CN105825267A - 一种基于pso-pgsa的室内定位方法 - Google Patents
一种基于pso-pgsa的室内定位方法 Download PDFInfo
- Publication number
- CN105825267A CN105825267A CN201610150315.3A CN201610150315A CN105825267A CN 105825267 A CN105825267 A CN 105825267A CN 201610150315 A CN201610150315 A CN 201610150315A CN 105825267 A CN105825267 A CN 105825267A
- Authority
- CN
- China
- Prior art keywords
- particle
- algorithm
- pso
- pgsa
- population
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 60
- 238000006073 displacement reaction Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 60
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000008635 plant growth Effects 0.000 claims description 18
- 230000012010 growth Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 abstract 2
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- LINPVWIEWJTEEJ-UHFFFAOYSA-N methyl 2-chloro-9-hydroxyfluorene-9-carboxylate Chemical compound C1=C(Cl)C=C2C(C(=O)OC)(O)C3=CC=CC=C3C2=C1 LINPVWIEWJTEEJ-UHFFFAOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000011324 bead Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000027870 phototropism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于PSO‑PGSA的室内定位方法，包括：S1、初始化粒子群S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；S5、判断最优粒子是否达到条件，若达到则输出结果。实施本发明提高了室内定位的精确度；提高了定位结果的稳定性。
Description
技术领域
本发明涉及物联网应用技术领域，尤其涉及一种基于PSO-PGSA的室内定位方法。
背景技术
近几年来，基于位置的服务受到越来越多的关注，在室外环境下，GPS导航系统应用比较成熟，定位精度逐步提高。相对于室外环境，室内环境更复杂，信号传播易受到人员、墙体以及其他障碍物的阻挡，定位难度大，定位精度不高，因此提高室内定位精度，一直是无线定位技术研究的热点。
在一个区域中，节点位置的获取，在各类应用中具有重要的意义。在定位过程中，已知位置信息的节点称为锚节点，位置信息不知、需要通过锚节点进行定位的节点称为未知节点。按照是否需要测量距离，定位算法可分为基于测距的定位算法和非测距的定位算法。基于测距的定位算法是根据相关的技术来获取与相邻节点间的距离或者角度，根据未知节点与相邻锚节点的距离或者角度关系计算出未知节点的位置信息的方法。该方法能够获得较准确的位置信息，代表性的定位算法有AHLos算法、N-Hop算法、MDS-Map算法等。非测距定位算法不利用相关的辅助工具或方法来获取相邻节点的角度和距离，仅仅利用相邻节点之间的相互通信对未知节点的位置进行估计，算法比较简单，但是定位精度有限，代表性的算法有APIT算法、DV-Hop算法和质心算法。
基于测距定位算法的实施过程主要分为两个阶段。第一阶段，测距阶段，即检测未知节点与信标节点之间的距离。第二阶段，位置估计阶段，即根据第一阶段的测距信息来估计未知节点的位置坐标。然而无论采用哪种测距方法，由于有环境噪声的影响，测距值会存在一定的误差。为了提高定位精度，必须使得定位误差最小。因此可将定位问题视为寻优问题。
针对标准粒子群优化算法易陷入局部最优的缺点，提出采用模拟植物 生长算法改进粒子群优化算法，提出PGSA-PSO，将改进的粒子群优化算法用于解决室内定位的寻优问题，有效地提高了定位的精确度。
发明内容
本发明的目的在于提供一种新的定位方法，其将模拟植物生长算法的概率生长选择机制引入到粒子群算法中，提高粒子群算法的寻优能力，将改进的粒子群算法应用到室内定位问题上，采用合适的适应度函数，有效的提高室内定位的定位精度和定位的稳定性。
为了解决上述问题，本发明提出了一种基于PSO-PGSA的室内定位方法，将模拟植物生长算法的生长机制引入到粒子群算法中，构建PSO-PGSA算法，改进了粒子群算法的寻优能力，将PSO-PGSA算法应用到室内定位中，提高室内定位的精确度和稳定性，步骤包括如下：
S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；
S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；
S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；
S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；
S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；
S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长，跳转到S4。
根据室内定位的特点，采用适应度函数如下：
F＝NT*cov(NNT)-1*N；
其中，N＝B-AX， (xi,yi)为参考节点的位置坐标，di为未知节点到参考节点的距离，(x,y)为未知节点的位置坐标。
将模拟植物生长的概率生长选择机制引入到粒子群算法中，提高了粒子群算法的寻优能力。
对当前粒子群中非全局最优的粒子进行模拟植物生长，每个非最优的粒子按照模拟植物生长算法的生长机制进行生长，由一个粒子变成多个粒子，最后根据模拟植物生长算法的概率选择机制，选择多个粒子中的一个粒子替换原先的粒子，组成新的粒子群。
本发明对比已有的室内定位方法，具有以下创新点
a.将模拟植物生长算法的概率生长选择机制引入到粒子群算法中，实现对粒子群算法的改进，使其能够更加有效的避免陷入局部最优，从而提高了粒子群算法的寻优能力。
b.将室内定位问题看成是寻优问题，将改进的粒子群算法应用到是室内定位问题中，采用合适的适应度函数，有效的提高室内定位的精度和稳定性。
本发明对比已有定位方法具有以下显著优点：
提高了室内定位的精确度；
提高了定位结果的稳定性。
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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的PSO-PGSA实现定位的流程图；
图2是本发明实施例中的模拟植物生长算法概率选择示意图；
图3是本发明实施例中的标准粒子群算法在仿真环境下室内定位效果示意图；
图4是本发明实施例中的改进粒子群算法在仿真环境下室内定位效果示意图；
图5是本发明实施例中的两种算法的定位效果比较示意图。
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。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。
为解决上述的技术问题，本发明采用的方案如下：
S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；
S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；
S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；
S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；
S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；
S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长。跳转到S4。
具体的，我们采用的适应度函数如下得到，在基于测距的定位算法中M个信标节点可得M个距离方程如下：
将上式中的前M-1个方程减去第M个方程可得下式：
对于上式，可以表示为AX＝B，其中：
然而，在实际测量过程中，不可避免的有误差的存在，实际测量过程满足AX+N＝B，N为M-1为误差向量，根据最小二乘原理，x的取值应为误差向量最小时的解，即最小化Q(X)＝||N||2＝||B-AX||2，同时引用加权最小二乘，引入加权系数，N的协方差矩阵cov(NNT)的逆，得到适应度函数如下：
F＝NT*cov(NNT)-1*N
具体的，模拟植物生长算法的概率生长机制根据如下原理实现，模拟植物生长算法是一种源于大自然的仿生类随机算法。植物未分化的细胞中均含有形态素。形态素的浓度决定了细胞是否生长，当存在多个待生长的树枝节点时，形态素浓度最大的节点将获得最优生长的机会。当新的生长点产生后，形态素浓度将根据新系统所在环境的改变而重新进行分配。
根据植物成长期的特征，下面从数学的角度对植物生长的向光性特点进行说明。
设树干M和树枝m上分别有k个和l个生长点(SM1,SM2,…,SMk)和(Sm1,Sm2,…,Sml)。每一个生长点上的形态素浓度分别为(PM1,PM2，…,PMk)和(Pm1,Pm2,…,Pml)，则树干及树枝上各生长点形态素浓度值分别为：
式中：X0为树根所在点(初始基点)，f(X0)、f(Smj)、f(SMi)表示所在点的环境信息函数(目标函数)，其取值越小表示对应点的环境条件越好， 有利于新支的产生。式(1)和(2)的物理意义表明：各生长点形态素浓度的大小是由各点相对于树根的相对位置以及该位置的环境信息决定的，由式(1)和(2)可知：
因此k+l个生长点的形态素浓度构成如图1所示的状态空间图。系统不断产生位于[0,1]之间的随机数ξ，这些随机数就像不断向区间[0,1]上投掷小球，小球落在(P1,P2,…,Pk+l)的某一个状态空间内，所对应的生长点(细胞)就得到优先生长的权利。在新枝生成后，长出新枝的原生长点被取消，新枝中的生长点将加入生长点集。同时所有生长点的形态素浓度将重新分配，其计算方法是在式(1)和(2)的基础上加上新枝上生长点的相关项，并删去新枝的原生长点的相关项。该过程反复进行，直至满足终止条件结束。
PSO-PGSA实现定位的流程如说明书附图1所示，具体表述如下：
S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；
S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；
S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；
S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；
S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；
S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长。跳转到S4。
为验证PSO-PGSA的定位效果，我们在matlab7.13环境下进行是仿真实验。仿真环境为20m×20m的平面室内区域，在区域中随机布置了5个已知位置的信标节点，假设每个信标节点的通信范围都覆盖了整个定位区域。随机产生20个未知节点，通过PSO与PGSA定位算法计算这20个未知节点的坐标。不考虑具体的测距方式，正如前面所说的，测距过程中存在误差，即其中ni为高斯噪声。
为了表示定位效果的好坏，采用20个未知节点定位误差的平均值作为标准，公式表示如下：
式中，(xi,yi)为未知节点的真实坐标，为未知节点的估计坐标。N是未知节点的数量。
在噪声为1的时候，两种算法最后的定位效果如说明书附图3和说明书附图4所示，从图中可以明显的看出PSO-PGSA的定位效果明显要好于PSO。为了验证不同的噪声环境下，两种算法的定位效果如何，使噪声方差从0.1开始以0.1的步进逐步增加至1，为进一步减小实验误差，在每个噪声环境下，多次进行定位，取多次定位误差的平均值。最后两种算法的定位效果对比如说明书附图5所示，从图中可以明显的看出PSO-PGSA的定位效果要明显好于PSO。
本发明对比已有的室内定位方法，具有以下创新点：
a.将模拟植物生长算法的概率生长选择机制引入到粒子群算法中，实现对粒子群算法的改进，使其能够更加有效的避免陷入局部最优，从而提高了粒子群算法的寻优能力。
b.将室内定位问题看成是寻优问题，将改进的粒子群算法应用到是室内定位问题中，采用合适的适应度函数，有效的提高室内定位的精度和稳定性。
本发明对比已有定位方法具有以下显著优点：
提高了室内定位的精确度；
提高了定位结果的稳定性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于PSO-PGSA的室内定位方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于PSO-PGSA的室内定位方法，其特征在于，将模拟植物生长算法的生长机制引入到粒子群算法中，构建PSO-PGSA算法，改进了粒子群算法的寻优能力，将PSO-PGSA算法应用到室内定位中，提高室内定位的精确度和稳定性，步骤包括如下：
S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；
S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；
S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；
S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；
S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；
S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长，跳转到S4。
2.如权利要求1所述的基于PSO-PGSA的室内定位方法，其特征在于，根据室内定位的特点，采用适应度函数如下：
F＝NT*cov(NNT)-1*N；
其中，N＝B-AX， (xi,yi)为参考节点的位置坐标，di为未知节点到参考节点的距离，(x,y)为未知节点的位置坐标。
3.如权利要求1所述的基于PSO-PGSA的室内定位方法，其特征在于，将模拟植物生长的概率生长选择机制引入到粒子群算法中，提高了粒子群算法的寻优能力。
4.如权利要求3所述的基于PSO-PGSA的室内定位方法，其特征在于，对当前粒子群中非全局最优的粒子进行模拟植物生长，每个非最优的粒子按照模拟植物生长算法的生长机制进行生长，由一个粒子变成多个粒子，最后根据模拟植物生长算法的概率选择机制，选择多个粒子中的一个粒子替换原先的粒子，组成新的粒子群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610150315.3A CN105825267B (zh) | 2016-03-15 | 2016-03-15 | 一种基于pso-pgsa的室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610150315.3A CN105825267B (zh) | 2016-03-15 | 2016-03-15 | 一种基于pso-pgsa的室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105825267A true CN105825267A (zh) | 2016-08-03 |
| CN105825267B CN105825267B (zh) | 2018-06-26 |
Family
ID=56523731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610150315.3A Active CN105825267B (zh) | 2016-03-15 | 2016-03-15 | 一种基于pso-pgsa的室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825267B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107071726A (zh) * | 2017-03-15 | 2017-08-18 | 南京邮电大学 | 一种基于菌群优化的dv‑hop室内定位改进算法 |
| CN109543226A (zh) * | 2018-10-22 | 2019-03-29 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120007779A1 (en) * | 2009-03-19 | 2012-01-12 | Martin Klepal | location and tracking system |
| CN104581940A (zh) * | 2015-01-05 | 2015-04-29 | 中山大学 | 一种基于进化策略的无线室内定位方法 |
| CN105429877A (zh) * | 2015-11-10 | 2016-03-23 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
-
2016
- 2016-03-15 CN CN201610150315.3A patent/CN105825267B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120007779A1 (en) * | 2009-03-19 | 2012-01-12 | Martin Klepal | location and tracking system |
| CN104581940A (zh) * | 2015-01-05 | 2015-04-29 | 中山大学 | 一种基于进化策略的无线室内定位方法 |
| CN105429877A (zh) * | 2015-11-10 | 2016-03-23 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
Non-Patent Citations (4)
| Title |
|---|
| LI Z,ET AL.: "RFID reader-to-reader collision avoidance model with multiple-density tag distribution solved by artificial immune network optimization", 《APPLIED SOFT COMPUTING》 * |
| SHU-HAN LIAO，ET AL.: "Optimal Relay Antenna Location in Indoor Environment", 《WIRELESS PERSONAL COMMUNICATIONS》 * |
| TANG C,ET AL.: "A Novel Wireless Sensor Network Localization Approach: Localization based on Plant Growth Simulation Algorithm", 《ELEKTRONIKA IR ELEKTROTECHNIKA》 * |
| 王小斌等: "基于粒子群优化算法的室内定位方法", 《网络安全技术与应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107071726A (zh) * | 2017-03-15 | 2017-08-18 | 南京邮电大学 | 一种基于菌群优化的dv‑hop室内定位改进算法 |
| CN109543226A (zh) * | 2018-10-22 | 2019-03-29 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
| CN109543226B (zh) * | 2018-10-22 | 2023-03-21 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105825267B (zh) | 2018-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
| CN109556611B (zh) | 一种基于图优化和粒子滤波的融合定位方法 | |
| JP6596516B2 (ja) | 人工ニューラルネットワークの測位性能を改善するための方法および装置 | |
| WO2018018994A1 (zh) | 室内定位方法及定位系统 | |
| Chuang et al. | An effective PSO-based node localization scheme for wireless sensor networks | |
| CN105068550A (zh) | 一种基于拍卖模式的水下机器人多目标选择策略 | |
| CN103533647A (zh) | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 | |
| CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
| Will et al. | The membership degree min-max localization algorithm | |
| CN108638062A (zh) | 机器人定位方法、装置、定位设备及存储介质 | |
| CN108426582B (zh) | 行人室内三维地图匹配方法 | |
| CN109769206B (zh) | 一种室内定位融合方法、装置、存储介质及终端设备 | |
| CN109842935A (zh) | 一种基于混合smpso优化的加权dv-hop定位方法 | |
| Bautin et al. | Towards a communication free coordination for multi-robot exploration | |
| CN108235251A (zh) | 基于无人机协助下的无线传感器网络节点定位方法和装置 | |
| CN111031502A (zh) | 一种基于樽海鞘群算法的无线传感器网络节点定位方法 | |
| CN114397894B (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
| CN105825267A (zh) | 一种基于pso-pgsa的室内定位方法 | |
| Fu et al. | Crowdsourcing-based wifi fingerprint update for indoor localization | |
| Zhao et al. | Factor graph based multi-source data fusion for wireless localization | |
| CN114173281B (zh) | 室内nlos环境下基于toa的定位系统信标节点的优化布局方法 | |
| CN116567544A (zh) | 一种基于改进秃鹰搜索算法与多项式平均优化的DV-Hop定位方法 | |
| CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
| Benkouider et al. | Divided difference Kalman filter for indoor mobile localization | |
| CN106937298B (zh) | 一种改进的无线传感器网络三维定位方法 |
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 |