CN107064913A - 一种基于深度学习的无线定位方法及系统 - Google Patents
一种基于深度学习的无线定位方法及系统 Download PDFInfo
- Publication number
- CN107064913A CN107064913A CN201710140593.5A CN201710140593A CN107064913A CN 107064913 A CN107064913 A CN 107064913A CN 201710140593 A CN201710140593 A CN 201710140593A CN 107064913 A CN107064913 A CN 107064913A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- deep learning
- signal strength
- munderover
- 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.)
- Pending
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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度学习的无线定位方法及系统,用以解决室内定位精确度不高的问题。该方法包括:S1、采集所有采样点接收的无线信号强度;S2、利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;S3、收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。采用本发明,能提高室内定位的精确度;神经网络的全连接层也避免了过拟合的问题。
Description
技术领域
本发明涉及无线室内定位领域,尤其涉及一种基于深度学习的无线定位方法及系统。
背景技术
随着移动计算设备的迅速发展和逐渐普及,室内环境下的各种基于位置服务的需求日益迫切。由于现有的卫星定位系统,如美国的全球定位系统(GPS)和中国的北斗卫星定位系统,在室内环境或高达建筑物密集城区,卫星定位信号受到建筑物的阻隔,难以有效定位。目前室内定位一般采用红外线、超声波、射频等传感信号,其中基于红外线、超声波的定位技术精度较高,不过需要使用专门的硬件设施,且信号需要视距传输,定位范围相对首先,难以大规模部署。
近年来,随着无线网络的大规模部署,基于WLAN(无线局域网)的室内定位受到广泛关注。其主要原因是基于WLAN射频信号定位不仅传输距离远、无视距要求,而且无需增加额外硬件,添加软件简单易行,与其他使用特定设备的定位技术相比,成本优势十分明显。目前基于射频信号强度定位已成为室内技术的研究热点。
根据是否需要通过物理手段直接测量节点间距离,RSSI定位技术可用于基于测距和非测距两类算法。基于测距的算法需要获取节点间的距离,即已知发射信号强度,接收节点根据收到的信号强度,计算信号在传播过程中的损耗,使用理论或经验的信号传播模型将传播损耗转化为距离。但是,室内环境相对复杂,信号微弱,且多径、反射现象严重,测距过程很容易受其影响产生测距误差,且由此带来的定位误差容易造成累积,影响定位精度。
非测距方式采用基于位置指纹匹配实现定位。基于位置指纹匹配的室内定位大致分为离线采样阶段和在线定位两个阶段。离线采样阶段的目标是构建一个关于信号强度与采样点位置间关系的位置指纹数据库。为了生成该数据库,操作人员需要在被定位环境里确定若干采样点,然后遍历所有采样点,记录下在每个采样点测量的无线信号特征,即来自所有接入点的信号强度,最后将它们以某种方式保存在数据库中。在线定位阶段时,当用户移动到某一位置时,根据实时收到的信号强度信息,利用定位算法将其与位置指纹数据库中的信息匹配,计算出该用户的位置。基于位置指纹的定位无需测量距离,也不需要考虑测距误差问题,在成本和功耗方面与前者相比具有显著优势。
基于RSSI的定位方法采用现有技术中机器学习方法进行信息匹配,是一个把定位问题转换为射频信号与位置的模式识别问题。这类方法在离线训练阶段,首先将实际应用场景按一定间距划分为规则的网格,然后在每个网格上采集一定数量的射频信号强度信息,构建出射频地图定位模型;在在线定位阶段,根据待定位目标实时观测到的射频信号强度信息,通过定位模型进行位置计算,从而实现对待定位目标的定位。这类方法将信号强度向量看作是对应位置的信号模式在信号强度空间中的特征,而实际的位置则可以看作是该模式的真实标记,将信号强度向量及其对应的位置坐标组成训练数据,训练数据组成训练数据集,训练得到的分类器或者回归函数就能作为一个定位模型。总之,这类定位方法通过学习射频信号强度与位置间的内在映射规律,然后基于推理实现目标定位。
机器学习的算法有很多种,常用的分类器主要有Bayesian算法、SVM(支持向量机)、决策树、Logistic回归、线性回归、KNN算法、Boosting算法、K-Means聚类、人工神经网络等。其中利用SVM、KNN以及K-Means聚类算法计算定位坐标在无线室内定位领域得到了非常广泛的应用。
公开号为CN103813448A的专利提供了一种RSSI的室内定位方法,属于移动定位技术领域。包括如下步骤:布置三个参考节点,根据节点布局分别设置三个参考节点的坐标,开启参考节点开关,进入监听模式;随机放置一待测的未知节点,并设定坐标,建立一无线传感网络;测得三个参考节点处的对于未知节点的信号强度值,并将信号强度值转发给基站E,基站E将数据值转发到PC机;PC机对接收到的来自三个参考节点的接收信号强度值按比例转换的方法进行处理,用于确定未知节点D的坐标位置。该方法不能遍布室内的每个角落,并且该方法容易出现过拟合的情况。
发明内容
本发明要解决的技术问题目的在于提供一种基于深度学习的无线定位方法及系统,用以解决室内定位精确度不高的问题。
为了实现上述目的,本发明采用的技术方案为:
一种基于深度学习的无线定位方法,包括步骤:
S1、采集所有采样点接收的无线信号强度;
S2、利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;
S3、收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。
进一步地,所述步骤S1中,定位区域划分为多个单元网格;所述每个单元网格设置多个采样点;所述每个采样点设有多个接收点并且所述每个采样点接收的无线信号强度均不同。
进一步地,所述步骤S1还包括:
记录每个采样点在预设时间内接收的无线信号强度与坐标;
将所述无线信号强度与坐标保存至数据库中。
进一步地,所述步骤S2具体包括:
将所述采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;
利用深度学习算法将所述曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;
根据所述输入的曲线图生成带权值的深度学习神经网络。
进一步地,所述根据所述输入的曲线图生成带权值的深度学习神经网络的步骤具体包括:
通过所述深度学习神经网络的数据层输入带标签的无线信号强度变化的图片;
通过所述深度学习神经网络的卷积层对所述图片进行分块和平移处理以提取所述图片的特征;
通过所述深度学习神经网络的池化层对所述图片进行池化;
通过所述深度学习神经网络的全连接层连接局部特征以形成全局感知;
通过所述深度学习神经网络的分类层对所述图片进行分类定位;
根据所述标签利用BP网络算法反向调整网络权值以生成最优的带权值的深度学习神经网络。
进一步地,所述生成带权值的深度学习神经网络的计算公式具体为:
设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;
第v个样本输入到网络后得到输出
采用平方型误差,于是得到第v个样本的误差Ev:
P个样本,全局误差为:
采用累计误差BP算法,输出层各神经元的权值调整公式为:
隐层各神经元的权值调整公式为:
进一步地,所述步骤S3包括:
接收用户位置的无线信号强度;
根据所述接收的无线信号强度生成无线信号强度变化曲线图并将所述曲线图输入到所述带权值的深度学习神经网络;
计算所述曲线图在所述带权值的深度学习神经网络的标签以确定用户的位置。
一种估计与深度学习的无线定位系统,包括:
离线采样模块,用于采集所有采样点接收的无线信号强度;
神经网络训练模块,用于利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;
定位识别模块,用于收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。
进一步地,所述离线采样模块包括:
划分单元,用于将定位区域划分为多个单元网格;所述每个单元网格设置多个采样点;所述每个采样点设有多个接收点并且所述每个采样点接收的无线信号强度均不同。
进一步地,所述离线采样模块还包括:
记录单元,用于记录每个采样点在预设时间内接收的无线信号强度与坐标;
存储单元,用于将所述无线信号强度与坐标保存至数据库中。
进一步地,所述神经网络训练模块包括:
转换单元,用于将所述采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;
输入单元,用于利用深度学习算法将所述曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;
生成单元,用于根据所述输入的曲线图生成带权值的深度学习神经网络。
进一步地,所述深度学习神经网络的包括:
数据层,用于输入带标签的无线信号强度变化的图片;
卷积层,用于对所述图片进行分块和平移处理以提取所述图片的特征;
池化层,用于对所述图片进行池化;
全连接层,用于连接局部特征以形成全局感知;
分类层,用于对所述图片进行分类定位;
输出层,用于根据所述标签利用BP网络算法反向调整网络权值以生成最优的带权值的深度学习神经网络。
进一步地,所述生成单元的计算公式具体包括:
设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;
第v个样本输入到网络后得到输出
采用平方型误差,于是得到第v个样本的误差Ev:
P个样本,全局误差为:
采用累计误差BP算法,输出层各神经元的权值调整公式为:
隐层各神经元的权值调整公式为:
进一步地,所述定位识别模块包括:
接收单元,用于接收用户位置的无线信号强度;
匹配单元,用于根据所述接收的无线信号强度生成无线信号强度变化曲线图并将所述曲线图输入到所述带权值的深度学习神经网络;
计算单元,用于计算所述曲线图在所述带权值的深度学习神经网络的标签以确定用户的位置。
本发明与传统的技术相比,有如下优点:
采用本发明,能提高室内定位的精确度;
神经网络的全连接层也避免了过拟合的问题。
附图说明
图1是本发明实施例提供的一种基于深度学习的无线定位方法流程图;
图2是本发明实施例提供的一种基于深度学习的无线定位系统结构图;
图3是本发明实施例提供的定位区域划分图;
图4是本发明实施例提供的无线信号强度变化曲线图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明实施例提供了一种基于深度学习的无线定位方法,如图1所示,包括步骤:
S11:采集所有采样点接收的无线信号强度;
S12:利用深度学习算法将采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;
S13:收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。
在人工神经网络领域内,深度学习算法近年来取得了重大的突破,它通过组合低层特征形成更加抽象的高层特征,来发现数据的分布式特征。深度卷积神经网络(即深度学习算法)是一个具有更多隐含层的卷积神经网络算法,特别是在对图像、视频和语音的识别上,显示了非常高的识别成功率。这一巨大的成功是其他浅层神经网络或机器学习算法无法达到的识别能力。
基于RSSI的无线指纹定位方法可以利用深度学习算法,进一步的提高室内无线定位的精确度。但是,由于RSSI的采样数据是以时间为维度的离散数值,比较适合SVM或BP网络等浅层模型分类,如果使用深度学习算法,极易出现过拟合情况,从而导致定位不准确,精度不够,甚至定位失败。
本实施例中,步骤S11为离线采样阶段,采集所有采样点接收的无线信号强度。
在离线采样阶段,根据定位精度的需求,先对定位区域进行单元网格划分。
优选的,如图3所示,共有18个单元网格,A1~A3,B1~B3,C1~C3,D1~D3,E1~E3,F1~F3。
在每个单元网格确定多个采样点,确保采样点接收到的信号强度有一定差异。
优选的,如图3所示,原点为每个单元网络的采样点,共107个采样点,每个单元网络采样点的统计情况如表1所示:
其中,采样点是指在监测区域内采集环境样品的准确位置。每个采样点都有对应的坐标。
定位区域是指室内进行定位检测的相应区域。
表1
A1 | 4采样点 | A2 | 6采样点 | A3 | 6采样点 |
B1 | 6采样点 | B2 | 5采样点 | B3 | 6采样点 |
C1 | 6采样点 | C2 | 6采样点 | C3 | 7采样点 |
D1 | 5采样点 | D2 | 6采样点 | D3 | 4采样点 |
E1 | 6采样点 | E2 | 11采样点 | E3 | 8采样点 |
F1 | 4采样点 | F2 | 5采样点 | F3 | 6采样点 |
每个采样点设有多个接入点。接入点是一个无线网络的接入点,俗称“热点”。
遍历每个单元网络内的所有采样点,记录每个采样点在一定时间内测量的无线信号特征,即来自所有接入点的无线信号强度,将这些数据与坐标保存在数据库中。
优选的,记录每个采样点在30秒内测量的来自所有接入点的无线信号强度,将这些数据与坐标保存在数据库中。如图3所示,设F1单元格中,F12的采样点,在30秒内有AP1~AP5共五个AP收到在此采样点终端的Probe帧的无线信号强度,分别将这些采样数据存放在数据库,如表2所示,共有Mac地址为00:6b:8e:dc:2f:41、00:6b:8e:dc:2f:62、00:6b:8e:dc:2f:77、00:6b:8e:dc:2e:bd、00:6b:8e:dc:2e:a5的五个AP采集RSSI,其中RSSI的单位为dBm。
表2
本实施例中步骤S22为神经网络训练阶段,利用深度学习算法将采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络。
神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。
神经网络训练是指对人工神经网络训练。向网络输人足够多的样本,通过一定算法调整网络的结构〔主要是调节权值),使网络的输出与预期值相符,这样的过程就是神经网络训练。
本实施例中,步骤S22具体包括:
将所述采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;
利用深度学习算法将曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;
根据输入的曲线图生成带权值的深度学习神经网络。
神经训练阶段,先将坐标点采集的若干无线信号强度,通过工具批量转换成以时间和无线信号强度大小为坐标轴的曲线图。
优选的,图3中采样点F12的五个AP数据,则分别对应五张无线信号强度变化曲线图。
再利用深度学习算法,将这些无线信号强度的曲线变化图输入到深度学习神经网络的数据层,每个无线信号强度的曲线变化图的标签是对应的采样点的坐标。
优选的,图3的采样点F12的五个AP对应的无线信号强响度变化曲线图的标签为F12,输入到深度学习神经网络进行学习。
其中,AP指无线访问接入点。就是传统有线网络中的HUB,也是组建小型无线局域网时最常用的设备。AP相当于一个连接有线网和无线网的桥梁,其主要作用是将各个无线网络客户端连接到一起,然后将无线网络接入以太网。
训练过程中,根据输入的曲线图生成带权值的深度学习神经网络的步骤具体包括:
通过深度学习神经网络的第一层数据层输入带标签的无线信号强度变化图片;
深度学习神经网络的第二层为卷积层,通过卷积层对图片进行分块和平移处理以提取图片的特征。
其中,卷积又称摺积,在泛函分析中,是通过两个函数f和g生成第三个函数的一种数学算子,表征函数f与g经过翻转和平移的重叠部分的面积。
深度学习神经网络的第三层为池化层,通过池化层对图片进行池化,接下来会有若干个卷积、池化处理。
其中,池化层的输入一般来源于上一个卷积层,主要作用是提供了很强的鲁棒性,并且减少了参数的数量,防止过拟合现象的发生。
深度学习神经网络后面是全连接层,连接局部特征,形成全局感知,然后进行Relu激活层和Dropout层,以免出现过拟合。
其中,全连接,意思就是输出层的神经元和输入层的每个神经元都连接。过拟合是指为了得到一致假设而使假设变得过度严格称为过拟合。
深度学习神经网络最后是融合标签的分类层,Softmax loss层,通过分类层对图片进行分类定位。
通过卷积和池化对所有的无线信号强度变化曲线图的特征进行提取和抽象,并根据标签反向调整网络权值,最终生成带权值的深度学习神经网络。
其中,反向调整网络权值即BP网络算法。
BP网络算法是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
优选的,设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;
第v个样本输入到网络后得到输出
采用平方型误差,于是得到第v个样本的误差Ev:
P个样本,全局误差为:
采用累计误差BP算法,输出层各神经元的权值调整公式为:
隐层各神经元的权值调整公式为:
优选的,深度学习神经网络训练的测试数据集,可以从样本数据集中随机选择20%的数据作为测试数据集,以便在每个阶段迭代训练时测试预测精度,通过上述数学公式对各神经元的权值进行调整,以达到最优权值的深度学习神经网络。
本实施例中,步骤S33位定位识别阶段,收集用户位置的无线信号强度并输入至带权值的深度学习神经网络以确定用户的位置,具体包括步骤:
接收用户位置的无线信号强度;
根据接收的无线信号强度生成无线信号强度变化曲线图并将曲线图输入到带权值的深度学习神经网络;
计算曲线图在带权值的深度学习神经网络的标签以确定用户的位置。
定位识别阶段,实质上是神经网络的分类阶段。当用户移动到某以位置时,根据实时收到的无线信号强度信息,生成以时间和无线信号强度为坐标轴的无线信号强度变化曲线图,然后将此曲线图输入到生成的带权值的深度学习神经网络进行预测,计算出最接近无线信号强度变化曲线对应的标签,即为该用户的坐标点位置,并且能给出这一坐标的概率。
优选的,用户移动到某一位置,实时收到AP1~AP5的五个AP的无线信号强度的变化图,将这五条曲线输入到训练好的深度学习神经网络中,会预测到五个坐标点的标签及概率值。将五个坐标点根据概率值加权后重新调整,计算出最终的坐标点以确定用户的位置。
本实施例提出的基于深度学习的无线定位方法,提高了室内定位的精确度,并且避免了过拟合的情况,使室内定位更加准确。
本发明实施例还提供了一种基于深度学习的无线定位系统,如图2所示,包括:
离线采样模块21,用于采集所有采样点接收的无线信号强度;
神经网络训练模块22,用于利用深度学习算法将采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;
定位识别模块23,用于手机用户位置的无线信号强度并输入至所带权值的深度学习神经网络以确定用户的位置。
本实施例中,离线采样模块21包括:
划分单元,用于将定位区域划分为多个单元网格;每个单元网格设置多个采样点;每个采样点设有多个接收点且每个采样点接收的无线信号强度均不同;
优选的,如图3所示,共有18个单元网格,A1~A3,B1~B3,C1~C3,D1~D3,E1~E3,F1~F3。
记录单元,用于记录每个采样点在预设时间内接收的无线信号强度与坐标;
优选的,如图3所示,原点为每个单元网络的采样点,共107个采样点。
存储单元,用于将无线信号强度与坐标保存至数据库中。
优选的,记录每个采样点在30秒内测量的来自所有接入点的无线信号强度,将这些数据与坐标保存在数据库中。如图3所示,设F1单元格中,F12的采样点,在30秒内有AP1~AP5共五个AP收到在此采样点终端的Probe帧的无线信号强度,分别将这些采样数据存放在数据库,如表2所示,共有Mac地址为00:6b:8e:dc:2f:41、00:6b:8e:dc:2f:62、00:6b:8e:dc:2f:77、00:6b:8e:dc:2e:bd、00:6b:8e:dc:2e:a5的五个AP采集RSSI,其中RSSI的单位为dBm。
遍历无线区域的所有采样点,记录每个采样点在一定时间内测量的无线信号特征,即来自所有接入点的无线信号强度,将这些无线信号强度与坐标存储在数据库中。
本实施例中,神经网络训练阶段22包括:
转换单元,用于将采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;
优选的,图3中采样点F12的五个AP数据,则分别对应五张无线信号强度变化曲线图。
输入单元,用于利用深度学习算法将曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;
优选的,图3的采样点F12的五个AP对应的无线信号强响度变化曲线图的标签为F12,输入到深度学习神经网络进行学习。
生成单元,用于根据输入的曲线图生成带权值的深度学习神经网络。
本实施例中,深度学习神经网络包括:
数据层,用于输入带标签的无线信号强度变化的图片;
卷积层,用于对所述图片进行分块和平移处理以提取所述图片的特征;
池化层,用于对所述图片进行池化;
全连接层,用于连接局部特征以形成全局感知;
分类层,用于对所述图片进行分类定位;
输出层,用于根据所述标签利用BP网络算法反向调整网络权值以生成最优的带权值的深度学习神经网络。
其中,所述生成单元的计算公式包括:
设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;
第v个样本输入到网络后得到输出
采用平方型误差,于是得到第v个样本的误差Ev:
P个样本,全局误差为:
采用累计误差BP算法,输出层各神经元的权值调整公式为:
隐层各神经元的权值调整公式为:
本实施例中,定位识别模块23包括:
接收单元,用于接收用户位置的无线信号强度;
匹配单元,用于根据接收的无线信号强度生成无线信号强度变化曲线图并将曲线图输入到带权值的深度学习神经网络;
计算单元,用于计算曲线图在带权值的深度学习神经网络的标签以确定用户的位置。
优选的,用户移动到某一位置,接收单元实时收到AP1~AP5的五个AP的无线信号强度的变化图,匹配单元将这五条曲线输入到训练好的深度学习神经网络中,会预测到五个坐标点的标签及概率值。计算单元将五个坐标点根据概率值加权后重新调整,计算出最终的坐标点以确定用户的位置。
本实施例提出的基于深度学习的无线定位系统,提高了室内定位的精确度,并且避免了过拟合的情况,使室内定位更加准确。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (14)
1.一种基于深度学习的无线定位方法,其特征在于,包括步骤:
S1、采集所有采样点接收的无线信号强度;
S2、利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;
S3、收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。
2.根据权利要求1所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S1中,定位区域划分为多个单元网格;所述每个单元网格设置多个采样点;所述每个采样点设有多个接收点并且所述每个采样点接收的无线信号强度均不同。
3.根据权利要求2所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S1还包括:
记录每个采样点在预设时间内接收的无线信号强度与坐标;
将所述无线信号强度与坐标保存至数据库中。
4.根据权利要求1所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S2具体包括:
将所述采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;
利用深度学习算法将所述曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;
根据所述输入的曲线图生成带权值的深度学习神经网络。
5.根据权利要求4所述的一种基于深度学习的无线定位方法,其特征在于,所述根据所述输入的曲线图生成带权值的深度学习神经网络的步骤具体包括:
通过所述深度学习神经网络的数据层输入带标签的无线信号强度变化的图片;
通过所述深度学习神经网络的卷积层对所述图片进行分块和平移处理以提取所述图片的特征;
通过所述深度学习神经网络的池化层对所述图片进行池化;
通过所述深度学习神经网络的全连接层连接局部特征以形成全局感知;
通过所述深度学习神经网络的分类层对所述图片进行分类定位;
根据所述标签利用BP网络算法反向调整网络权值以生成最优的带权值的深度学习神经网络。
6.根据权利要求5所述的一种基于深度学习的无线定位方法,其特征在于,所述生成带权值的深度学习神经网络的计算公式具体为:
设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;
第v个样本输入到网络后得到输出(j=1,2,…,m);
采用平方型误差,于是得到第v个样本的误差Ev:
<mrow>
<msub>
<mi>E</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
P个样本,全局误差为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>E</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
采用累计误差BP算法,输出层各神经元的权值调整公式为:
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>;</mo>
</mrow>
隐层各神经元的权值调整公式为:
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>&chi;</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
7.根据权利要求6所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S3包括:
接收用户位置的无线信号强度;
根据所述接收的无线信号强度生成无线信号强度变化曲线图并将所述曲线图输入到所述带权值的深度学习神经网络;
计算所述曲线图在所述带权值的深度学习神经网络的标签以确定用户的位置。
8.一种估计与深度学习的无线定位系统,其特征在于,包括:
离线采样模块,用于采集所有采样点接收的无线信号强度;
神经网络训练模块,用于利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;
定位识别模块,用于收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。
9.根据权利要求8所述的一种基于深度学习的无线定位系统,其特征在于,所述离线采样模块包括:
划分单元,用于将定位区域划分为多个单元网格;所述每个单元网格设置多个采样点;所述每个采样点设有多个接收点并且所述每个采样点接收的无线信号强度均不同。
10.根据权利要求9所述的一种基于深度学习的无线定位系统,其特征在于,所述离线采样模块还包括:
记录单元,用于记录每个采样点在预设时间内接收的无线信号强度与坐标;
存储单元,用于将所述无线信号强度与坐标保存至数据库中。
11.根据权利要求8所述的一种基于深度学习的无线定位系统,其特征在于,所述神经网络训练模块包括:
转换单元,用于将所述采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;
输入单元,用于利用深度学习算法将所述曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;
生成单元,用于根据所述输入的曲线图生成带权值的深度学习神经网络。
12.根据权利要求11所述的一种基于深度学习的无线定位系统,其特征在于,所述深度学习神经网络包括:
数据层,用于输入带标签的无线信号强度变化的图片;
卷积层,用于对所述图片进行分块和平移处理以提取所述图片的特征;
池化层,用于对所述图片进行池化;
全连接层,用于连接局部特征以形成全局感知;
分类层,用于对所述图片进行分类定位;
输出层,用于根据所述标签利用BP网络算法反向调整网络权值以生成最优的带权值的深度学习神经网络。
13.根据权利要求12所述的一种基于深度学习的无线定位系统,其特征在于,所述生成单元的计算公式具体包括:
设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;
第v个样本输入到网络后得到输出(j=1,2,…,m);
采用平方型误差,于是得到第v个样本的误差Ev:
<mrow>
<msub>
<mi>E</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
P个样本,全局误差为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>E</mi>
<mi>v</mi>
</msub>
<mo>;</mo>
</mrow>
采用累计误差BP算法,输出层各神经元的权值调整公式为:
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mi>k</mi>
</msub>
<mo>;</mo>
</mrow>
隐层各神经元的权值调整公式为:
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>v</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>&chi;</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
14.根据权利要求13所述的一种基于深度学习的无线定位系统,其特征在于,所述定位识别模块包括:
接收单元,用于接收用户位置的无线信号强度;
匹配单元,用于根据所述接收的无线信号强度生成无线信号强度变化曲线图并将所述曲线图输入到所述带权值的深度学习神经网络;
计算单元,用于计算所述曲线图在所述带权值的深度学习神经网络的标签以确定用户的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140593.5A CN107064913A (zh) | 2017-03-10 | 2017-03-10 | 一种基于深度学习的无线定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140593.5A CN107064913A (zh) | 2017-03-10 | 2017-03-10 | 一种基于深度学习的无线定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107064913A true CN107064913A (zh) | 2017-08-18 |
Family
ID=59622929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710140593.5A Pending CN107064913A (zh) | 2017-03-10 | 2017-03-10 | 一种基于深度学习的无线定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107064913A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN107949054A (zh) * | 2017-12-29 | 2018-04-20 | 清华大学 | 基于深度学习可见光室内高精度指纹定位方法 |
CN108205527A (zh) * | 2016-12-16 | 2018-06-26 | 深圳联友科技有限公司 | 一种发动机数据平衡的绘制方法及装置 |
CN108282743A (zh) * | 2018-03-05 | 2018-07-13 | 桂林理工大学 | 室内定位方法、装置及系统 |
CN108828519A (zh) * | 2018-05-24 | 2018-11-16 | 桂林电子科技大学 | 一种基于机器学习的高精度室内可见光定位方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN108983204A (zh) * | 2018-08-22 | 2018-12-11 | 上海交通大学 | 一种无钥匙进入和无钥匙启动系统定位方法 |
CN109040948A (zh) * | 2018-06-04 | 2018-12-18 | 电子科技大学 | 一种位置候选集合生成方法及其高精度融合定位方法 |
CN109212476A (zh) * | 2018-09-18 | 2019-01-15 | 广西大学 | 一种基于ddpg的rfid室内定位算法 |
CN109239661A (zh) * | 2018-09-18 | 2019-01-18 | 广西大学 | 一种基于深度q网络的rfid室内定位系统及算法 |
CN109284799A (zh) * | 2018-10-17 | 2019-01-29 | 南京邮电大学 | 一种基于深度学习的rfid标签相对位置定位方法 |
CN109784487A (zh) * | 2017-11-15 | 2019-05-21 | 富士通株式会社 | 用于事件检测的深度学习网络、该网络的训练装置及方法 |
CN110418407A (zh) * | 2019-08-27 | 2019-11-05 | 成都市东信德科技有限公司 | 基于神经网络的异常行李蓝牙定位方法及其系统 |
CN110933625A (zh) * | 2019-11-01 | 2020-03-27 | 武汉纺织大学 | 一种基于深度学习的超宽带指纹定位方法 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
WO2020101955A1 (en) * | 2018-11-17 | 2020-05-22 | Commscope Technologies Llc | Location determination with a cloud radio access network |
CN111194004A (zh) * | 2018-11-15 | 2020-05-22 | 中国电信股份有限公司 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
CN111814953A (zh) * | 2020-06-16 | 2020-10-23 | 上海瀚讯信息技术股份有限公司 | 一种基于通道剪枝的深度卷积神经网络模型的定位方法 |
CN111836358A (zh) * | 2019-12-24 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111899298A (zh) * | 2020-05-08 | 2020-11-06 | 中国矿业大学(北京) | 基于实景图像机器学习的位置感知系统 |
CN112261718A (zh) * | 2020-09-25 | 2021-01-22 | 湖南理工学院 | 一种室内定位方法 |
CN112632680A (zh) * | 2020-12-30 | 2021-04-09 | 同济大学 | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 |
TWI726412B (zh) * | 2019-09-06 | 2021-05-01 | 國立成功大學 | 識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體 |
CN113051944A (zh) * | 2021-03-24 | 2021-06-29 | 海南电网有限责任公司信息通信分公司 | 一种无线分布式快速寻物的方法及系统 |
CN113347559A (zh) * | 2021-05-14 | 2021-09-03 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
CN114143874A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于无线基站场强频度的精确定位方法 |
TWI774555B (zh) * | 2021-09-10 | 2022-08-11 | 神達電腦股份有限公司 | 室內無線定位方法 |
EP4390437A1 (de) * | 2022-12-21 | 2024-06-26 | Siemens Aktiengesellschaft | Verfahren und ortungsgerät zum orten von funketiketten sowie verfahren und anordnung zum konfigurieren des ortungsgeräts |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101815308A (zh) * | 2009-11-20 | 2010-08-25 | 哈尔滨工业大学 | 神经网络区域训练的wlan室内定位方法 |
US20130173506A1 (en) * | 2011-06-24 | 2013-07-04 | Russell Ziskind | Hybrid location using pattern recognition of location readings and signal strengths of wireless access points |
CN106100734A (zh) * | 2016-08-15 | 2016-11-09 | 北京理工大学 | 一种基于人工神经网络的高精度室内可见光定位方法 |
CN106488559A (zh) * | 2016-11-22 | 2017-03-08 | 上海斐讯数据通信技术有限公司 | 一种基于能见度的室外定位方法及服务器 |
-
2017
- 2017-03-10 CN CN201710140593.5A patent/CN107064913A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101815308A (zh) * | 2009-11-20 | 2010-08-25 | 哈尔滨工业大学 | 神经网络区域训练的wlan室内定位方法 |
US20130173506A1 (en) * | 2011-06-24 | 2013-07-04 | Russell Ziskind | Hybrid location using pattern recognition of location readings and signal strengths of wireless access points |
CN106100734A (zh) * | 2016-08-15 | 2016-11-09 | 北京理工大学 | 一种基于人工神经网络的高精度室内可见光定位方法 |
CN106488559A (zh) * | 2016-11-22 | 2017-03-08 | 上海斐讯数据通信技术有限公司 | 一种基于能见度的室外定位方法及服务器 |
Non-Patent Citations (1)
Title |
---|
刘侃等: "一种基于深度神经网络的无线定位方法", 《计算机工程》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205527A (zh) * | 2016-12-16 | 2018-06-26 | 深圳联友科技有限公司 | 一种发动机数据平衡的绘制方法及装置 |
CN108205527B (zh) * | 2016-12-16 | 2022-01-18 | 深圳联友科技有限公司 | 一种发动机数据平衡的绘制方法及装置 |
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN109784487B (zh) * | 2017-11-15 | 2023-04-28 | 富士通株式会社 | 用于事件检测的深度学习网络、该网络的训练装置及方法 |
CN109784487A (zh) * | 2017-11-15 | 2019-05-21 | 富士通株式会社 | 用于事件检测的深度学习网络、该网络的训练装置及方法 |
CN107949054A (zh) * | 2017-12-29 | 2018-04-20 | 清华大学 | 基于深度学习可见光室内高精度指纹定位方法 |
CN108282743A (zh) * | 2018-03-05 | 2018-07-13 | 桂林理工大学 | 室内定位方法、装置及系统 |
CN108828519A (zh) * | 2018-05-24 | 2018-11-16 | 桂林电子科技大学 | 一种基于机器学习的高精度室内可见光定位方法 |
CN108828519B (zh) * | 2018-05-24 | 2022-08-09 | 桂林电子科技大学 | 一种基于机器学习的高精度室内可见光定位方法 |
CN109040948A (zh) * | 2018-06-04 | 2018-12-18 | 电子科技大学 | 一种位置候选集合生成方法及其高精度融合定位方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN108983204A (zh) * | 2018-08-22 | 2018-12-11 | 上海交通大学 | 一种无钥匙进入和无钥匙启动系统定位方法 |
CN108983204B (zh) * | 2018-08-22 | 2022-07-05 | 上海交通大学 | 一种无钥匙进入和无钥匙启动系统定位方法 |
CN109212476A (zh) * | 2018-09-18 | 2019-01-15 | 广西大学 | 一种基于ddpg的rfid室内定位算法 |
CN109239661A (zh) * | 2018-09-18 | 2019-01-18 | 广西大学 | 一种基于深度q网络的rfid室内定位系统及算法 |
CN109212476B (zh) * | 2018-09-18 | 2023-03-14 | 广西大学 | 一种基于ddpg的rfid室内定位算法 |
CN109284799A (zh) * | 2018-10-17 | 2019-01-29 | 南京邮电大学 | 一种基于深度学习的rfid标签相对位置定位方法 |
CN111194004A (zh) * | 2018-11-15 | 2020-05-22 | 中国电信股份有限公司 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
CN111194004B (zh) * | 2018-11-15 | 2021-04-06 | 中国电信股份有限公司 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
WO2020101955A1 (en) * | 2018-11-17 | 2020-05-22 | Commscope Technologies Llc | Location determination with a cloud radio access network |
US11134465B2 (en) | 2018-11-17 | 2021-09-28 | Commscope Technologies Llc | Location determination with a cloud radio access network |
CN110418407A (zh) * | 2019-08-27 | 2019-11-05 | 成都市东信德科技有限公司 | 基于神经网络的异常行李蓝牙定位方法及其系统 |
TWI726412B (zh) * | 2019-09-06 | 2021-05-01 | 國立成功大學 | 識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體 |
CN110933625A (zh) * | 2019-11-01 | 2020-03-27 | 武汉纺织大学 | 一种基于深度学习的超宽带指纹定位方法 |
CN111836358B (zh) * | 2019-12-24 | 2021-09-14 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111836358A (zh) * | 2019-12-24 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111123340B (zh) * | 2020-02-10 | 2024-05-28 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111899298A (zh) * | 2020-05-08 | 2020-11-06 | 中国矿业大学(北京) | 基于实景图像机器学习的位置感知系统 |
CN111899298B (zh) * | 2020-05-08 | 2023-08-15 | 中国矿业大学(北京) | 基于实景图像机器学习的位置感知系统 |
CN111814953B (zh) * | 2020-06-16 | 2024-02-13 | 上海瀚讯信息技术股份有限公司 | 一种基于通道剪枝的深度卷积神经网络模型的定位方法 |
CN111814953A (zh) * | 2020-06-16 | 2020-10-23 | 上海瀚讯信息技术股份有限公司 | 一种基于通道剪枝的深度卷积神经网络模型的定位方法 |
CN112261718A (zh) * | 2020-09-25 | 2021-01-22 | 湖南理工学院 | 一种室内定位方法 |
CN112632680A (zh) * | 2020-12-30 | 2021-04-09 | 同济大学 | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 |
CN112632680B (zh) * | 2020-12-30 | 2022-08-05 | 同济大学 | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 |
CN113051944A (zh) * | 2021-03-24 | 2021-06-29 | 海南电网有限责任公司信息通信分公司 | 一种无线分布式快速寻物的方法及系统 |
CN113347559A (zh) * | 2021-05-14 | 2021-09-03 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
TWI774555B (zh) * | 2021-09-10 | 2022-08-11 | 神達電腦股份有限公司 | 室內無線定位方法 |
CN114143874B (zh) * | 2021-12-06 | 2022-09-23 | 上海交通大学 | 基于无线基站场强频度的精确定位方法 |
CN114143874A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于无线基站场强频度的精确定位方法 |
EP4390437A1 (de) * | 2022-12-21 | 2024-06-26 | Siemens Aktiengesellschaft | Verfahren und ortungsgerät zum orten von funketiketten sowie verfahren und anordnung zum konfigurieren des ortungsgeräts |
WO2024132370A1 (de) * | 2022-12-21 | 2024-06-27 | Siemens Aktiengesellschaft | Verfahren und ortungsgerät zum orten von funketiketten sowie verfahren und anordnung zum konfigurieren des ortungsgeräts |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107064913A (zh) | 一种基于深度学习的无线定位方法及系统 | |
JP7154295B2 (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
JP7174073B2 (ja) | センサデバイスからのデータを用いた動き検出システムのためのトレーニングデータ | |
Khan et al. | A deep learning framework using passive WiFi sensing for respiration monitoring | |
CN112748397B (zh) | 非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN110288978A (zh) | 一种语音识别模型训练方法及装置 | |
CN105792356A (zh) | 一种基于wifi的位置指纹定位方法 | |
CN105120479B (zh) | 终端间Wi-Fi信号的信号强度差异修正方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN106941718A (zh) | 一种基于信号子空间指纹库的混合室内定位方法 | |
CN110536245A (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN109212476A (zh) | 一种基于ddpg的rfid室内定位算法 | |
CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
Hsu et al. | An adaptive Wi-Fi indoor localisation scheme using deep learning | |
CN110933628A (zh) | 基于孪生网络的指纹室内定位方法 | |
CN110691319B (zh) | 一种使用领域自适应实现异构设备高精度室内定位的方法 | |
CN114584230A (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN111698695A (zh) | 一种基于神经网络的lte指纹式定位方法 | |
Jia et al. | TTSL: An indoor localization method based on Temporal Convolutional Network using time-series RSSI | |
WO2022242018A1 (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
Xu et al. | Open-set interference signal recognition using boundary samples: A hybrid approach | |
Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
Xu et al. | Neural network-based accuracy enhancement method for WLAN indoor positioning | |
Liu et al. | Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother | |
Liu et al. | A parallel adaboost method for device-free indoor localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |