CN104619016B - 一种基于rssi的室内定位方法 - Google Patents

一种基于rssi的室内定位方法 Download PDF

Info

Publication number
CN104619016B
CN104619016B CN201510031944.XA CN201510031944A CN104619016B CN 104619016 B CN104619016 B CN 104619016B CN 201510031944 A CN201510031944 A CN 201510031944A CN 104619016 B CN104619016 B CN 104619016B
Authority
CN
China
Prior art keywords
value
rssi
indoor
maximum
renewal
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
Application number
CN201510031944.XA
Other languages
English (en)
Other versions
CN104619016A (zh
Inventor
徐小龙
王屹进
李涛
章韵
李千目
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.)
CERTUSNET Corp.
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201510031944.XA priority Critical patent/CN104619016B/zh
Publication of CN104619016A publication Critical patent/CN104619016A/zh
Application granted granted Critical
Publication of CN104619016B publication Critical patent/CN104619016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H04W4/04—

Abstract

本发明公开了一种基于RSSI的室内定位方法。该方法首先对RSSI测量值进行基于卡尔曼的滤波优化，然后利用滤波优化后的RSSI值进行室内定位；所述基于卡尔曼的滤波优化，在每一次对增益矩阵进行求解之前，首先将当前残余奇异值的最大值与一预设阈值进行比较，若残余奇异值的最大值大于或等于所述阈值，则将增益矩阵置零并进入下一次自循环中，否则，不采取任何额外操作，进入状态更新阶段。相比现有技术，本发明可有效消除人对无线信号传播所产生的噪声影响，并改善因为累积误差导致的定位精度的降低，在噪声均值变化幅度较大的室内环境中具有较高定位精度和定位稳定性，且时间开销较低。本发明尤其适用于人流密集的室内定位。

Description

一种基于RSSI的室内定位方法
技术领域
本发明涉及一种基于RSSI的室内定位方法，尤其涉及在噪声环境下利用基于卡尔曼的滤波优化方法对RSSI测量值进行滤波去噪并改善定位系统累积误差的基于RSSI的室内定位方法，属于移动计算和信号处理的交叉技术应用领域。
背景技术
室内定位算法力求通过不同的无线信号技术，利用对应的距离计算方法，在室内环境中对待定位物体进行快速、高效的精准定位，从而得到精确的物体坐标。
目前的室内定位算法都是基于无线网络(Wireless Fidelity,Wi-Fi)、无线传感器网络(Wireless Sensor Network,WSN)、射频识别(Radio Frequency Identification,RFID)、蓝牙(Bluetooth)以及超宽带(Ultra Wide Band,UWB)等无线技术。结合信号传输时间(Time of Arrival,TOA)、信号传输时间差(Time Difference of Arrival,TDOA)信号传输角度(Angle of Arrival,AOA)以及信号强度指示(Received Signal StrengthIndicator,RSSI)这些方法中的一种，再利用三边测量或者三角测量的方法测算得到待定坐标。
室内定位算法的性能指标有定位精度、时间开销、定位实时性、算法复杂度等。其中，定位精度是室内定位算法的关键指标。一些室内定位算法在理论上可预见较高的定位精度，但是在实际环境中定位精度却很低，这是由于这些定位算法没有考虑室内环境中的人及人的活动。对于Wi-Fi信号来说，其通信频率为2.4GHz，和水的共振频率一样，而人体的含水比例约为70％，室内环境中的人会对信号的传播产生影响，如果人员众多且活动频繁，那么这些室内环境中的人将在室内定位过程中产生较大噪声，降低定位精度。
可见，单纯地考虑各种无线技术在室内无人环境的定位是不足的，特别是在诸如博物馆，商业中心等大型室内定位场景当中，人员众多且人流量大，要想通过合适的定位算法得到较高的定位精度，就不得不解决人本身所带来的噪声影响。
发明内容
本发明所要解决的技术问题在于克服现有技术不足，提供一种基于RSSI的室内定位方法，通过改进的卡尔曼滤波算法对RSSI测量值进行处理，从而消除人对无线信号传播所产生的噪声影响，有效改善因为累积误差导致的定位精度的降低，能够在噪声均值变化幅度较大的室内环境仍能保持较高的定位精度，且能够提高室内定位的稳定性并保持较低的时间开销。
本发明具体采用以下技术方案：
一种基于RSSI的室内定位方法，首先对RSSI测量值进行基于卡尔曼的滤波优化，然后利用滤波优化后的RSSI值进行室内定位；所述基于卡尔曼的滤波优化，在每一次对增益矩阵进行求解之前，首先将当前残余奇异值的最大值与一预设阈值进行比较，若残余奇异值的最大值大于或等于所述阈值，则将增益矩阵置零并进入下一次自循环中，否则，不采取任何额外操作，进入状态更新阶段。
优选地，所述基于RSSI的室内定位方法，具体包括以下步骤：
步骤1、获取RSSI测量值并进行定位系统初始化；
步骤2、进行时间更新：根据初始数据或上一轮自循环中状态更新得到的数据，计算RSSI的先验值和先验误差协方差；
步骤3、奇异值判定：在进行状态更新开始前，计算残余奇异值的最大值，并将其与经验阈值ρ作比较：若计算得到的奇异值最大值不小于经验阈值ρ，转到步骤4；若计算得到的奇异值最大值小于经验阈值ρ，则不做其他操作，准备进入状态更新，转到步骤5；
步骤4、将增益矩阵置0，跳过本轮循环的状态更新过程，准备进入下一轮的自循环过程，转到步骤2；
步骤5、进行状态更新：根据本轮时间更新得到的数据进行增益Kk的计算，更新RSSI估计值和RSSI的协方差误差；
步骤6、判断迭代是否结束，若结束则转到步骤7；若未结束，则进行下一轮的自循环优化过程，转到步骤2；
步骤7、根据得到的RSSI值计算出距离值，并根据距离值得到最终的估计坐标值，结束算法循环。
相比现有技术，本发明具有以下有益效果：
本发明具有以下有益效果：
(1)本发明方法有效优化了大型室内环境中人在定位过程中产生的噪声，克服了人员众多的情况下定位精度有所降低的难题，提高了定位精度；
(2)本发明方法能够有效改善因为累积误差导致的定位精度的降低，进一步提高了室内定位的精度；
(3)本发明方法的稳定性能够保证即使在室内噪声值变化很大且不稳定的环境下，和传统的定位算法相比，依然能够保持较高的定位精度，提高了定位系统的定位稳定性；
(4)本发明方法的时间复杂度为O(n)，时间开销小，定位实时性高。
附图说明
图1为本发明的室内定位方法的流程示意图；
图2为本发明适用的定位环境的场景示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
本发明针对现有基于RSSI的室内定位算法对于人流较大的场景定位精度较低的不足，利用基于卡尔曼的滤波优化方法对RSSI测量值进行去噪，根据矩阵论原理，利用简单的奇异值判定来消除累积误差的影响，从而可有效消除较大人流环境下人体本身对无线信号所产生的影响，提高定位精度。
1960年卡尔曼发表了一篇著名的论文[Kalman R E.A new approach to linearfiltering and prediction problems[J].Journal of Fluids Engineering,1960,82(1):35-45.]，在文中他阐述了一种解决离散数据线性滤波问题的递归方法，并由StanleySchmidt首次实现了这种递归优化算法，这种优化算法称为卡尔曼滤波器。卡尔曼滤波器最初只是一种形式一般的简单滤波器，伴随着数字计算机技术的不断丰富和进步，卡尔曼滤波器算法也得到了不断的扩充与发展，特别是在工程领域中，从自动化机床的控制到计算机图形图像的处理，从导弹追踪到雷达系统探测，从机器人导航到卫星轨迹预测等，卡尔曼滤波器在工业、军事和高科技领域均有广泛的应用，有着难以替代的地位。简单来说，“卡尔曼滤波器是一个最优化自回归数据处理算法”。
正是由于卡尔曼滤波器的最优化自回归特性，在室内定位的进程中，经过卡尔曼滤波器的时间更新过程和状态更新过程的反复迭代，来得到定位坐标的优化值。实验结果表明，卡尔曼滤波器确实能够提高定位精度，并且效果明显又稳定。但是伴随着迭代次数的不断增加，由定位系统产生的累积误差(Accumulative Error)也将越来越大，特别是在人员众多、人员活动频繁、室内结构复杂的室内环境之中，所产生的累积误差效应将对室内定位精度产生很大的影响。因为Wi-Fi的通信频率为2.4GHz，和水的共振频率一样，而人体的含水比例大约为70％，因此人体对Wi-Fi信号的影响十分显著，特别是在人员众多且活动频繁的室内环境当中，人对无线信号的影响以及对室内定位精度的影响尤为明显。
本发明所提出的基于卡尔曼的改进型滤波算法利用矩阵论的奇异值原理，结合一个经验阈值去选择性地处理整个优化方法的循环过程，改善累积误差对定位精度的影响，从而提升在该频段噪声室内环境中的定位精度。
本发明提出的室内定位算法分为时间更新，奇异值判定以及状态更新三个过程，并通过这三个过程的反复迭代来得到RSSI的优化值，从而便于得到更为精确的定位坐标。算法的核心思想是根据矩阵论中的奇异值理论，在算法优化迭代的自循环过程中设置一个奇异值判定过程，并结合经验阈值选择性地在第k次自循环中将残余的增益置零，使第k次的自循环跳空，利用算法自循环的惯性预测特性进行第k+1次RSSI值的估算，减少累积误差的叠加，减轻定位系统中非线性特性稍强或者噪声特性偏离高斯分布较大所带来的影响，从而优化RSSI值，以便于得到更为精确的位置坐标。
定位算法中的离散过程可由下面的差分方程和观测方程来表示，其中n维状态变量X∈Rn，m维观测变量μ∈Rm。
差分方程：
Xk＝AXk-1+Bωk-1+εk-1 (1)
观测方程：
在式(1)和式(2)中，ε和分别表示定位系统的过程激励噪声和观测噪声，都是期望为0的白噪声向量；A为一个n×n阶增益方阵，将k-1时刻的RSSI值和k时刻的RSSI值联系起来；B为一个n×l阶控制增益矩阵，在实际定位系统中通常取零值；ωk-1为l维控制向量；H表示状态变量Xk对观测变量μk的增益。
这里定义为已知第k-1步及以前的情况下，对第k步的先验状态估计，即对RSSI的一个先验估计值， 为已知观测变量μk的第k步的后验状态估计值，即经过观测变量μk修正之后的RSSI的后验估计值，由此可得室内定位算法中RSSI值的计算式为：
在式(3)中，称为残余，记为Z。若残余值为零时，则即后验RSSI估计值与先验RSSI估计值一致。K为残余的增益矩阵。根据RSSI值先验状态误差ek'和后验状态误差ek，可以分别得到它们的协方差Pk'和Pk，则增益矩阵K的求解公式为：
Kk＝Pk'HT(HPk'HT+R)-1 (4)
在式(4)中，R为观测噪声的协方差矩阵，这里设为常数。
本发明的算法中提出了对残余求最大奇异值的操作，即根据残余推测第k-1次RSSI估计值和第k+1次RSSI估计值的关系。残余越大表示两个估计RSSI值之间的差值越大，而残余各个奇异值共同衡量了这个差值的大小程度。算法的自循环优化过程可以看作是一个“惯性”的优化过程，两次迭代之间的估计RSSI值也遵循“惯性”的特点，差值不会突然变大。但由于累积误差的逐渐增加，估计RSSI值会逐渐偏离实际值，逐渐会出现较大的残余奇异值。如果残余奇异值的最小值已经很大，此时所有的奇异值都会很大，说明此时的累积误差非常大，得到的RSSI值也将非常不准确并严重影响定位精度，所以选取残余奇异值的最大值来参与判定过程，使得估计的RSSI值还能维持一定程度的准确性。每一次对增益矩阵K求解之前，都需参照一个经验阈值，对残余奇异值的最大值进行一次判定，根据不同的判定情况对增益矩阵K做出不同处理。经验阈值ρ可以按照式(5)确定：
若残余奇异值的最大值norm(Z)大于或等于经验阈值，则将增益矩阵K置零并进入第k+1次自循环中，否则不对算法的自循环过程采取额外操作。其中，λ为测距误差阈值，它是一个根据不同的无线技术在室内定位计算过程中对RSSI0的测量误差值而确定的一个经验阈值；δ为定位系统误差阈值，由于本发明基于卡尔曼滤波器，此时的系统误差即为卡尔曼滤波器的定位误差阈值，也是一个经验阈值。求取当前残余奇异值的最大值可直接采用MATLAB中的norm()函数实现。
经过了n次的时间更新，奇异值判定和状态更新的自循环过程，可根据RSSI的shadowing模型计算出距离值di，如公式(6)所示：
在式(6)中，α为路径损耗系数，具体取值是一个经验值；di为待测节点和已知信号发射节点之间的距离，RSSIi为待测节点的接收信号强度；RSSI0为距离已知信号发射节点1m处的信号强度值。根据公式(6)计算得到的di，再通过三边测量的方法(当然，也可采用其它各种基于RSSI的定位算法)，能够计算得到估计坐标值(x,y)。
本发明定位方法的基本流程如图1所示，包括以下步骤：
步骤1：在进行定位前，将接收到的RSSI和增益矩阵A，B，H，预设的迭代次数n以及经验阈值ρ加载进定位算法当中；
步骤2：进行时间更新。根据初始数据或上一轮自循环中状态更新得到的数据，结合流程图中的公式计算得到RSSI的先验值和先验误差协方差，为本轮状态更新做好准备工作；
步骤3：进入奇异值判定阶段。在进行状态更新开始前，计算残余的奇异值的最大值，并将其与经验阈值ρ作比较：若计算得到的奇异值最大值不小于经验阈值ρ，转到步骤4；若计算得到的奇异值最大值小于经验阈值ρ，则不做其他操作，准备进入状态更新，转到步骤5；
步骤4：将增益Kk置0。此时，后验状态估计值与先验状态估计值相等，即后验状态误差协方差与先验状态误差协方差相等，即Pk＝Pk'。在本次自循环优化过程中，根据之前判定过程的判断，跳过本轮循环的状态更新过程，准备进入下一轮的自循环过程，转到步骤2；
步骤5：进行状态更新。根据本轮时间更新得到的数据进行增益Kk的计算，更新RSSI估计值和RSSI的协方差误差；
步骤6：判断迭代是否结束。若结束则转到步骤7；若未结束，则置k＝k+1，并进行下一轮的自循环优化过程，转到步骤2；
步骤7：根据得到的RSSI值计算出优化了的距离值di，并结合三边测量的方法得到最终的估计坐标值，结束算法循环。
图2显示了本发明的室内定位方法所适用的场景，如图2所示，该场景是一个200m×250m的大型室内卖场，其中有大量前来购物的顾客，W1～W9为9个Wi-Fi信号接入点，大量的活动顾客会在室内定位的过程中造成很大的噪声，影响室内定位精度。在对顾客进行室内定位时，以M1为例，由于三边测量算法的要求，至少需要三个不共线的Wi-Fi信号接入点才能进行定位，但室内顾客众多，M1与各个Wi-Fi信号接入点之间都间隔着很多人，若是直接使用未对噪声进行针对性处理的室内定位算法对M1进行定位会产生很大的定位误差，定位精度很低。而采用本发明的室内定位算法能够很好地优化人对信号传播过程中产生的噪声，并且减轻了定位算法本身在定位过程中产生的累积误差对定位精度的影响，对外界和算法内部都进行了抗噪声处理，能够对M1进行精度较高的室内定位。

Claims (5)

1.一种基于RSSI的室内定位方法，其特征在于，首先对RSSI测量值进行基于卡尔曼的滤波优化，然后利用滤波优化后的RSSI值进行室内定位；所述基于卡尔曼的滤波优化，在每一次对增益矩阵进行求解之前，首先将当前残余奇异值的最大值与一预设阈值进行比较，若残余奇异值的最大值大于或等于所述阈值，则将增益矩阵置零并进入下一次自循环中，否则，不采取任何额外操作，进入状态更新阶段。
2.如权利要求1所述基于RSSI的室内定位方法，其特征在于，当前残余奇异值的最大值利用MATLAB中的norm()函数得到。
3.如权利要求1所述基于RSSI的室内定位方法，其特征在于，所述利用滤波优化后的RSSI值进行室内定位，使用三边定位算法。
4.如权利要求1所述基于RSSI的室内定位方法，其特征在于，所述阈值ρ按照下式确定：
<mrow> <mi>&amp;rho;</mi> <mo>=</mo> <msqrt> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>&amp;delta;</mi> <mn>2</mn> </msup> </msqrt> </mrow>
其中，λ为测距误差阈值，δ为定位系统误差阈值。
5.如权利要求1所述基于RSSI的室内定位方法，其特征在于，具体包括以下步骤：步骤1、获取RSSI测量值并进行定位系统初始化；
步骤2、进行时间更新：根据初始数据或上一轮自循环中状态更新得到的数据，计算RSSI的先验值和先验误差协方差；
步骤3、奇异值判定：在进行状态更新开始前，计算残余奇异值的最大值，并将其与经验阈值ρ作比较：若计算得到的奇异值最大值不小于经验阈值ρ，转到步骤4；若计算得到的奇异值最大值小于经验阈值ρ，则不做其他操作，准备进入状态更新，转到步骤5；
步骤4、将增益矩阵置0，跳过本轮循环的状态更新过程，准备进入下一轮的自循环过程，转到步骤2；
步骤5、进行状态更新：根据本轮时间更新得到的数据进行增益Kk的计算，更新RSSI估计值和RSSI的协方差误差；
步骤6、判断迭代是否结束，若结束则转到步骤7；若未结束，则进行下一轮的自循环优化过程，转到步骤2；
步骤7、根据得到的RSSI值计算出距离值，并根据距离值得到最终的估计坐标值，结束算法循环。
CN201510031944.XA 2015-01-22 2015-01-22 一种基于rssi的室内定位方法 Active CN104619016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510031944.XA CN104619016B (zh) 2015-01-22 2015-01-22 一种基于rssi的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510031944.XA CN104619016B (zh) 2015-01-22 2015-01-22 一种基于rssi的室内定位方法

Publications (2)

Publication Number Publication Date
CN104619016A CN104619016A (zh) 2015-05-13
CN104619016B true CN104619016B (zh) 2017-12-01

Family

ID=53153229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510031944.XA Active CN104619016B (zh) 2015-01-22 2015-01-22 一种基于rssi的室内定位方法

Country Status (1)

Country Link
CN (1) CN104619016B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182288B (zh) * 2015-09-15 2017-09-29 北京航空航天大学 一种基于室内定位系统的rssi卡尔曼滤波方法
CN107677991A (zh) * 2017-08-15 2018-02-09 广东南方数码科技股份有限公司 基于低功耗信号源的室内定位方法、电子设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102088769A (zh) * 2010-12-23 2011-06-08 南京师范大学 直接估计和消除非视距误差的无线定位方法
CN103292804A (zh) * 2013-05-27 2013-09-11 浙江大学 一种单目自然视觉路标辅助的移动机器人定位方法
CN104066179A (zh) * 2014-07-10 2014-09-24 浙江银江研究院有限公司 一种改进的自适应迭代ukf的wsn节点定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102088769A (zh) * 2010-12-23 2011-06-08 南京师范大学 直接估计和消除非视距误差的无线定位方法
CN103292804A (zh) * 2013-05-27 2013-09-11 浙江大学 一种单目自然视觉路标辅助的移动机器人定位方法
CN104066179A (zh) * 2014-07-10 2014-09-24 浙江银江研究院有限公司 一种改进的自适应迭代ukf的wsn节点定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于渐消卡尔曼滤波的井下人员定位模型研究";杨宜辰，李敬兆，詹林;《计算机测量与控制》;20140228(第2期);第513-515页 *

Also Published As

Publication number Publication date
CN104619016A (zh) 2015-05-13

Similar Documents

Publication Publication Date Title
Khan et al. Localization performance evaluation of extended Kalman filter in wireless sensors network
CN112533163B (zh) 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法
CN106646356A (zh) 一种基于卡尔曼滤波定位的非线性系统状态估计方法
CN105824003A (zh) 一种基于轨迹平滑的室内移动目标定位方法
EP2928243B1 (en) Method for the indoor positioning of wireless local area network (wlan) devices
Nguyen et al. Optimized indoor positioning for static mode smart devices using BLE
Lagias et al. New RSSI-based tracking for following mobile targets using the law of cosines
CN101977436B (zh) 基于wlan室内定位的移动用户位置坐标修正方法
Tsang et al. A bluetooth-based indoor positioning system: a simple and rapid approach
Parasuraman et al. Kalman filter based spatial prediction of wireless connectivity for autonomous robots and connected vehicles
CN104619016B (zh) 一种基于rssi的室内定位方法
KR101627419B1 (ko) 이동 노드의 위치 추정 방법 및 그 장치
Khan et al. Experimental testbed evaluation of cell level indoor localization algorithm using Wi-Fi and LoRa protocols
Nick et al. Localization of uhf rfid labels with reference tags and unscented kalman filter
Janapati et al. Indoor localization of cooperative WSN using PSO assisted AKF with optimum references
CN107228667B (zh) 一种融合地图信息的改进卡尔曼滤波器室内定位跟踪方法
Rudić et al. Geometry-aided ble-based smartphone positioning for indoor location-based services
Lim et al. A mobile robot tracking using Kalman filter-based gaussian process in wireless sensor networks
Kausar et al. A novel Kalman filter based trilateration approach for indoor localization problem
Ainul et al. An improved indoor RSSI based positioning system using Kalman filter and MultiQuad algorithm
Wang et al. Rf based target search and localization with microuva
Fujii et al. Accurate indoor positioning using IMES radio
Alexandrov et al. Method for indoor localization of mobile devices based on aoa and kalman filtering
Wahid et al. Mobile indoor localization based on rssi using kalman filter and trilateration technique
Wang et al. An advanced algorithm for Fingerprint Localization based on Kalman Filter

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210601

Address after: 210042 18 Xuanwu Road, Xuanwu District, Nanjing, Jiangsu, 699-22

Patentee after: CERTUSNET Corp.

Address before: 210023 9 Wen Yuan Road, Qixia District, Nanjing, Jiangsu.

Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS