CN104038901B - 一种减少指纹数据采集工作量的室内定位方法 - Google Patents
一种减少指纹数据采集工作量的室内定位方法 Download PDFInfo
- Publication number
- CN104038901B CN104038901B CN201410238077.2A CN201410238077A CN104038901B CN 104038901 B CN104038901 B CN 104038901B CN 201410238077 A CN201410238077 A CN 201410238077A CN 104038901 B CN104038901 B CN 104038901B
- Authority
- CN
- China
- Prior art keywords
- anchor node
- rssi
- tested point
- points
- anchor
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种减少指纹数据采集工作量的室内定位方法,对于多个AP,RSSI差值越大的点对,其物理距离相距也较远。利用此特点,将某位置上所获得的多个AP的RSSI值作为此位置的高维特征数据,计算点与点之间的RSSI“距离值”,视其为两点之间的亲近关系,再利用多维标度分析算法得到各对象之间的一个低维空间的相对位置关系,最后,利用较少样本点作为锚节点就可以求得其余点的绝对位置,从而实现减少样本点采集个数的目的,并在此基础上提出分层次的缩小区域方法,进一步达到降低定位误差的目的。相比较于KNN算法,本发明的方法可以减少采集点,同时降低定位误差。
Description
技术领域
本发明涉及一种减少指纹数据采集工作量的室内定位方法。
背景技术
目前比较常见的室内定位技术有声学信号、FM信号、RFID、蓝牙信号、蜂窝网络、ZigBee、UWB和WiFi。一般来说,无线室内定位的模式是首先获得无线信号的物理测量值,再要么采用传播模型的方法,要么采用基于指纹的方法。
按照所利用的物理测量值来划分,可以分为时间、角度和功率。其中基于时间的物理测量值又包括到达时间(Time of Arrival,TOA)和到达时间差(Time Difference ofArrival,TDOA),基于功率的又包括RSSI和CSI的定位方法。在复杂的多径室内环境下,TOA和AOA的测量都需要使用专用的硬件测量设备,而且测量精度存在较大的偏差,定位精度不高,并且TOA方法还需要专用的硬件设备。
按照定位原理划分,WLAN室内定位技术可以分成两种方法:传播模型法和指纹定位法。由于室内无线电传播环境的极度复杂性,模型参数的确定较为困难,模型估计不准确,导致RSSI传播模型的预测精度较低,定位结果偏差较大,且需要预先知道AP的具体位置,难以满足大多数室内用户的定位精度需求。而且,已构建的传播模型由于环境差异不具有通用性,健壮性较差,在新的定位环境中还需要做大量的调试和测量。指纹定位法采集参考点位置的RSSI样本,构建指纹数据库,即所谓的Radio Map,并通过RSSI样本的指纹匹配得出定位结果。由于Radio Map的RSSI样本是在实际参考点上采集获得的,指纹定位法的定位精度明显高于传播模型法。
针对基于WLAN的指纹室内定位技术,国内外学者已从各个不同方面对此进行了研究。2000年,美国微软研究院首先提出了命名为RADAR的WLAN室内定位系统,该系统事先在建筑物内部固定三个位置已知的基站,待测位置的移动点通过两个步骤获取自身位置,首先是一个离线的数据收集的过程,由各移动节点发送广播报文,基站的接收器根据信号强度确定移动节点的位置,并将此位置存入指纹数据库中;第二个步骤是在线数据处理过程,移动节点定期发送广播报文,基站节点查询指纹数据库,根据接收信号的强度找出最为接近的K个样本,将它们的平均位置作为节点当前的位置,通过实验数据得出,在指纹数据库中节点间隔至少2.5米且不规则分布的情况下,此系统定位精度在2-3米之间。
美国马里兰大学计算机系的Youssef等人提出了Horus系统。Horus系统在离线阶段也是在选定的参考点上采集并记录各AP的信号强度值,不同于之处在于其并不对全部采样值进行平均处理,而是生成各个AP的信号强度值在该参考点上的直方分布图,并在离线阶段匹配时首次提出聚类分块的概念,将具有相似RSSI信号特征的参考点划分为一簇,即一个定位子区域。在线定位阶段,先通过聚类分块将用户粗定位至定位子区域,再进行精确定位,在总共采集110个参考样本点,样本点之间的间距在1.52米左右的情况下,实现了平均定位精度为0.8米效果,但也有文章指出复制此方法在别的工作中时无法达到如此高的定位精度。
上述方法均需要采集大量的在线RSSI样本,对大范围的室内定位的普及应用受到很大的限制。参考点样本采集工作量主要取决于参考点的密度以及采样时长,参考点采集间隔大,采样时长短,可以减少人力和物力,但有可能无法保证RSS信号对物理位置空间刻画的精细度。Chai等人提出了一种采用马尔科夫模型从用户移动的路线中获取一部分信息来补充指纹数据库的方法,从而达到减少前期创建指纹数据库工作的目的,此外,他们还提出一种基于插入的拼接各个不完整指纹数据库的方法,最终使其合成一个完成的指纹数据库。Krumm等人实验研究了减少采样时长和采样数量对定位精度的影响,他们把位置刻画成信号强度向量的函数,并将其描述为插值问题,结果表明一大部分的采样工作可以略去。
Chintalapudi等人提出一种依靠在室内环境的边缘有GPS信号的地方获得的位置信息和室内获取的信号强度的定位方法,并不需要离线采集指纹数据,在27米*18米和140米*90米的环境下分别实现定位精度为2米和7米。有研究者提出利用一些地标点(包括种子地标点和有机地标点)的位置信息(通过Dead-reckoning)和采集到的各种传感器信息,通过Dead-reckoning推算出当前的位置信息。Wu,Yang等人指出在创建指纹库时不需要大量的现场勘测,只需在人员移动设备上安装一个app,然后在室内随机走动即可完成指纹库的采集,并通过采集到数据和室内结构进行匹配的定位方法,在1600平米的室内空间,其定位精度分别为平均房间级别准确率为86%和5.88米左右。文献是在已经获得的少数指纹信息的基础上采用插值法来重建指纹数据库,从而达到减少指纹采集工作量的目的,分别达到的定位精度为3米和2.2米。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种减少指纹数据采集工作量的室内定位方法,在维持较高的定位精度的同时,减少参考点样本采集工作量。
为解决上述技术问题,本发明所采用的技术方案是:一种减少指纹数据采集工作量的室内定位方法,包括以下步骤:
1)收集待测区域内锚节点和待测点的RSSI值向量,所有的RSSI值向量构成矩阵|r(m+1)×n|;将所述待测区域划分为多个小区域;
2)计算|r(m+1)×n|中任意两个RSSI向量之间的欧几里得距离,所有的距离构成节点间的相异性矩阵|P(m+1)×(m+1)|;
3)对相异性矩阵|P(m+1)×(m+1)|运用非度量多维标度算法,求得锚节点和待测点的相对位置坐标,记所述相对位置坐标所在坐标系为xr;
4)根据锚节点所在位置的坐标系xl中锚节点的绝对坐标和xr中锚节点的相对坐标,求出坐标系xl和xr转换的平移矢量、翻转矩阵和缩放系数;
5)根据xr中待测点的坐标和上述平移矢量、翻转矩阵和缩放系数,求出待测点在xl中的绝对坐标;
6)判断步骤5)得出待测点在xl中的绝对坐标属于哪个小区域,然后利用小区域中的锚节点信息,重复步骤1)至步骤5),得出最终的待测点位置坐标。
每个小区域内包括四个锚节点,所述小区域为矩形。
与现有技术相比,本发明所具有的有益效果为:本发明将某位置上所获得的多个AP的RSSI值作为此位置的高维特征数据,计算点与点之间的RSSI“距离值”,视其为两点之间的亲近关系,再利用多维标度分析(MDS)算法得到各对象之间的一个低维空间的相对位置关系,最后,利用较少样本点作为锚节点就可以求得其余点的绝对位置,从而实现减少样本点采集个数的目的,并在此基础上提出分层次的缩小区域方法,进一步达到降低定位误差的目的。相比较于KNN算法,本发明的方法可以减少采集点,同时降低定位误差。
附图说明
图1(a),图1(c)为一致性及相关性随AP规则部署变化曲线;图1(b),图1(d)为一致性及相关性随AP不规则部署变化曲线;
图2(1)为一致性随ap数目变化图;图2(2)为相关性随ap数目变化图;
图3(1)本发明一实施例缩小区域定位法定位图一;图3(2)本发明一实施例缩小区域定位法定位图二;图3(3)本发明一实施例缩小区域定位法定位图三;
图4(1):20m*20m区域锚节点个数对定位精度的影响;图4(2):40m*40m区域锚节点个数对定位精度的影响;
图5(1):σ=2对定位精度的影响;图5(2):σ=4对定位精度的影响;图5(3):σ=6对定位精度的影响;图5(4):σ=8对定位精度的影响;
图6为本发明一实施例科技楼实验室室内布局及采样分布图。
具体实施方式
本发明理论基础如下:
通过在采用对数距离路径损耗模型下两点之间物理距离和RSSI欧几里得距离的分析,我们在路径损耗指数为3,20*20的区域中100个随机点做仿真实验,得出节点两两之间物理距离和其RSSI差值(欧几里得距离)有比较高的一致性和相关性,也就是说,RSSI差值越大的两点,它们的物理距离相距也越远。针对AP规则与不规则情况下,仿真结果如图1所示,一致性随着AP个数的增加而增高,随着阴影效应的标准偏差变大而变小。
定义一:一致性是指节点点对两两之间的物理距离和其RSSI差值的关系,具体的说就是,点对之间物理距离大,RSSI差值就大,物理距离小,RSSI差值就小。
其中
由以上定义,比较所有的点对之间物理距离和其RSSI差值之间的大小对应关系,统计物理距离大,RSSI差值也大,物理距离小,RSSI差值也小的点对个数,得出其占总点对的百分比,即为一致性的大小,其范围为0到1之间。
仿真实验结果显示出节点两两之间物理距离和其RSSI差值(欧几里得距离)有比较高的一致性和相关性,我们对实际获得的数据也比较了两者之间的一致性和相关性,具体结果如图2所示。
由于本发明在实际环境中部署了4个ap,所以ap数为1时有四种情况,ap数为2时有六种情况,ap数为3时有四种情况,故得到上述所示的散点图,从图2中看出,在实际数据中节点两两之间物理距离和其RSSI差值(欧几里得距离)有比较高的一致性和相关性,并且随着ap数目的增多,一致性和相关性增大。
本发明提出的定位算法把节点的RSSI值作为节点间的相异性数据,由上节结论可知,节点对之间相隔越远,RSSI差值越大,点对之间相隔越近,RSSI差值越小,符合多维标度对实体间相异性数据需满足顺序等级关系的要求。
输入:测量到的锚节点和待测点的RSSI值,以及锚节点的坐标,记其坐标系为xl,假设锚节点个数为m,AP个数为n,各个小区域的边界坐标
输出:待测点的绝对坐标
步骤一:收集锚节点和待测点和RSSI值,构成矩阵|r(m+1)×n|
步骤二:计算|r(m+1)×n|中的两两阶段之间的欧式里的距离,作为节点间的相异性矩阵|P(m+1)×(m+1)|
步骤三:对相异性矩阵|P(m+1)×(m+1)|运用非度量多维标度算法求得锚节点和待测点的相对位置坐标,记坐标系为xr。
步骤四:根据坐标系xl中锚节点的绝对坐标和xr中锚节点的相对坐标,求出两坐标系转换的平移矢量、翻转矩阵和缩放系数。
步骤五:根据xr中待测点的坐标和坐标系转换的平移矢量、翻转矩阵和缩放系数,求出待测点在xl中绝对坐标。
步骤六:判断步骤五得出的坐标属于哪个小区域,然后利用小区域中的锚节点信息,重复步骤一至步骤五,得出最终的待测点位置坐标。
我们将某位置上所获得的4个AP的RSSI值作为此位置的特征数据,每个位置的特征数据即为一个1*4的矩阵,计算任意两点之间的特征数据的欧几里德距离,视其为他们之间的亲近关系,利用多维标度技术,在近似意义下,将此数据简约到二维数据,从而得到各点之间的在低维空间的相对位置关系。由上节证明已知点与点之间RSSI欧几里德距离和物理距离的高一致性,我们可以将由RSSI距离得到的相对位置关系作为各点物理距离上的相对位置关系,最后根据3个或3个以上锚节点的位置信息即可求出其它点的绝对位置。
为了进一步提高定位精度,本发明提出了分层次逐级缩小区域的方法,基本思想是根据锚节点的位置对区域进行划分,首先利用所有锚节点估算出待测点的位置,然后根据估算出的位置所属区域内的锚节点再次计算待测点位置,逐次递减的缩小估算位置的区域,最后实现更精确的定位。具体的执行方法描述如下(图3为例),区域划分方法为:首先将整个区域根据锚节点的位置分为两部分,如图3中(2)中白色和黑色所示,然后再将白色和黑色各分为两部分。(1)图表示用所有锚节点估计出的待测点的位置,根据待测点的估计位置属于白色区域,那么再利用白色区域中的锚节点(1-6)再估算出待测点的位置,如图3中(2)所示,进一步根据待测点的估计位置属于竖线区域,再利用竖线区域中锚节点(1-4)估算锚节点的位置。其中1-9表示锚节点所在位置,三角形标记表示待测点的真实位置,星形标记表示待测点的估计位置。
由于本发明采取的锚节点是均匀分布在待测区域内,且算法执行时需要输入小区域的边界坐标,所以我们采取小区域的划分是基于锚节点所属位置的,如图3所示,首先将区域划分为两部分,然后对每部分再划分为两部分,直至一个小区域只有四个锚节点为止。
目前基于指纹的室内定位的匹配方法主要有基于欧式距离和基于概率匹配,这两种匹配方法所选择的节点都是最靠近或次靠近待测点位置的锚节点,那么采用逐级缩小区域定位的方法均不能较好的提高定位精度,因为待测对第一次定位时已经得到了最佳的位置,然而我们提出的基于MDS的定位方法则不同,MDS是一种数据降维技术,MDS能够在低维空间里给所考虑节点集合安排各自合适的位置,并保证节点之间相对距离在低维空间和高维空间保持不变,由于对各节点采集的信号强度存在误差,根据MDS用所有锚节点集合估算待测点位置相对于利用小区域中锚节点集合估算待测点位置误差相对较大,而利用大区域锚节点集合估算出待测点位置,可以更好的判断出待测点所属的小区域范围,从而利用小区域中的锚节点集合估算出更为精确的待测点位置。
本发明仿真实验平台为matlab。主要参数设置为不同大小的区域,此区域中随机生成100个待测点,每个点的信号强度值由对数距离路径损耗模型得,无线信号发射功率为Pt为18dbm,在一米处的衰落PL(d0)为40dbm,衰减因子为3,锚节点在区域中均匀部署。
图4是在两种区域范围下不同锚节点个数对定位精度的影响,其中阴影效应σ的取值为4,可以看出随着锚节点个数的增加,定位精度都在提高,但定位精度提高的幅度越来越小。相比于基于KNN的定位方法,采用mds的定位方法定位精度更高,并且在采用分层次缩小区域方法后,定位精度进一步提高。
图5是在同一区域内不同阴影效应σ对定位精度的影响,区域范围设定为40米*40米,可以看出随着σ的增大,定位误差在逐渐增大,这是由于σ增大说明周围环境“噪音”变大,对信号强度影响过大,两种方法的定位精度都降低,但是同时,我们的方法表现出了用较少的锚节点个数所得到定位精度与KNN用较多的锚节点才能达到的定位效果。这个说明本发明的方法对由于环境变化造成的rssi不确定性的适应性更好。
对于本发明中所提出的方法,我们在实际环境中也做了相应的实验,实验环境是在科技楼实验室部署了四个AP来获得实际数据,区域范围为15.6m*7.2m,两两节点之间的采样间隔为60cm,共收集282个节点的信号强度值,这里采集这么多点是为了与其他定位算法进行比较,本发明提出的方法并不需要过于密集的采集样本点,室内布局及采用分布如图6所示。
通过在上述科技楼实验室室内环境中,用相应硬件在各采样点获取的数据进行实验得到如下结果,表一是基于KNN的定位结果,此处选择的是三个最近邻,然后取平均后的结果;表二是基于序列比对的定位结果;表三是基于MDS以及在此基础上采用分层次缩小区域的定位结果。从结果中对比可以看出本文所提出的方法使用相同锚节点的情况,定位精度最高,并且本发明提出的方法在仅采用9个锚节点的情况下能达到knn算法281个锚节点的定位效果。
表一KNN算法结果
锚节点个数 | 待测点个数 | 平均定位误差(cm) |
4 | 200 | 411.1582 |
9 | 200 | 314.4861 |
12 | 200 | 285.8981 |
15 | 200 | 273.7757 |
21 | 200 | 267.5463 |
36 | 200 | 252.3339 |
74 | 200 | 227.8238 |
281 | 282 | 222.9705 |
表二序列比对定位结果
锚节点个数 | 待测点个数 | 平均定位误差(cm) |
4 | 200 | 354.722 |
6 | 200 | 289.6814 |
8 | 200 | 286.6475 |
9 | 200 | 271.1889 |
表三MDS以及基于MDS的分层次缩小区域定位结果
Claims (3)
1.一种减少指纹数据采集工作量的室内定位方法,其特征在于,包括以下步骤:
1)收集待测区域内锚节点和待测点的RSSI值向量,所有的RSSI值向量构成矩阵|r(m+1)×n|;将所述待测区域划分为多个小区域;锚节点个数为m,AP个数为n;
2)计算|r(m+1)×n|中任意两个RSSI向量之间的欧几里得距离,所有的距离构成节点间的相异性矩阵|P(m+1)×(m+1)|;
3)对相异性矩阵|P(m+1)×(m+1)|运用非度量多维标度算法,求得锚节点和待测点的相对位置坐标,记所述相对位置坐标所在坐标系为xr;
4)根据锚节点所在位置的坐标系xl中锚节点的绝对坐标和xr中锚节点的相对坐标,求出坐标系xl和xr转换的平移矢量、翻转矩阵和缩放系数;
5)根据xr中待测点的坐标和上述平移矢量、翻转矩阵和缩放系数,求出待测点在xl中的绝对坐标;
6)判断步骤5)得出待测点在xl中的绝对坐标属于哪个小区域,然后利用小区域中的锚节点信息,重复步骤1)至步骤5),直至一个小区域只有四个锚节点为止;得出最终的待测点位置坐标。
2.根据权利要求1所述的减少指纹数据采集工作量的室内定位方法,其特征在于,所述步骤1)中,每个小区域内包括四个锚节点。
3.根据权利要求2所述的减少指纹数据采集工作量的室内定位方法,其特征在于,所述小区域为矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410238077.2A CN104038901B (zh) | 2014-05-30 | 2014-05-30 | 一种减少指纹数据采集工作量的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410238077.2A CN104038901B (zh) | 2014-05-30 | 2014-05-30 | 一种减少指纹数据采集工作量的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104038901A CN104038901A (zh) | 2014-09-10 |
CN104038901B true CN104038901B (zh) | 2017-04-26 |
Family
ID=51469464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410238077.2A Expired - Fee Related CN104038901B (zh) | 2014-05-30 | 2014-05-30 | 一种减少指纹数据采集工作量的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104038901B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320759B (zh) * | 2014-10-15 | 2018-08-03 | 上海交通大学 | 基于固定地标的室内定位系统指纹库构建方法 |
CN105259533B (zh) * | 2015-10-28 | 2017-07-18 | 上海交通大学 | 基于多维标度法子空间分析的三阶段到达时间差定位方法 |
CN106054125B (zh) * | 2016-05-05 | 2018-03-13 | 南京邮电大学 | 一种基于线性链条件随机场的融合室内定位方法 |
CN106412838B (zh) * | 2016-09-10 | 2019-10-18 | 华南理工大学 | 一种基于统计匹配的蓝牙室内定位方法 |
CN106658713B (zh) * | 2017-01-18 | 2020-03-24 | 南京理工大学 | 基于多参数估计的单基站移动用户定位方法 |
CN106804027B (zh) * | 2017-04-14 | 2019-06-18 | 合肥工业大学 | 一种基于ZigBee网络在超市环境中的定位方法 |
CN108614237B (zh) * | 2018-03-19 | 2020-12-04 | 西北大学 | 基于压缩感知的指纹库建立及rfid定位方法 |
CN108519578A (zh) * | 2018-03-23 | 2018-09-11 | 天津大学 | 一种基于群智感知的室内定位指纹库构建方法 |
CN109522940A (zh) * | 2018-10-26 | 2019-03-26 | 天津大学 | 一种基于聚类-nmds的多目标定位方法 |
CN111726743A (zh) * | 2019-03-04 | 2020-09-29 | 上海光启智城网络科技有限公司 | 一种基于在线学习的wifi定位方法及系统 |
CN111669707B (zh) * | 2020-06-10 | 2022-02-01 | 中通服咨询设计研究院有限公司 | 一种基于5g有源室分实现室内外连续定位的方法 |
CN113382470B (zh) * | 2021-06-08 | 2022-05-24 | 嘉兴霏云信息科技有限公司 | 一种无线指纹定位中大幅度减少指纹采集工作量的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101657014A (zh) * | 2009-09-11 | 2010-02-24 | 哈尔滨工业大学 | 基于近邻概率法的wlan室内定位方法 |
CN102325369A (zh) * | 2011-06-08 | 2012-01-18 | 哈尔滨工业大学 | 基于参考点位置优化的wlan室内单源线性wknn定位方法 |
CA2725250A1 (en) * | 2010-12-13 | 2012-06-13 | Shahrokh Valaee | System, method and computer program for anonymous localization |
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN102880673A (zh) * | 2012-09-10 | 2013-01-16 | 电子科技大学 | 一种室内定位方法 |
-
2014
- 2014-05-30 CN CN201410238077.2A patent/CN104038901B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101657014A (zh) * | 2009-09-11 | 2010-02-24 | 哈尔滨工业大学 | 基于近邻概率法的wlan室内定位方法 |
CA2725250A1 (en) * | 2010-12-13 | 2012-06-13 | Shahrokh Valaee | System, method and computer program for anonymous localization |
CN102325369A (zh) * | 2011-06-08 | 2012-01-18 | 哈尔滨工业大学 | 基于参考点位置优化的wlan室内单源线性wknn定位方法 |
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN102880673A (zh) * | 2012-09-10 | 2013-01-16 | 电子科技大学 | 一种室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104038901A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104038901B (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN108534779B (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
CN104519571B (zh) | 一种基于rss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 | |
CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN104703143A (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN106792465A (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
CN103258001B (zh) | 一种基于局部线性嵌入算法的射频地图无监督分类方法 | |
CN104507050A (zh) | 一种WiFi室内定位中概率型指纹匹配方法 | |
CN106028290A (zh) | 基于Kriging的WSN多维度向量指纹定位方法 | |
CN103220777A (zh) | 一种移动设备定位系统 | |
CN109029429B (zh) | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 | |
CN104469937A (zh) | 压缩感知定位技术中的传感器高效部署方法 | |
CN103338516A (zh) | 一种基于总体最小二乘的无线传感器网络两步定位方法 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN104540221A (zh) | 基于半监督sde算法的wlan室内定位方法 | |
CN103249144A (zh) | 一种基于c型的无线传感器网络节点定位方法 | |
CN101873605B (zh) | 一种网络规划中自适应传播环境分类方法 | |
CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
CN105208651A (zh) | 基于地图结构的Wi-Fi位置指纹非监督训练方法 | |
CN105652235A (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 | |
CN104581945A (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170426 Termination date: 20180530 |