CN107563437A - 基于随机森林的超宽带非视距鉴别方法 - Google Patents

基于随机森林的超宽带非视距鉴别方法 Download PDF

Info

Publication number
CN107563437A
CN107563437A CN201710767597.6A CN201710767597A CN107563437A CN 107563437 A CN107563437 A CN 107563437A CN 201710767597 A CN201710767597 A CN 201710767597A CN 107563437 A CN107563437 A CN 107563437A
Authority
CN
China
Prior art keywords
data
random forest
ultra
feature
non line
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
Application number
CN201710767597.6A
Other languages
English (en)
Other versions
CN107563437B (zh
Inventor
许连杰
何雪锋
袁子伦
信金龙
李威
赵真真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Lianrui Intelligent Technology Co ltd
Original Assignee
LOCARIS TECHNOLOGY Co Ltd
HI-TARGET POSITIONING Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by LOCARIS TECHNOLOGY Co Ltd, HI-TARGET POSITIONING Co Ltd filed Critical LOCARIS TECHNOLOGY Co Ltd
Priority to CN201710767597.6A priority Critical patent/CN107563437B/zh
Publication of CN107563437A publication Critical patent/CN107563437A/zh
Application granted granted Critical
Publication of CN107563437B publication Critical patent/CN107563437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明涉及一种基于随机森林的超宽带非视距鉴别方法，包括如下步骤：步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；步骤(2)：基于所测超宽带信号特征，进行特征重构；步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。可在线实时有效的鉴别超宽带数据是否为非视距，实用效果非常好。

Description

基于随机森林的超宽带非视距鉴别方法
技术领域
本发明涉及机器学习以及室内定位领域，尤其涉及一种基于随机森林的超宽带非视距鉴别方法。
背景技术
超宽带(Ultra Wide Band，UWB)技术是目前备受关注的一种新型短距离高速率无线通信技术。2002年2月，美国联邦通信委员会(FCC)规定准许UWB技术在民用领域使用，但发送功率低于-41.3dBm/MHz，可将3.1GHz-10.6GHz的频带用于对地下和隔墙之物进行扫描的成像系统、汽车防撞雷达及在家电终端和便携式终端间进行测距和无线数据通信，还可用于室内定位技术。
在脉冲无线电超宽带定位方法中，TDOA方法因其硬件要求较低，定位精度较高的特性得到大规模应用。一般做法是通过对UWB多径信号中直射路径(Direct path)进行时延轨迹来获得时间戳信息，并进而得到TDOA信息。对于视距环境(Line-of-sight，LOS)，直射路径最先到达并且能量最强，只要保证足够的接收信噪比，就能获得较准确的时间戳估计。但是对于非视距环境(NLOS)，由于存在各种障碍物，传播环境变得复杂。首径信号在穿透障碍物时经历衰减，并且会引入附加时延。反射信号在此环境中变得更加复杂。因此NLOS环境下的UWB定位是应用中的难点问题。
目前对NLOS鉴别的研究主要有以下几种方法：
1，根据接收信号强度的变化来判断LOS/NLOS状态，该方法鲁棒性不强，易受噪声影响。
2，通过分析UWB多径信道幅度和时延的统计特性来进行状态判断，该方法能获得较好的鉴别效果，但是鉴别特征选取的有效性需要获得准确的信道特征，而这在实际中是很难获取到的。
3，在定位过程中，通过残差加权的方法，减轻非视距造成的影响。该方法所需冗余基站较多，并且不能完全消除非视距的影响，只能部分减弱。
综上所述，目前仍然没有一种特别有效并且实用的方法来鉴别超宽带数据是否受非视距影响。
发明内容
本发明要解决的技术问题是，提供一种有效并且实用的方法来鉴别超宽带数据是否为非视距的基于随机森林的超宽带非视距鉴别方法。
为解决上述技术问题，本发明采用的技术方案是，该基于随机森林的超宽带非视距鉴别方法，包括如下步骤：
步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；
步骤(2)：基于所测超宽带信号特征，进行特征重构；
步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；
步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；
步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。
采用上述技术方案，通过在训练样本和特征选择两个环节引入随机抽取，使得随机森林泛化能力增强，不至于陷于过拟合，通过大量数据的离线训练得到模型，之后利用步骤(5)建立的随机森林模型即可在线实时有效的鉴别超宽带数据是否为非视距，实用效果非常好。
现有鉴别非视距的方法要么鲁棒性不强，如基于信号强度的方法，要么需要非常详细的信道特征信息并采用统计的方法做出判断，实际可操作性不强；而基于随机森林的非视距鉴别可以采用先离线训练，后在线判断的方法，判断准确度高，实施简单；随机森林广泛应用于医学，图像等领域，还没有应用于超宽带数据非视距鉴别的，本发明拓展了随机森林的应用领域。
其中步骤(1)中的随机抽取若干个数据作为训练集和测试集；和步骤(2)中的基于所测超宽带信号特征，进行特征重构，步骤顺序可以互换，即可以先对全部原始数据进行特征重构，再随机抽取若干个数据作为训练集和测试集，不影响本发明方法的最后结果。
优选的，在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有ri,1＝ri-r1，
其中，ri是标签到第i个基站的距离，r1是标签到主基站的距离；
ri,1即是标签到从基站和到主基站的距离差，即距差；
根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据。
优选的，在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：
IDiff＝|first path position–peak path position|
其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；
MC＝fpAmpl/pkAmp；
其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；
fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头3，抽头2，抽头1所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；
MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；
FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；
其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；
FF1＝fpAmpl2/fpAmpl1；
FF2＝fpAmpl2/fpAmpl3；
Noise＝std_noise；
FF1代表首径索引位置处抽头2与抽头1处信号幅值的比值，FF2代表首径索引位置处抽头2与抽头3处信号幅值的比值，Noise代表信号噪声水平。
优选的，所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，sk代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征sk在点K处是分裂节点，那么特征sk小于此节点的即被分到左边，大于此节点的即被分到右边，递归的对左右节点进行划分，就产生了二分递归分类决策树。
优选的，在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。
优选的，在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。
附图说明
下面结合附图和具体实施方式对本发明做进一步的说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明基于随机森林的超宽带非视距鉴别方法的流程图；
图2是未经过非视距鉴别的原始数据图(真实距差677cm)；
图3是经过非视距鉴别后的数据图(真实距差677cm)。
具体实施方式
本发明通过建立随机森林模型，将样本数据分为正常数据和受非视距影响的数据两类。通过离线训练获得模型，在线实时鉴别非视距。本发明的具体流程如图1所示。
本发明的基于随机森林的超宽带非视距鉴别方法，包括如下步骤：
步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；
步骤(2)：基于所测超宽带信号特征，进行特征重构；
步骤(3)：基于所重构的特征，建立二分递归决策树；
步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；
步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。
在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有ri,1＝ri-r1，
其中，ri是标签到第i个基站的距离，r1是标签到主基站的距离；
ri,1即是标签到从基站和到主基站的距离差，即距差；
根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据。
本发明步骤1中，采集不同环境下超宽带数据，由于采用的是到达时间差技术，各个基站之间时钟是同步的。
基站之间同步的方法是：由一个基站作为同步意义上的主基站，其他基站作为从基站，主基站按照一定的时间间隔定时向从基站发送同步信息，从基站通过一定的同步算法即可获得主从基站的时间换算关系，从而完成同步。
在TDOA方法中，ri和r1无法直接得到，通过以下方法即可得到。
ri,1＝(Ti-T1)*K；
其中Ti是第i个基站的时间戳，T1是主基站的时间戳，K代表由时间戳转为距差时所需乘的比例因子。
在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：
IDiff＝|first path position–peak path position|
其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；
MC＝fpAmpl/pkAmp；
其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；
fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头3，抽头2，抽头1所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；
MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；
FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；
其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；
FF1＝fpAmpl2/fpAmpl1；
FF2＝fpAmpl2/fpAmpl3；
Noise＝std_noise；
FF1代表首径索引位置处抽头2与抽头1处信号幅值的比值，FF2代表首径索引位置处抽头2与抽头3处信号幅值的比值，Noise代表信号噪声水平。
由步骤(1)可知，每一组距差数据对应两个基站信号的特征，所以，使用的特征共12组，分别为IDiff1，IDiff2，MC1，MC2，FNR1，FNR2，FF11，FF12，FF21，FF22，Noise1，Noise2。
所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，sk代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征sk在点K处是分裂节点，那么特征sk小于此节点的即被分到左边，大于此节点的即被分到右边，递归的对左右节点进行划分，就产生了二分递归分类决策树；
在本实施例中，随机抽取12维特征中的4维特征建立二分递归分类决策树。
在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。
在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。
本实例使用的原始数据如图2所示，处理后的结果如图3所示。
图2的横轴代表组数，纵轴代表未经随机森林算法剔除的原始距差，单位为厘米(cm)。
图3的横轴代表组数，纵轴代表经随机森林算法剔除后剩余的距差数据，单位为cm。
由图2和图3的对比可以看出，经过随机森林算法剔除后，大部分偏差较大的数据(大于100cm)都被滤除。
本实施例基于随机森林的超宽带非视距鉴别方法的性能如下表所示：
上表从误剔除率和漏剔除率两方面展示了本实施例基于随机森林的超宽带非视距鉴别方法的性能。

Claims (6)

1.一种基于随机森林的超宽带非视距鉴别方法，其特征在于，包括如下步骤：
步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；
步骤(2)：基于所测超宽带信号特征，进行特征重构；
步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；
步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；
步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型。
2.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有ri,1＝ri-r1，
其中，ri是标签到第i个基站的距离，r1是标签到主基站的距离；
ri,1即是标签到从基站和到主基站的距离差，即距差；
根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据。
3.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：
IDiff＝|first path position–peak path position|
其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；
MC＝fpAmpl/pkAmp；
其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；
fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头3，抽头2，抽头1所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；
MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；
FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；
其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；
FF1＝fpAmpl2/fpAmpl1；
FF2＝fpAmpl2/fpAmpl3；
Noise＝std_noise；
FF1代表首径索引位置处抽头2与抽头1处信号幅值的比值，FF2代表首径索引位置处抽头2与抽头3处信号幅值的比值，Noise代表信号噪声水平。
4.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，sk代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征sk在点K处是分裂节点，那么特征sk小于此节点的即被分到左边，大于此节点的即为被分到右边，递归的对左右节点进行划分，就产生了二分递归决策树。
5.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。
6.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。
CN201710767597.6A 2017-08-31 2017-08-31 基于随机森林的超宽带非视距鉴别方法 Active CN107563437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710767597.6A CN107563437B (zh) 2017-08-31 2017-08-31 基于随机森林的超宽带非视距鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710767597.6A CN107563437B (zh) 2017-08-31 2017-08-31 基于随机森林的超宽带非视距鉴别方法

Publications (2)

Publication Number Publication Date
CN107563437A true CN107563437A (zh) 2018-01-09
CN107563437B CN107563437B (zh) 2020-12-04

Family

ID=60978694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710767597.6A Active CN107563437B (zh) 2017-08-31 2017-08-31 基于随机森林的超宽带非视距鉴别方法

Country Status (1)

Country Link
CN (1) CN107563437B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833348A (zh) * 2018-05-08 2018-11-16 北京奇艺世纪科技有限公司 一种基于日志图建模的异常检测方法和装置
CN110261818A (zh) * 2019-06-25 2019-09-20 中国人民解放军陆军工程大学 非直达超宽带信号识别与误差消除方法及装置、存储介质
CN111541986A (zh) * 2019-01-22 2020-08-14 博彦科技股份有限公司 定位方法、装置、存储介质及处理器
CN112484625A (zh) * 2020-11-12 2021-03-12 西南交通大学 一种基于uwb信道脉冲响应的高精度位移测量方法
CN112800983A (zh) * 2021-02-01 2021-05-14 玉林师范学院 一种基于随机森林的非视距信号识别方法
CN110488222B (zh) * 2019-08-19 2021-06-22 杭州电子科技大学 一种nlos条件下svm与重心坐标相结合的uwb定位方法
CN117118797A (zh) * 2023-10-25 2023-11-24 西华大学 一种基于LoS感知辅助的OFDM系统定时同步方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399297A (zh) * 2013-08-16 2013-11-20 哈尔滨工业大学深圳研究生院 一种基于机器学习的超宽带非视距鉴别方法
DE102013022171A1 (de) * 2013-03-15 2014-09-18 Nvidia Corporation Ausführung von objekterkennungsoperationen mittels einer grafischen verarbeitungseinheit
CN106056752A (zh) * 2016-05-25 2016-10-26 武汉大学 一种基于随机森林的钞票鉴伪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013022171A1 (de) * 2013-03-15 2014-09-18 Nvidia Corporation Ausführung von objekterkennungsoperationen mittels einer grafischen verarbeitungseinheit
CN103399297A (zh) * 2013-08-16 2013-11-20 哈尔滨工业大学深圳研究生院 一种基于机器学习的超宽带非视距鉴别方法
CN106056752A (zh) * 2016-05-25 2016-10-26 武汉大学 一种基于随机森林的钞票鉴伪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨飞: "《基于手机定位数据的个体出行行为特征分析技术研究-方法与实证》", 31 May 2017 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833348A (zh) * 2018-05-08 2018-11-16 北京奇艺世纪科技有限公司 一种基于日志图建模的异常检测方法和装置
CN108833348B (zh) * 2018-05-08 2021-01-05 北京奇艺世纪科技有限公司 一种基于日志图建模的异常检测方法和装置
CN111541986A (zh) * 2019-01-22 2020-08-14 博彦科技股份有限公司 定位方法、装置、存储介质及处理器
CN111541986B (zh) * 2019-01-22 2022-09-09 博彦科技股份有限公司 定位方法、装置、存储介质及处理器
CN110261818A (zh) * 2019-06-25 2019-09-20 中国人民解放军陆军工程大学 非直达超宽带信号识别与误差消除方法及装置、存储介质
CN110261818B (zh) * 2019-06-25 2023-12-01 中国人民解放军陆军工程大学 非直达超宽带信号识别与误差消除方法及装置、存储介质
CN110488222B (zh) * 2019-08-19 2021-06-22 杭州电子科技大学 一种nlos条件下svm与重心坐标相结合的uwb定位方法
CN112484625B (zh) * 2020-11-12 2021-09-17 西南交通大学 一种基于uwb信道脉冲响应的高精度位移测量方法
CN112484625A (zh) * 2020-11-12 2021-03-12 西南交通大学 一种基于uwb信道脉冲响应的高精度位移测量方法
CN112800983A (zh) * 2021-02-01 2021-05-14 玉林师范学院 一种基于随机森林的非视距信号识别方法
CN112800983B (zh) * 2021-02-01 2024-03-08 玉林师范学院 一种基于随机森林的非视距信号识别方法
CN117118797A (zh) * 2023-10-25 2023-11-24 西华大学 一种基于LoS感知辅助的OFDM系统定时同步方法
CN117118797B (zh) * 2023-10-25 2023-12-19 西华大学 一种基于LoS感知辅助的OFDM系统定时同步方法

Also Published As

Publication number Publication date
CN107563437B (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN107563437A (zh) 基于随机森林的超宽带非视距鉴别方法
Kim et al. UWB positioning system based on LSTM classification with mitigated NLOS effects
CN105743612B (zh) 实时盲解调大频移短时突发信号的方法
CN107576943A (zh) 基于瑞利熵的自适应时频同步压缩方法
CN106896352A (zh) 一种基于随机集理论的多雷达异步数据分布式融合方法
Li et al. A probabilistic indoor localization system for heterogeneous devices
CN104754735A (zh) 位置指纹库的构建方法以及基于该位置指纹库的定位方法
CN103064063A (zh) 基于cwd特征的多相编码雷达信号波形自动识别方法
CN102711245B (zh) 室内环境下wlan区域内两阶段匹配定位方法
CN104597434A (zh) 改进包络移位补偿和分数阶傅里叶变换的多帧相参tbd方法
CN102243309B (zh) Gnss互相关干扰抑制方法和装置
CN112835009A (zh) 一种基于fmcw雷达rai的数据集拓展方法
CN105259540B (zh) 一种多站雷达抗有源欺骗式干扰的优化方法
CN109121083A (zh) 一种基于ap序列的指纹相似度的室内定位方法
CN107360623A (zh) 无线网络中节点定位和同步方法及节点装置
CN107167777A (zh) 锯齿波线性调频信号参数提取方法
Blandino et al. Tools, models and dataset for IEEE 802.11 ay CSI-based sensing
CN102087313B (zh) 一种卫星搜救信号的频率估计方法
CN105866757A (zh) 基于时变定位误差的外辐射源雷达目标航迹融合方法
Garcia et al. Direct localization of emitters using widely spaced sensors in multipath environments
CN104504900B (zh) 基于emd算法的个体出行手机切换序列道路匹配方法
WO2023213051A1 (zh) 一种基于csi信号到达角估计的静态人体姿势估计方法
CN106726210A (zh) 一种多功能轮椅的智能控制系统
CN105842714A (zh) 卫星信号捕获方法及装置
CN106093891A (zh) 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190802

Address after: 45 000 1 15th Floor, Block A1, No. 7 Dongqing Street, Zhengzhou High-tech Zone, Henan Province

Applicant after: ZHENGZHOU LOCARIS ELECTRONIC TECHNOLOGY CO.,LTD.

Address before: 510000 Factory 301, Tian'an Headquarters Center, 555 North Panyu Avenue, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province

Applicant before: HI-TARGET POSITIONING TECHNOLOGY CO.,LTD.

Applicant before: ZHENGZHOU LOCARIS ELECTRONIC TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right

Effective date of registration: 20200120

Address after: Room 606 and 607, No.8, Jingang Avenue, Nansha District, Guangzhou, Guangdong 511457

Applicant after: Guangzhou zhonghaida Innovation Technology Group Co.,Ltd.

Address before: 15, building 7, block A1, 450001 Holly Road, Gaoxin District, Henan, Zhengzhou

Applicant before: ZHENGZHOU LOCARIS ELECTRONIC TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230814

Address after: 401, Floor 4, Building 1, No. 8, Lianyun Erheng Road, Shiqi Town, Panyu District, Guangzhou, Guangdong 510000

Patentee after: Guangzhou Haida Xingyu Technology Co.,Ltd.

Address before: 511457 rooms 606 and 607, No.8 Jingang Avenue, Nansha District, Guangzhou City, Guangdong Province

Patentee before: Guangzhou zhonghaida Innovation Technology Group Co.,Ltd.

TR01 Transfer of patent right

Effective date of registration: 20240423

Address after: Room 417, "Yunfan Science and Technology Innovation" Co creation Space, Incubation Building 1, Guangxi University Science and Technology Park, No.1 Gaoxin Second Road, Nanning City, Guangxi Zhuang Autonomous Region, 530000

Patentee after: Guangxi Lianrui Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: 401, Floor 4, Building 1, No. 8, Lianyun Erheng Road, Shiqi Town, Panyu District, Guangzhou, Guangdong 510000

Patentee before: Guangzhou Haida Xingyu Technology Co.,Ltd.

Country or region before: China