CN104424276B - 基于流形学习的指纹库自更新方法和装置 - Google Patents
基于流形学习的指纹库自更新方法和装置 Download PDFInfo
- Publication number
- CN104424276B CN104424276B CN201310386266.XA CN201310386266A CN104424276B CN 104424276 B CN104424276 B CN 104424276B CN 201310386266 A CN201310386266 A CN 201310386266A CN 104424276 B CN104424276 B CN 104424276B
- Authority
- CN
- China
- Prior art keywords
- data point
- data
- signal vector
- space
- low
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于流形学习的指纹库自更新方法和装置,涉及定位领域。本发明利用相同或相近位置信号强度在低维位置空间具有的相似性为依据,基于大量无标记数据,利用流形技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,从低维位置空间的数据点中筛选出可信数据点,基于可信数据点预测出其他位置的数据点,并将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点,最后根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库,实现了基于大量无标记数据的指纹库自更新过程,赋予指纹库自适应无线信号环境变化的能力,提供定位算法的鲁邦性,同时降低了样本的采集代价。
Description
技术领域
本发明涉及定位领域,特别涉及一种基于流形学习的指纹库自更新方法和装置。
背景技术
指纹库保存有位置空间与信号向量空间之间的映射关系,根据接收到的信号向量和指纹库可以确定相应的位置信息,从而实现定位。由此可见,建立精确的位置空间与信号向量空间之间的映射模型,对提高定位精度至关重要。
目前指纹库通常采用监督学习的训练算法来建立的位置空间与信号向量空间之间的映射模型,该方法在离线训练阶段需要从实际环境中采集大量的训练数据集,训练数据集全部为标记数据,即经用户确认位置的位置点的信号向量。采集带有标记数据的训练数据集,样本收集代价非常高。
并且,无线信号容易受到环境的影响而发生变化,在信号分布变化时位置空间与信号向量空间的映射关系会发生较大改变,此时,如果仍然按照之前建立的指纹库进行定位,定位精度就会急剧下降。按照现有技术,需要重新采集大量带有标记数据的训练数据集来更新指纹库中的信息,样本收集代价非常高。
由此可见,现有的指纹库更新方法无法适用无线信号多变的通信环境,每次指纹库更新均需要采集大量带有标记数据的训练数据集,样本收集代价非常高。
发明内容
本发明实施例所要解决的一个技术问题是:解决指纹库更新过程由于需要大量标记数据的训练数据集所导致的样本收集代价较高的问题。
根据本发明实施例的一个方面,提出一种基于流形学习的指纹库自更新方法,包括:基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,其中,所述高维信号向量空间的数据点包括无标记数据,无标记数据是指未经用户确认位置的位置点的信号向量;从低维位置空间的数据点中筛选出可信数据点;基于可信数据点预测出其他位置的数据点;将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点;根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。
所述基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点包括:在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点;由邻居数据点构造邻接图,并计算邻接图的邻接矩阵;根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。
所述从低维位置空间的数据点中筛选出可信数据点包括:通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。
所述基于可信数据点预测出其他位置的数据点包括:采用数据插值方法或者高斯过程方法,基于可信数据点预测出其他位置的数据点。
所述高维信号向量空间的数据点还包括标记数据;其中,标记数据是指经用户确认位置的位置点的信号向量。
根据本发明实施例的再一个方面,提出一种基于流形学习的指纹库自更新装置,包括:第一映射单元,用于基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,其中,所述高维信号向量空间的数据点包括无标记数据,无标记数据是指未经用户确认位置的位置点的信号向量;筛选单元,用于从低维位置空间的数据点中筛选出可信数据点;预测单元,用于基于可信数据点预测出其他位置的数据点;第二映射单元,用于将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点;更新单元,用于根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。
所述第一映射单元,具体用于在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点;由邻居数据点构造邻接图,并计算邻接图的邻接矩阵;根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。
所述筛选单元,具体用于通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。
所述预测单元,具体用于采用数据插值方法或者高斯过程方法,基于可信数据点预测出其他位置的数据点。
所述高维信号向量空间的数据点还包括标记数据;其中,标记数据是指经用户确认位置的位置点的信号向量。
本发明利用相同位置或相近位置信号强度在低维位置空间所具有的相似性为依据,基于采集的大量无标记数据,利用流形技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,然后从低维位置空间的数据点中筛选出可信数据点,基于可信数据点预测出其他位置的数据点,并将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点,最后根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库,实现了基于大量无标记数据的指纹库自更新过程,赋予指纹库自适应无线信号环境变化的能力,提供定位算法的鲁邦性,同时降低了样本的采集代价。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于流形学习的指纹库自更新方法一个实施例的流程示意图。
图2为本发明信号向量空间与位置空间的映射关系示意图。
图3为本发明基于流形学习的指纹库自更新方法再一个实施例的流程示意图。
图4为本发明基于流形学习的指纹库自更新装置一个实施例的结构示意图。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作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。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为了解决指纹库更新过程由于需要大量标记数据的训练数据集所导致的样本收集代价较高的问题,本发明提出一种基于大量无标记数据的指纹库自更新方案(即指纹库自适应更新方案),大大降低了样本的采集代价。其中,标记数据是指经用户确认位置的位置点的信号向量,无标记数据是指未经用户确认位置的位置点的信号向量。需要说明的是,本发明提出的指纹库自更新方案可以全部采用无标记数据,也可以大量采用无标记数据,少量采用标记数据。由于标记数据的位置信息是经过用户确认的,因此,部分采用标记数据可以使指纹库中的数据更加准确。下面详细说明本发明的方案。
图1为本发明基于流形学习的指纹库自更新方法一个实施例的流程示意图。如图1所示,将在线定位阶段用户提供的大量无标记数据和少量标记数据或者全部无标记数据输入流形学习模型,流形学习模型输出有效数据,有效数据输入已有的指纹库更新指纹库数据,输出更新的指纹库。其中,有效数据例如可以是步骤S305中的可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点。
图2描述的是信号向量空间与位置空间的映射关系示意图。将一个工作日分为若干时间段,表示为T={t1,t2,...,tn},根据某时段内采集的无标记数据(还可以有少量标记数据),运用流形学习方法完成指纹库的自适应更新。如图2所示,某一时间段的信号向量空间(例如m维,m>2)中的数据点SA、SB、SC分别映射为位置空间(例如2维)中的数据点A、B、C,经过一段时间后,各位置点的信号向量空间可能会发生改变,改变后的信号向量空间中的数据点SA′、SB′、SC′分别映射为位置空间中的数据点A、B、C。基于流形学习的指纹库更新方案基于如下假设:i)物理位置相距较近点的信号强度相似,同样的信号强度相似点的物理位置较近。ii)信号强度在相隔较长的时间段内变化较大,相隔较短时间内变化较小。不同时间段的同一位置同一接入点(AP)的信号组成一个信号对,例如{SA,SA′},{SB,SB′}。例如,A、B点物理距离较接近,因此某时间段内,信号向量空间中的SB比SC更相近SA,在另一时间段内,信号空间发生了改变,但变化后的信号向量SB′仍然比SC′更相近SA′。
图3为本发明基于流形学习的指纹库自更新方法再一个实施例的流程示意图。
如图3所示,本实施例的指纹库自更新方法包括以下步骤:
S301,基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点。
其中,高维信号向量空间的数据点包括无标记数据,无标记数据是指未经用户确认位置的位置点的信号向量。高维信号向量空间的数据点还可以包括标记数据,标记数据是指经用户确认位置的位置点的信号向量。部分采用标记数据可以使指纹库中的数据更加准确。标记数据可以由系统提供纠错接口,用户在产生错失定位结果时,可以通过该纠错接口向系统提供正确位置。
本步骤实现了高维空间到低维空间的降维过程,其中一种示例性的实现方法为:
(1)局部近邻选取:在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点,例如可以采用k最近邻方法选取邻居节点,即通过计算两两信号向量之间的欧式距离,获取最近的k个邻居节点。
(2)构建邻接矩阵W:由邻居数据点构造邻接图G,并计算邻接图的邻接矩阵。
邻接图G的一种构造方法为:若某两个邻居数据点i,j近邻,则Gij=1,否则,若两点i,j不近邻,则Gij为0。
邻接矩阵也称为权重矩阵,可以使用热核方法确定,即若Gij=1,则Wij=exp[-‖xi-xj‖2/(2σ2)],否则若Gij=0,则Wij=0,其中,xi和xj分别表示信号向量,σ表示常量系数,‖xi-xj‖表示两向量xi和xj之间的距离。或者,可以使用简化表示,即若Gij=1,则Wij=1,否则若Gij=0,则Wij=0。
(3)特征映射(降维):根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。
在高维空间中距离相近的向量族转换到低维空间后还应保持相似的拓扑结构。则可以通过最小二乘原理构造下面的目标函数:
式中,Y表示低维位置空间的数据点,记为Y=[y1,y2,...,yd],L=D-W,D对角矩阵,L为拉普拉斯矩阵,该矩阵为对称的半正定矩阵,tr函数表示求解矩阵的秩。利用拉格朗日乘子法,求解低维(设为d维)坐标的优化问题等价于计算拉普拉斯矩阵L的d个最小特征值及其特征向量。令d个特征向量为u1,u2,...,ud,分别对应从小到大排列的特征值。则信号向量xi在低维(d维)空间Rd中的映射可以由u1(i),u2(i),...,ud(i)表示,整个高维信号向量X所映射的低维位置向量可以表示为Y=u1,u2,...,ud。
S302,从低维位置空间的数据点中筛选出可信数据点。
本步骤可以通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。
其中,粗大误差滤除方法例如为三倍均方差剔除偏离值,将某一数据点的距离与平均值进行比较,如果差值大于3倍标准差则舍去。
其中,距离阈值过滤方法是指,在确定当前定位结果是否可信时,考虑前面若干定位结果的信息,基于移动终端不可能在固定周期内突然跳变很远距离的假设,通过距离阀值过滤掉超出前面若干点均值一定范围的定位结果。
S303,基于可信数据点预测出其他位置的数据点。
本步骤可以通过线性变换(如数据插值)或非线性变换(如高斯过程)两种方式,基于可信数据点预测出其他位置的数据点。预测出的数据点的信息称为拟合值,可信数据点的信息称为标记值。
以线性的数据插值为例,假设信号的衰减模式为每3米信号强度下降1dB,那么根据可信数据点的位置和信号强度等信息则可以预测出其附近位置点的位置和信号强度等信息。
高斯过程(GP)是基于贝叶斯理论的一种概率模型,与一般的统计分析方法所不同的是,GP是通过高斯分布概率模型来寻找被测数据之间的内在联系,而不是设定基函数并通过参数的设定来拟合模型系统的。
S304,将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点。
本步骤的一种实现方法为:分别定义数据集X,Y,分别表示是信号向量和位置向量,进行流形对齐,通过图谱理论和最小二乘原理构造下面的优化目标函数:
其中,C(f,p)表示流形对齐的优化目标函数,p表示低维节点集合,f表示低维空间中的各节点,fi表示低维空间中节点的标记值,gi表示低维空间中节点的拟合值,μ表示距离权重系数,γ1是控制f复杂性的参数,γ2是控制f内在几何结构光滑性参数,LX表示信号向量空间上的拉普拉斯矩阵,LY表示位置向量空间上的拉普拉斯矩阵。上式中=右侧的第一项用来表示f和g在信号对上的差异,后两项用来表示流形在低维空间的光滑性。当μ→∞时,等价要求fi=gi。
然后,求解C(f,p)的瑞利商(Rayleigh),得到X和Y组合成的联合拉普拉斯矩阵:
其中,LZ表示X和Y组合成的联合拉普拉斯矩阵,最优解为LZ的dl个非零特征值对应的特征向量,用来表示高维信号向量空间的数据点。通过构造两种不同分布的数据集在低维空间的对齐流形,实现不同领域间的知识迁移,进而实现位置-信号指纹库模型的自适应更新。
S305,根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。在输入数据点信息之后,基于数据点信息更新指纹库的过程可以参考现有技术,这里不再赘述。
根据本发明实施例的再一个方面,提出一种基于流形学习的指纹库自更新装置。
图4为指纹库自更新装置一个实施例的结构示意图,如图4所示,指纹库自更新装置包括:
第一映射单元401,用于基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,其中,所述高维信号向量空间的数据点包括无标记数据,无标记数据是指未经用户确认位置的位置点的信号向量,高维信号向量空间的数据点还包括标记数据,标记数据是指经用户确认位置的位置点的信号向量;
筛选单元402,用于从低维位置空间的数据点中筛选出可信数据点;
预测单元403,用于基于可信数据点预测出其他位置的数据点;
第二映射单元404,用于将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点;以及
更新单元405,用于根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。
第一映射单元401,具体用于在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点;由邻居数据点构造邻接图,并计算邻接图的邻接矩阵;根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。
筛选单元402,具体用于通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。
预测单元403,具体用于采用数据插值方法或者高斯过程方法,基于可信数据点预测出其他位置的数据点。
本发明利用相同位置或相近位置信号强度在低维位置空间所具有的相似性为依据,基于采集的大量无标记数据,利用流形技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,然后从低维位置空间的数据点中筛选出可信数据点,基于可信数据点预测出其他位置的数据点,并将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点,最后根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库,实现了基于大量无标记数据的指纹库自更新过程,赋予指纹库自适应无线信号环境变化的能力,提供定位算法的鲁邦性,同时降低了样本的采集代价。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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)
1.一种基于流形学习的指纹库自更新方法,包括:
基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,其中,所述高维信号向量空间的数据点包括无标记数据,无标记数据是指未经用户确认位置的位置点的信号向量;
从低维位置空间的数据点中筛选出可信数据点;
基于可信数据点预测出其他位置的数据点;
将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点;
根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。
2.根据权利要求1所述的方法,其特征在于,所述基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点包括:
在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点;
由邻居数据点构造邻接图,并计算邻接图的邻接矩阵;
根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。
3.根据权利要求1所述的方法,其特征在于,所述从低维位置空间的数据点中筛选出可信数据点包括:
通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。
4.根据权利要求1所述的方法,其特征在于,所述基于可信数据点预测出其他位置的数据点包括:
采用数据插值方法或者高斯过程方法,基于可信数据点预测出其他位置的数据点。
5.根据权利要求1所述的方法,其特征在于,所述高维信号向量空间的数据点还包括标记数据,标记数据是指经用户确认位置的位置点的信号向量。
6.一种基于流形学习的指纹库自更新装置,包括:
第一映射单元,用于基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点,其中,所述高维信号向量空间的数据点包括无标记数据,无标记数据是指未经用户确认位置的位置点的信号向量;
筛选单元,用于从低维位置空间的数据点中筛选出可信数据点;
预测单元,用于基于可信数据点预测出其他位置的数据点;
第二映射单元,用于将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点;
更新单元,用于根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。
7.根据权利要求6所述的装置,其特征在于,所述第一映射单元,具体用于
在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点;
由邻居数据点构造邻接图,并计算邻接图的邻接矩阵;
根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。
8.根据权利要求6所述的装置,其特征在于,所述筛选单元,具体用于
通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。
9.根据权利要求6所述的装置,其特征在于,所述预测单元,具体用于
采用数据插值方法或者高斯过程方法,基于可信数据点预测出其他位置的数据点。
10.根据权利要求6所述的装置,其特征在于,所述高维信号向量空间的数据点还包括标记数据,标记数据是指经用户确认位置的位置点的信号向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310386266.XA CN104424276B (zh) | 2013-08-30 | 2013-08-30 | 基于流形学习的指纹库自更新方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310386266.XA CN104424276B (zh) | 2013-08-30 | 2013-08-30 | 基于流形学习的指纹库自更新方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104424276A CN104424276A (zh) | 2015-03-18 |
CN104424276B true CN104424276B (zh) | 2017-12-01 |
Family
ID=52973257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310386266.XA Active CN104424276B (zh) | 2013-08-30 | 2013-08-30 | 基于流形学习的指纹库自更新方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104424276B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104023389B (zh) * | 2014-05-12 | 2018-01-12 | 南京大学 | 一种快速ap匹配定位方法 |
CN107135482B (zh) * | 2016-02-26 | 2019-12-03 | 高德软件有限公司 | 更新指纹库的方法及装置 |
CN107295538B (zh) * | 2016-03-30 | 2022-03-18 | 日本电气株式会社 | 定位可信度的计算方法及使用可信度的定位方法和定位仪 |
CN109739866B (zh) * | 2018-12-28 | 2021-06-11 | 科大国创软件股份有限公司 | 一种包含指纹库的自动更新和优化装置及方法 |
CN112488151B (zh) * | 2020-11-05 | 2023-01-17 | 中国科学院计算机网络信息中心 | 一种半监督的基于流形学习的位置指纹库构建方法 |
CN114051202A (zh) * | 2021-10-29 | 2022-02-15 | 中国石油大学(华东) | 一种无线定位信号指纹样本库的自动学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103079269A (zh) * | 2013-01-25 | 2013-05-01 | 哈尔滨工业大学 | 基于LDE算法的WiFi室内定位方法 |
CN103096466A (zh) * | 2013-01-17 | 2013-05-08 | 哈尔滨工业大学 | Wi-Fi室内定位方法 |
CN103209478A (zh) * | 2013-04-27 | 2013-07-17 | 福建师范大学 | 基于分类阈值及信号强度权重的室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9037189B2 (en) * | 2011-08-05 | 2015-05-19 | Panasonic Intellectual Property Corporation Of America | Positioning server device and positioning control method |
-
2013
- 2013-08-30 CN CN201310386266.XA patent/CN104424276B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103096466A (zh) * | 2013-01-17 | 2013-05-08 | 哈尔滨工业大学 | Wi-Fi室内定位方法 |
CN103079269A (zh) * | 2013-01-25 | 2013-05-01 | 哈尔滨工业大学 | 基于LDE算法的WiFi室内定位方法 |
CN103209478A (zh) * | 2013-04-27 | 2013-07-17 | 福建师范大学 | 基于分类阈值及信号强度权重的室内定位方法 |
Non-Patent Citations (1)
Title |
---|
基于三角形与位置指纹识别算法的WIFI定位比较;卢恒惠等;《移动通信》;20100523;第72-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104424276A (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104424276B (zh) | 基于流形学习的指纹库自更新方法和装置 | |
CN104936148B (zh) | 一种基于模糊knn的wifi室内定位方法 | |
CN107105394B (zh) | 基于无线传感器网络的建筑安全监测系统 | |
CN105629198B (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
Gao et al. | Landscape ecological security assessment based on projection pursuit in Pearl River Delta | |
CN109000645A (zh) | 复杂环境目标经典航迹提取方法 | |
CN103150156B (zh) | 基于地理模型和移动轨迹实时获取特征人群的方法及系统 | |
CN102685255B (zh) | 一种分布式机会网络社区划分方法 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN107179525A (zh) | 一种基于泰森多边形的克里金插值的位置指纹构建方法 | |
CN104066058B (zh) | 一种基于双套指纹叠加的wlan室内定位方法 | |
CN107688665A (zh) | 一种室内地图自动构建方法、装置及存储介质 | |
CN104469833A (zh) | 一种基于用户感知的异构网络运维管理方法 | |
CN103297983A (zh) | 一种基于网络流的无线传感器网络节点动态部署方法 | |
CN106054125B (zh) | 一种基于线性链条件随机场的融合室内定位方法 | |
CN106777935A (zh) | 一种基于网络结构的疾病动态预测方法 | |
CN105873113A (zh) | 无线质量问题定位方法及系统 | |
CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN111314841B (zh) | 一种基于压缩感知与改进遗传算法的wsn定位方法 | |
CN105959988A (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
CN103945531A (zh) | 基于信息熵的WLAN室内定位Radio Map更新方法 | |
CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
CN106482737A (zh) | 室内无线终端定位准确性保证及轨迹校正方法 | |
CN110110946A (zh) | 基于各向异性Delaunay剖分的水质预测预警系统及其实现方法 | |
CN103412867B (zh) | 一种基于3σ法则的滤波装置的滤波方法 |
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 |