CN105657823A - 基于核函数主特征提取的wifi室内加权k近邻定位算法 - Google Patents
基于核函数主特征提取的wifi室内加权k近邻定位算法 Download PDFInfo
- Publication number
- CN105657823A CN105657823A CN201510963236.XA CN201510963236A CN105657823A CN 105657823 A CN105657823 A CN 105657823A CN 201510963236 A CN201510963236 A CN 201510963236A CN 105657823 A CN105657823 A CN 105657823A
- Authority
- CN
- China
- Prior art keywords
- node
- location
- fingerprint
- rss
- nearest neighbor
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/14—Determining absolute distances from a plurality of spaced points of known location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于核函数主特征提取的WIFI加权k近邻室内定位方法,定位区域内存在任意n个AP,在定位区域内选定的N个定位参考节点,在各个参考节点上可以采集到非视距的n个AP的记得收接收信号强度(RSS)信号,这个n维的RSS信号作为参考节点位置指纹信息,将所有参考节点的指纹信息通过核函数主特征提取(KPCA),提取位置指纹的主要特征,利用加权K近邻算法(WKNN)进行匹配定位,本发明通过仿真和实际环境中使用RSS信号作为位置指纹的室内定位,有效的避免实际WIFI环境中RSS信号的波动性对定位结果的影响,定位精度有显著的提高,而且本发明与WKNN定位算法相比有较好的定位鲁棒性。
Description
技术领域
本发明涉及无线通信网络领域,具体涉及一种基于核函数主特征提取的WIFI室内加权K近邻定位算法。
背景技术
传统的基于卫星的定位技术,如GPS等,能够很好解决室外定位的需求,但是用于室内定位时,由于室内建筑对卫星信号的影响,定位效果非常的不好。相反利用无线网络通信技术用于室内定位时,效果非常的好。WIFI技术因其在室内布设简单,部署广泛,价格低廉等特性更加适用于室内定位,基于WIFI技术的室内定位成为研究热点。
基于位置指纹架构的定位方法,是WIFI无线室内定位中的基本方法,该方法的使用条件是,AP的部署位置固定,部署的所有AP必须保证同构。基于位置指纹架构的定位算法如图2所示。该方法需要建立参考节点的位置指纹库,参考节点位置指纹的信息可以通过测量参考节点处来自各个AP的RSS信号建立。这种基于位置指纹的定位模型,其定位精度很大程度上取决于位置指纹数据与定位时在线测得的数据是否满足相同的分布模型。在实际的室内WLAN环境中,由于室内环境的复杂性,多径、阴影效应、人员走动、信道拥塞和节点的通信半径有限等因素的影响,在参考节点采集的各个AP的RSS信号往往表现出时变的特性,严重影响定位算法的精度。
发明内容
本发明的目的是为解决上述不足,提供一种基于核函数主特征提取的WIFI室内加权K近邻定位算法。
本发明的目的是通过以下技术方案实现的:
一种基于核函数主特征提取的WIFI室内加权K近邻定位算法,定位区域内存在任意n个AP,在定位区域内选定的N个定位参考节点,在各个参考节点上可以采集到非视距的n个AP的接收信号强度(RSS)信号,这个n维的RSS信号作为参考节点位置指纹信息,将所有参考节点的指纹信息通过核函数主特征提取,提取位置指纹的主要特征,利用加权(WKNN)K近邻算法进行匹配定位计算;包括以下步骤:
a.在定位区域内选定的N个定位参考节点,采集全部N个参考节点的位置指纹信息;
b.将所有的位置指纹信息通过(KPCA)核函数主特征提取,提取位置指纹信息的主要特征,作为的参考节点的特征位置指纹;
C.采集待测点的来自各个AP的RSS信号,利用加权K近邻算法进行匹配输出定位结果。
步骤a的具体过程如下:
a1.在选定的定位区域选定N个参考节点(ReferencePoints,RP每个参考节点的物理位置为li(xi,yi),N个参考节点的物理位置构成一个位置库L=(l1,l2…lN)T;
a2.在各个参考节点上可以采集到非视距的n个AP的RSS信号及MAC地址信息(MAC作为AP的标识),在每个参考节点上都要进行p次采集,将RSS均值作为这个参考节点li(xi,yi)的位置指纹信息,这个位置指纹信息是一个n维向量fi=(rss1,rss2…rssn)T,i∈(1,N),其中为p次采样之后来自第i个AP的RSS信号的平均值;
a3.全部参考节点的位置信息构成一个N×n维的位置指纹空间F,即F=(f1,f2…fN)T,将全部F与L存储在数据库中,数据库中,F的每个行向量fi,代表着参考节点li(xi,yi)的位置指纹信息。
步骤b的具体过程如下:
b1.将F作为输入,根据公式K(xi,xj)=exp(|xi-xj|2/-ε2),计算N×N阶高斯核矩阵K,其中核矩阵K的每个元素为kij=exp(|fi-fj|2/-ε2),ε为高斯核宽度,其中i,j<=N;
b2.根据式计算修正核矩阵1N为N×N阶矩阵,每一个元素都是1/N;
b3.计算的前k个最大特征值λ1≥λ2…λk-1≥λk,及对应的特征向量v1,v2…vk,其中k<N;
b4.通过施密特正交化方法将v1,v2…vk单位正交化得到α1,α2…αk;
b5.计算特征位置指纹空间其中α=(α1,α2…αk)T,F′为N×k维矩阵。
步骤c的具体过程如下:
c1.在待测地点实时采集各个AP的RSS信号构成在线指纹向量S,对S进行KPCA提取后,得到在线特征指纹向量S′, 其中
c2.计算s′与各个特征位置指纹f′i的欧氏距离, 能够表征s'与f′i间的相似程度,其值越小二者越相似;
c3.按Di(S′,F′i)的大小排列,找到前m(m<N)个最小的Di,使之满足并找到其相对应的m个特征位置指纹和位置信息li(xi,yi);
c4.利用加权K近邻法估计出待测点的位置信息
本发明具有如下有益的效果:
与现有技术相比较本发明的有益效果在于:本发明是在WIFI室内定位结果受到RSS信号时变性的情形进行详尽分析,针对解决RSS信号的实时波动误差对WIFI室内定位算法的影响所提出的算法。本发明首次将核函数主特征提取(KPCA)引入到WIFI室内定位问题中,通过仿真和实际环境中使用RSS信号作为位置指纹的室内定位实验表明,本发明可以有效的避免实际WIFI环境中RSS信号的波动性对定位结果的影响,定位精度有显著的提高,而且本发明与WKNN定位算法相比有较好的定位鲁棒性。
本算法的定位误差显著小于原K近邻定位算法的定位误差。在对被测节点进行定位时,所采集的RSS信号由于室内环境的影响存在较大误差,因此本算法表现出了较优异的性能。
附图说明
图1为本发明的基于核函数主特征提取的WIFI室内加权K近邻定位算法流程图;
图2为本发明的指纹定位算法架构图;
图3为本发明的实验定位区域图;
图4为本发明的KPCA算法的流程图;
图5为本发明的加权K近邻定位算法流程图;
图6为本发明的算法与K近邻算法定位结果比较结果图。
具体实施方式
下面结合附图对本发明作进一步的说明:
本发明基于核函数主特征提取的WIFI加权K近邻室内定位方法,在定位区域内选定的N个定位参考节点,在各个参考节点上采集各个参考节点位置指纹信息,将所有参考节点的指纹信息通过核函数主特征提取(KPCA),提取位置指纹信息主要特征,利用加权K近邻算法(WKNN)进行匹配定位。其主要包括以下步骤:
步骤a在定位区域内选定的N个定位参考节点,采集全部参考节点的位置指纹信息;该步骤的具体过程为:
a1.在选定的定位区域选定N个参考节点(ReferencePoints,RP),每个参考节点的物理位置为li(xi,yi),N个参考节点的物理位置构成一个位置库L=(l1,l2…lN)T;
a2.在各个参考节点上可以采集到非视距的n个AP的RSS信号及MAC地址信息(MAC作为AP的标识),在每个参考节点上都要进行p次采集,将RSS均值作为这个参考节点li(xi,yi)的位置指纹信息,这个位置指纹信息是一个n维向量fi=(rss1,rss2…rssn)T,i∈(1,N),其中为p次采样之后来自第i个AP的RSS信号的平均值;
a3.全部参考节点的位置信息构成一个N×n维的位置指纹空间F,即F=(f1,f2…fN)T,将全部F与L存储在数据库中,数据库中,F的每个行向量fi,代表着参考节点li(xi,yi)的位置指纹信息。
步骤b.将所有的位置指纹信息通过核函数主特征提取,提取位置指纹信息的信息主要特征,作为的参考节点的特征位置指纹;该步骤的具体过程为:
b1.将F作为输入,根据公式K(xi,xj)=exp(|xi-xj|2/-ε2),计算N×N阶核高斯矩阵K,其中核矩阵K的每个元素为Kij=exp(|fi-fj|2/-ε2),ε为高斯核宽度,其中i,j<=N;
b2.根据式计算修正核矩阵1N为N×N阶矩阵,每一个元素都是1/N;
b3.计算的前k个最大特征值λ1≥λ2…λk-1≥λk,及对应的特征向量v1,v2…vk,其中k<N;
b4.通过施密特正交化方法将v1,v2…vk单位正交化得到α1,α2…αk;
b5.计算特征位置指纹空间其中α=(α1,α2…αk)T,F′为N×k维矩阵。
通过核函数主特征提取,提取N×n维位置指纹空间F的k个主元,构成N×k维特征位置指纹空间F′=(f′1,f′2…f′N)T,F′与L相对应,即f′i是li(xi,yi)的特征位置指纹。
步骤c.采集待测点的来自各个AP的RSS信号,利用加权K近邻算法进行匹配输出定位结果;该步骤的具体过程为:
c1.在待测地点实时采集各个AP的RSS信号构成在线指纹向量S,对S进行KPCA提取后,得到在线特征指纹向量s′,
其中
c2.计算s′与各个特征位置指纹f′i的欧氏距离,可以表征s′与f′i间的相似程度,其值越小二者越相似。
c3.按Di(s′,F′i)的大小排列,找到前m(m<N)个最小的Di,使之满足并找到其相对应的m个特征位置指纹和位置信息li(xi,yi)
c4.利用加权K近邻法估计出待测点的位置信息
图3为本发明中使用的定位区域图,由真实环境的环境简化而来,以坐标(0,0),为起点,每隔2m取一个参考节点,共计22个参考节点,分布如图中RPs;又在实现区域选择31个位置,作为的定位区域的被测节点,如图中TPs,TPs的实际位置已知,在线定位时,实时采集各个TPs上的来自各个AP的RSS信号,构成在线指纹向量,将这个在线的指纹向量通过定位算法输出一个估计定位位置,将TPs的估计定位位置与TPs的实际位置进行比较,来评价定位算法。
在实验区域可以检测到8到13个AP的RSS信号,所有AP在数据采集区域内都是非视距的,利用手持终端采集RSS信号,每个参考节点和测试节点对于RSS信号都采集多次,并求每个节点的RSS信号均值,得到位置指纹数据如表1所示。
将位置指纹数据通过KPCA,提取N×n维位置指纹空间F的k个主要特征(k<n),构成N×k维特征位置指纹空间F′=(f′1,f′2…f′N)T。KPCA算法的流程图如图4所示。
将F作为输入,根据公式K(xi,xj)=exp(|xi-xj|2/-ε2),计算N×N阶核矩阵K,其中核矩阵K的每个元素为Kij=exp(|fi-fj|2/-ε2),ε为高斯核宽度,其中i,j<=N;
根据式计算修正核矩阵1N为N×N阶矩阵,每一个元素都是1/N;
计算的前k个最大特征值λ1≥λ2…λk-1≥λk,及对应的特征向量v1,v2…vk,其中k<N;
通过施密特正交化方法将v1,v2…vk单位正交化得到α1,α2…αk;
计算特征位置指纹空间其中α=(α1,α2…αk)T,F'为N×k维矩阵。
通过核函数主特征提取,提取N×n维位置指纹空间F的k个主元,构成N×k维特征位置指纹空间F′=(f′1,f′2…f′N)T,F′与L相对应,即f′i是li(xi,yi)的特征位置指纹
表2为表1中的数据经过KPCA主特征提取后得到的主特征,其中高斯核宽度ε按经验取值2,提取5个主要特征后得到的数据。用表2中的数据作为参考节点物理位置的特征位置指纹,将其用于定位。
定位时,算法采用加权K近邻算法进行定位,流程如图5所示在待测地点实时采集各个AP的RSS信号构成在线指纹向量S,对S进行KPCA提取后,得到在线特征指纹向量s′,
其中
计算s′与各个特征位置指纹f′i的欧氏距离,可以表征s′与f′i间的相似程度,其值越小二者越相似。
按Di(S′,F′i)的大小排列,找到前m(m<N)个最小的Di,使之满足并找到其相对应的m个特征位置指纹和参考节点位置信息li(xi,yi)
利用加权K近邻法估计出待测点的位置信息
将表1表2中的数据,输入到PC端,之后再PC端进行本算法与K近邻算法进行位置预测,并将定位结果进行比较。
定位比较结果如图6所示,为本算法与K近邻法相关算法随AP数量变化误差比较,其中本算法与K近邻算法的近邻数选择4。从图中可以看出:
本算法的定位误差显著小于原K近邻法的定位误差,而且与K近邻算法相比,需要更少的AP数量,便能达到更好的定位效果。在对被测节点进行定位时,所采集的RSS信号由于室内环境的影响存在较大误差,因此本算法表现出了较优异的性能。
总体看来,本算法与K近邻算法相比,其定位误差能够维持在一个较小的范围内,具有很好的鲁棒性。
本发明首次将核函数主特征提取(KPCA)引入到WIFI室内定位问题中,通过仿真和实际环境中使用RSS信号作为位置指纹的室内定位实验表明,本发明可以有效的避免实际WIFI环境中RSS信号的波动性对定位结果的影响,定位精度有显著的提高,而且本发明与WKNN定位算法相比有较好的定位鲁棒性。
以上所述仅为本发明的较佳实施例,对发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
表1进行40次采集的原始位置指纹数据(RSS信号单位db)
(x,y) | rss1 | rss2 | rss3 | rss4 | rss5 | rss6 | rss7 | rss8 | rss9 | rss10 | rss11 | rss12 | rss135 --> |
0,0 | -67 | -67 | -72 | -72 | -72 | -76 | -77 | -78 | -79 | -83 | -84 | -92 | -93 |
0,2 | -66 | -68 | -71 | -65 | -72 | -76 | -72 | -78 | -77 | -72 | -73 | -80 | -88 |
2,2 | -68 | -73 | -77 | -89 | -79 | -75 | -64 | -83 | -76 | -80 | -78 | -88 | -78 |
2,0 | -64 | -64 | -69 | -72 | -82 | -81 | -73 | -71 | -76 | -79 | -80 | -79 | -84 |
4,0 | -72 | -73 | -61 | -73 | -70 | -76 | -67 | -70 | -82 | -83 | -81 | -76 | -83 |
… | … | … | … | … | … | … | … | … | … | … | … | … | … |
表2从表1中数据进行核特征提取5个主要特征的数据
(x,y) | RSS1 | RSS2 | RSS3 | RSS4 | RSS5 |
0,0 | -5.84 | 8.86 | 10.99 | 9.34 | -13.02 |
0,2 | 66.49 | 10.30 | -1.35 | -0.76 | 3.56 |
2,2 | -5.84 | -9.35 | 8.86 | 9.19 | -12.14 |
2,0 | 7.13 | -0.16 | -8.75 | 6.34 | 1.17 |
4,0 | 5.84 | -8.11 | 9.67 | -51.93- | -0.77 |
… | … | … | … | … | … |
Claims (4)
1.一种基于核函数主特征提取的WIFI室内加权K近邻定位算法,其特征在于:定位区域内存在任意n个AP,在定位区域内选定的N个定位参考节点,在各个参考节点上可以采集到非视距的n个AP的接收信号强度(RSS)信号,这个n维的RSS信号作为参考节点位置指纹信息,将所有参考节点的指纹信息通过核函数主特征提取,提取位置指纹的主要特征,利用加权(WKNN)K近邻算法进行匹配定位计算;包括以下步骤:
a.在定位区域内选定的N个定位参考节点,采集全部N个参考节点的位置指纹信息;
b.将所有的位置指纹信息通过(KPCA)核函数主特征提取,提取位置指纹信息的主要特征,作为的参考节点的特征位置指纹;
c.采集待测点的来自各个AP的RSS信号,利用加权K近邻算法进行匹配输出定位结果。
2.根据权利要求1所述的一种基于核函数主特征提取的WIFI室内加权K近邻定位算法,其特征在于:所述的步骤a的具体过程如下:
a1.在选定的定位区域选定N个参考节点(ReferencePoints,RP),每个参考节点的物理位置为li(xi,yi),N个参考节点的物理位置构成一个位置库L=(l1,l2…lN)T;
a2.在各个参考节点上可以采集到非视距的n个AP的RSS信号及MAC地址信息(MAC作为AP的标识),在每个参考节点上都要进行p次采集,将RSS均值作为这个参考节点li(xi,yi)的位置指纹信息,这个位置指纹信息是一个n维向量fi=(rss1,rss2…rssn)T,i∈(1,N),其中为p次采样之后来自第i个AP的RSS信号的平均值;
a3.全部参考节点的位置信息构成一个N×n维的位置指纹空间F,即F=(f1,f2…fN)T,将全部F与L存储在数据库中,数据库中,F的每个行向量fi,代表着参考节点li(xi,yi)的位置指纹信息。
3.根据权利要求1所述的一种基于核函数主特征提取的WIFI室内加权K近邻定位算法,其特征在于:所述的步骤b的具体过程如下:
b1.将F作为输入,根据公式K(xi,xj)=exp(|xi-xj|2/-ε2),计算N×N阶高斯核矩阵K,其中核矩阵K的每个元素为Kij=exp(|fi-fj|2/-ε2),ε为高斯核宽度,其中i,j<=N;
b2.根据式计算修正核矩阵1N为N×N阶矩阵,每一个元素都是1/N;
b3.计算的前k个最大特征值λ1≥λ2…λk-1≥λk,及对应的特征向量v1,v2…vk,其中k<N;
b4.通过施密特正交化方法将v1,v2…vk单位正交化得到α1,α2…αk;
b5.计算特征位置指纹空间其中α=(α1,α2…αk)T,F′为N×k维矩阵。
4.根据权利要求1所述的一种基于核函数主特征提取的WIFI室内加权K近邻定位算法,其特征在于:所述的步骤c的具体过程如下:
c1.在待测地点实时采集各个AP的RSS信号构成在线指纹向量S,对S进行KPCA提取后,得到在线特征指纹向量S′, 其中
c2.计算s′与各个特征位置指纹fi′的欧氏距离,能够表征s′与fi′间的相似程度,其值越小二者越相似;
c3.按Di(S′,F′i)的大小排列,找到前m(m<N)个最小的Di,使之满足并找到其相对应的m个特征位置指纹和位置信息li(xi,yi);
c4.利用加权K近邻法估计出待测点的位置信息
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510963236.XA CN105657823B (zh) | 2015-12-16 | 2015-12-16 | 基于核函数主特征提取的wifi室内加权k近邻定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510963236.XA CN105657823B (zh) | 2015-12-16 | 2015-12-16 | 基于核函数主特征提取的wifi室内加权k近邻定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105657823A true CN105657823A (zh) | 2016-06-08 |
CN105657823B CN105657823B (zh) | 2020-07-14 |
Family
ID=56476613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510963236.XA Expired - Fee Related CN105657823B (zh) | 2015-12-16 | 2015-12-16 | 基于核函数主特征提取的wifi室内加权k近邻定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105657823B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106507475A (zh) * | 2016-11-14 | 2017-03-15 | 华南理工大学 | 基于EKNN的室内区域WiFi定位方法及系统 |
CN106792522A (zh) * | 2016-12-09 | 2017-05-31 | 北京羲和科技有限公司 | 一种基于接入点ap的指纹库定位方法及系统 |
CN107347181A (zh) * | 2017-07-11 | 2017-11-14 | 南开大学 | 一种基于双频Wi‑Fi信号的室内定位方法 |
CN107389063A (zh) * | 2017-07-26 | 2017-11-24 | 重庆邮电大学 | 基于gsm/mems融合的高精度室内融合定位方法 |
CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
CN108462940A (zh) * | 2018-04-10 | 2018-08-28 | 南京邮电大学 | 一种基于WiFi热点的室内定位方法 |
CN108717175A (zh) * | 2018-04-18 | 2018-10-30 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
CN108900970A (zh) * | 2018-07-06 | 2018-11-27 | 中国民航大学 | 一种基于谱回归核判别分析的候机楼室内定位方法 |
CN109388944A (zh) * | 2018-11-06 | 2019-02-26 | 吉林大学 | 一种基于kpca和elm的入侵检测方法 |
CN109951855A (zh) * | 2019-01-18 | 2019-06-28 | 清华大学 | 利用非视距状态空间相关性的定位方法及装置 |
CN110691326A (zh) * | 2019-09-10 | 2020-01-14 | 东南大学 | 一种室内混合定位半物理仿真方法及平台 |
CN114866971A (zh) * | 2022-05-06 | 2022-08-05 | 中国石油大学(华东) | 基于核函数特征提取和套索算法的室内定位方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090319448A1 (en) * | 2007-12-31 | 2009-12-24 | Industrial Technology Research Institute | Method and system for positioning |
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 |
CN103648106A (zh) * | 2013-12-31 | 2014-03-19 | 哈尔滨工业大学 | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 |
-
2015
- 2015-12-16 CN CN201510963236.XA patent/CN105657823B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090319448A1 (en) * | 2007-12-31 | 2009-12-24 | Industrial Technology Research Institute | Method and system for positioning |
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 |
CN103648106A (zh) * | 2013-12-31 | 2014-03-19 | 哈尔滨工业大学 | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 |
Non-Patent Citations (1)
Title |
---|
H.L. LI等: "《International Conference on Artificial Intelligence and Industrial Engineering (AIIE 2015)》", 31 May 2015 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106507475A (zh) * | 2016-11-14 | 2017-03-15 | 华南理工大学 | 基于EKNN的室内区域WiFi定位方法及系统 |
CN106507475B (zh) * | 2016-11-14 | 2019-07-16 | 华南理工大学 | 基于EKNN的室内区域WiFi定位方法及系统 |
CN106792522A (zh) * | 2016-12-09 | 2017-05-31 | 北京羲和科技有限公司 | 一种基于接入点ap的指纹库定位方法及系统 |
CN106792522B (zh) * | 2016-12-09 | 2019-10-29 | 北京羲和科技有限公司 | 一种基于接入点ap的指纹库定位方法及系统 |
CN107347181B (zh) * | 2017-07-11 | 2020-07-14 | 南开大学 | 一种基于双频Wi-Fi信号的室内定位方法 |
CN107347181A (zh) * | 2017-07-11 | 2017-11-14 | 南开大学 | 一种基于双频Wi‑Fi信号的室内定位方法 |
CN107389063A (zh) * | 2017-07-26 | 2017-11-24 | 重庆邮电大学 | 基于gsm/mems融合的高精度室内融合定位方法 |
CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
CN108462940A (zh) * | 2018-04-10 | 2018-08-28 | 南京邮电大学 | 一种基于WiFi热点的室内定位方法 |
CN108717175A (zh) * | 2018-04-18 | 2018-10-30 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
CN108717175B (zh) * | 2018-04-18 | 2020-10-02 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
CN108900970A (zh) * | 2018-07-06 | 2018-11-27 | 中国民航大学 | 一种基于谱回归核判别分析的候机楼室内定位方法 |
CN109388944A (zh) * | 2018-11-06 | 2019-02-26 | 吉林大学 | 一种基于kpca和elm的入侵检测方法 |
CN109951855B (zh) * | 2019-01-18 | 2020-09-29 | 清华大学 | 利用非视距状态空间相关性的定位方法及装置 |
CN109951855A (zh) * | 2019-01-18 | 2019-06-28 | 清华大学 | 利用非视距状态空间相关性的定位方法及装置 |
CN110691326A (zh) * | 2019-09-10 | 2020-01-14 | 东南大学 | 一种室内混合定位半物理仿真方法及平台 |
CN114866971A (zh) * | 2022-05-06 | 2022-08-05 | 中国石油大学(华东) | 基于核函数特征提取和套索算法的室内定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105657823B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105657823A (zh) | 基于核函数主特征提取的wifi室内加权k近邻定位算法 | |
Chen et al. | Robust cooperative Wi-Fi fingerprint-based indoor localization | |
Swangmuang et al. | An effective location fingerprint model for wireless indoor localization | |
CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN112637950B (zh) | 基于角度相似性的指纹定位方法 | |
CN103648106A (zh) | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 | |
CN106597370B (zh) | 一种基于rfid的室内无线定位方法 | |
CN106102163A (zh) | 基于rss线性相关与二次加权质心算法的wlan指纹定位方法 | |
CN101425855B (zh) | 宽带信道参数抽取方法、宽带信道仿真方法及其装置 | |
CN101873605B (zh) | 一种网络规划中自适应传播环境分类方法 | |
CN106231549A (zh) | 一种基于重构算法的60GHz脉冲室内定位方法 | |
Lie et al. | A fingerprint-based coarse-to-fine algorithm for indoor positioning system using Bluetooth Low Energy | |
CN105916202A (zh) | 一种概率性的WiFi室内定位指纹库构建方法 | |
Huang et al. | MAPS: Indoor localization algorithm based on multiple AP selection | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
Seco et al. | A review of multidimensional scaling techniques for RSS-based WSN localization | |
Laoudias et al. | Differential signal strength fingerprinting revisited | |
Chen et al. | DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning | |
Pulkkinen et al. | Awesom: Automatic discrete partitioning of indoor spaces for wifi fingerprinting | |
Song et al. | Weight adjust algorithm in indoor fingerprint localization | |
Han et al. | DFF-EDR: An indoor fingerprint location technology using dynamic fusion features of channel state information and improved edit distance on real sequence | |
Tonchev et al. | Learning graph convolutional neural networks to predict radio environment maps | |
Rathod et al. | Data-driven and GIS-based coverage estimation in a heterogeneous propagation environment | |
Guimarães et al. | Performance of eigenvalue-based spectrum sensing with approximate eigenvalue estimation methods | |
Li et al. | The application of manhattan tangent distance in outdoor fingerprint localization |
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: 20200714 Termination date: 20211216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |