CN108303090A - 基于人工智能的室内指纹定位方法及系统 - Google Patents
基于人工智能的室内指纹定位方法及系统 Download PDFInfo
- Publication number
- CN108303090A CN108303090A CN201711437261.XA CN201711437261A CN108303090A CN 108303090 A CN108303090 A CN 108303090A CN 201711437261 A CN201711437261 A CN 201711437261A CN 108303090 A CN108303090 A CN 108303090A
- Authority
- CN
- China
- Prior art keywords
- cluster
- sample
- artificial intelligence
- similarity
- degree
- 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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种基于人工智能的室内指纹定位方法,其包括如下步骤:S1、在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;S2、在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
Description
技术领域
本发明涉及室内定位技术领域,特别涉及一种基于人工智能的室内指纹定位方法及系统。
背景技术
随着无线通信技术的不断发展及室内基于位置的服务(Location BasedService,LBS)业务需求的不断增长,室内无线定位技术近年来得到了越来越广泛的研究。而高性能无线定位技术,如髙定位精度、高定位实时性、低计算复杂度、低开发应用成本决定了室内LBS业务的服务质量。基于无线局域网(Wireless Local Area Network,WLAN)的接收信号强度(Received Signal Strength,RSS)指纹信息定位技术受益于米级定位精度性能、智能终端的低开发成本以及WLAN技术在室内场景的广泛分布这三大优势而成为室内lbs系统中定位技术的首选。
而室内指纹定位技术面临一些主要问题以待解决。在离线阶段,需要建立指纹数据库并在环境变化时更新指纹数据库以保证其定位有效性,而数据库的建立与更新需要耗费大量的人力物力,这不利于指纹定位算法的普及,特别是大型定位场景中的应用。在在线阶段,指纹模式匹配技术的设计需要克服RSS受多径效应、阴影效应引起的时变特性所产生的位置估计误差,同时需要降低算法计算复杂度,提髙定位实时性性能。
发明内容
有鉴于此,本发明提出一种基于人工智能的室内指纹定位方法及系统。
一种基于人工智能的室内指纹定位方法,其包括如下步骤:
S1、在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;
S2、在在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
在本发明所述的基于人工智能的室内指纹定位方法中,所述RPM路径损耗传播模型如下:
其中为第φ个簇中由阴影效应、多径效应引起的路径损耗,服从均值为0,方差为的高斯分布;nφ为第φ个簇的路径损耗指数,Peφ为第φ个簇的穿透损耗值,d为第第φ个簇内参考点距离发射机的距离,PL(d0)为距离发射机d0=1m处的路径损耗值;nφ以及Peφ通过利用簇中各参考点处的采样样本进行最小二乘拟合获得。
在本发明所述的基于人工智能的室内指纹定位方法中,
所述步骤S1中在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇包括:
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇。
在本发明所述的基于人工智能的室内指纹定位方法中,
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇包括:
在不断的迭代过程中传递吸引度、归属度直至产生特定的类中心,并产生相应的类成员。
在本发明所述的基于人工智能的室内指纹定位方法中,
吸引度信息通过r(i,j)表示,用于反映第j个样本作为簇中心时对第i个样本的吸引度;归属度信息通过a(i,j)表示,用于反映第i个样本对第j个样本作为簇中心的归属感;其中吸引度的公式如下:
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')};
归属度的公式如下:
其中s(i,j)为第i个样本与第j个样本的相似度,且为相似度矩阵S的原始,包括自相似度(i=j)以及成对相似度(i≠j),相似度以欧式距离来度量,将成对相似度定义为各参考点之间的RSS指纹信息的欧式距离与位置空间的欧式距离的乘积。
在本发明所述的基于人工智能的室内指纹定位方法中,
所述步骤S2中改进PSO算法的初始化策略包括进行位置预测,其中位置预测中时间更新方程为:
其中,为t时刻预估的先验位置信息,In为n×n 的单位矩阵,Wt为服从均值为0方差为Q的高斯噪声,Q为固定值;Δt=1-2s 为RSS样本采样间隔; 分别为后验和先验估计误差的协方差矩阵。
本发明还提供一种基于人工智能的室内指纹定位系统,其包括如下单元:
离线单元,用于在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;
在线单元,用于在在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
在本发明所述的基于人工智能的室内指纹定位系统中,所述RPM路径损耗传播模型如下:
其中为第φ个簇中由阴影效应、多径效应引起的路径损耗,服从均值为0,方差为的高斯分布;nφ为第φ个簇的路径损耗指数,Peφ为第φ个簇的穿透损耗值,d为第第φ个簇内参考点距离发射机的距离,PL(d0)为距离发射机d0=1m处的路径损耗值;nφ以及Peφ通过利用簇中各参考点处的采样样本进行最小二乘拟合获得。
在本发明所述的基于人工智能的室内指纹定位系统中,
所述离线单元中在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇包括:
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇。
在本发明所述的基于人工智能的室内指纹定位系统中,
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇包括:
在不断的迭代过程中传递吸引度、归属度直至产生特定的类中心,并产生相应的类成员;
吸引度信息通过r(i,j)表示,用于反映第j个样本作为簇中心时对第i个样本的吸引度;归属度信息通过a(i,j)表示,用于反映第i个样本对第j个样本作为簇中心的归属感;其中吸引度的公式如下:
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')};
归属度的公式如下:
其中s(i,j)为第i个样本与第j个样本的相似度,且为相似度矩阵S的原始,包括自相似度(i=j)以及成对相似度(i≠j),相似度以欧式距离来度量,将成对相似度定义为各参考点之间的RSS指纹信息的欧式距离与位置空间的欧式距离的乘积;
所述步骤S2中改进PSO算法的初始化策略包括进行位置预测,其中位置预测中时间更新方程为:
其中,为t时刻预估的先验位置信息,In为n×n 的单位矩阵,Wt为服从均值为0方差为Q的高斯噪声,Q为固定值;Δt=1-2s 为RSS样本采样间隔; 分别为后验和先验估计误差的协方差矩阵。
实施本发明提供的基于人工智能的室内指纹定位方法及系统与现有技术相比具有以下有益效果:
所提路径损耗传播模型的RSS预测精度高于现有的传播模型;同时,在降低指纹采集工作量50%以上时,所提算法仍然能够获取较高的定位精度。改进了PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
附图说明
图1是本发明实施例的大数据统计表的可视化图形界面展示方法流程图。
具体实施方式
如图1所示,一种基于人工智能的室内指纹定位方法,其包括如下步骤:
S1、在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;
S2、在在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
在本发明所述的基于人工智能的室内指纹定位方法中,所述RPM路径损耗传播模型如下:
其中为第φ个簇中由阴影效应、多径效应引起的路径损耗,服从均值为0,方差为的高斯分布;nφ为第φ个簇的路径损耗指数,Peφ为第φ个簇的穿透损耗值,d为第第φ个簇内参考点距离发射机的距离,PL(d0)为距离发射机d0=1m处的路径损耗值;nφ以及Peφ通过利用簇中各参考点处的采样样本进行最小二乘拟合获得。
在本发明所述的基于人工智能的室内指纹定位方法中,
所述步骤S1中在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇包括:
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇。
在本发明所述的基于人工智能的室内指纹定位方法中,
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇包括:
在不断的迭代过程中传递吸引度、归属度直至产生特定的类中心,并产生相应的类成员。
在本发明所述的基于人工智能的室内指纹定位方法中,
吸引度信息通过r(i,j)表示,用于反映第j个样本作为簇中心时对第i个样本的吸引度;归属度信息通过a(i,j)表示,用于反映第i个样本对第j个样本作为簇中心的归属感;其中吸引度的公式如下:
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')};
归属度的公式如下:
其中s(i,j)为第i个样本与第j个样本的相似度,且为相似度矩阵S的原始,包括自相似度(i=j)以及成对相似度(i≠j),相似度以欧式距离来度量,将成对相似度定义为各参考点之间的RSS指纹信息的欧式距离与位置空间的欧式距离的乘积。
在本发明所述的基于人工智能的室内指纹定位方法中,
所述步骤S2中改进PSO算法的初始化策略包括进行位置预测,其中位置预测中时间更新方程为:
其中,为t时刻预估的先验位置信息,In为n×n 的单位矩阵,Wt为服从均值为0方差为Q的高斯噪声,Q为固定值;Δt=1-2s 为RSS样本采样间隔; 分别为后验和先验估计误差的协方差矩阵。
本发明还提供一种基于人工智能的室内指纹定位系统,其包括如下单元:
离线单元,用于在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;
在线单元,用于在在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
在本发明所述的基于人工智能的室内指纹定位系统中,所述RPM路径损耗传播模型如下:
其中为第φ个簇中由阴影效应、多径效应引起的路径损耗,服从均值为0,方差为的高斯分布;nφ为第φ个簇的路径损耗指数,Peφ为第φ个簇的穿透损耗值,d为第第φ个簇内参考点距离发射机的距离,PL(d0)为距离发射机d0=1m处的路径损耗值;nφ以及Peφ通过利用簇中各参考点处的采样样本进行最小二乘拟合获得。
在本发明所述的基于人工智能的室内指纹定位系统中,
所述离线单元中在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇包括:
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇。
在本发明所述的基于人工智能的室内指纹定位系统中,
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇包括:
在不断的迭代过程中传递吸引度、归属度直至产生特定的类中心,并产生相应的类成员;
吸引度信息通过r(i,j)表示,用于反映第j个样本作为簇中心时对第i个样本的吸引度;归属度信息通过a(i,j)表示,用于反映第i个样本对第j个样本作为簇中心的归属感;其中吸引度的公式如下:
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')};
归属度的公式如下:
其中s(i,j)为第i个样本与第j个样本的相似度,且为相似度矩阵S的原始,包括自相似度(i=j)以及成对相似度(i≠j),相似度以欧式距离来度量,将成对相似度定义为各参考点之间的RSS指纹信息的欧式距离与位置空间的欧式距离的乘积;
所述步骤S2中改进PSO算法的初始化策略包括进行位置预测,其中位置预测中时间更新方程为:
其中,为t时刻预估的先验位置信息,In为n×n 的单位矩阵,Wt为服从均值为0方差为Q的高斯噪声,Q为固定值;Δt=1-2s 为RSS样本采样间隔; 分别为后验和先验估计误差的协方差矩阵。
实施本发明提供的基于人工智能的室内指纹定位方法及系统与现有技术相比具有以下有益效果:
所提路径损耗传播模型的RSS预测精度高于现有的传播模型;同时,在降低指纹采集工作量50%以上时,所提算法仍然能够获取较高的定位精度。改进了PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
可以理解的是,对于本领域的普通技术人员来说,可以根据本发明的技术构思做出其它各种相应的改变与变形,而所有这些改变与变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种基于人工智能的室内指纹定位方法,其特征在于,其包括如下步骤:
S1、在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;
S2、在在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
2.如权利要求1所述的基于人工智能的室内指纹定位方法,其特征在于,所述RPM路径损耗传播模型如下:
其中为第φ个簇中由阴影效应、多径效应引起的路径损耗,服从均值为0,方差为的高斯分布;nφ为第φ个簇的路径损耗指数,Peφ为第φ个簇的穿透损耗值,d为第第φ个簇内参考点距离发射机的距离,PL(d0)为距离发射机d0=1m处的路径损耗值;nφ以及Peφ通过利用簇中各参考点处的采样样本进行最小二乘拟合获得。
3.如权利要求1所述的基于人工智能的室内指纹定位方法,其特征在于,
所述步骤S1中在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇包括:
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇。
4.如权利要求3所述的基于人工智能的室内指纹定位方法,其特征在于,
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇包括:
在不断的迭代过程中传递吸引度、归属度直至产生特定的类中心,并产生相应的类成员。
5.如权利要求4所述的基于人工智能的室内指纹定位方法,其特征在于,
吸引度信息通过r(i,j)表示,用于反映第j个样本作为簇中心时对第i个样本的吸引度;归属度信息通过a(i,j)表示,用于反映第i个样本对第j个样本作为簇中心的归属感;其中吸引度的公式如下:
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')};
归属度的公式如下:
其中s(i,j)为第i个样本与第j个样本的相似度,且为相似度矩阵S的原始,包括自相似度(i=j)以及成对相似度(i≠j),相似度以欧式距离来度量,将成对相似度定义为各参考点之间的RSS指纹信息的欧式距离与位置空间的欧式距离的乘积。
6.如权利要求5所述的基于人工智能的室内指纹定位方法,其特征在于,
所述步骤S2中改进PSO算法的初始化策略包括进行位置预测,其中位置预测中时间更新方程为:
其中,为t时刻预估的先验位置信息,In为n×n的单位矩阵,Wt为服从均值为0方差为Q的高斯噪声,Q为固定值;Δt=1-2s为RSS样本采样间隔;分别为后验和先验估计误差的协方差矩阵。
7.一种基于人工智能的室内指纹定位系统,其特征在于,其包括如下单元:
离线单元,用于在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇从而将室内区域划分成特定个数的子区域,然后利用各个子区域的采样数据建立所提的RPM路径损耗传播模型,通过该模型预测其他未测量参考点处的指纹以重构完整的指纹数据库;
在线单元,用于在在线阶段位置估计与追踪阶段,通过改进PSO算法的初始化策略以提高算法的收敛速度及全局收敛性能,从而提高位置估计精度;同时,结合卡尔曼滤波算法对位置估计结果做进一步的修正平滑以获取更高精度的终端位置追踪效果。
8.如权利要求7所述的基于人工智能的室内指纹定位系统,其特征在于,所述RPM路径损耗传播模型如下:
其中为第φ个簇中由阴影效应、多径效应引起的路径损耗,服从均值为0,方差为的高斯分布;nφ为第φ个簇的路径损耗指数,Peφ为第φ个簇的穿透损耗值,d为第第φ个簇内参考点距离发射机的距离,PL(d0)为距离发射机d0=1m处的路径损耗值;nφ以及Peφ通过利用簇中各参考点处的采样样本进行最小二乘拟合获得。
9.如权利要求7所述的基于人工智能的室内指纹定位方法,其特征在于,
所述离线单元中在离线阶段利用仿射传播聚类技术对稀疏密度分布的参考点处采样得到指纹图谱进行分簇包括:
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇。
10.如权利要求9所述的基于人工智能的室内指纹定位系统,其特征在于,
在初始化时假设各个样本都为簇的中心,在不断的迭代过程中相互竞争簇中心,实现在事先不确定簇的个数的情况下生成若干数量的簇包括:
在不断的迭代过程中传递吸引度、归属度直至产生特定的类中心,并产生相应的类成员;
吸引度信息通过r(i,j)表示,用于反映第j个样本作为簇中心时对第i个样本的吸引度;归属度信息通过a(i,j)表示,用于反映第i个样本对第j个样本作为簇中心的归属感;其中吸引度的公式如下:
r(i,j)=s(i,j)-maxj'≠j{a(i,j')+s(i,j')};
归属度的公式如下:
其中s(i,j)为第i个样本与第j个样本的相似度,且为相似度矩阵S的原始,包括自相似度(i=j)以及成对相似度(i≠j),相似度以欧式距离来度量,将成对相似度定义为各参考点之间的RSS指纹信息的欧式距离与位置空间的欧式距离的乘积;
所述步骤S2中改进PSO算法的初始化策略包括进行位置预测,其中位置预测中时间更新方程为:
其中,为t时刻预估的先验位置信息,In为n×n的单位矩阵,Wt为服从均值为0方差为Q的高斯噪声,Q为固定值;Δt=1-2s为RSS样本采样间隔;分别为后验和先验估计误差的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437261.XA CN108303090A (zh) | 2017-12-26 | 2017-12-26 | 基于人工智能的室内指纹定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437261.XA CN108303090A (zh) | 2017-12-26 | 2017-12-26 | 基于人工智能的室内指纹定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108303090A true CN108303090A (zh) | 2018-07-20 |
Family
ID=62867435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711437261.XA Pending CN108303090A (zh) | 2017-12-26 | 2017-12-26 | 基于人工智能的室内指纹定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108303090A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333484A (zh) * | 2019-07-15 | 2019-10-15 | 桂林电子科技大学 | 基于环境背景声感知与分析的室内区域级定位方法 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2570772A1 (en) * | 2011-09-16 | 2013-03-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for localisation and mapping of pedestrians or robots using wireless access points |
CN105021200A (zh) * | 2015-07-27 | 2015-11-04 | 北京博阳世通信息技术有限公司 | 一种室内位置服务信息的生成系统及方法 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
-
2017
- 2017-12-26 CN CN201711437261.XA patent/CN108303090A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2570772A1 (en) * | 2011-09-16 | 2013-03-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for localisation and mapping of pedestrians or robots using wireless access points |
CN105021200A (zh) * | 2015-07-27 | 2015-11-04 | 北京博阳世通信息技术有限公司 | 一种室内位置服务信息的生成系统及方法 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
Non-Patent Citations (1)
Title |
---|
丁根明: "基于人工智能的室内指纹定位技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333484A (zh) * | 2019-07-15 | 2019-10-15 | 桂林电子科技大学 | 基于环境背景声感知与分析的室内区域级定位方法 |
CN110333484B (zh) * | 2019-07-15 | 2021-04-13 | 桂林电子科技大学 | 基于环境背景声感知与分析的室内区域级定位方法 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN112040397B (zh) * | 2020-08-13 | 2023-01-24 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | A novel convolutional neural network based indoor localization framework with WiFi fingerprinting | |
CN105044662B (zh) | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 | |
CN108769969B (zh) | 一种基于深度置信网络的rfid室内定位方法 | |
Chidlovskii et al. | Semi-supervised variational autoencoder for WiFi indoor localization | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
Zhou et al. | Indoor fingerprint localization based on fuzzy c-means clustering | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
Ruan et al. | Hi-Loc: Hybrid indoor localization via enhanced 5G NR CSI | |
CN105120479B (zh) | 终端间Wi-Fi信号的信号强度差异修正方法 | |
Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
CN108521627A (zh) | 基于HMM的wifi和地磁融合的室内定位系统及方法 | |
Ciftler et al. | Federated learning for localization: A privacy-preserving crowdsourcing method | |
CN114564545A (zh) | 一种基于ais历史数据的船舶经验航线提取系统及方法 | |
CN113207089A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN108717174A (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
Shit et al. | AI-enabled fingerprinting and crowdsource-based vehicle localization for resilient and safe transportation systems | |
Lu et al. | Robot indoor location modeling and simulation based on Kalman filtering | |
CN108303090A (zh) | 基于人工智能的室内指纹定位方法及系统 | |
Zhu et al. | Intelligent fingerprint-based localization scheme using CSI images for internet of things | |
Kagi et al. | Localization in wireless sensor networks: A compact review on state-of-the-art models | |
CN113543026B (zh) | 一种基于径向基函数网络的多楼层室内定位方法 | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
He et al. | A robust CSI-based Wi-Fi passive sensing method using attention mechanism deep learning | |
Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
CN111523571B (zh) | 一种用于分布式大规模多天线系统的半监督学习定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |