CN103796304A - 一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法 - Google Patents

一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法 Download PDF

Info

Publication number
CN103796304A
CN103796304A CN201410017796.1A CN201410017796A CN103796304A CN 103796304 A CN103796304 A CN 103796304A CN 201410017796 A CN201410017796 A CN 201410017796A CN 103796304 A CN103796304 A CN 103796304A
Authority
CN
China
Prior art keywords
target
coal mine
training
probability
kernel function
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
Application number
CN201410017796.1A
Other languages
English (en)
Other versions
CN103796304B (zh
Inventor
崔丽珍
李蕾
高丽丽
员曼曼
史明泉
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.)
Inner Mongolia University of Science and Technology
Original Assignee
Inner Mongolia University of Science and 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 Inner Mongolia University of Science and Technology filed Critical Inner Mongolia University of Science and Technology
Priority to CN201410017796.1A priority Critical patent/CN103796304B/zh
Publication of CN103796304A publication Critical patent/CN103796304A/zh
Application granted granted Critical
Publication of CN103796304B publication Critical patent/CN103796304B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，在煤矿井下需要目标定位的区域内，部署多个信标节点并合理选取出若干个采样位置，并按以下四个步骤进行构建离线虚拟训练集和实现井下定位算法：一是搭建井下无线传感器定位网络；二是离线构建虚拟训练数据集；三是在线定位目标；四是形成基于高斯模型的马尔科夫链定位算法。本发明将无线通信应用于最为急需和适合的煤矿井下通信与监测系统中，完成井下无线定位算法的研究与实现，具有极强的理论研究价值和广泛的市场应用。它极大地考虑了目标运动状态和节点采样特点，抑制了运动目标位置估计可能产生的大幅度跳变，从而提高定位精度，在80米的定位区域内，定位均方根误差为3.217m。

Description

一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法
 
技术领域
本发明涉及一种无线电领域中的定位算法；具体地说，涉及一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法。
背景技术
煤炭工业是关系国家经济命脉的重要基础产业，是支撑我国GDP增长的重要一次性能源。煤矿井下地质条件恶劣，巷道长度可达几十公里，采煤机电设备配置多，人员流动性大，巷道和掘进工作面空间狭窄，巷道四壁表面粗糙，巷道中安放着大量大功率机电设备、通风设备和安全支护设备，环境中存在着大量的有爆炸危险气体，电磁波在此环境中传播受到很大的影响。近年来，定位导航系统不管是在军用还是民用领域中都有着广泛的成功应用，这种基于位置的服务(Location-Based Service, LBS)包含了个人安全服务、交通导航系统以及本地信息服务等。随着普适计算的推广，作为物联网重要的支撑技术之一，无线定位技术在“感知煤矿”中的应用越来越得到学术界的关注。煤矿巷道一般深处地下几百米到几十千米，因此地面上广为使用的GPS(Global Positioning System)在井下完全失效。伴随着无线传感器网络的迅猛发展，无线传感器节点为煤矿井下特殊复杂的信道环境中人员及设备提供准确实时的位置信息服务逐渐成为可能。
自20世纪末以来，国内外井下监控系统中采用的无线信号有红外、超声波、射频信号。其中红外和超声波定位技术精度高但硬件设备开销大，并且只能进行视距传输，采用射频信号的技术例如WiFi、ZigBee、UWB、RFID传输距离远、无视距要求、设备成本低。目前，采用射频信号的定位技术一般利用信号的某种传输特征参数如传输时间(Time of Arrival, TOA)、到达角度(Angle of arrival, AOA)、接收信号强度(Receive Signal Strength Indicator, RSSI)进行定位。井下环境与室内环境类似都受到多径效应和阴影效应的影响，信号到达接收端具有不同的时延和入射角，TOA和AOA参数估计误差相对较大，且分别需要精确的时间同步和天线阵列。RSSI由射频芯片本身提供，硬件需求低，方便获取，因此，基于RSSI的煤矿井下定位技术目前受到较大关注。
在自由空间中，设发射功率为PT ，发射天线增益为GT，接收功率为 PR ，接收天线增益为GR，其中λ为自由空间载波波长。接收功率由Friis自由空间方程式决定：
PR = GR GT PT (λ/4πd) 2                               （1）
在大多数环境中，经过推导并用接收信号强度（Received Signal Strength Indication, RSSI）取代接收功率，可得到信号衰减模型：
Figure 2014100177961100002DEST_PATH_IMAGE002
                           （2）
其中，
Figure 2014100177961100002DEST_PATH_IMAGE004
为参考距离通常取1m，为在
Figure 574322DEST_PATH_IMAGE004
处的信号接收强度，n为信道衰减因子，是一个均值为0方差为σ的高斯随机变量，与具体定位环境有关。该模型能够将RSSI转化为实际距离。
虽然基于RSSI的定位算法有诸多优点，但煤矿井下信道复杂，信号的多径衰落非视距传输无法避免，RSSI极易受到这些因素的影响导致测距不准，误差无法避免。
发明内容
本发明正是为了解决上述技术问题提出的一种针对煤矿井下特殊环境的定位算法，它以IOT-NODE2530作为硬件平台，采用低功耗、自组织的Z-stack通信协议栈，共同搭建了定位算法的实现平台。
本发明解决其技术问题所采用的技术方案是：
一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其在煤矿井下需要目标定位的区域内，部署多个信标节点并合理选取出若干个采样位置，并按以下四个步骤进行构建离线虚拟训练集和实现井下定位算法：
步骤1：搭建井下无线传感器定位网络，其方法包括：
Figure 2014100177961100002DEST_PATH_IMAGE010
网关节点作为协调器，信标节点和移动节点作为终端设备，网关节点广播信标节点配置请求和移动节点配置请求，配置4个信标节点和1个移动节点信息；
Figure 2014100177961100002DEST_PATH_IMAGE012
移动节点广播Cluster Id为1的定位数据帧；
Figure 2014100177961100002DEST_PATH_IMAGE014
信标节点接收到该数据帧后，提取RSSI存入负载，并向网关节点发送Cluster Id为2的数据帧；
Figure 2014100177961100002DEST_PATH_IMAGE016
网关节点分别接收到4个信标节点发来的数据帧，对其进行处理并作为指纹信息通过串口发送到上位机；
步骤2：离线构建虚拟训练数据集：
不同位置信道衰减因子n由式（2）计算可得为：
                                                       （3）
采用线性插值：
Figure 2014100177961100002DEST_PATH_IMAGE020
                                  （4）
其中α为插值系数，其值为：
Figure 2014100177961100002DEST_PATH_IMAGE022
                                                （5）
利用线性插值法可得到各插值点处的n，实现了动态衰减因子，利用经典模型（2）可计算出相应的RSSI，从而得到虚拟RSSI指纹训练数据集；
步骤3：在线定位目标：
在线定位阶段利用贝叶斯估计计算目标位置的后验概率，最后选择最大后验概率的训练数据所对应的位置作为估计位置，由贝叶斯准则可知：
Figure 2014100177961100002DEST_PATH_IMAGE024
                                              （6）
                  （7）
其中， 与目标的运动习惯有关，
Figure 2014100177961100002DEST_PATH_IMAGE030
为归一化常量，故
Figure 2014100177961100002DEST_PATH_IMAGE032
                                                  （8）
若先验概率不偏向任何位置即
Figure 49385DEST_PATH_IMAGE028
相同，贝叶斯最大后验概率取决于最大似然函数；以核函数法构造的似然函数
Figure 2014100177961100002DEST_PATH_IMAGE034
的模型可以更精确的表示RSSI概率密度分布情况，即
Figure 2014100177961100002DEST_PATH_IMAGE036
                                              （9）
式中，
Figure 2014100177961100002DEST_PATH_IMAGE038
为核函数，N S 为样本数，R n  为数据库中第n个样本的RSSI指纹；核函数法将每个训练位置上的每个样本数据赋予一个以自身为“核心”的函数，等权重的所有样本对应核函数的总和为在该位置处的概率密度分布；核函数选用高斯核函数：
                               （10）
式中，σ决定了核函数的宽度；在先验概率相同情况下，综合以上各式可得到基于核函数法的最大后验概率：
Figure 2014100177961100002DEST_PATH_IMAGE042
                            （11）
Figure 2014100177961100002DEST_PATH_IMAGE044
                                                    （12）
加权核函数法，首先，利用基于贝叶斯估计的核函数法计算似然函数，并在虚拟数据集中查询出概率较大的K个
Figure 2014100177961100002DEST_PATH_IMAGE046
位置信息；然后，求其对应的样本指纹与在线采集的指纹的欧几里得距离；最后，将该距离作为权重，计算目标位置；
步骤4：基于高斯模型的马尔科夫链定位算法：
采用Markov链方法，利用目标的历史状态信息，对下一刻目标所处的可能位置进行限制，从而抑制前后时刻目标位置估计可能产生的大幅度跳变，t+1时刻后验概率：
                                        （13）
其中，A为Markov链状态转移概率矩阵，表示从上一时刻到下一时刻，目标在任一位置转移到其他位置的概率；
                                              （14）
在定位过程中，节点以某一时间间隔采样目标运动时状态，以s′=Ts*v 为跳变距离进行转移，认为目标下一时刻所在位置服从以μi=s1:t+s′为均值，σi=2s′为方差的高斯分布；故
Figure DEST_PATH_IMAGE052
                    (15)
首先，在线获取未知节点指纹信息，从虚拟数据库中提取训练指纹，根据加权核函数法构建似然函数；其次，通过本发明中的基于高斯模型的马尔科夫链算法（13）~（15）式计算出：
Figure DEST_PATH_IMAGE054
                                           （16）
最后，根据
Figure DEST_PATH_IMAGE056
在虚拟训练数据集中查询到相应的位置坐标。
所述一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，在模拟训练中选取80m*3m的区域作为虚拟训练区，每20m部署一个信标节点，共部署4个，在该区域合理划分出81个采样位置；每隔1m进行一次采样，每次采样采集50组数据。
所述一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其在离线采集指纹训练集的过程中均将1个测试节点佩戴在人员腰部。
所述一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其在离线训练阶段，首先，获取各个采样点上每个信标节点的RSSI；其次，经过卡尔曼滤波器作为指纹特征值，以指纹特征值作为训练数据集；然后，分别以10m、5m、2m作为间隔对训练集进行采样；最后，利用动态衰减因子插值算法（2）~（5）式建立虚拟样本训练数据集。在在线定位阶段，首先，信标节点获取未知节点定位信号获得RSSI；其次，上位机从虚拟数据库中提取指纹信息；最后，利用基于高斯模型的马尔科夫链算法估计目标位置。
本发明为了避免测距引入的误差，采用了指纹匹配算法，与参数估计定位法相比，指纹匹配法利用接收信号强度作为位置的标记，将井下环境对信号的影响一同作为指纹信息，避免了受信道影响造成的测距误差，其主要包括两个阶段：离线训练阶段和在线定位阶段。井下巷道指纹匹配定位系统总体流程图如图1所示。
在离线训练阶段，首先，部署多个信标节点，并在待测区域内合理分配多个采样位置；然后，顺序测得采样位置上信标节点接收移动节点的信号强度值，将其作为指纹信息与位置信息一同存入数据库中；最后，为了降低匹配算法前期工作量，利用动态衰减因子构建虚拟RSSI虚拟训练数据。与传统模式匹配方法相比虚拟的训练数据集大大降低了采集工作量。
在实时定位阶段，首先，由多个信标节点测量到的未知节点的RSSI值构建该位置指纹信息；然后，为了避免在井下复杂信道环境使用参数化的确定型分布模型引起误差，利用加权核函数法与虚拟训练数据集进行匹配处理；最后，为提高目标定位的实时性和精度，以基于跳变距离的高斯模型为转移矩阵，极大地考虑了目标运动状态和节点采样特点，通过马尔科夫链方法抑制前后时刻目标位置估计可能产生的大幅度跳变，最终得到未知节点位置。
本发明的有益效果是结合目前先进的无线传感器网络技术，将无线通信应用于最为急需和适合的煤矿井下通信与监测系统中，完成井下无线定位算法的研究与实现，具有极强的理论研究价值和广泛的市场应用。在煤矿井下环境中，将基于虚拟训练数据集和马尔科夫链的模式匹配算法应用于无线传感器网络中目标定位，使得井下环境对信号的影响与接收信号强度一同作为指纹信息，减小了因环境对接收信号强度的影响而造成误差，通过不同间隔对比实验，采用虚拟训练集降低了数据采集工作量。井下实验结果表明，加权核函数法定位精度高于确定型模式匹配算法，本发明所提出的基于高斯模型转移矩阵的马尔科夫链定位算法，极大地考虑了目标运动状态和节点采样特点，抑制了运动目标位置估计可能产生的大幅度跳变，从而精度有所提高，定位均方根误差为3.217m。该发明专利对实际生产有一定的理论指导意义和应用价值。
附图说明
图1为本发明定位系统总体流程图。
图2 井下无线传感器定位网络。
图3 离线训练阶段算法流程图。
图4 在线定位阶段算法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，本发明在模拟煤矿巷道环境中通常可以忽略其高度和宽度，选取80m*3m的区域，每20m部署一个信标节点，共部署4个，将该区域合理划分出81个采样位置。每隔1m进行一次采样，每次采样采集50组数据。将人体对射频信号的遮挡造成的信号强度衰减和干扰考虑进去，在离线采集指纹训练集的过程中均将1个测试节点佩戴在人员腰部。
步骤1：搭建井下无线传感器定位网络
如图2所示，构建井下无线传感器定位网络，其步骤包括：
网关节点作为协调器，信标节点和移动节点作为终端设备。网关节点广播信标节点配置请求和移动节点配置请求，配置4个信标节点和1个移动节点信息；
移动节点广播Cluster Id为1的定位数据帧；
信标节点接收到该数据帧后，提取RSSI存入负载，并向网关节点发送Cluster Id为2的数据帧；
网关节点分别接收到4个信标节点发来的数据帧，对其进行处理并作为指纹信息通过串口发送到上位机。
步骤2：离线构建虚拟训练数据集
在煤矿井下多径效应严重，由于各种机电设备、通风设备和安全支护设备的影响，使得无线信号非视距传输，从而在不同位置信道衰减因子n也不同，其值变化较大且无规律，难以n为常数的（2）模型对信道进行描述。由（2）可得n为：
Figure 891439DEST_PATH_IMAGE018
                                                       （3）
采用线性插值：
Figure 286648DEST_PATH_IMAGE020
                                  （4）
其中α为插值系数，其值为：
Figure 101020DEST_PATH_IMAGE022
                                                 （5）
利用线性插值法可得到各插值点处的n，实现了动态衰减因子，利用经典模型（2）可计算出相应的RSSI，从而得到虚拟RSSI指纹训练数据集。
在离线训练阶段，首先，获取各个采样位置上每个信标节点的RSSI；其次，经过卡尔曼滤波器作为指纹特征值，以指纹特征值作为训练数据集；然后，分别以10m、5m、2m作为间隔对训练集进行采样；最后，利用动态衰减因子插值算法（2）~（5）式建立虚拟样本训练数据集，具体实施如3图所示。
步骤3：在线定位目标定位
在线定位阶段利用贝叶斯估计计算目标位置的后验概率，最后选择最大后验概率的训练数据作为估计位置。由贝叶斯准则可知：
Figure 362631DEST_PATH_IMAGE024
                                                  （6）
Figure 629664DEST_PATH_IMAGE026
                      （7）
其中，
Figure 766247DEST_PATH_IMAGE028
 与目标的运动习惯有关，为归一化常量，故
Figure 366173DEST_PATH_IMAGE032
                                                      （8）
若先验概率不偏向任何位置即
Figure 120502DEST_PATH_IMAGE028
相同，贝叶斯最大后验概率取决于最大似然函数。以核函数法构造的似然函数的模型可以更精确的表示RSSI概率密度分布情况，即
                                                  （9）
式中，
Figure 184645DEST_PATH_IMAGE038
为核函数，N S 为样本数，R n  为数据库中第n个样本的RSSI指纹。核函数法并不假设无线信号服从何种分布，利用位置节点指纹信息与所有训练数据库之间的相似性，避免在井下复杂信道环境使用参数化的确定型分布模型引起误差。核函数法将每个训练位置上的每个样本数据赋予一个以自身为“核心”的函数，等权重的所有样本对应核函数的总和为在该位置处的概率密度分布。核函数通常选用高斯核函数：
Figure 426271DEST_PATH_IMAGE040
                                  （10）
式中，σ决定了核函数的宽度。在先验概率相同情况下，综合以上各式可得到基于核函数法的最大后验概率：
Figure 639077DEST_PATH_IMAGE042
                              （11）
Figure 282548DEST_PATH_IMAGE044
                                                      （12）
加权核函数法，首先，利用基于贝叶斯估计的核函数法计算似然函数，并在虚拟数据集中查询出概率较大的K个
Figure 555398DEST_PATH_IMAGE046
位置信息；然后，求其对应的样本指纹与在线采集的指纹的欧几里得距离；最后，将该距离作为权重，计算目标位置。
步骤4：基于高斯模型的马尔科夫链定位算法
为了提高目标定位的实时性和精度，在贝叶斯准则中不采用之前的均匀先验概率，而是采用Markov链方法，利用目标的历史状态信息，对下一刻目标所处的可能位置进行限制，从而抑制前后时刻目标位置估计可能产生的大幅度跳变，t+1时刻后验概率：
Figure 284319DEST_PATH_IMAGE048
                                         （13）
其中，A为Markov链状态转移概率矩阵，表示从上一时刻到下一时刻，目标在任一位置转移到其他位置的概率。
                                                     （14）
在实际情况中，节点以某一时间间隔采样目标运动时状态，因此本专利提出以s′=Ts*v 为跳变距离进行转移，认为目标下一时刻所在位置服从以μi=s1:t+s′为均值，σi=2s′为方差的高斯分布。故
Figure 255520DEST_PATH_IMAGE052
                     (15)
具体在线定位阶段算法流程如图4所示。首先，在线获取未知节点指纹信息，从虚拟数据库中提取训练指纹，根据加权核函数法构建似然函数；其次，通过本发明中的基于高斯模型的马尔科夫链算法（13）~（15）式计算出：
Figure 27167DEST_PATH_IMAGE054
                                                （16）
最后，根据
Figure 915489DEST_PATH_IMAGE056
在虚拟训练数据集中查询到相应的位置坐标。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下得出的其他任何与本发明相同或相近似的产品，均落在本发明的保护范围之内。

Claims (4)

1.一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其特征在于：在煤矿井下需要目标定位的区域内，部署多个信标节点并合理选取出若干个采样位置，并按以下四个步骤进行构建离线虚拟训练集和实现井下定位算法：
步骤1：搭建井下无线传感器定位网络，其方法包括：
Figure DEST_PATH_IMAGE002
网关节点作为协调器，信标节点和移动节点作为终端设备，网关节点广播信标节点配置请求和移动节点配置请求，配置4个信标节点和1个移动节点信息；
Figure DEST_PATH_IMAGE004
移动节点广播Cluster Id为1的定位数据帧；
Figure DEST_PATH_IMAGE006
信标节点接收到该数据帧后，提取RSSI存入负载，并向网关节点发送Cluster Id为2的数据帧；
Figure DEST_PATH_IMAGE008
网关节点分别接收到4个信标节点发来的数据帧，对其进行处理并作为指纹信息通过串口发送到上位机；
步骤2：离线构建虚拟训练数据集：
不同位置信道衰减因子n由式（2）计算可得为：
Figure DEST_PATH_IMAGE010
                                                       （3）
采用线性插值：
Figure DEST_PATH_IMAGE012
                                  （4）
其中α为插值系数，其值为：
Figure DEST_PATH_IMAGE014
                                                （5）
利用线性插值法可得到各插值点处的n，实现了动态衰减因子，利用经典模型（2）可计算出相应的RSSI，从而得到虚拟RSSI指纹训练数据集；
步骤3：在线定位目标：
在线定位阶段利用贝叶斯估计计算目标位置的后验概率，最后选择最大后验概率的训练数据所对应的位置作为估计位置，由贝叶斯准则可知：
Figure DEST_PATH_IMAGE016
                                              （6）
Figure DEST_PATH_IMAGE018
                  （7）
其中，
Figure DEST_PATH_IMAGE020
 与目标的运动习惯有关，
Figure DEST_PATH_IMAGE022
为归一化常量，故
                                                  （8）
若先验概率不偏向任何位置即
Figure 890515DEST_PATH_IMAGE020
相同，贝叶斯最大后验概率取决于最大似然函数；以核函数法构造的似然函数
Figure DEST_PATH_IMAGE026
的模型可以更精确的表示RSSI概率密度分布情况，即
Figure DEST_PATH_IMAGE028
                                              （9）
式中，
Figure DEST_PATH_IMAGE030
为核函数，N S 为样本数，R n  为数据库中第n个样本的RSSI指纹；核函数法将每个训练位置上的每个样本数据赋予一个以自身为“核心”的函数，等权重的所有样本对应核函数的总和为在该位置处的概率密度分布；核函数选用高斯核函数：
Figure DEST_PATH_IMAGE032
                               （10）
式中，σ决定了核函数的宽度；在先验概率相同情况下，综合以上各式可得到基于核函数法的最大后验概率：
Figure DEST_PATH_IMAGE034
                            （11）
Figure DEST_PATH_IMAGE036
                                                   （12）
加权核函数法，首先，利用基于贝叶斯估计的核函数法计算似然函数，并在虚拟数据集中查询出概率较大的K个
Figure DEST_PATH_IMAGE038
位置信息；然后，求其对应的样本指纹与在线采集的指纹的欧几里得距离；最后，将该距离作为权重，计算目标位置；
步骤4：基于高斯模型的马尔科夫链定位算法：
采用Markov链方法，利用目标的历史状态信息，对下一刻目标所处的可能位置进行限制，从而抑制前后时刻目标位置估计可能产生的大幅度跳变，t+1时刻后验概率：
Figure DEST_PATH_IMAGE040
                                       （13）
其中，A为Markov链状态转移概率矩阵，表示从上一时刻到下一时刻，目标在任一位置转移到其他位置的概率；
                                             （14）
在定位过程中，节点以某一时间间隔采样目标运动时状态，以s′=Ts*v 为跳变距离进行转移，认为目标下一时刻所在位置服从以μi=s1:t+s′为均值，σi=2s′为方差的高斯分布；故
Figure DEST_PATH_IMAGE044
                  (15)
首先，在线获取未知节点指纹信息，从虚拟数据库中提取训练指纹，根据加权核函数法构建似然函数；其次，通过本发明中的基于高斯模型的马尔科夫链算法（13）~（15）式计算出：
Figure DEST_PATH_IMAGE046
                                          （16）
最后，根据
Figure DEST_PATH_IMAGE048
在虚拟训练数据集中查询到相应的位置坐标。
2.根据权利要求1所述的一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其特征在于：选取80m*3m的区域作为虚拟训练区，每20m部署一个信标节点，共部署4个，在该区域合理划分出81个采样位置；每隔1m进行一次采样，每次采样采集50组数据。
3.根据权利要求1所述的一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其特征在于：在离线采集指纹训练集的过程中均将1个测试节点佩戴在人员腰部。
4.根据权利要求1所述的一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其特征在于：在离线训练阶段，首先，获取各个采样位置上每个信标节点的RSSI；其次，经过卡尔曼滤波器作为指纹特征值，以指纹特征值作为训练数据集；然后，分别以10m、5m、2m作为间隔对训练集进行采样；最后，利用动态衰减因子插值算法（2）~（5）式建立虚拟样本训练数据集。
CN201410017796.1A 2014-01-15 2014-01-15 一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法 Expired - Fee Related CN103796304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410017796.1A CN103796304B (zh) 2014-01-15 2014-01-15 一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410017796.1A CN103796304B (zh) 2014-01-15 2014-01-15 一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法

Publications (2)

Publication Number Publication Date
CN103796304A true CN103796304A (zh) 2014-05-14
CN103796304B CN103796304B (zh) 2017-06-30

Family

ID=50671459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410017796.1A Expired - Fee Related CN103796304B (zh) 2014-01-15 2014-01-15 一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法

Country Status (1)

Country Link
CN (1) CN103796304B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105848305A (zh) * 2016-05-19 2016-08-10 福州大学 一种基于rssi差异性的移动设备与无线节点的连接方法
CN106814345A (zh) * 2017-03-24 2017-06-09 西北工业大学 易于数据采集和高精度的室内定位方法
CN107529222A (zh) * 2017-09-15 2017-12-29 上海交通大学 一种基于深度学习的WiFi室内定位系统
CN108377462A (zh) * 2016-11-16 2018-08-07 中国电信股份有限公司 定位方法、室内智能网关、定位装置和终端
CN108989974A (zh) * 2018-04-08 2018-12-11 深圳清创新科技有限公司 动物定位方法、装置、计算机设备和存储介质
CN110430522A (zh) * 2019-06-04 2019-11-08 南京邮电大学 基于多边定位和指纹定位相结合的室内定位方法
CN110940951A (zh) * 2018-09-25 2020-03-31 北京四维图新科技股份有限公司 定位方法及设备
CN112929823A (zh) * 2021-03-03 2021-06-08 桔帧科技(江苏)有限公司 一种混合Wi-Fi室内定位方法
CN113074460A (zh) * 2021-04-07 2021-07-06 内蒙古科技大学 一种电热水器及其节能控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003021851A2 (en) * 2001-09-05 2003-03-13 Newbury Networks, Inc. Position detection and location tracking in a wireless network
CN103338509A (zh) * 2013-04-10 2013-10-02 南昌航空大学 一种基于隐含马尔可夫模型的wsn室内定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003021851A2 (en) * 2001-09-05 2003-03-13 Newbury Networks, Inc. Position detection and location tracking in a wireless network
CN103338509A (zh) * 2013-04-10 2013-10-02 南昌航空大学 一种基于隐含马尔可夫模型的wsn室内定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M.VASIM BABU: "Discrete Antithetic Markov Monte Carlo based Power Mapping Localization Algorithm for WSN", 《2012 IEEE INTERNATIONAL CONFERENCE ON ADVANCED COMMUNICATION CONTROL AND COMPUTING TECHNOLOGIES (ICACCCT) 》 *
崔丽珍等: "基于核函数法及粒子滤波的煤矿井下定位算法研究", 《传感技术学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105848305A (zh) * 2016-05-19 2016-08-10 福州大学 一种基于rssi差异性的移动设备与无线节点的连接方法
CN108377462A (zh) * 2016-11-16 2018-08-07 中国电信股份有限公司 定位方法、室内智能网关、定位装置和终端
CN106814345A (zh) * 2017-03-24 2017-06-09 西北工业大学 易于数据采集和高精度的室内定位方法
CN106814345B (zh) * 2017-03-24 2019-04-19 西北工业大学 易于数据采集和高精度的室内定位方法
CN107529222A (zh) * 2017-09-15 2017-12-29 上海交通大学 一种基于深度学习的WiFi室内定位系统
CN107529222B (zh) * 2017-09-15 2020-11-06 上海交通大学 一种基于深度学习的WiFi室内定位系统
CN108989974A (zh) * 2018-04-08 2018-12-11 深圳清创新科技有限公司 动物定位方法、装置、计算机设备和存储介质
CN108989974B (zh) * 2018-04-08 2020-12-11 深圳一清创新科技有限公司 动物定位方法、装置、计算机设备和存储介质
CN110940951A (zh) * 2018-09-25 2020-03-31 北京四维图新科技股份有限公司 定位方法及设备
CN110430522A (zh) * 2019-06-04 2019-11-08 南京邮电大学 基于多边定位和指纹定位相结合的室内定位方法
CN112929823A (zh) * 2021-03-03 2021-06-08 桔帧科技(江苏)有限公司 一种混合Wi-Fi室内定位方法
CN113074460A (zh) * 2021-04-07 2021-07-06 内蒙古科技大学 一种电热水器及其节能控制方法

Also Published As

Publication number Publication date
CN103796304B (zh) 2017-06-30

Similar Documents

Publication Publication Date Title
CN103796304A (zh) 一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法
CN103313194B (zh) 基于信标定位技术的室内定位系统人员移动轨迹获取装置和方法
CN102213755B (zh) 煤矿井下超宽带定位方法及系统
CN103728645B (zh) 一种室内外定位系统及其定位方法
CN103199923B (zh) 一种基于可见光通信的井下移动目标光指纹定位跟踪方法
Song et al. A survey on indoor positioning technologies
CN102186242B (zh) 固定区域无线传感器网络移动节点定位方法
CN102768352B (zh) 基于模式匹配的井下超宽带电磁波超声联合定位系统与方法
CN102680941A (zh) 煤矿井下超宽带定位方法及系统
Billa et al. An overview of indoor localization technologies: Toward IoT navigation services
CN103813448A (zh) 一种基于rssi的室内定位方法
CN202600134U (zh) 煤矿井下超宽带定位系统
CN104076349A (zh) 一种基于多普勒频移的被动式移动目标定位方法
CN113794991B (zh) 一种基于UWB和LoRa的单基站无线定位系统
Jian et al. A new weighted centroid localization algorithm in coal Mine wireless sensor networks
CN106686722A (zh) 基于css技术的大型室内环境定位的微基站及工作方法
CN104093202A (zh) 一种环境自适应的无设备目标定位方法
CN202111858U (zh) 基于非视距抑制的矿井超宽带人员定位系统
CN103096465B (zh) 一种环境自适应的多目标直接定位方法
Rose et al. 3D trilateration localization using RSSI in indoor environment
CN203416427U (zh) 基于ZigBee技术的自组网定位系统
Seong et al. High-speed positioning and automatic updating technique using Wi-Fi and UWB in a ship
CN115586490A (zh) 基于uwb技术的区域定位方法及系统
Sun et al. Tunnel personnel positioning method based on TOA and modified location-fingerprint positioning
CN104125640B (zh) 一种基于无线传感网加权阈值质心定位方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170630

CF01 Termination of patent right due to non-payment of annual fee