CN106154221A - 一种基于wlan的半监督定位方法 - Google Patents
一种基于wlan的半监督定位方法 Download PDFInfo
- Publication number
- CN106154221A CN106154221A CN201610207097.2A CN201610207097A CN106154221A CN 106154221 A CN106154221 A CN 106154221A CN 201610207097 A CN201610207097 A CN 201610207097A CN 106154221 A CN106154221 A CN 106154221A
- Authority
- CN
- China
- Prior art keywords
- data collection
- original tag
- tag data
- semi
- matrix
- 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
-
- 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
- G01S5/0278—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 involving statistical or probabilistic considerations
-
- 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
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
Abstract
本发明提供了一种半监督定位方法,涉及室内定位技术领域。所述方法包括:步骤1:建立初始标记数据集;步骤2:通过快速搜索和查找分类聚类所述初始标记数据集,并标记所述初始标记数据集的聚类中心缺失的位置信息;步骤3:通过极限学习机训练所述初始标记数据集;步骤4:通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集,以得到扩充标记数据集;步骤5:用换位思想评估所述扩充标记数据集的正确性,并输出定位结果。本发明提高了定位准确率,且运行时间短。
Description
技术领域
本发明涉及室内定位技术领域,特别是涉及一种基于WLAN的半监督定位方法。
背景技术
室内定位是一种用于获取室内目标物体位置信息的技术,在民用和军用领域具有广泛的应用前景。常见的定位算法主要基于接收信号强度指示(Received SignalStrength Indication,RSSI)、到达时间(Time of Arrival,TOA)、到达时间差(TimeDifference of Arrival,TDOA)、到达角度(Angle of Arrival,AOA)等技术。其中,基于RSSI的定位算法具有低功耗,低成本且易实现的优点,被广泛应用于无线室内定位。
使用RSSI的定位算法通常分为:基于信号传播模型的定位算法和基于指纹模型的定位算法。传统的基于信号传播模型的定位算法主要通过获取大量的样本数据,利用传统路径损耗模型建立接收信号强度指示(RSSI)和节点间距离的函数关系,然后估计出目标的位置信息。由于无线信号在传播过程中较易受室内环境变化的影响,导致RSSI值具有明显的波动性,同时传统路径损耗模型中路径衰减指数以及环境因子难以确定,这些因素将影响模型的测距精度,进而导致定位误差增大。基于指纹模型的定位方法是在标记数据的基础上根据统计分析方法建立定位模型,具有定位精度高,充分利用现有设施,升级和维护对用户影响小等优点,得到了广泛应用,位置指纹定位算法主要分为离线采集阶段和在线定位阶段。然而,该方法的定位精度取决于标记数据是否充足,然而由于室内环境复杂、区域较大等因素,较难获取大量标记数据且耗费人力物力。
在先,有人提出了一种基于极端学习机的半监督学习方法,采用输出阈值向量和“换位”思想扩充标记数据,提高了半监督方法的学习速度并减少对标记数据的依赖。也有人提出了一种新的半监督学习方法,并应用于稀疏校准位置估计。上述方法需事先假设任意类别中至少有一个标记数据,然而有限的标记数据不能涵盖所有类别,使假设难以满足。
发明内容
本发明的一个目的是要提供一种半监督定位方法,能够对初始标记数据进行扩充,有效提高定位准确率的同时,且运行时间较短。
特别地,本发明提供了一种半监督定位方法(SLACE),包括:
步骤1:建立初始标记数据集;
步骤2:通过快速搜索和查找分类(CFSFDP)聚类所述初始标记数据集,并标记所述初始标记数据集的聚类中心缺失的位置信息;
步骤3:通过极限学习机(ELM)训练所述初始标记数据集;
步骤4:通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集,以得到扩充标记数据集;
步骤5:用换位思想评估所述扩充标记数据集的正确性,并输出定位结果。
对于上述技术方案,发明人还提供了进一步的优化实施方案。
优选地,所述步骤2中,选取所述初始标记数据集的一个位置点作为坐标原点建立二维直角坐标系,获得N个参考点在该二维直角坐标系中的坐标位置,并在每个参考点上利用移动设备对每个AP节点采集k次信号强度,构建对应每个参考点的信号强度矩阵,进而构建用于聚类所述初始标记数据集的指纹数据库。
进一步地,在所述步骤2中,通过计算所述初始标记数据集中各数据的局部密度和距离,配置所述局部密度和所述距离的决策图,选取聚类中心,如所述聚类中心为未标记数据,则根据路径损耗模型标记所述聚类中心,并将与所述聚类中心截断距离内的数据添加至所述初始标记数据集。
优选地,所述步骤3中,利用极限学习机训练所述初始标记数据集S,配置并保存输入权值矩阵W、隐层偏置向量B、权值矩阵β0以及输出阈值向量θ。
进一步地,所述步骤3中,配置所述输入权值矩阵W、隐层偏置向量B、权值矩阵β0以及输出阈值向量θ的步骤如下:
步骤C1:随机初始化输入权值矩阵W={w.i}和隐层偏置向量B={bi},i=1,…,M;
步骤C2:计算所述初始标记数据集S的隐层输出矩阵H(W,B,S);
步骤C3:计算权值矩阵β0;
步骤C4:计算S的输出矩阵O,
式中:NS为S的数据总数;
步骤C5:计算输出阈值向量θ,
式中:θk为类别k的输出阈值,Nk为S中类别k的数据个数,ojk为O中第j行第k列的值,Δ为[0,1]的随机数,函数δ(ojk)定义如下:
步骤C6:保存W、B、β0、θ。
进一步,所述步骤4中,所述扩充标记数据集Se的配置步骤如下:
步骤D1:利用所述步骤3中保存的参数W、B、β0、θ,计算未标记数据集U0的输出矩阵OU,具体计算公式如下,式中:H(W,B,U0)为U0的隐层输出矩阵,Ou为U0的输出矩阵,Nu为U0的数据总数;
步骤D2:对于U0的输出矩阵Ou,若oujk等于并且oujk大于等于θk(oujk∈Ou,θk∈θ),则将未标记数据的位置标记为类别k,并加入所述扩充标记数据集Se。
进一步,所述步骤5中,用换位思想评估所述扩充标记数据集,将所述扩充标记数据集Se和所述初始标记数据集S进行交换,评判所述扩充标记数据集Se的正确性。
进一步,所述步骤5中,评判所述扩充标记数据集Se的正确性的步骤如下:
步骤E1:将所述扩充标记数据集Se作为训练数据集,计算权值矩阵βe;
步骤E2:将所述初始标记数据集S作为测试数据集,通过公式检验所述扩充标记数据集Se,
如果步骤E2中的公式成立,则输出定位结果;否则清空所述扩充标记数据集Se,并扩大所述输出阈值向量θ,θ={θk|θk=θk+η;0<η<1}同时转步骤4重新扩充所述扩充标记数据集Se。
进一步,所述步骤E2中的公式成立,所述输出定位结果为所述极限学习机的参数W、B和β1,所述初始标记数据集S和所述扩充标记数据集Se以所述输入权值矩阵W、隐层偏置向量B计算输出权值矩阵β1,计算公式如下:
如果||β1-β0||>ε(ε>0),则令β0=β1,并清空Se,转所述步骤3;否则,输出并保存W、B以及β1,定位结束。
与现有技术相比较,本发明的优点在于:
本发明所公开的半监督定位算法,针对室内环境复杂,难以获取足够多的有效标记数据,主要解决的是利用较少的标记数据在室内中精确的获取目标位置。本发明利用快速搜索与密度峰值聚类数据集,并标记聚类中心缺失的位置信息,扩充初始标记数据;利用极限学习机训练初始标记数据,根据输出阈值向量和“换位”思想扩充标记数据,提高定位准确率。实验表明:在标记数据个数相同时,该算法较ELM算法、BP算法而言,定位准确率明显提高且运行时间短。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的定位方法的流程图。
具体实施方式
图1是根据本实施例的半监督定位方法的方法流程图。下面将结合图1对本实施例进行详细阐述。
本实施例描述了一种半监督定位方法(SLACE),包括:
步骤1:建立初始标记数据集;
步骤2:通过快速搜索和查找分类(CFSFDP)聚类所述初始标记数据集,并标记所述初始标记数据集的聚类中心缺失的位置信息;
步骤3:通过极限学习机(ELM)训练所述初始标记数据集;
步骤4:通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集,以得到扩充标记数据集;
步骤5:用换位思想评估所述扩充标记数据集的正确性,并输出定位结果。
在步骤2中,选取一个位置点作为坐标原点建立二维直角坐标系,获得N个参考点在该二维直角坐标系中的坐标位置,并在每个参考点上利用移动设备采集k次AP节点的信号强度,每秒一次,具体如下:
步骤B1:在每个参考点接收每一个AP节点的信号强度RSS值,构成D维信号向量RSSD;每个参考点采集k次信号强度值,构成了k*D的信号强度矩阵,其矩阵的第i行第j列表示第i次采集中接收第j个AP节点的信号强度RSS值;i为小于或等于k的正整数;j为小于或等于D的正整数;
RSSD=(rss1,rss2,rss3,…,rssD)
式中:rssi∈[-100,0]表示位置点A处接收到第i个AP节点的信号强度。
步骤B2:构建指纹数据库,训练数据集中包含N条记录,每条记录可表示为向量X,向量中包含可用AP节点的信号强度和采样点的位置:
式中:D表示AP节点的个数,Li表示对应于RSS向量的位置标签。若移动设备未接收到某AP节点的信号,默认使用-100填充该AP节点信号强度值。移动设备未接收到某AP节点信号的原因有以下两点:一是该AP节点出现故障;二是该AP节点受到障碍物的遮挡。
步骤B3:假设数据集S={X1,X2,…,XN},对应指标集Is={1,2,…,N},数据Xi与Xj之间信号强度的Euclidean距离为dij,计算各数据的距离向量D,递增排序D,取dc为D的第q%位置的距离值。
步骤B4:计算各数据的局部密度ρ和距离ξ,画出ρ与ξ的决策图,选取聚类中心。
数据Xi的局部密度ρi表示以Xi为中心,截断距离dc为半径的圆区域内的数据个数,定义如下:
其中
数据Xi的距离ξi表示Xi与其他密度高于ρi的数据之间的最小距离,定义如下:
步骤B5、若聚类中心为未标记数据,则根据路径损耗模型标记该聚类中心。
步骤B6、根据聚类中心划分S∪U。
步骤B7、将与聚类中心距离小于d的数据添加至标记数据集S。
进一步地,在所述步骤2中,通过计算所述初始标记数据集中各数据的局部密度和距离,配置所述局部密度和所述距离的决策图,选取聚类中心,如所述聚类中心为未标记数据,则根据路径损耗模型标记所述聚类中心,并将与所述聚类中心截断距离内的数据添加至所述初始标记数据集。
优选地,所述步骤3中,利用极限学习机训练所述初始标记数据集S,配置并保存输入权值矩阵W、隐层偏置向量B、权值矩阵β0以及输出阈值向量θ。
进一步地,所述步骤3中,配置所述输入权值矩阵W、隐层偏置向量B、权值矩阵β0以及输出阈值向量θ的步骤如下:
步骤C1:随机初始化输入权值矩阵W={w.i}和隐层偏置向量B={bi},i=1,…,M;
步骤C2:计算所述初始标记数据集S的隐层输出矩阵H(W,B,S);
步骤C3:计算权值矩阵β0;
步骤C4:计算S的输出矩阵O,
式中:NS为S的数据总数;
步骤C5:计算输出阈值向量θ,
式中:θk为类别k的输出阈值,Nk为S中类别k的数据个数,ojk为
O中第j行第k列的值,Δ为[0,1]的随机数,函数δ(ojk)定义如下:
步骤C6:保存W、B、β0、θ。
进一步,所述步骤4中,所述扩充标记数据集Se的配置步骤如下:
步骤D1:利用所述步骤3中保存的参数W、B、β0、θ,计算未标记数据集U0的输出矩阵OU,具体计算公式如下,式中:H(W,B,U0)为U0的隐层输出矩阵,Ou为U0的输出矩阵,Nu为U0的数据总数;
步骤D2:对于U0的输出矩阵Ou,若oujk等于并且oujk大于等于θk(oujk∈Ou,θk∈θ),则将未标记数据的位置标记为类别k,并加入所述扩充标记数据集Se。
进一步,所述步骤5中,用换位思想评估所述扩充标记数据集,将所述扩充标记数据集Se和所述初始标记数据集S进行交换,评判所述扩充标记数据集Se的正确性。
进一步,所述步骤5中,评判所述扩充标记数据集Se的正确性的步骤如下:
步骤E1:将所述扩充标记数据集Se作为训练数据集,计算权值矩阵βe;
步骤E2:将所述初始标记数据集S作为测试数据集,通过公式检验所述扩充标记数据集Se,
如果步骤E2中的公式成立,则输出定位结果;否则清空所述扩充标记数据集Se,并扩大所述输出阈值向量θ,θ={θk|θk=θk+η;0<η<1}同时转步骤4重新扩充所述扩充标记数据集Se。
进一步,所述步骤E2中的公式成立,所述输出定位结果为所述极限学习机的参数W、B和β1,所述初始标记数据集S和所述扩充标记数据集Se以所述输入权值矩阵W、隐层偏置向量B计算输出权值矩阵β1,计算公式如下:
如果||β1-β0||>ε(ε>0),则令β0=β1,并清空Se,转所述步骤3;否则,输出并保存W、B以及β1,定位结束。
以具体实验为例,针对一长约12.8m,宽约12.5m,高约3m的综合实验室,室内设有工位、电脑等办公用品,在实验室内周边设有9个AP节点,高度保持1.6m,将实验室内区域划分为若干个2m×2m的小区域,以小区域中心为信号强度采集点。该实验共收集7200条数据,包含标记数据和未标记数据。算法中参数q=2,d=0.14,ɑ=0.21,ε=0.1,M=10。以这一实验室的半监督定位为例,针对各步骤进行实例分析。
针对步骤2,进行实例分析:
在每个参考点接收每一个AP节点的信号强度RSS值,构成9维信号向量RSS9;每个参考点采集600次信号强度值,构成了600*9的信号强度矩阵,其矩阵的第i行第j列表示第i次采集中接收第j个AP节点的信号强度RSS值;i为小于或等于600的正整数;j为小于或等于9的正整数;
RSS9=(rss1,rss2,rss3,…,rss9)
式中:rssi∈[-100,0]表示位置点A处接收到第i个AP节点的信号强度。
构建指纹数据库,训练数据集中包含N条记录,每条记录可表示为向量Xi,向量中包含可用AP节点的信号强度和采样点的位置:
Xi=(RSSi,Li)=(rssi1,rssi2,rssi3,…,rssi9,Li)
建立的指纹数据库如下表所示:
L1 | rss1 | …… | rss9 |
…… | …… | …… | …… |
LN | rss1 | …… | rss9 |
其中,L1到LN是选取的N个参考点,每个参考点的信息包括位置信息和9个AP的RSS值。
计算每条记录之间信号强度的Euclidean距离,例如数据记录Xi=(rssi1,rssi2,rssi3,…,rssi9,Li)和Xj=(rssj1,rssj2,rssj3,…,rssj9,Lj),Xi和Xj之间的Euclidean距离dij,如下式所示:
dij=sqrt((rssi1-rssj1)2+(rssi2-rssj2)2+...+(rssi9-rssj9)2)0≤i,j≤N (18)
根据上式计算数据记录之间的信号强度的距离,获取距离向量D,将D进行递增排序,取dc为D的第q%位置的距离值;利用公式(3)(5)计算各数据记录的局部密度ρ和距离ξ,画出ρ与ξ的决策图,选取聚类中心;判断聚类中心是否为未标记数据,若是,则根据路径损耗模型标记该聚类中心;根据标记的聚类中心,划分S∪U;最后选取与聚类中心距离小于d的数据记录添加至标记数据集S。
针对步骤3,进行实例分析:
利用ELM模型训练初始数据集,所采用的ELM模型由输入层、隐含层和输出层组成,各层数分别为9,10,36;随机初始化输入权值矩阵W={w.i}和隐层偏差向量B={bi},i=1,…,M;计算S的隐层输出矩阵H(W,B,S);根据式(8)计算权值矩阵β0;根据式(9)计算S的输出矩阵O。
根据计算的输出矩阵O,利用式(10)计算输出阈值向量θ,最后保存ELM模型的参数W、B、β0、θ。
针对步骤4,进行实例分析:
利用步骤3中保存的参数,根据式(12)计算U0输出矩阵Ou;对于输出矩阵Ou,若oujk等于并且oujk大于等于θk(oujk∈Ou,θk∈θ),则将未标记数据的位置标记为类别k,并加入扩充标记数据集Se。
针对步骤5,进行实例分析:
将Se作为训练数据集,计算权值矩阵βe;将S作为测试数据集,通过式间接检验Se的正确性;若上式成立,转步骤5,否则清空Se,并根据式θ={θk|θk=θk+η;0<η<1}扩大θ,同时转步骤3重新扩充Se。
针对步骤五,进行实例分析:
S和Se以W为输入权值矩阵、B为隐层偏置向量,根据式(15)计算输出权值矩阵β1;若||β1-β0||>ε(ε>0),则令β0=β1,并清空Se,转步骤2;否则,输出并保存W、B以及β1,定位算法结束。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (9)
1.一种基于WLAN的半监督定位方法,其特征在于,包括:
步骤1:建立初始标记数据集;
步骤2:通过快速搜索和查找分类聚类所述初始标记数据集,并标记所述初始标记数据集的聚类中心缺失的位置信息;
步骤3:通过极限学习机训练所述初始标记数据集;
步骤4:通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集,以得到扩充标记数据集;
步骤5:用换位思想评估所述扩充标记数据集的正确性,并输出定位结果。
2.根据权利要求1所述的基于WLAN的半监督定位方法,其特征在于,所述步骤2中,选取所述初始标记数据集的一个位置点作为坐标原点建立二维直角坐标系,获得N个参考点在该二维直角坐标系中的坐标位置,并在每个参考点上利用移动设备对每个AP节点采集k次信号强度,构建对应每个参考点的信号强度矩阵,进而构建用于聚类所述初始标记数据集的指纹数据库。
3.根据权利要求2所述的基于WLAN的半监督定位方法,其特征在于,在所述步骤2中,通过计算所述初始标记数据集中各数据的局部密度和距离,配置所述局部密度和所述距离的决策图,选取聚类中心,如所述聚类中心为未标记数据,则根据路径损耗模型标记所述聚类信心,并将与所述聚类中心截断距离内的数据添加至所述初始标记数据集。
4.根据权利要求1所述的基于WLAN的半监督定位方法,其特征在于,所述步骤3中,利用极限学习机训练所述初始标记数据集S,配置并保存输入权值矩阵W、隐层偏置向量B、权值矩阵β0以及输出阈值向量θ。
5.根据权利要求4所述的基于WLAN的半监督定位方法,其特征在于,所述步骤3中,配置所述输入权值矩阵W、隐层偏置向量B、权值矩阵β0以及输出阈值向量θ的步骤如下:
步骤C1:随机初始化输入权值矩阵W={w.i}和隐层偏置向量B={bi},i=1,…,M;
步骤C2:计算所述初始标记数据集S的隐层输出矩阵H(W,B,S);
步骤C3:计算权值矩阵β0;
步骤C4:计算S的输出矩阵O,
式中:NS为S的数据总数;
步骤C5:计算输出阈值向量θ,
式中:θk为类别k的输出阈值,Nk为S中类别k的数据个数,ojk为O中第j行第k列的值,Δ为[0,1]的随机数,函数δ(ojk)定义如下:
步骤C6:保存W、B、β0、θ。
6.根据权利要求5所述的基于WLAN的半监督定位方法,其特征在于,所述步骤4中,所述扩充标记数据集Se的配置步骤如下:
步骤D1:利用所述步骤3中保存的参数W、B、β0、θ,计算未标记数据集U0的输出矩阵OU,具体计算公式如下,式中:H(W,B,U0)为U0的隐层输出矩阵,Ou为U0的输出矩阵,Nu为U0的数据总数;
步骤D2:对于U0的输出矩阵Ou,若oujk等于并且oujk大于等于θk(oujk∈Ou,θk∈θ),则将未标记数据的位置标记为类别k,并加入所述扩充标记数据集Se。
7.根据权利要求6所述的基于WLAN的半监督定位方法,其特征在于,所述步骤5中,用换位思想评估所述扩充标记数据集,将所述扩充标记数据集Se和所述初始标记数据集S进行交换,评判所述扩充标记数据集Se的正确性。
8.根据权利要求7所述的基于WLAN的半监督定位方法,其特征在于,所述步骤5中,评判所述扩充标记数据集Se的正确性的步骤如下:
步骤E1:将所述扩充标记数据集Se作为训练数据集,计算权值矩阵βe;
步骤E2:将所述初始标记数据集S作为测试数据集,通过公式检验所述扩充标记数据集Se,
如果步骤E2中的公式成立,则输出定位结果;否则清空所述扩充标记数据集Se,并扩大所述输出阈值向量θ,θ={θk|θk=θk+η;0<η<1}同时转步骤4重新扩充所述扩充标记数据集Se。
9.根据权利要求8所述的基于WLAN的半监督定位方法,其特征在于, 所述步骤E2中的公式成立,所述输出定位结果为所述极限学习机的参数W、B和β1,所述初始标记数据集S和所述扩充标记数据集Se以所述输入权值矩阵W、隐层偏置向量B计算输出权值矩阵β1,计算公式如下:如果||β1-β0||>ε(ε>0),则令β0=β1,并清空Se,转所述步骤3;否则,输出并保存W、B以及β1,定位结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610207097.2A CN106154221B (zh) | 2016-04-05 | 2016-04-05 | 一种基于wlan的半监督定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610207097.2A CN106154221B (zh) | 2016-04-05 | 2016-04-05 | 一种基于wlan的半监督定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106154221A true CN106154221A (zh) | 2016-11-23 |
CN106154221B CN106154221B (zh) | 2019-05-21 |
Family
ID=57353685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610207097.2A Expired - Fee Related CN106154221B (zh) | 2016-04-05 | 2016-04-05 | 一种基于wlan的半监督定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106154221B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423547A (zh) * | 2017-04-19 | 2017-12-01 | 江南大学 | 基于半监督超限学习机的增量式定位算法 |
CN108038724A (zh) * | 2017-12-08 | 2018-05-15 | 钟永松 | 一种高效的商场导购系统 |
CN109100682A (zh) * | 2018-08-01 | 2018-12-28 | 南京邮电大学 | 基于多核极限学习机和接收信号强度的定位方法 |
CN109195110A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 基于层次聚类技术和在线极限学习机的室内定位方法 |
CN109246598A (zh) * | 2018-08-23 | 2019-01-18 | 南京邮电大学 | 基于岭回归和极限学习机的室内定位方法 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
KR20110116565A (ko) * | 2010-04-19 | 2011-10-26 | 목포대학교산학협력단 | 베이지안 알고리즘을 이용한 실내 측위 방법 |
CN103702416A (zh) * | 2013-12-24 | 2014-04-02 | 北京交通大学 | 基于支持向量机的半监督学习室内定位方法 |
CN104066178A (zh) * | 2014-07-02 | 2014-09-24 | 志勤高科(北京)技术有限公司 | 一种基于人工神经元网络的室内无线定位指纹生成方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
-
2016
- 2016-04-05 CN CN201610207097.2A patent/CN106154221B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
KR20110116565A (ko) * | 2010-04-19 | 2011-10-26 | 목포대학교산학협력단 | 베이지안 알고리즘을 이용한 실내 측위 방법 |
CN103702416A (zh) * | 2013-12-24 | 2014-04-02 | 北京交通大学 | 基于支持向量机的半监督学习室内定位方法 |
CN104066178A (zh) * | 2014-07-02 | 2014-09-24 | 志勤高科(北京)技术有限公司 | 一种基于人工神经元网络的室内无线定位指纹生成方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423547A (zh) * | 2017-04-19 | 2017-12-01 | 江南大学 | 基于半监督超限学习机的增量式定位算法 |
CN108038724A (zh) * | 2017-12-08 | 2018-05-15 | 钟永松 | 一种高效的商场导购系统 |
CN109100682A (zh) * | 2018-08-01 | 2018-12-28 | 南京邮电大学 | 基于多核极限学习机和接收信号强度的定位方法 |
CN109195110A (zh) * | 2018-08-23 | 2019-01-11 | 南京邮电大学 | 基于层次聚类技术和在线极限学习机的室内定位方法 |
CN109246598A (zh) * | 2018-08-23 | 2019-01-18 | 南京邮电大学 | 基于岭回归和极限学习机的室内定位方法 |
CN109195110B (zh) * | 2018-08-23 | 2020-12-15 | 南京邮电大学 | 基于层次聚类技术和在线极限学习机的室内定位方法 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN109788433B (zh) * | 2019-03-13 | 2020-09-25 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106154221B (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106154221A (zh) | 一种基于wlan的半监督定位方法 | |
CN105101408B (zh) | 基于分布式ap选择策略的室内定位方法 | |
CN108696932A (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN101639527B (zh) | 基于rss-p的k近邻模糊聚类wlan室内定位方法 | |
CN102707276B (zh) | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 | |
CN103874200B (zh) | 一种楼层识别方法及系统 | |
CN111479231B (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN103605110B (zh) | 基于接收信号强度的室内无源目标定位方法 | |
CN105828289A (zh) | 一种基于信道状态信息的无源室内定位方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN104185275A (zh) | 一种基于wlan的室内定位方法 | |
CN106131959A (zh) | 一种基于Wi‑Fi信号空间划分的两级定位方法 | |
CN107360552B (zh) | 一种多分类器全局动态融合的室内定位方法 | |
CN103810288A (zh) | 基于聚类算法对异构社会网络进行社区检测的方法 | |
CN103220777A (zh) | 一种移动设备定位系统 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN109922427A (zh) | 利用大规模阵列天线的智能无线定位系统和方法 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN103049636A (zh) | 可能模糊k调和均值聚类方法及系统 | |
CN107027148A (zh) | 一种基于UE速度的Radio Map分类定位方法 | |
Zhong et al. | WiFi indoor localization based on K-means | |
CN113207089A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
Sun et al. | KNN-FCM hybrid algorithm for indoor location in WLAN | |
Miao et al. | Application of one-class classification in NLOS identification of UWB positioning | |
Sun et al. | A BLE indoor positioning algorithm based on weighted fingerprint feature matching using AoA and RSSI |
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: 20190521 Termination date: 20200405 |
|
CF01 | Termination of patent right due to non-payment of annual fee |