CN107743296A - 一种基于压缩感知的rssi区域分段式定位方法 - Google Patents
一种基于压缩感知的rssi区域分段式定位方法 Download PDFInfo
- Publication number
- CN107743296A CN107743296A CN201711129238.4A CN201711129238A CN107743296A CN 107743296 A CN107743296 A CN 107743296A CN 201711129238 A CN201711129238 A CN 201711129238A CN 107743296 A CN107743296 A CN 107743296A
- Authority
- CN
- China
- Prior art keywords
- rssi
- target
- wap
- compressed sensing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004807 localization Effects 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000011664 signaling Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于压缩感知的RSSI区域分段式定位方法,主要解决了不依赖奈奎斯特采样定理采集少量数据就能实现定位的方法,降低了通信开销和计算量,且分阶段定位精度大大提高,包括离线阶段和在线阶段:(1)离线阶段:在无线局域网环境下,对环境空间进行无线信号采样,得到指纹库,存入中心服务器;(2)在线阶段:对无线接入点和目标进行信号采样,得到RSSI矩阵,无线接入点位置已知,粗定位基于RSSI矩阵计算各无线接入点到目标的欧式距离,用K近邻选择方法选择无线接入点,缩小目标的范围,精定位在选择的区域内进行无线信号采样,填写测量矩阵,再从服务器导入指纹库,构建过完备字典,在测量矩阵和字典满足不相干的条件下,通过信号重构算法得到目标当前位置。
Description
技术领域
本发明属于室内定位领域,涉及一种基于压缩感知的RSSI区域分段式定位方法,适用于环境相对复杂,定位开销要求较少的环境。
背景技术
无线局域网内定位的研究随着无线通信和物联网技术的发展越来越深入。无线定位被运用在工作和生活的很多领域,如矿井下人员的位置追踪、野外作业人员定位、生态环境的检测以及室内工作员工定位等。我们所熟知的传统的定位系统中使用基于测量参数的方法,有TOA(信号到达时间)、TDOA(信号到达时间差)、AOA(信号到达角度)和RSSI(接收信号强度)等。但是这些方法定位的精度是由参数的准确性决定的,在室内复杂多变的环境中,噪声干扰可能会给定位带来较大的误差;且基于这些方式的系统需要专门的硬件设备支撑以及大量的工作量,这样就给定位带来很多不便,一定程度的限制了定位系统的应用。
因为接收信号强度(Received Signal Strength,RSS)容易被无线电设备接收的这一特性,基于RSS的定位被广泛用来研究,我们知道的有基于指纹库的定位,利用信号传播模型在离线训练指纹库,在线阶段通过接收到目标的信号强度与指纹库进行比对得到目标估计,但是在复杂的信道环境中使得接收信号强度的数目较少时定位效果不容乐观。而且这种方法使用奈奎斯特采样定理,采样频率得大于信号中最高频率的两倍来采集样本,所需开销和处理的信息量大大增加。当室内环境变化较大时,数据指纹库的更新也是一项工作量很大的过程。
环境噪声干扰、通信开销以及信息计算复杂度是定位需要考虑的几个重要因素。压缩感知理论指出:只要信号是可压缩或在某一变换域上是稀疏的,就可以用一个与变换基不相干的测量矩阵将高维信号投影到一个低维的空间上,然后可以通过求解一个优化问题将少量投影高概率重构出原始信号。它可以在远小于奈奎斯特采样率的情况重构信号。压缩感知作为一门新的采样理论被提出,它通过开发信号的稀疏特性,在远小于香农-奈奎斯特采样率的条件下采样,然后通过重建算法完美的重建信号。它的这一特性正好与基于RSS的定位相结合,由于测量信号数是稀疏性,所以就可以依据少量的采样值利用压缩感知理论得到目标的精确位置。
综上所述,将压缩感知理论运用在定位系统中,根据压缩感知的特性,它能通过少量采样值来重构目标的位置信息向量,从而得到目标估计位置,这种方法大大降低了通信开销和计算复杂度。因此,有必要设计一种新的基于压缩感知的方法来实现室内定位提高定位性能。
发明内容
技术问题:本发明所要解决的技术问题是提供了一种基于压缩感知的RSSI区域分段式定位方法,该方法通过在线阶段使用K近邻选择方法选择无线接入点,缩小目标的所在区域来进行粗定位;在所选择的区域上,接收各无线接入点的信号强度值,根据选择的无线接入点填写测量矩阵,再与指纹库结合通过重构算法得到目标的位置信息向量,最终估计目标的位置坐标来进行精定位。有效的降低了成本开销和提高了定位精度。
为实现上述目标,本发明实现的技术方案如下:
一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,包括离线阶段和在线阶段:
(1)离线阶段:在无线局域网环境下,对环境空间进行无线信号采样,得到指纹库,存入中心服务器;
(2)在线阶段:对无线接入点和目标进行信号采样,得到RSSI矩阵,无线接入点位置已知,粗定位基于RSSI矩阵计算各无线接入点到目标的欧式距离,用K近邻选择方法选择无线接入点,缩小目标的范围,精定位在选择的区域内进行无线信号采样,填写测量矩阵,再从服务器导入指纹库,构建过完备字典,在测量矩阵和字典满足不相干的条件下,通过信号重构算法得到目标当前位置。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的离线阶段包括以下步骤:
(1)定位区域布置:定位模型将定位空间平面分成N个参考位置,并对每个参考位置来自上下左右不同方向上各采样X次,无线接入点的个数为M个,且均匀等分定位空间平面, 4个阅读器分布在定位区域四周;
(2)构建指纹库:在N个参考位置采集不同方向上来自M个无线接入点的RSSI值X次, X次采样平均值组成一个大小为N×M的矩阵再由参考点的位置坐标构建指纹库,存储在中心服务器,在定位区域变化较大时,还能通过压缩感知重构更新指纹库。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的在线阶段包括以下步骤:
(1)粗定位:定位区域四周的阅读器接收各无线接入点和目标的RSSI值,分别组成矩阵A和矩阵T,先基于RSSI值计算目标到各无线接入点的欧式距离,再使用K近邻选择方法选择离目标最近的K个无线接入点,将目标所在的范围缩小在被选择的无线接入点的范围;
(2)精定位:在上述粗定位锁定的区域内,目标在线采样信号强度,得到少量的测量值,根据无线接入点的位置构建测量矩阵,从服务器导入指纹库构建过完备字典Ψ,采用正交化预操作使其和Ψ满足不相干性,再通过信号重构算法得到位置信号稀疏向量,最终估计目标位置。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的X为 4次。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的精定位中测量值为向量y。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的精定位中测量矩阵为Φ,它由无线接入点的位置决定,
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的指纹库构建过程中采样到的平均值矩阵
其中,i=1,2,...M,j=1,2,...N,表示离线阶段第j个参考点到i个无线接入点采样X次的RSSI平均值,表示第λ次采样值。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的指纹库可以表示为(xj,yj)表示第j个参考点的位置坐标。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的矩阵
其中,矩阵A表示阅读器采样M个无线接入点的RSSI值,矩阵T表示阅读器采样K个目标的RSSI值。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述粗定位中计算欧式距离的公式
其中,Dl,j表示第l个AP到第j个目标的欧式距离。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述的在线阶段获取测量矩阵Φ和字典Ψ,Φ和Ψ通过正交化预操作使其和Ψ满足不相干性,正交化预操作的步骤为:
对测量值向量y进行正交化预操作,即y′=py。定义P=QR+,其中,R=ΦΨ,Q=orth(RT)T orth(R)表示对矩阵R的规范正交化化操作,R+表示矩阵R的伪逆矩阵,即 y′=py=QR+·Rθ=Qθ。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的位置信号稀疏向量为θ,θ是一个大小为1×N的向量,目标的位置估计就是θ重构过程,公式如下:
其中,表示目标的位置信息向量,值为“1”表示索引到定位区域相应参考位置,ε表示噪声干扰的误差值。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述的位置信息向量中非0值位置对应着字典中的列向量,再通过指纹库中的训练的位置信息得到目标的最终位置。
本发明的有益效果是:
1.与基于信息指纹的定位方法相比,只需要采集少量的样本就能估计目标的位置,节省成本同时降低了计算复杂度,指纹法通过比对的方式定位精度有限,且需要花费大量的开销去更新指纹信息库。
2.与传统基于压缩感知的定位方法相比,在线阶段通过K近邻选择方法进行粗定位,缩小目标所在区域的同时也选择出离目标最近的K个无线接入点,大大提高了定位精度,且降低了计算复杂度,也可以通过重构算法更新指纹库,节省了通信开销。
附图说明
图1本发明所述的定位方法基本原理图;
图2本发明的定位流程图;
图3本发明的定位模型图;
图4本发明的定位应用场景图;
图5本发明型粗定位阶段AP选择;
图6本发明压缩感知算法重构流程图。
具体实施方式
为了使本发明技术方案的效果以及优势更加清楚明了,以下将结合附图和具体实施例对本发明的一种基于压缩感知的RSSI区域分段式定位方法进行更详细的说明。
参见图1,图2,本发明所述的一种基于压缩感知的RSSI区域分段式定位方法,包括离线阶段和在线阶段:
(1)离线阶段:在无线局域网环境下,对环境空间进行无线信号采样,得到指纹库,存入中心服务器;
(2)在线阶段:对无线接入点和目标进行信号采样,得到RSSI矩阵,无线接入点位置已知,粗定位基于RSSI矩阵计算各无线接入点到目标的欧式距离,用K近邻选择方法选择无线接入点,缩小目标的范围,精定位在选择的区域内进行无线信号采样,填写测量矩阵,再从服务器导入指纹库,构建过完备字典,在测量矩阵和字典满足不相干的条件下,通过信号重构算法得到目标当前位置。
参见图3,图4,定位模型和定位应用场景图,本发明所述的一种基于压缩感知的RSSI 区域分段式定位方法,离线阶段包括以下步骤:
(1)定位区域布置:定位模型将定位空间平面分割成N个参考位置,并对每个参考位置来自上下左右不同方向上各采样X次,无线接入点的个数为M个,且均匀等分定位空间平面, 4个阅读器分布在定位区域四周;
(2)构建指纹库:在N个参考位置采集不同方向上来自M个无线接入点的RSSI值X次, X次采样平均值组成一个大小为N×M的矩阵再由参考点的位置坐标构建指纹库,存储在中心服务器,在定位区域变化较大时,还能通过压缩感知重构更新指纹库。
本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述的X为4次。
参见图5,AP选择,区域定位锁定目标范围进行粗定位,本发明所述的压缩感知分段式室内定位方法,在线阶段包括以下步骤:
(1)粗定位:定位区域四周的阅读器接收各无线接入点和目标的RSSI值,分别组成矩阵A和矩阵T,先基于RSSI值计算目标到各无线接入点的欧式距离,再使用K近邻选择方法选择离目标最近的K个无线接入点,将目标所在的范围缩小在被选择的无线接入点的范围;
其中矩阵矩阵矩阵A表示阅读器采样M 个无线接入点的RSSI值,矩阵T表示阅读器采样K个目标的RSSI值;
(2)精定位:在上述粗定位锁定的区域内,目标在线采样信号强度,得到少量的测量值,根据无线接入点的位置构建测量矩阵,从服务器导入指纹库构建过完备字典Ψ,采用正交化预操作使其和Ψ满足不相干性,再通过信号重构算法得到位置信号稀疏向量,最终估计目标位置。指纹库构建过程中采样到的平均值矩阵
其中,i=1,2,...M,j=1,2,...N,表示离线阶段第j个参考点到i个无线接入点采样X次的RSSI平均值,表示第λ次采样值。
本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述粗定位中计算欧式距离的公式
其中,Dl,j表示第l个AP到第j个目标的欧式距离。
本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述的在线阶段获取测量矩阵Φ和字典Ψ,Φ和Ψ通过正交化预操作满足不相干性,正交化预操作的步骤为:
对测量值向量y进行正交化预操作,即y′=py。定义P=QR+,其中,R=ΦΨ,Q=orth(RT)T, orth(R)表示对矩阵R的规范正交化化操作,R+表示矩阵R的伪逆矩阵,即 y′=py=QR+·Rθ=Qθ。
见图6,压缩感知算法重构流程图,根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述的位置信号稀疏向量为θ,θ是一个大小为1×N的向量,目标的位置估计就是θ重构过程,公式如下:
其中,表示目标的位置信息向量,值为“1”表示索引到定位区域相应参考位置,ε表示噪声干扰的误差值。
根据本发明所述的基于压缩感知的RSSI区域分段式定位方法,所述的位置信息向量中非0值的位置对应着字典中的列向量,通过指纹库得到相应的坐标值和RSSI值,目标的坐标计算方式为:
其中,(xt,yt)为第t个目标最终位置,L为中非零元素个数,Δkt为k个参考位置到t个目标的权重。
Claims (11)
1.一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,包括离线阶段和在线阶段:
(1)离线阶段:在无线局域网环境下,对环境空间进行无线信号采样,得到指纹库,存入中心服务器;
(2)在线阶段:对无线接入点和目标进行信号采样,得到RSSI矩阵,无线接入点位置已知,粗定位基于RSSI矩阵计算各无线接入点到目标的欧式距离,用K近邻选择方法选择无线接入点,缩小目标的范围,精定位在选择的区域内进行无线信号采样,填写测量矩阵,再从服务器导入指纹库,构建过完备字典,在测量矩阵和字典满足不相干的条件下,通过信号重构算法得到目标当前位置。
2.根据权利要求1所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的离线阶段包括以下步骤:
(1)定位区域布置:定位模型将定位空间平面分成N个参考位置,并对每个参考位置来自上下左右不同方向上各采样X次,无线接入点的个数为M个,且均匀等分定位空间平面,4个阅读器分布在定位区域四周;
(2)构建指纹库:在N个参考位置采集不同方向上来自M个无线接入点的RSSI值X次,X次采样平均值组成一个大小为N×M的矩阵再由参考点的位置坐标构建指纹库,存储在中心服务器,在定位区域变化较大时,还能通过压缩感知重构更新指纹库。
3.根据权利要求1所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的在线阶段包括以下步骤:
(1)粗定位:定位区域四周的阅读器接收各无线接入点和目标的RSSI值,分别组成矩阵A和矩阵T,先基于RSSI值计算目标到各无线接入点的欧式距离,再使用K近邻选择方法选择离目标最近的K个无线接入点,将目标所在的范围缩小在被选择的无线接入点的范围;
(2)精定位:在上述粗定位锁定的区域内,目标在线采样信号强度,得到少量的测量值,根据无线接入点的位置构建测量矩阵,从服务器导入指纹库构建过完备字典Ψ,采用正交化预操作使其和Ψ满足不相干性,再通过信号重构算法得到位置信号稀疏向量,最终估计目标位置。
4.根据权利要求2所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的X为4次。
5.根据权利要求2所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的精定位中测量值为向量y。
6.根据权利要求2所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的精定位中测量矩阵为Φ,它由无线接入点的位置决定。
7.根据权利要求2所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的位置信号稀疏向量为θ。
8.根据权利要求2所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的指纹库构建过程中采样到的平均值矩阵
其中,i=1,2,...M,j=1,2,...N,表示离线阶段第j个参考点到i个无线接入点采样X次的RSSI平均值,表示第λ次采样值。
9.根据权利要求2所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述的指纹库可以表示为(xj,yj)表示第j个参考点的位置坐标。
10.根据权利要求3所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述阵的矩
其中,矩阵A表示阅读器采样M个无线接入点的RSSI值,矩阵T表示阅读器采样K个目标的RSSI值。
11.根据权利要求3所述的一种基于压缩感知的RSSI区域分段式定位方法,其特征在于,所述粗定位中计算欧式距离的公式
其中,Dl,j表示第l个AP到第j个目标的欧式距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129238.4A CN107743296A (zh) | 2017-11-15 | 2017-11-15 | 一种基于压缩感知的rssi区域分段式定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129238.4A CN107743296A (zh) | 2017-11-15 | 2017-11-15 | 一种基于压缩感知的rssi区域分段式定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107743296A true CN107743296A (zh) | 2018-02-27 |
Family
ID=61234638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711129238.4A Pending CN107743296A (zh) | 2017-11-15 | 2017-11-15 | 一种基于压缩感知的rssi区域分段式定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107743296A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108260091A (zh) * | 2018-03-21 | 2018-07-06 | 中国矿业大学(北京) | 基于离散动态网格选择的压缩感知矿井目标定位方法 |
CN108462993A (zh) * | 2018-03-28 | 2018-08-28 | 南京工业大学 | 无线传感器网络中基于rss的多目标定位方法与系统 |
CN108519577A (zh) * | 2018-03-12 | 2018-09-11 | 中国矿业大学(北京) | 基于压缩感知toa特征信号指纹库的分布式定位方法 |
CN108881186A (zh) * | 2018-05-31 | 2018-11-23 | 西安电子科技大学 | 一种可实现密钥共享和差错控制的压缩感知加密方法 |
CN109286894A (zh) * | 2018-11-19 | 2019-01-29 | 中国矿业大学(北京) | 一种基于压缩感知与多边测量相结合的定位方法 |
CN110839202A (zh) * | 2019-11-25 | 2020-02-25 | 广东博智林机器人有限公司 | 定位方法、装置、电子设备及存储介质 |
CN114679685A (zh) * | 2022-03-26 | 2022-06-28 | 福州大学 | 基于虚拟指纹库的任务驱动无线电压缩成像系统及方法 |
CN115175122A (zh) * | 2022-07-01 | 2022-10-11 | 重庆邮电大学 | 一种基于半张量积压缩感知的室内定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277917A (zh) * | 2015-10-30 | 2016-01-27 | 湖南大学 | 一种基于反馈机制的动态指纹库室内定位方法 |
CN106231549A (zh) * | 2016-07-25 | 2016-12-14 | 青岛科技大学 | 一种基于重构算法的60GHz脉冲室内定位方法 |
CN107046680A (zh) * | 2017-05-22 | 2017-08-15 | 湖南大学 | 一种基于可信位置指纹的室内定位方法 |
-
2017
- 2017-11-15 CN CN201711129238.4A patent/CN107743296A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277917A (zh) * | 2015-10-30 | 2016-01-27 | 湖南大学 | 一种基于反馈机制的动态指纹库室内定位方法 |
CN106231549A (zh) * | 2016-07-25 | 2016-12-14 | 青岛科技大学 | 一种基于重构算法的60GHz脉冲室内定位方法 |
CN107046680A (zh) * | 2017-05-22 | 2017-08-15 | 湖南大学 | 一种基于可信位置指纹的室内定位方法 |
Non-Patent Citations (1)
Title |
---|
岳亮;郑泽;: "一种基于传感网络的改进的定位算法" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519577A (zh) * | 2018-03-12 | 2018-09-11 | 中国矿业大学(北京) | 基于压缩感知toa特征信号指纹库的分布式定位方法 |
CN108519577B (zh) * | 2018-03-12 | 2023-09-15 | 中国矿业大学(北京) | 基于压缩感知toa特征信号指纹库的分布式定位方法 |
CN108260091A (zh) * | 2018-03-21 | 2018-07-06 | 中国矿业大学(北京) | 基于离散动态网格选择的压缩感知矿井目标定位方法 |
CN108462993A (zh) * | 2018-03-28 | 2018-08-28 | 南京工业大学 | 无线传感器网络中基于rss的多目标定位方法与系统 |
CN108462993B (zh) * | 2018-03-28 | 2020-09-01 | 南京工业大学 | 无线传感器网络中基于rss的多目标定位方法与系统 |
CN108881186A (zh) * | 2018-05-31 | 2018-11-23 | 西安电子科技大学 | 一种可实现密钥共享和差错控制的压缩感知加密方法 |
CN108881186B (zh) * | 2018-05-31 | 2020-06-16 | 西安电子科技大学 | 一种可实现密钥共享和差错控制的压缩感知加密方法 |
CN109286894A (zh) * | 2018-11-19 | 2019-01-29 | 中国矿业大学(北京) | 一种基于压缩感知与多边测量相结合的定位方法 |
CN110839202A (zh) * | 2019-11-25 | 2020-02-25 | 广东博智林机器人有限公司 | 定位方法、装置、电子设备及存储介质 |
CN110839202B (zh) * | 2019-11-25 | 2021-01-26 | 广东博智林机器人有限公司 | 定位方法、装置、电子设备及存储介质 |
CN114679685A (zh) * | 2022-03-26 | 2022-06-28 | 福州大学 | 基于虚拟指纹库的任务驱动无线电压缩成像系统及方法 |
CN115175122A (zh) * | 2022-07-01 | 2022-10-11 | 重庆邮电大学 | 一种基于半张量积压缩感知的室内定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107743296A (zh) | 一种基于压缩感知的rssi区域分段式定位方法 | |
CN108696932A (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN103842840B (zh) | 移动设备以及操作移动设备的方法 | |
CN101778399B (zh) | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 | |
Laoudias et al. | Localization using radial basis function networks and signal strength fingerprints in WLAN | |
Ding et al. | Overview of received signal strength based fingerprinting localization in indoor wireless LAN environments | |
CN112073895A (zh) | 一种基于csi高精度人员定位跟踪方法 | |
CN104519571B (zh) | 一种基于rss的室内定位方法 | |
CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
Zhou et al. | Indoor WLAN intelligent target intrusion sensing using ray-aided generative adversarial network | |
CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
Zhou et al. | Indoor fingerprint localization based on fuzzy c-means clustering | |
CN104038901A (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
CN103220777A (zh) | 一种移动设备定位系统 | |
CN112533136B (zh) | 一种基于深度学习的wlan指纹定位方法 | |
CN106255059B (zh) | 一种基于几何方式的无设备目标定位方法 | |
Zhou et al. | Accurate DOA estimation with adjacent angle power difference for indoor localization | |
CN108260091A (zh) | 基于离散动态网格选择的压缩感知矿井目标定位方法 | |
CN104581945B (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 | |
CN112616184B (zh) | 基于多基站信道状态信息融合的移动设备位置估计方法 | |
CN113207089A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
Zhong et al. | WiFi indoor localization based on K-means | |
CN108279411A (zh) | 一种基于mds的被动mimo时差定位方法 | |
CN102215497B (zh) | 基于条件信息熵的wlan室内单源高斯位置指纹定位性能评价方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180227 |
|
WD01 | Invention patent application deemed withdrawn after publication |