CN104853435B - 一种基于概率的室内定位方法和装置 - Google Patents
一种基于概率的室内定位方法和装置 Download PDFInfo
- Publication number
- CN104853435B CN104853435B CN201510276197.6A CN201510276197A CN104853435B CN 104853435 B CN104853435 B CN 104853435B CN 201510276197 A CN201510276197 A CN 201510276197A CN 104853435 B CN104853435 B CN 104853435B
- Authority
- CN
- China
- Prior art keywords
- probability
- reference point
- point
- tested
- tested point
- 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
-
- 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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H04W4/04—
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于概率的室内定位方法和装置,其中基于概率的室内定位方法包括:基于M个参考点相对于N个AP的RSSI序列、概率分布和M个参考点的位置坐标,建立指纹数据库;获得至少一个待测点相对于N个AP的RSSI序列和概率分布;其中,对至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;基于贝叶斯定理将至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得第j个待测点处于M个参考点中每一个参考点上的概率;将M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,计算第j个待测点的定位坐标。利用本发明能够提高室内定位的精度。
Description
技术领域
本发明涉及室内定位技术领域,具体涉及一种基于概率的室内定位方法和装置。
背景技术
随着物联网概念的兴起和定位技术的快速发展,基于ZigBee(紫蜂协议)的室内定位技术成为了现在研究的热点,找到一种高精度、低复杂度的算法成为研究者的共同目标。当前已有很多研究学者采用各种方法来减小工作量并提高定位精度,一些算法虽然在仿真环境中能取得比较好的定位效果,但应用到实际环境中还存在较大的误差,原因之一是实际环境对RSSI(Received Signal Strength Indication,接收的信号强度指示)值的影响较大,例如墙壁的阻挡、反射和衍射、人员走动、时间、天气等,这些因素会造成RSSI的波动,而环境因素是难于避免的,导致定位精度难以提高。已出现的基于概率性的室内定位算法比确定性算法精度有所提高,但概率性算法(如Bayes贝叶斯概率法)中存在“零概率”的情况,一旦出现零概率将导致定位精度下降。
发明内容
有鉴于此,本发明提出一种基于概率的室内定位方法和装置,定位过程中采用拉普拉斯校准以及加权K近邻法获得待测点定位坐标。
本发明提供一种基于概率的室内定位方法,包括:S101,基于M个参考点相对于N个AP的RSSI序列、概率分布和所述M个参考点的位置坐标,建立指纹数据库;S102,获得至少一个待测点相对于所述N个AP的RSSI序列和概率分布;其中,对所述至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;S103,基于贝叶斯定理将所述至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得所述第j个待测点处于所述M个参考点中每一个参考点上的概率;S104,将S103中获得的M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,基于下式计算所述第j个待测点的定位坐标
其中,(xi,yi)为k个参考点中第i个参考点的坐标,pi为所述第i个参考点的后验概率,其中,1≤k≤10。
优选地,其中,k取概率列表中介于之间的数值的个数,pmax为概率列表中的最大概率。
优选地,该方法还包括,基于以下公式计算定位平均误差:
其中R为待测点的总个数。
本发明还提供一种基于概率的室内定位装置,包括:参考点数据处理模块,用于基于M个参考点相对于N个AP的RSSI序列、概率分布和所述M个参考点的位置坐标,建立指纹数据库;待测点数据处理模块,用于获得至少一个待测点相对于所述N个AP的RSSI序列和概率分布;其中,对所述至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;数据匹配处理模块,用于基于贝叶斯定理将所述至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得所述第j个待测点处于所述M个参考点中每一个参考点上的概率;定位计算处理模块,用于将数据匹配处理模块获得的M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,基于下式计算所述第j个待测点的定位坐标
其中,(xi,yi)为k个参考点中第i个参考点的坐标,pi为所述第i个参考点的后验概率,其中,1≤k≤10。
有益效果:本发明实施例采用拉普拉斯校准避免定位过程中出现“零概率”情况,并采用加权K近邻法对贝叶斯定理匹配出的估计位置进行处理,取前k个最大概率的位置坐标加权求和,得到待定位测试点的估计坐标,相对于以往将贝叶斯公式求出的最大概率位置作为最终定位位置,本发明定位精度高。
附图说明
图1是本发明实施例的基于概率的室内定位方法处理流程图。
图2是本发明实施例的参考点和待测点的分布效果图。
图3是本发明实施例的基于概率的室内定位装置结构框图。
图4是本发明另一实施例的基于概率的室内定位装置结构框图。
具体实施方式
以下结合附图以及具体实施例,对本发明的技术方案进行详细描述。
首先简要介绍Bayes(贝叶斯)概率法在室内定位技术中的应用原理。通常将室内定位算法分为两个阶段:离线(采集)阶段和在线(定位)阶段,离线阶段是形成指纹库阶段,在线阶段是位置估计阶段。在离线阶段,指纹库中记录的是对若干参考点的RSSI值的概率统计;在在线阶段,采用贝叶斯概率法,将在测试点测得的RSSI值与指纹库匹配。具体地,假设已知某区域内有K个无线访问接入点AP(Wireless Access Point),则该区域某一个参考点的估计联合概率为P(AP1=s1,...,APi=si,...,APk=sk),其中si是该参考点接收到APi(第i个AP)的信号强度,这里可将联合概率分布估计问题转换作为估计边缘概率,即:
P(AP1=S1,...APk=sk)=P(AP1=s1)…P(APk=sk)
通过上述计算,在离线阶段求得概率统计图。在定位阶段,在测试点接收的各AP信号强度可通过检测获得,信号强度向量其中,定位的核心就是在整个区域内找到一个位置L,在该位置处,接收该信号强度的概率为最大,即计算根据贝叶斯法则可得:
其中因为P(L)和为定值,因此:
因为各AP之间属性独立,因此:
从而可求出位置L的坐标,即测试点位于该位置处,完成定位处理。
基于上述内容,为去除零概率的情况(P(si|L)=0),本发明采用拉普拉斯校准处理,并且为进一步提高定位精度,采用加权K近邻(WKNN)计算最终的定位坐标。
图1示出了本发明实施例的基于概率的室内定位方法处理流程图,具体步骤如下:
S101,基于M个参考点相对于N个AP的RSSI序列、概率分布和所述M个参考点的位置坐标,建立指纹数据库;
S102,获得至少一个待测点相对于所述N个AP的RSSI序列和概率分布;其中,对所述至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;
S103,基于贝叶斯定理将所述至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得第j个待测点处于所述M个参考点中每一个参考点上的概率;
S104,将S103中获得的M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,基于下式计算第j个待测点的定位坐标
其中,(xi,yi)为k个参考点中第i个参考点的坐标,pi为第i个参考点的后验概率,其中1≤k≤10。
关于上述步骤,一方面,关于步骤S102中的拉普拉斯校准,如果在N个AP中第i个AP对应的位置概率P(si|L)为零,则即使其余AP对应的概率很高,也会导致整体的概率为零,严重影响定位精度。为此,采用拉普拉斯校准法,对于每个元组出现的次数,在原基础上增加一个特别小的值,这个增加值不会影响整体结果。举例来讲,在某训练数据库D上,类buyscomputer=yes包含1000个元组,有0个元组income=low,990个元组income=medium,10个元祖income=high。不使用拉普拉斯校准,这些时间的概率分别是0、0.990和0.010。使用拉普拉斯校准时,假设对每个income=(low,medium,high)各增加一个元组,分别得到如下的概率(保留三位小数):
可以看到,经过拉普拉斯校准的概率估计与原来的估计很接近,且校准后不存在零概率值。
在本发明的实施例中,对一个待测点做拉普拉斯校准就是对该待测点的各个RSSI值的出现次数加1,并将总采集次数相应增大,由此形成待测点的RSSI序列和概率分布,则该概率分布经拉普拉斯校准处理。
另一方面,在步骤S104中所做处理是基于加权K近邻法,首先将利用贝叶斯法则匹配计算出的一个待测点对应的多个参考点位置进行排序,排序时按概率由大到小,取其中前k个参考点,对这k个参考点的坐标加权求和,可得到该待测点的最终定位坐标。
具体来看,根据下式计算前k个参考点中第i个参考点所占的权值wi:
其中,pi为第i个参考点的后验概率,(xi,yi)为第i个参考点的横坐标和纵坐标。关于k值的选择,k可取1~10之间的整数。
然后,根据下式计算待测点的最终定位坐标
同理可计算多个待测点的定位坐标。以下基于具体实施例描述本发明的处理过程。图2示出了本发明某个实施例中使用的参考点和待测点的分布图,可以看到区域内分布有64个参考点及14个待测点。
在采集阶段,测量范围为9m*7m的区域,区域中有6个AP(例如ZigBee节点)、64个已知参考点和14个待测点,在每一个参考点上(利用移动终端)可采集到6个AP的RSSI值(即RSSI序列)。其中,由于RSSI信号强度受多种因素影响,随机性较强,因此每个参考点位置做多次采样,例如采样50次,除去噪声数据(如空值或变化较大的数据值),然后统计每个RSSI值出现次数的概率分布,形成指纹数据库,存储在服务器上。
表1给出本发明某实施例的64个参考点中6个点的横坐标和纵坐标(其余坐标值省略),如下:
参考点ID | X | Y |
1 | 0 | 0 |
2 | 80 | 0 |
3 | 160 | 440 |
4 | 240 | 840 |
5 | 400 | 240 |
6 | 200 | 680 |
7 | … | … |
表1
其中,以参考点(0,0)为例,其RSSI序列和概率分布如表2:
AP ID | X | Y | RSSI | P |
1 | 0 | 0 | -62 | 0.12 |
1 | 0 | 0 | -61 | 0.1 |
1 | 0 | 0 | -60 | 0.24 |
1 | 0 | 0 | -59 | 0.14 |
1 | 0 | 0 | -58 | 0.12 |
2 | 0 | 0 | -71 | 0.08 |
2 | 0 | 0 | -70 | 0.14 |
2 | 0 | 0 | -68 | 0.32 |
…. | … | …. | … | …. |
表2
表2中给出参考点(0,0)对AP1的五次采集数据,以及对AP2的三次采集数据(其余数据省略)。
在定位阶段,在每个待测点上多次采集6个AP的RSSI值,上传至服务器。服务器先对接收到的数据进行拉普拉斯校准(每个RSSI值的出现次数加1),计算概率分布;然后基于贝叶斯概率法,将待测点的数据与指纹数据库匹配,分别求取每一个待测点位于各个已知参考点上的概率。
然后,将待测点的概率从大到小排序,取前k个概率对应的坐标值做后续计算。表3列出了某一个待测点的前6个概率p及对应的6个参考点坐标(X,Y):
X | Y | p |
80 | 0 | 0.027196 |
0 | 0 | 0.018161 |
400 | 280 | 0.017697 |
240 | 240 | 0.016928 |
200 | 280 | 0.016528 |
320 | 0 | 0.015961 |
表3
接着,利用下式计算该待测点的定位坐标
其中,k=6。经计算,定位结果为:即得到了该待测点的定位坐标为(217.4,142.01),单位cm。同理可得到其余13个待测点的定位坐标。
除此之外,为了验证上述算法的可靠性,可计算待测点定位坐标与实际坐标的平均误差:
例如上述计算出的待测点(217.4,142.01),在定位前记录的实际坐标为(80,40)。基于全部14个待测点的定位坐标和实际坐标可得到定位算法的平均误差,应使平均误差尽量小。
在本发明的实施例中,通过多次定位实验,得出当k取之间的数值的个数时,平均误差比较小。例如表3中,pmax=0.027196,则之间的数值有6个,因此该实施例取k=6,定位精度高。
对应于上述处理流程,本发明还提供一种基于概率的室内定位装置100,参考图4,其包括:
参考点数据处理模块10,用于基于M个参考点相对于N个AP的RSSI序列、概率分布和所述M个参考点的位置坐标,建立指纹数据库;
待测点数据处理模块12,用于获得至少一个待测点相对于所述N个AP的RSSI序列和概率分布;其中,对所述至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;
数据匹配处理模块14,用于基于贝叶斯定理将所述至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得所述第j个待测点处于所述M个参考点中每一个参考点上的概率;
定位计算处理模块16,用于将数据匹配处理模块获得的M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,基于下式计算所述第j个待测点的定位坐标
其中,(xi,yi)为k个参考点中第i个参考点的坐标,pi为所述第i个参考点的后验概率,其中,1≤k≤10。
进一步地,装置100还可以包括误差计算处理模块18,用于基于以下公式计算定位平均误差:
其中R为待测点的总个数。
以上,结合具体实施例对本发明的技术方案进行了详细介绍,所描述的具体实施例用于帮助理解本发明的思想。本领域技术人员在本发明具体实施例的基础上做出的推导和变型也属于本发明保护范围之内。
Claims (6)
1.一种基于概率的室内定位方法,其特征在于,包括:
S101,基于M个参考点相对于N个AP的RSSI序列、概率分布和所述M个参考点的位置坐标,建立指纹数据库;
S102,获得至少一个待测点相对于所述N个AP的RSSI序列和概率分布;其中,对所述至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;
S103,基于贝叶斯定理将所述至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得所述第j个待测点处于所述M个参考点中每一个参考点上的概率;
S104,将S103中获得的M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,基于下式计算所述第j个待测点的定位坐标
其中,(xi,yi)为k个参考点中第i个参考点的坐标,pi为所述第i个参考点的后验概率,其中,1≤k≤10。
2.如权利要求1所述的基于概率的室内定位方法,其特征在于,其中,k取概率列表中介于之间的数值的个数,pmax为概率列表中的最大概率。
3.如权利要求1所述的基于概率的室内定位方法,其特征在于,还包括,基于以下公式计算定位平均误差:
其中R为待测点的总个数。
4.一种基于概率的室内定位装置,其特征在于,包括:
参考点数据处理模块,用于基于M个参考点相对于N个AP的RSSI序列、概率分布和所述M个参考点的位置坐标,建立指纹数据库;
待测点数据处理模块,用于获得至少一个待测点相对于所述N个AP的RSSI序列和概率分布;其中,对所述至少一个待测点相对于每一个AP的概率进行拉普拉斯校准;
数据匹配处理模块,用于基于贝叶斯定理将所述至少一个待测点中第j个待测点的RSSI序列和概率分布与指纹数据库进行匹配,获得所述第j个待测点处于所述M个参考点中每一个参考点上的概率;
定位计算处理模块,用于将数据匹配处理模块获得的M个概率由大到小排序,形成概率列表,取概率列表中前k个概率对应的参考点,基于下式计算所述第j个待测点的定位坐标
其中,(xi,yi)为k个参考点中第i个参考点的坐标,pi为所述第i个参考点的后验概率,其中,1≤k≤10。
5.如权利要求4所述的基于概率的室内定位装置,其特征在于,其中,k取概率列表中介于之间的数值的个数,pmax为概率列表中的最大概率。
6.如权利要求4所述的基于概率的室内定位装置,其特征在于,还包括:误差计算处理模块,用于基于以下公式计算定位平均误差:
其中R为待测点的总个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510276197.6A CN104853435B (zh) | 2015-05-26 | 2015-05-26 | 一种基于概率的室内定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510276197.6A CN104853435B (zh) | 2015-05-26 | 2015-05-26 | 一种基于概率的室内定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104853435A CN104853435A (zh) | 2015-08-19 |
CN104853435B true CN104853435B (zh) | 2018-08-14 |
Family
ID=53852703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510276197.6A Active CN104853435B (zh) | 2015-05-26 | 2015-05-26 | 一种基于概率的室内定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104853435B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4242683A1 (en) * | 2022-03-07 | 2023-09-13 | HAN Networks Co., Ltd. | Indoor positioning method based on rssi fingerprints |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105764137A (zh) * | 2016-02-02 | 2016-07-13 | 北京邮电大学 | 一种室内定位方法及系统 |
CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
CN106454747B (zh) * | 2016-08-31 | 2020-07-10 | 重庆市志愿服务工作指导中心 | 手机终端的无线定位方法 |
CN107040876A (zh) * | 2017-03-31 | 2017-08-11 | 上海斐讯数据通信技术有限公司 | 一种基于wifi的定位方法和服务器 |
CN106768086A (zh) * | 2017-04-06 | 2017-05-31 | 四川理工学院 | 一种室内空气检测系统 |
CN107526089B (zh) * | 2017-08-25 | 2019-07-12 | 清华大学 | 一种基于时延二次差分的非共视雷达信号无源定位方法 |
CN107677989B (zh) * | 2017-10-26 | 2019-09-10 | 武汉大学 | 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法 |
CN108919182B (zh) * | 2018-05-10 | 2022-04-29 | 电子科技大学 | 一种wifi环境下基于支撑集及期望最大化的目标定位方法 |
CN108680898A (zh) * | 2018-05-17 | 2018-10-19 | 网易(杭州)网络有限公司 | 室内定位方法、装置、介质及电子设备 |
CN109116342B (zh) * | 2018-08-27 | 2021-03-12 | 杭州易现先进科技有限公司 | 定位方法、装置、介质和计算设备 |
CN109799477B (zh) * | 2018-12-06 | 2021-04-20 | 北京邮电大学 | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 |
CN109788431B (zh) * | 2019-02-25 | 2021-11-30 | 广州市香港科大霍英东研究院 | 一种基于相邻节点组的蓝牙定位方法、装置、设备和系统 |
CN113079459B (zh) * | 2021-03-23 | 2022-12-02 | 无锡职业技术学院 | 一种基于概率估算的超高频rfid系统室内定位方法 |
CN113794986A (zh) * | 2021-10-29 | 2021-12-14 | 上海工程技术大学 | 一种基于rssi概率分布的加权定位方法 |
Citations (6)
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 |
CN103402256A (zh) * | 2013-07-11 | 2013-11-20 | 武汉大学 | 一种基于WiFi指纹的室内定位方法 |
CN103698740A (zh) * | 2014-01-09 | 2014-04-02 | 上海臻图信息技术有限公司 | 一种基于权重值选择的wifi室内定位方法 |
CN103916954A (zh) * | 2013-01-07 | 2014-07-09 | 华为技术有限公司 | 基于wlan的概率定位方法及定位装置 |
CN104185270A (zh) * | 2013-05-28 | 2014-12-03 | 中国电信股份有限公司 | 室内定位方法、系统和定位平台 |
CN104507050A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种WiFi室内定位中概率型指纹匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9955300B2 (en) * | 2012-12-31 | 2018-04-24 | Texas Instruments Incorporated | Method for incorporating invisible access points for RSSI-based indoor positioning applications |
-
2015
- 2015-05-26 CN CN201510276197.6A patent/CN104853435B/zh active Active
Patent Citations (6)
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 |
CN103916954A (zh) * | 2013-01-07 | 2014-07-09 | 华为技术有限公司 | 基于wlan的概率定位方法及定位装置 |
CN104185270A (zh) * | 2013-05-28 | 2014-12-03 | 中国电信股份有限公司 | 室内定位方法、系统和定位平台 |
CN103402256A (zh) * | 2013-07-11 | 2013-11-20 | 武汉大学 | 一种基于WiFi指纹的室内定位方法 |
CN103698740A (zh) * | 2014-01-09 | 2014-04-02 | 上海臻图信息技术有限公司 | 一种基于权重值选择的wifi室内定位方法 |
CN104507050A (zh) * | 2014-11-24 | 2015-04-08 | 北京航空航天大学 | 一种WiFi室内定位中概率型指纹匹配方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4242683A1 (en) * | 2022-03-07 | 2023-09-13 | HAN Networks Co., Ltd. | Indoor positioning method based on rssi fingerprints |
Also Published As
Publication number | Publication date |
---|---|
CN104853435A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104853435B (zh) | 一种基于概率的室内定位方法和装置 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位系统及方法 | |
Zou et al. | Standardizing location fingerprints across heterogeneous mobile devices for indoor localization | |
CN104684081B (zh) | 基于距离聚类遴选锚节点的无线传感器网络节点定位算法 | |
CN105657823B (zh) | 基于核函数主特征提取的wifi室内加权k近邻定位算法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN109195110B (zh) | 基于层次聚类技术和在线极限学习机的室内定位方法 | |
CN109348410B (zh) | 基于全局和局部联合约束迁移学习的室内定位方法 | |
CN107360552B (zh) | 一种多分类器全局动态融合的室内定位方法 | |
CN108985373B (zh) | 一种多传感器数据加权融合方法 | |
CN103379441A (zh) | 一种基于区域分割和曲面拟合的室内定位方法 | |
CN106793078B (zh) | 基于rssi修正值双重定位的蓝牙室内定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN108072356A (zh) | 高度测量方法、装置及无人机 | |
Cui et al. | Indoor Wi-Fi positioning algorithm based on location fingerprint | |
CN108495263A (zh) | 一种基于广义多核函数的室内定位方法 | |
CN111474516B (zh) | 一种基于众包样本曲面拟合的多层次室内定位方法及系统 | |
CN109459723B (zh) | 一种基于元启发算法的纯方位被动定位方法 | |
Duan et al. | Improvement of LANDMARC indoor positioning algorithm | |
Tang et al. | Positioning algorithms by information fusion in wireless sensor networks | |
CN114679683A (zh) | 一种基于派生指纹迁移的室内智能定位方法 | |
CN112068099B (zh) | 基于误差补偿的多辐射源快速定位测速方法和装置 | |
CN110049550B (zh) | 无线室内定位及感知方法、系统及存储介质 | |
Shu et al. | Multi-sensor data fusion based on consistency test and sliding window variance weighted algorithm in sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |