CN107135541A - 基于optics密度聚类和bp神经网络的超宽带室内定位方法 - Google Patents
基于optics密度聚类和bp神经网络的超宽带室内定位方法 Download PDFInfo
- Publication number
- CN107135541A CN107135541A CN201710279716.3A CN201710279716A CN107135541A CN 107135541 A CN107135541 A CN 107135541A CN 201710279716 A CN201710279716 A CN 201710279716A CN 107135541 A CN107135541 A CN 107135541A
- Authority
- CN
- China
- Prior art keywords
- known location
- neural network
- reliable
- coordinate
- 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.)
- Pending
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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法,其特征在于包括以下步骤:以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础,对已知位置上采集到的多个坐标信息进行OPTICS密度聚类,筛选该已知位置点对应的多个可靠坐标;用该已知位置点与可靠坐标均值中心形成数据对;然后对多个已知位置点进行同样的聚类筛选,形成各自已知位置点对应的数据对;通过BP神经网络对所有已知位置点的数据对的集合进行训练,得出BP神经网络定位识别模型;最后利用BP神经网络定位识别模型对可靠待识别点进行位置识别以得出最终定位坐标。该方法减小了现有室内定位方法受环境的影响程度,从而提高了定位精度。
Description
技术领域
本发明涉及一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法。
背景技术
超宽带(UWB)无线通信时,根据锚节点与目标节点间传输数据的到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)或者信号强度(RSSI),可计算锚节点与目标节点间几何距离,再利用锚节点与目标节点间平面或立体几何关系,得出目标节点位置。为了提高该定位方法的定位精度,现有的改进方案多采用聚类算法、卡尔曼滤波得到目标节点坐标数据。但现有方法存在受环境影响大、非视距情况下精度低的问题。
发明内容
本发明针对现有技术的不足,提供一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法,以减小现有室内定位方法受环境影响大和定位精度低的问题。
为了达到上述目的,本发明一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法,主要包括以下步骤:
首先,以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础,对已知位置上采集到的多个坐标信息进行OPTICS密度聚类,筛选该已知位置点对应的多个可靠坐标;
其次,用该已知位置点与可靠坐标均值中心形成数据对(已知位置,可靠训练样本);
第三,对复数个已知位置点进行同样的聚类筛选,形成各自已知位置点对应的数据对;
第四,通过BP神经网络对所有已知位置点的数据对的集合进行训练,得出BP神经网络定位识别模型;
最后,利用训练好的BP神经网络定位识别模型对可靠待识别点进行位置识别,得出的识别结果即为最终定位坐标。
优选地,所述超宽带定位系统包括至少三个定位锚节点和一个移动目标节点,每个锚节点和移动目标节点上各配有一根天线;所述锚节点围成平面所投影地面按照相邻设定的距离取参考位置,则该参考位置称为已知位置。
本发明采用超宽带定位系统包括四个定位锚节点(A1,A2,A3,A4)和一个移动目标节点(Tag),锚节点和目标节点各配有一根天线。在实验室采用吸顶方式水平固定四个锚节点,形成一个600*400cm2的矩形,天线朝下与地面垂直;移动目标节点水平固定在遥控车上,天线朝上与地面垂直;通过超宽带定位系统相配套的配置软件,根据实际建立空间直角坐标系,设置各个定位锚节点的坐标A1(0,0,285)、A2(400,600,285)、A3(0,600,285)、A4(400,600,285),启动超宽带定位系统即可通过串口接收该系统返回的融合定位数据。四个锚节点围成平面所投影地面按照相邻50cm取参考位置,称为已知位置。
与现有技术相比,本发明利用OPTICS密度聚类算法对超宽带定位系统采集到的原始坐标数据进行优化过滤,再利用BP神经网络的非线性映射能力建立起定位识别模型,提高超宽带定位系统的环境适应性,从而得到相对基于聚类方法、卡尔曼滤波等方式更精确的定位结果。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
参照图1,本发明实施例一种基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法,主要包括以下步骤:
首先,以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础,对已知位置上采集到的多个坐标信息进行OPTICS密度聚类,筛选该已知位置点对应的多个可靠坐标;
其次,用该已知位置点与可靠坐标均值中心形成数据对(已知位置,可靠训练样本);
第三,对复数个已知位置点进行同样的聚类筛选,形成各自已知位置点对应的数据对;
第四,通过BP神经网络对所有已知位置点的数据对的集合进行训练,得出BP神经网络定位识别模型;
最后,利用训练好的BP神经网络定位识别模型对可靠待识别点进行位置识别,得出的识别结果即为最终定位坐标。
所述超宽带定位系统包括四个定位锚节点和一个移动目标节点,每个锚节点和移动目标节点上各配有一根天线;所述四个锚节点围成平面所投影地面按照相邻设定的距离取参考位置,则该参考位置称为已知位置。
采用超宽带定位系统包括四个定位锚节点(A1,A2,A3,A4)和一个移动目标节点(Tag),每一个锚节点和目标节点配有一根天线。在实验室采用吸顶方式水平按照位置固定四个锚节点,形成一个400*600cm2的矩形,天线朝下与地面垂直;移动目标节点水平固定在遥控车上,天线朝上与地面垂直;通过超宽带定位系统相配套的配置软件,根据A1为原点建立空间直角坐标系,根据实际距离设置各个定位锚节点的坐标:A1(0,0,285)、A2(400,600,285)、A3(0,600,285)、A4(400,600,285),启动超宽带定位系统即可通过串口接收该系统返回的融合定位数据。所述中已知位置点为四个锚节点围成平面所投影地面按照相邻50cm取参考位置,共96个位置。
下面说明采集数据和使用数据:
1)将Tag放置在某一已知位置Si,按照超宽带定位系统串口通讯协议进行数据采集,每次读取n个坐标,构成集合(M1,M2,…,Mn),n取经验值15。
2)将取得的坐标集合Mi(i=1,2,…,n)采用OPTICS密度聚类算法,将集合Mi中密度较大的多个数据中心作为已知位置Si可靠的训练样本点。
3)在同一已知位置Si,重复步骤2)k次,取得Si可靠的样本训练点集合k的取值根据BP神经网络训练效果决定。
4)重复步骤1)~3),取得n(n≤96)个已知位置坐标及其可靠估计坐标构成训练样本集合使用该训练样本集合训练BP神经网络,从而获得BP神经网络定位识别模型。
在定位阶段,将Tag放在某一待定位识别位置,按照步骤1)和步骤2)的做法,获得待定位识别位置的估计坐标将其输入到训练好的BP神经网络定位识别模型进行拟合,从而得到Tag所处位置坐标(x,y)。
上述步骤中OPTICS密度聚类算法在本发明中的作用如下:
对超宽带UWB定位系统产生的原始坐标数据进行排序,输出除掉噪声点之后的聚类数据。
输入参数:超宽带UWB定位系统产生的原始坐标集合Mi(i=1,2,…,n)、∈、MinPts。
输出参数:除掉噪声点之后并且排序好的聚类数据集合Ei(i=1,2,…,n)。
领域半径∈与核心点时的阈值MinPts来源:由于该算法对输入参数不敏感,按照经验取值即可。
算法描述如下:
引入数据结构:
Mi,i=1,2,…,N:OPTICS算法的输入数组。
Pi,i=1,2,…,N:OPTICS算法的输出数组,Pi∈{1,2,…,N}表示排在第i个位置的坐标的编号。
ri,i=1,2,…,N:第i号坐标的可达距离。
ci,i=1,2,…,N:第i号坐标的核心距离。
vi,i=1,2,…,N:为辅助数组,标记坐标是否已经存在输出序数组中,0表示未在Pi中,1表示已在Pi中。
初始化伪算法:
1.给定参数∈和MinPts。
2.赋值原始数据数组M。
3.生成N∈(i),i=1,2,…,N。
4.生成ci,i=1,2,…,N。
5.令vi=0,i=1,2,…,N。
6.令ri=UNDEFINED,i=1,2,…,N。
7.令k=1。
8.将数组seedlist初始化为空。
主程序伪算法:
算法可做如下文字描述:
输入:超宽带UWB定位系统产生的原始坐标数据形成一个数组M,领域半径∈,定义核心点时的阈值MinPts。
1、建立三个数组,有序数组(核心点及该核心点的直接密度可达点),结果数组(存储样本输出及处理次序),辅助数组。
2、如果M数组中数据全部处理完,则算法结束,否则从M数组中选择一个未处理且未核心对象的点,将该核心点放入结果数组,该核心点的直接密度可达点放入有序数组,直接密度可达点并按可达距离升序排列;
3、如果有序数组为空,则回到步骤2,否则从有序数组中取出第一个点;
3.1判断该点是否为核心点,不是则回到步骤3,是的话且如果该点不在结果数组则将该点存入结果数组;
3.2该点是核心点的话,找到其所有直接密度可达点,并将这些点放入有序数组,且将有序数组中的点按照可达距离重新排序,如果该点已经在有序数组中且新的可达距离较小,则更新该点的可达距离。
3.3重复步骤3,直至有序数组为空。
4、算法结束。
利用上述产生的提取密度较大的聚类,即用于训练BP神经网络的数据。
提取密度较大的聚类方法如下:
给定半径∈和MinPts,此处的∈要求小于上述的领域半径。
1、从输出数组pi中按顺序取出点,如果该点的可达距离不大于给定半径∈,则该坐标属于当前类别TempEi(i=1),否则至步骤2;
2、如果该点的核心距离大于给定半径∈,则该点为噪声,可以忽略,否则该点属于新的聚类TempEi(i=i+1),跳至步骤1;
3、输出数组遍历结束,比较各个聚类中TempEi(i=1,2,…,n)数据个数,将数据多的数组Ei输出,作为可靠的样本点或待识别点,算法结束。
至此,聚类算法结束,输出已优化过的坐标数据集合Ei,用均值的方式取该聚类的中心。
另一关键步骤中所用BP神经网络在本发明中的作用和流程如下。
作用:对已知位置坐标及其对应可靠坐标构成训练样本集合进行学习训练,建立定位识别模型;对待定位识别位置的估计坐标进行识别,得出最终定位识别结果。BP神经网络提供了非线性映射的能力,以减小室内定位环境影响,提高定位精度。
BP神经网络在本专利中分训练和识别输出两个过程。
训练过程归结为“模式顺传播”、“误差逆传播”、“记忆训练”、“学习收敛”4个步骤。
1)模式顺传播
模式顺传播是指由可靠训练样本点构成的输入模式经输入层通过中间层向输出层的传递过程。由输入模式提供给网络的输入层开始的,输入层各个单元对应于已知位置坐标及其对应可靠坐标构成训练样本集合中的
设可靠训练样本点构成的输入模式向量为:
Ai={Xi1,Xi2,…,Xim},i=1,2,……n;n为学习模式对数,m为输入层单元个数;
对应输入模式的已知位置点输出向量为:
Yi={Yi1,Yi2,…,YiP},i=1,2,……n;n为与输入学习模式对相对应的输出模式数;P为支单元数。
根据M-P神经元模式原理,首先按式(2.1)计算第一隐含层各单元的输入模式。
式中,wij为输入层至第一隐含层的连接权;θij为第一隐含层的单元阀值;j=1,2,3,……,第一隐含层神经元。
人工神经元是模拟生物神经元的非线性信息传递特性,以Si作为S函数的自变量,计算第一隐含层各单元的输出,S函数的数学表达式如式(2.2)所示:
将2.1带入式2.2得:
按模式传播的思想,由(2.4)和(2.5)式计算输出层各单元的输入(第二隐含层的输出)和网络实际输出。
式中:wjk,wkp分别为中间层,中间层至输出层的连接权:θbk,θp分别为中间和输出的阀值。
一个输入模式至此完成了一遍顺序传播过程。
2)误差逆传播
误差逆传播指神经网络的已知位置值与输出值之间的误差信号,由输出层经过中间层向输入层逐层修正连接过程。首先是要计算本次输出值与已知位置值之间的误差,依据误差的大小自动调节输出层到隐含层之间的连接权值wkp、隐含层之间的连接权值wjk和隐含层到输入层之间的连接权值wij的大小,也就是由输入层的误差δy向中间层的误差δbk传递的过程。这里误差逆传播过程的数学表达式为:
式中:是由式(2.5)确定的输出值;y为已知位置值;δy、δbk、δaj分别为输出层、第二隐含层和第一隐含层各单元所得的误差值。式(2.6)的物理含义是:项表示网络在已知位置值引导下的希望输出与网络学习后输出值之间的绝对误差;项是根据各单元的实际响应调整偏差值(本次输出值的导数)。当输出层某单元的输入在0附近,其输出变化幅度较大时,处于峰值附近,与项相乘后,增强了偏差的校正作用。反之,当的绝对值较大时,其输出变化幅度很小,即此单元所受激励对此单元这一次学习过程所起的校正作用不大,而此时正好处于较小值的部分,当与项相乘后,减弱了偏差的校正作用。采用惯性校正法各层权值及阈值修正计算公式的表达式为:
wkp(m+1)=wkp(m)+ηδybk+aΔwkp(m),输出层权值修正;
wjk(m+1)=wjk+ηθbkai+aΔwjk(m),输出层与隐含层连接权值修正;
wij(m+1)=wij(m)+ηδajxm+aΔwij(m),输入层与隐含层连接权值修正;
θp(m+1)=θp(m)+ηδp+aΔθp(m),输出层阀值修正;
θbk(m+1)=θbk(m)+ηδbk+aΔθbk(m),输出层与隐含层阀值修正;
θaj(m+1)=θaj(m)+ηδaj+aΔθaj(m),输入层与隐含层阀值修正。 (2.7)
式中:α为学习系数(0<a<1);η为学习率(步长);m为样本号;Δw(m)和Δθ(m)分别为权值和阈值的前次校正量。全局误差计算公式为:
由式(2.7)可知,连接权的调整量依赖于三个因素:α,η和bk(aj、xm)。首先,调整量与误差δ成比例,即误差越大,调整的幅度也就越大。其次与连接权所对应的中间层单元的输出值bk成比例,某中间层单元的激活值越高,它在这次学习过程中就显得越活跃,则与其相关的连接权的调整幅度也就应该越大。调整量与学习率η和学习系数α成比例,通常取值在0.25至0.90之间。
3)网络学习训练
神经网络根据已知位置值与输出层输出值的误差调整连接权值和节点值的过程。
4)全局误差迭代收敛
网络训练的收敛过程就是误差趋向于极小值的过程,全局误差由(2.8)式确定。
至此BP神经网络训练结束,得到BP神经网络定位识别模型。
与现有技术相比,本发明利用OPTICS密度聚类算法对超宽带定位系统采集到的原始坐标数据进行优化过滤,再利用BP神经网络的非线性映射能力建立起定位识别模型,提高超宽带定位系统的环境适应性,从而得到相对基于聚类方法、卡尔曼滤波等方式更精确的定位结果。
以上已将本发明做一详细说明,但显而易见,本领域的技术人员可以进行各种改变和改进,而不背离所附权利要求书所限定的本发明的范围。
Claims (2)
1.基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法,其特征在于,主要包括以下步骤:
首先,以超宽带定位系统采集到的已知位置上目标节点坐标信息为基础,对已知位置上采集到的多个坐标信息进行OPTICS密度聚类,筛选该已知位置点对应的多个可靠坐标;
其次,用该已知位置点与可靠坐标均值中心形成数据对;
第三,对复数个已知位置点进行同样的聚类筛选,形成各自已知位置点对应的数据对;
第四,通过BP神经网络对所有已知位置点的数据对的集合进行训练,得出BP神经网络定位识别模型;
最后,利用训练好的BP神经网络定位识别模型对可靠待识别点进行位置识别,得出的识别结果即为最终定位坐标。
2.根据权利要求1所述的基于OPTICS密度聚类和BP神经网络的超宽带室内定位方法,其特征在于,所述超宽带定位系统包括至少三个定位锚节点和一个移动目标节点,每个锚节点和移动目标节点上各配有一根天线;所述锚节点围成平面所投影地面按照相邻设定的距离取参考位置,则该参考位置称为已知位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710279716.3A CN107135541A (zh) | 2017-04-21 | 2017-04-21 | 基于optics密度聚类和bp神经网络的超宽带室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710279716.3A CN107135541A (zh) | 2017-04-21 | 2017-04-21 | 基于optics密度聚类和bp神经网络的超宽带室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107135541A true CN107135541A (zh) | 2017-09-05 |
Family
ID=59716131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710279716.3A Pending CN107135541A (zh) | 2017-04-21 | 2017-04-21 | 基于optics密度聚类和bp神经网络的超宽带室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107135541A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN108037520A (zh) * | 2017-12-27 | 2018-05-15 | 中国人民解放军战略支援部队信息工程大学 | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 |
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 |
CN109425342A (zh) * | 2018-08-02 | 2019-03-05 | 青岛大学 | 基于uwb技术的室内定位跟随无人机装备 |
CN110972056A (zh) * | 2019-11-08 | 2020-04-07 | 宁波大学 | 一种基于机器学习的uwb室内定位方法 |
CN112697144A (zh) * | 2019-10-22 | 2021-04-23 | 广东博智林机器人有限公司 | 室内定位的方法和装置 |
CN114928811A (zh) * | 2022-05-05 | 2022-08-19 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778399A (zh) * | 2010-01-18 | 2010-07-14 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
CN101873607A (zh) * | 2010-06-25 | 2010-10-27 | 哈尔滨工业大学 | Wlan室内分步式rd-anfis定位方法 |
US20130165143A1 (en) * | 2011-06-24 | 2013-06-27 | Russell Ziskind | Training pattern recognition systems for determining user device locations |
CN103561463A (zh) * | 2013-10-24 | 2014-02-05 | 电子科技大学 | 一种基于样本聚类的rbf神经网络室内定位方法 |
CN106093849A (zh) * | 2016-06-03 | 2016-11-09 | 清华大学深圳研究生院 | 一种基于测距和神经网络算法的水下定位方法 |
-
2017
- 2017-04-21 CN CN201710279716.3A patent/CN107135541A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778399A (zh) * | 2010-01-18 | 2010-07-14 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
CN101873607A (zh) * | 2010-06-25 | 2010-10-27 | 哈尔滨工业大学 | Wlan室内分步式rd-anfis定位方法 |
US20130165143A1 (en) * | 2011-06-24 | 2013-06-27 | Russell Ziskind | Training pattern recognition systems for determining user device locations |
CN103561463A (zh) * | 2013-10-24 | 2014-02-05 | 电子科技大学 | 一种基于样本聚类的rbf神经网络室内定位方法 |
CN106093849A (zh) * | 2016-06-03 | 2016-11-09 | 清华大学深圳研究生院 | 一种基于测距和神经网络算法的水下定位方法 |
Non-Patent Citations (1)
Title |
---|
赵苗苗: "基于出租车轨迹数据挖掘的推荐模型研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN107727095B (zh) * | 2017-09-08 | 2021-10-19 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN108037520A (zh) * | 2017-12-27 | 2018-05-15 | 中国人民解放军战略支援部队信息工程大学 | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 |
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 |
CN109425342A (zh) * | 2018-08-02 | 2019-03-05 | 青岛大学 | 基于uwb技术的室内定位跟随无人机装备 |
CN112697144A (zh) * | 2019-10-22 | 2021-04-23 | 广东博智林机器人有限公司 | 室内定位的方法和装置 |
CN112697144B (zh) * | 2019-10-22 | 2024-02-02 | 广东博智林机器人有限公司 | 室内定位的方法和装置 |
CN110972056B (zh) * | 2019-11-08 | 2020-09-29 | 宁波大学 | 一种基于机器学习的uwb室内定位方法 |
CN110972056A (zh) * | 2019-11-08 | 2020-04-07 | 宁波大学 | 一种基于机器学习的uwb室内定位方法 |
CN114928811A (zh) * | 2022-05-05 | 2022-08-19 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
CN114928811B (zh) * | 2022-05-05 | 2024-05-07 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107135541A (zh) | 基于optics密度聚类和bp神经网络的超宽带室内定位方法 | |
CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN108416307A (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN106897538B (zh) | 基于卷积神经网络的地磁图方向适配性计算方法 | |
CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
CN111814079B (zh) | 结合聚类与cmab的群智感知车联网用户筛选方法 | |
CN105488528A (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN107113764A (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN109508585A (zh) | 一种基于poi和高分辨率遥感影像提取城市功能区的方法 | |
CN104899255A (zh) | 适用于训练深度卷积神经网络的图像数据库的构建方法 | |
CN102073990A (zh) | 一种遥感图像自动几何纠正的系统框架和方法 | |
CN109905881A (zh) | 一种基于人工蜂群算法确定基站选取方案的方法及系统 | |
CN111160127A (zh) | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 | |
CN113064117A (zh) | 一种基于深度学习的辐射源定位方法及装置 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN108197584A (zh) | 一种基于三元组深度神经网络的行人重识别方法 | |
CN106022363A (zh) | 一种适用于自然场景下的中文文字识别方法 | |
CN107070687A (zh) | 基于集成神经网络的wifi定位方法 | |
CN108537361A (zh) | 一种机动雷达和通信台站的选址评估方法 | |
CN104091181A (zh) | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 | |
CN110221290A (zh) | 基于蚁群算法优化的无人机目标搜索构建方法 | |
Zhang et al. | Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170905 |