特点,成为近年来普适计算和位置感知领域的一个研究热点。WLAN热点服务的高覆盖率是保证精确室内外无缝定位技术实现的可能,这一点正好契合智慧城市无线网络全覆盖的需求,同时大型的超市,卖场WLAN热点的覆盖率也正在逐步上升。从目前针对室内定位的技术研究方向来说,主要是从指纹库的建立和定位匹配算法两个方面进行。主要由于WLAN热点的信号强度在室内的多径环境下的不稳定性导致的定位精度的下降以及指纹信息如何得到最大效用是广大研究人员所关注的重点。但是,实际的应用场景中仍然有这许多亟待解决的问题。比如说,如何高效地建立并维护指纹库,如何降低算法复杂度,提高响应速度,如何提高定位精度,以及如何解决在多用户情况下的高并发问题,这些都是室内定位技术走进应用所必须面临和解决的问题。
经对现有技术的文献检索发现,Chen Feng和Shahrokh Valaee于2010年在INFOCOM(International Conference on Computer Communications)发表了“Compressive Sensing Based Positioning Using RSS of WLAN AccessPoints”(2010年IEEE组织在通信网络领域的会议,《利用无线局域网的信号强度值的压缩感知定位方法》),提出了利用相似性传播聚类算法给指纹库分类,进一步使用压缩感知的算法进行定位匹配从而达到提升定位精度的目的。然而此方法具有定位过程复杂度较高,并且定位算法的响应时间较长等缺点,不能在保证精度的同时实现移动终端的实时定位功能,进而降低了用户的体验。
发明内容
本发明针对现有技术的不足,提出了一种基于指纹聚类的新型室内定位方法,包括了基于相似性传播聚类算法(Affinity Propagation Cluster)以及最近邻居法相结合的分层的室内定位方法。其采用相似性传播聚类算法来给指纹库进行预分类处理,并进一步地通过分类后得到的有特点的指纹集合分步解算定位结果的方法,极高地缩短了定位解算所需的时间,同时保证了室内定位系统的精度及稳定性。
根据本发明提供的基于指纹聚类的新型室内定位方法,其特征在于,包括如下步骤:
步骤A:指纹信息的采集和分类,得到分类的指纹子集以及每个子集中的特征指纹;采集工作后得到的定位目标区域中L个采集位置的指纹库f,f={f1,f2,f3,…,fL},利用指纹之间的相似性将指纹库中的指纹分为不同的子集;
步骤B:分类匹配,利用定位设备在定位请求时所采集的定位信息与指纹库中的分类后的各个分类中的代表特征指纹进行匹配,即重新计算得到定位信息和各个分类子集的相似度;
步骤C:定位匹配,利用步骤B中得到的定位信息和各个分类子集的相似度选取M个最佳分类子集中的指纹与定位信息进行定位匹配解算,得到最终定位结果。
优选地,通过相似性传播算法,利用指纹之间的相似性将指纹库中的指纹分为不同的子集,通过步骤A执行所述相似性传播算法,具体如下;
所述的步骤A包括如下步骤:
步骤A1:将s(i,j)定义为两个指纹间的“相似度”,具体为欧式距离的相反数,即s(i,j)=-||fi-fj||2,fi,fj分别表示指纹库f中位置i和位置j处的指纹值;定义“责任率”r(i,k)为指纹fi发送至潜在的特征点指纹fk,表示指纹fi在接收到来自其它点的信息后,认为指纹fk能够代表指纹fi的概率;定义“可用率”a(i,k)为由潜在的特征点指纹k发送至指纹fi,表示指纹fk在接收到来自其他点的信息后,认为能够作为指纹fi的特征点的概率;初始化a(i,k)=0;
步骤A2:迭代计算“责任率”和“可用率”;其中
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')}
其中,r(i,j)表示指纹fj对指纹fi的“责任率”,s(i,j)表示两个指纹fi,fj间的欧式距离的相反数,a(i,j')表示指纹fj'对指纹fi的“可用率”,s(i,j')表示指纹fj'与指纹fi间的“相似度”,a(i,j)表示指纹fj'对指纹fi的“可用率”,r(j,j)表示指纹fj作为特征点的可能性,r(i′,j)表示指纹fj对指纹fi'的“责任率”;
迭代最后得到的r(k,k)值即为所谓的“自责任率”,r(k,k)表示指纹fk作为特征点的可能性;当r(k,k)<0时,说明指纹fk更可能是选择另外一个指纹作为特征点,而不是自己作为特征点;r(k,k)>0时,说明指纹fk本身适合作为一个子集的特征点,对于指纹fi,有指纹fk使a(i,k)+r(i,k)取得最大值,那么如果i=k,则指纹fi就是一个特征点,如果i≠k那么指纹fk作为指纹fi的特征点;其中,a(i,k)表示指纹fk对指纹fi的“可用率”,r(i,k)表示指纹fk对指纹fi的“责任率”。
优选地,所述的步骤B包括如下步骤:
步骤B1:经过步骤A,指纹库中的指纹被分为N个子集,特征点指纹分别为{T1,T2,T3,…,TN},在每个子集中选出L个最能由特征点代表的指纹数据;即在每个子集中找出L个数据使得a(i,Tj)+r(i,Tj)最大,其中,a(i,Tj)表示特征点指纹指纹对指纹fi的“可用率”,r(i,Tj)表示特征点指纹对指纹fi的“责任率”;将这L*N个数据与新采集的定位信息f0组成一组新数据,对于这L*N+1个数据迭代地传递“责任率”和“可用率”这两条信息;因为r(i,j)代表的是数据j作为数据i特征点的可能性,所以在迭代结束后,根据“责任率”判断新指纹属于哪一个子集;设新数据编号m,迭代结束后找到指纹指纹数据fk,使得r(m,k)取最大,即可判定新指纹属于指纹fk所在的子集,其中,r(m,k)表示指纹fk对新指纹数据fm的“责任率”;
步骤B2:在指纹类匹配时,不仅仅是找到定位信息最有可能隶属于的那一个子集,而是找M个最有可能的子集,按照r(m,k)由大到小排列,组成集合Cluster_S。
优选地,所述的步骤C包括如下步骤:
步骤C1:根据步骤B得到的M个最匹配的指纹子集,计算得到最终的定位结果,为了区分不同子集的优先级,定义子集中的指纹具有权重w(f),其中,e为自然指数,C=M+1-n,n是在步骤B中,指纹f所在的子集在集合Cluster_S中的序号,M表示集合Cluster_S的子集个数,D(f,o)是定位信息和指纹f之间的欧式距离;
优选地,所述的步骤C还包括如下步骤:
步骤C2:在定位匹配过程中将匹配的指纹子集中的指纹进行加窗的操作,窗的大小为s*s个位置区域,则每个窗口具有权重为W,其中,α是窗内的位置区域中属于M个最匹配的指纹子集中的指纹的个数,e为自然指数,Ci=M+1-n(i),n(i)表示位置区域中属于M个最匹配的指纹子集中的指纹fi所在子集在集合Cluster_S中的序号,Di表示指纹fi和定位信息之间的欧式距离。在计算得到最大权重的窗口之后,平均这个窗口内的匹配的所有指纹的地理位置,从而得到最终定位信息所在的定位结果。
与现有技术相比,本发明具有如下有益效果:
通过大量的计算机仿真以及实际实验证实,本发明中通过预先分类的指纹库,利用分类匹配以及室内匹配算法分步解算定位结果的方法,能够明显地缩短定位解算的开销以及定位解算的反应时间,该方法不仅能够提升定位精度,同时低复杂度的计算处理以及高效的解算方法使在移动终端上的实时室内定位成为可能。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是采用基于指纹聚类的新型室内定位方法的总体架构;
图2是指纹库的聚类结果以及定位信息的结构示意图;
图3是具体实例的室内环境下建立的指纹库的指纹聚类结果;
图4是具体实例中分别在第二步匹配过程中使用最接近的1-5个指纹类子集进行定位结果的解算,定位结果的精度示意图;
图4中:柱状图从左向右的分别对应M值为1-5的定位结果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,室内定位系统分为离线模式和在线模式。离线模式下主要工作为建立目标定位区域的指纹数据库。通过在目标定位区域中预先设定的各个采样点上的指纹信息采集并记录到数据库中。进一步地,通过利用地理位置相近的室内位置的指纹所具有的相似性,给采集到的室内指纹信息做预分类处理,将指纹库中的指纹分为不同的子集;相似性传播算法中,认为所有指纹之间存在一定的相似关系,通过在各对指纹之间传播信息,实现将关系紧密的指纹归为一类的目的。相似性传播算法的特点在于,它不需要随机地选取初始特征点,而是假设所有的指纹都有可能被选为特征点。每个指纹都被看作网络中的节点,在聚类过程中,各个节点之间相互传递信息,这些信息反映了每个指纹作为特征点的可能性和它属于某个类的可能性。经过多次反复迭代的传递这些信息,最终选出特征点并实现指纹聚类。
图3展示了在实验楼一楼(包括走廊、教室和楼梯)的室内环境下建立的指纹库的指纹聚类结果。从图中可以看出,基于相似性传播的指纹聚类方法能够很好地在地里位置上将相似特点的位置点聚为一类,同时能够将有明显差异的位置点分为两类。图中三间教室分别被分为三类,而走廊根据地理环境因素的变化被分为八类。在线模式下通过初步定为能够迅速将定位结果锁定在与定位信息相似性最高的若干个指纹子集中。
图1中还示意了室内定位系统的在线模式。在线模式下,在测试位置点上,由智能终端实时测量得到当前扫描到的所有WLAN热点信号强度信息,这条信息即作为定位信息,通过将定位信息与现有的各个子集相匹配,判断出这条指纹最有可能属于哪一个子集或是哪些子集,然后再利用匹配选中子集中的指纹进一步估算出用户的具体位置。这样做一方面可以提高定位精度,避免与新指纹差异较大的指纹干扰定位结果,同时有效地减小了运算量,让指纹库中部分指纹而不是所有指纹参与定位运算,加快了系统响应速度。
在仿真以及实验过程中,我们分别在第二步匹配过程中使用最接近的1-5个指纹类子集进行定位结果的解算,定位结果的精度如图4所示。同时,为了能够得到更好地定位精度,我们在第二步定位匹配过程中将匹配的指纹子集中的指纹进行了加窗的操作,即确保与定位信息相似的指纹位置也能够尽可能的集中在一起。
进一步的,详细的定位统计结果可以由表1得到。表1是不同定位方法下定位结果的最大误差距离,平均误差距离,误差距离低于5m的概率,误差距离低于2m的概率以及定位解算所需的时间。从表中可以看出,使用本发明提出的定位解算方法(MMC-KNN,KNN combined with M Matching Clusters)相对于传统的KNN定位方法能够大幅降低定位解算所需的反应时间,并且同时在定位精度上也有不少的性能提升,加窗的操作也能够进一步提升定位性能,但会稍微增加定位解算的所需时间。
表1
更为具体地,在本发明的一个优选例中,本发明是通过以下技术方案实现的,本发明包括以下步骤:
第一步:离线模式下,建立目标定位区域的指纹数据库。通过在目标定为区域中预先设定的各个采样点上的指纹信息采集并记录到数据库中。进一步地,通过利用地理位置相近的室内位置的指纹所具有的相似性,并结合相似性传播算法给采集到的室内指纹信息做预分类处理,将指纹库中的指纹分为不同的子集;
第二步:在线模式下,在测试位置点上,由智能终端实时测量得到当前扫描到的所有WLAN热点信号强度信息,这条信息即作为定位信息,通过将定位信息与现有的各个子集的特征指纹一起,再次使用相似性传播算法,判断出这条指纹最有可能属于哪一个子集或是哪些子集,通过计算得到的“Responsibility(责任率)”,选出M个最有可能的指纹子集。
第三步,利用在第二步中得到的M个最匹配的指纹子集中的指纹针对定位信息进行匹配,匹配时采用最小邻居算法,计算传入的采集点指纹数据与指纹数据库中的参考点指纹数据之间的距离后进行排序,取出最小的K个距离后得到相应的K个相似数据点,由K个相似数据点进行平均,得到最后的位置信息估计,完成定位过程。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (5)
1.一种基于指纹聚类的新型室内定位方法,其特征在于,包括如下步骤:
步骤A:指纹信息的采集和分类,得到分类的指纹子集以及每个子集中的特征指纹;采集工作后得到的定位目标区域中L个采集位置的指纹库f,f={f1,f2,f3,…,fL},利用指纹之间的相似性将指纹库中的指纹分为不同的子集;
步骤B:分类匹配,利用定位设备在定位请求时所采集的定位信息与指纹库中的分类后的各个分类中的代表特征指纹进行匹配,即重新计算得到定位信息和各个分类子集的相似度;
步骤C:定位匹配,利用步骤B中得到的定位信息和各个分类子集的相似度选取M个最佳分类子集中的指纹与定位信息进行定位匹配解算,得到最终定位结果。
2.根据权利要求1所述的基于指纹聚类的新型室内定位方法,其特征在于,通过相似性传播算法,利用指纹之间的相似性将指纹库中的指纹分为不同的子集,通过步骤A执行所述相似性传播算法,具体如下;
所述的步骤A包括如下步骤:
步骤A1:将s(i,j)定义为两个指纹间的相似度,具体为欧式距离的相反数,即s(i,j)=-||fi-fj||2,fi,fj分别表示指纹库f中位置i和位置j处的指纹值;定义责任率r(i,k)为指纹fi发送至潜在的特征点指纹fk,表示指纹fi在接收到来自其它点的信息后,认为指纹fk能够代表指纹fi的概率;定义可用率a(i,k)为由潜在的特征点指纹k发送至指纹fi,表示指纹fk在接收到来自其他点的信息后,认为能够作为指纹fi的特征点的概率;初始化a(i,k)=0;
步骤A2:迭代计算责任率和可用率;其中
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')}
其中,r(i,j)表示指纹fj对指纹fi的责任率,s(i,j)表示两个指纹fi,fj间的欧式距离的相反数,a(i,j')表示指纹fj'对指纹fi的可用率,s(i,j')表示指纹fj'与指纹fi间的相似度,a(i,j)表示指纹fj'对指纹fi的可用率,r(j,j)表示指纹fj作为特征点的可能性,r(i′,j)表示指纹fj对指纹fi'的责任率;
迭代最后得到的r(k,k)值即为自责任率,r(k,k)表示指纹fk作为特征点的可能性;当r(k,k)<0时,说明指纹fk更可能是选择另外一个指纹作为特征点,而不是自己作为特征点;r(k,k)>0时,说明指纹fk本身适合作为一个子集的特征点,对于指纹fi,有指纹fk使a(i,k)+r(i,k)取得最大值,那么如果i=k,则指纹fi就是一个特征点,如果i≠k那么指纹fk作为指纹fi的特征点;其中,a(i,k)表示指纹fk对指纹fi的可用率,r(i,k)表示指纹fk对指纹fi的责任率。
3.根据权利要求2所述的基于指纹聚类的新型室内定位方法,其特征在于,所述的步骤B包括如下步骤:
步骤B1:经过步骤A,指纹库中的指纹被分为N个子集,特征点指纹分别为{T1,T2,T3,…,TN},在每个子集中选出L个最能由特征点代表的指纹数据;即在每个子集中找出L个数据使得a(i,Tj)+r(i,Tj)最大,其中,a(i,Tj)表示特征点指纹指纹对指纹fi的可用率,r(i,Tj)表示特征点指纹对指纹fi的责任率;将这L*N个数据与新采集的定位信息f0组成一组新数据,对于这L*N+1个数据迭代地传递责任率和可用率这两条信息;因为r(i,j)代表的是数据j作为数据i特征点的可能性,所以在迭代结束后,根据责任率判断新指纹属于哪一个子集;设新数据编号m,迭代结束后找到指纹指纹数据fk,使得r(m,k)取最大,即可判定新指纹属于指纹fk所在的子集,其中,r(m,k)表示指纹fk对新指纹数据fm的责任率;
步骤B2:在指纹类匹配时,不仅仅是找到定位信息最有可能隶属于的那一个子集,而是找M个最有可能的子集,按照r(m,k)由大到小排列,组成集合Cluster_S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310547705.0A CN103634902B (zh) | 2013-11-06 | 2013-11-06 | 基于指纹聚类的新型室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310547705.0A CN103634902B (zh) | 2013-11-06 | 2013-11-06 | 基于指纹聚类的新型室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103634902A true CN103634902A (zh) | 2014-03-12 |
CN103634902B CN103634902B (zh) | 2017-02-08 |
Family
ID=50215410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310547705.0A Active CN103634902B (zh) | 2013-11-06 | 2013-11-06 | 基于指纹聚类的新型室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103634902B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104302000A (zh) * | 2014-10-15 | 2015-01-21 | 上海交通大学 | 基于信号接收强度指示相关性的室内定位方法 |
CN104780606A (zh) * | 2015-03-30 | 2015-07-15 | 南京邮电大学 | 基于无线局域网的室内定位系统及方法 |
CN105223546A (zh) * | 2015-09-30 | 2016-01-06 | 西安电子科技大学 | 基于接收信号强度和参考点位置双聚类的室内定位方法 |
WO2016127880A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种确定离线定位数据质量的方法和装置 |
CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
CN107318084A (zh) * | 2016-04-26 | 2017-11-03 | 中兴通讯股份有限公司 | 一种基于最优相似度的指纹定位方法及装置 |
CN107741225A (zh) * | 2017-08-31 | 2018-02-27 | 天津大学 | 一种基于太阳能电池的被动式定位系统 |
CN107831468A (zh) * | 2017-10-19 | 2018-03-23 | 天津大学 | 一种基于仿射传播聚类的指纹定位算法 |
CN107958208A (zh) * | 2017-11-15 | 2018-04-24 | 西安电子科技大学 | 一种基于传播算法的指纹交叉库匹配方法 |
CN111372212A (zh) * | 2020-03-17 | 2020-07-03 | 杭州十域科技有限公司 | 一种低算法复杂度的指纹匹配方法 |
CN115580926A (zh) * | 2022-11-17 | 2023-01-06 | 杭州明启数智科技有限公司 | 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116564A (ko) * | 2010-04-19 | 2011-10-26 | 목포대학교산학협력단 | Knn/fcm 혼합 알고리즘을 이용한 실내 측위 방법 |
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 |
-
2013
- 2013-11-06 CN CN201310547705.0A patent/CN103634902B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116564A (ko) * | 2010-04-19 | 2011-10-26 | 목포대학교산학협력단 | Knn/fcm 혼합 알고리즘을 이용한 실내 측위 방법 |
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 |
Non-Patent Citations (1)
Title |
---|
肖宇: "基于邻近传播算法的半监督聚类", 《软件学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104302000A (zh) * | 2014-10-15 | 2015-01-21 | 上海交通大学 | 基于信号接收强度指示相关性的室内定位方法 |
CN104302000B (zh) * | 2014-10-15 | 2018-08-03 | 上海交通大学 | 基于信号接收强度指示相关性的室内定位方法 |
WO2016127880A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种确定离线定位数据质量的方法和装置 |
CN105992267A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种确定离线定位数据质量的方法和装置 |
CN105992267B (zh) * | 2015-02-12 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 一种确定离线定位数据质量的方法和装置 |
CN104780606A (zh) * | 2015-03-30 | 2015-07-15 | 南京邮电大学 | 基于无线局域网的室内定位系统及方法 |
CN106550331B (zh) * | 2015-09-23 | 2020-10-16 | 南京中兴新软件有限责任公司 | 一种室内定位方法和设备 |
CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
CN105223546A (zh) * | 2015-09-30 | 2016-01-06 | 西安电子科技大学 | 基于接收信号强度和参考点位置双聚类的室内定位方法 |
CN107318084A (zh) * | 2016-04-26 | 2017-11-03 | 中兴通讯股份有限公司 | 一种基于最优相似度的指纹定位方法及装置 |
CN107318084B (zh) * | 2016-04-26 | 2021-01-26 | 中兴通讯股份有限公司 | 一种基于最优相似度的指纹定位方法及装置 |
CN107741225A (zh) * | 2017-08-31 | 2018-02-27 | 天津大学 | 一种基于太阳能电池的被动式定位系统 |
CN107831468A (zh) * | 2017-10-19 | 2018-03-23 | 天津大学 | 一种基于仿射传播聚类的指纹定位算法 |
CN107958208A (zh) * | 2017-11-15 | 2018-04-24 | 西安电子科技大学 | 一种基于传播算法的指纹交叉库匹配方法 |
CN111372212A (zh) * | 2020-03-17 | 2020-07-03 | 杭州十域科技有限公司 | 一种低算法复杂度的指纹匹配方法 |
CN115580926A (zh) * | 2022-11-17 | 2023-01-06 | 杭州明启数智科技有限公司 | 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103634902B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103634902A (zh) | 基于指纹聚类的新型室内定位方法 | |
CN103634901B (zh) | 基于核密度估计的新型定位指纹采集提取方法 | |
CN104302000B (zh) | 基于信号接收强度指示相关性的室内定位方法 | |
CN102638889B (zh) | 基于贝叶斯压缩感知的室内无线终端定位方法 | |
CN106507475B (zh) | 基于EKNN的室内区域WiFi定位方法及系统 | |
CN105828289A (zh) | 一种基于信道状态信息的无源室内定位方法 | |
CN111726765B (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN107302794A (zh) | 利用wifi信号作为移动定位与导航的方法 | |
CN101820676B (zh) | 传感器节点定位方法 | |
CN107703480A (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN109640262A (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
WO2018045529A1 (zh) | 一种网络站址规划方法及装置 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
Zhao et al. | I-WKNN: Fast-speed and high-accuracy WIFI positioning for intelligent sports stadiums | |
CN109541537B (zh) | 一种基于测距的普适室内定位方法 | |
CN103606077A (zh) | 一种移动办公系统 | |
CN103399863A (zh) | 基于边缘方向差特征袋的图像检索方法 | |
CN109348501B (zh) | 基于lte信号的室内外区分方法 | |
CN106922017A (zh) | 定位方法以及终端 | |
CN102215497B (zh) | 基于条件信息熵的wlan室内单源高斯位置指纹定位性能评价方法 | |
CN106792527A (zh) | 一种位置数据处理方法、装置和计算设备 | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Wu et al. | Research on WiFi location fingerprint positioning algorithm based on DPC-FCM clustering | |
Deng et al. | Joint access point selection and local discriminant embedding for energy efficient and accurate Wi-Fi positioning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |