CN108307306A - 基于空间分区的区域划分及定位方法及系统 - Google Patents
基于空间分区的区域划分及定位方法及系统 Download PDFInfo
- Publication number
- CN108307306A CN108307306A CN201711433043.9A CN201711433043A CN108307306A CN 108307306 A CN108307306 A CN 108307306A CN 201711433043 A CN201711433043 A CN 201711433043A CN 108307306 A CN108307306 A CN 108307306A
- Authority
- CN
- China
- Prior art keywords
- cluster
- cluster centre
- reference point
- region division
- unit
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Abstract
一种基于空间分区的区域划分及定位方法,其包括如下步骤:S1、在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;S2、通过半监督方式应用机器学习技术实现子区域定位。本发明还提供一种基于空间分区的区域划分及定位系统。
Description
技术领域
本发明涉及室内定位技术领域,特别涉及一种基于空间分区的区域划分及定位方法及系统。
背景技术
一般的聚类算法能够依据接收信号强度特征对位置指纹图数据库进行合理划分。但是严格意义上来说,这些聚类方法仅是通过划分位置指纹图起到了数据库滤波作用,用户定位过程中能够选择相应的子位置指纹图数据库进行运算,节省了算法遍历数据库所需时间,本质上是对系统性能进行了优化,然而并不能够真正实现室内区域定位功能。这正是由于通过信号强度特征进行位置指纹图划分时,并没有考虑到实际的参考点位置是否在物理空间上也聚集一起,所以难免会存在一些参考点由于RSS相似度度量值相近(如欧氏距离)被划分为一类,然而在室内区域中这些参考点位置却相距甚远。对于这类奇点问题一些文献采用了不同处理方法,如直接删除掉对应位置上的参考点,或直接忽略这些位置奇点,又或人为改变这些奇点的所属类别,然而这些处理方式可能导致聚类中心变化,影响系统整体性能,而且难以从根本上解决问题。尽管在较小的室内实验场景中对于定位效果影响并不明显,但是在大型超市、商场等室内环境中,复杂的干扰可能会导致出现大量奇点,甚至形成区域,对定位系统造成一定负担。
另外,在室内定位系统实际应用中,管理者对于区域定位可能会面临一些特定需求,如某一区域需要被单独划分出来,或部分区域需要划分到一起,实现授权定位等管理功能。然而传统的聚类算法中类别多是依据算法生成,难以适当进行调节,缺乏灵活性。
发明内容
有鉴于此,本发明提出一种基于空间分区的区域划分及定位方法及系统。
一种基于空间分区的区域划分及定位方法,其包括如下步骤:
S1、在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;
S2、通过半监督方式应用机器学习技术实现子区域定位。
在本发明所述的基于空间分区的区域划分及定位方法中,
所述步骤S1包括:
S11、预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q,Q作为每一聚类的属性值;
S12、设定聚类中心数目;通过计算每两类之间Q的相似度获得聚类中心;
S13、在获得聚类中心后,将k个单位聚类依据Q的相似性度量分配到各个聚类中心,类别合并之后所有参考点也相应合并成一类;聚类数目与聚类中心数据相同;
S14、依据位置指纹图中的坐标信息进行分裂;
S15、判断分裂结果是否收敛,在收敛时跳转到步骤S16;否则跳转到步骤S12;
S16、输出聚类结果,根据聚类结果完成区域划分。
在本发明所述的基于空间分区的区域划分及定位方法中,
所述步骤S11中,Q作为每一聚类的属性值表示如下:
其中j=1,2,3,....n;e,f=1,2,3,....k,类别数k=N/2,N为参考点总数;n为聚类e中参考点总数,对于N不为偶数的情况下,k=(N-1)/2,最后三个参考点划分为一类;
所述步骤S12中,类别e与其他所有聚类之间Q的平均相似度记为
其中最小值min{DQ e},e=1,2,3,...,k所对应的Q为第一个聚类中心,记[Qe],e=1,2,3,...,k的第一个聚类中心为Qc1,则第二个聚类中心通过计算所有数据点与第一个聚类中心的距离获得,计算公式如下:
第二个聚类中心记为Qc2,在计算第三个聚类中心时,分别计算每个数据点与第一个聚类中心、第二个聚类中心的距离,并得出最小值,在所有最小值中的最大值所对应的数据点作为第三个聚类中心,计算公式如下:
DQ3=max{min{||Qe-Qc1||,||Qe-Qc2||}},e≠c1,c2,e=1,2,3,...,k,依次计算获得预设数目的聚类中心;
在所述步骤S14中,聚类内所有参考点满足如下条件:
其中Xj,yj为参考点RPj的坐标,参考点RPj与RPh处于同一聚类中,且聚类内参考点的数目为n,ε为距离阈值。
在本发明所述的基于空间分区的区域划分及定位方法中,
所述步骤S11中设定为每三个参考点组成一单位聚类;
S14的分裂过程中通过人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂过程。
本发明还提供一种基于空间分区的区域划分及定位系统,其包括如下模块:
区域划分模块,用于在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;
子区域定位模块,用于通过半监督方式应用机器学习技术实现子区域定位。
在本发明所述的基于空间分区的区域划分及定位系统中,
所述区域划分模块包括:
参考点划分单元,用于预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q,Q作为每一聚类的属性值;
聚类中心数目设定单元,用于设定聚类中心数目;通过计算每两类之间Q的相似度获得聚类中心;
类别合并单元,用于在获得聚类中心后,将k个单位聚类依据Q的相似性度量分配到各个聚类中心,类别合并之后所有参考点也相应合并成一类;聚类数目与聚类中心数据相同;
分裂单元,用于依据位置指纹图中的坐标信息进行分裂;
收敛判断单元,用于判断分裂结果是否收敛,在收敛时跳转到区域划分单元;否则跳转到聚类中心数目设定单元;
区域划分单元,用于输出聚类结果,根据聚类结果完成区域划分。
在本发明所述的基于空间分区的区域划分及定位系统中,
所述参考点划分单元中,Q作为每一聚类的属性值表示如下:
其中j=1,2,3,....n;e,f=1,2,3,....k,类别数k=N/2,N为参考点总数;n为聚类e中参考点总数,对于N不为偶数的情况下,k=(N-1)/2,最后三个参考点划分为一类;
所述聚类中心数目设定单元中,类别e与其他所有聚类之间Q的平均相似度记为
其中最小值min{DQ e},e=1,2,3,...,k所对应的Q为第一个聚类中心,记[Qe],e=1,2,3,...,k的第一个聚类中心为Qc1,则第二个聚类中心通过计算所有数据点与第一个聚类中心的距离获得,计算公式如下:
第二个聚类中心记为Qc2,在计算第三个聚类中心时,分别计算每个数据点与第一个聚类中心、第二个聚类中心的距离,并得出最小值,在所有最小值中的最大值所对应的数据点作为第三个聚类中心,计算公式如下:
DQ 3=max{min{||Qe-Qc1||,||Qe-Qc2||}},e≠c1,c2,e=1,2,3,...,k,依次计算获得预设数目的聚类中心;
在所述分裂单元中,聚类内所有参考点满足如下条件:
其中Xj,yj为参考点RPj的坐标,参考点RPj与RPh处于同一聚类中,且聚类内参考点的数目为n,ε为距离阈值。
在本发明所述的基于空间分区的区域划分及定位系统中,
所述参考点划分单元中设定为每三个参考点组成一单位聚类;
分裂单元的分裂过程中通过人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂过程。
实施本发明提供的基于空间分区的区域划分及定位方法及系统与现有技术相比具有以下有益效果:
并能够保证位置空间上的连续性,且具备一定灵活性,可适当调节。经由空间分区算法的无监督聚类过程形成子区域之后,参考点同时也具备了类别标签,因而无监督聚类转换成了半监督学习过程。因此,不同于传统算法中基于聚类中心的判定方式,融合了机器学习技术,能够更准确地判定用户所在区域,真正意义上实现用户子区域定位。
附图说明
图1是本发明实施例的基于空间分区的区域划分及定位方法流程图。
具体实施方式
如图1所示,一种基于空间分区的区域划分及定位方法,其包括如下步骤:
S1、在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;
S2、通过半监督方式应用机器学习技术实现子区域定位。
所述步骤S2中包括结合支持向量机方法的子区域定位实现或者结合随机森林方法的子区域定位实现。
在步骤S1之前,还包括:
在初始化阶段,定义类内散度,用于表示某一个聚类内所有参考点到聚类中心点的平均距离:
其中用于表示类别e的聚类散度,划分为k类,类别e中含有n个参考点,用于表示类别e中参考点j的RSS向量,表示类别e的聚类中心点的RSS向量。
定义类间散度,用于表示某个聚类的聚类中心点到其他所有聚类的中心店的平均距离,如下:
其中用于表示类别e的类间散度,为类别f的聚类中心点RSS向量。
在本发明所述的基于空间分区的区域划分及定位方法中,
所述步骤S1包括:
S11、预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q,Q作为每一聚类的属性值;
S12、设定聚类中心数目;通过计算每两类之间Q的相似度获得聚类中心;
S13、在获得聚类中心后,将k个单位聚类依据Q的相似性度量分配到各个聚类中心,类别合并之后所有参考点也相应合并成一类;聚类数目与聚类中心数据相同;
S14、依据位置指纹图中的坐标信息进行分裂;
S15、判断分裂结果是否收敛,在收敛时跳转到步骤S16;否则跳转到步骤S12;
S16、输出聚类结果,根据聚类结果完成区域划分。
在本发明所述的基于空间分区的区域划分及定位方法中,
所述步骤S11中,Q作为每一聚类的属性值表示如下:
其中j=1,2,3,....n;e,f=1,2,3,....k,类别数k=N/2,N为参考点总数;n为聚类e中参考点总数,对于N不为偶数的情况下,k=(N-1)/2,最后三个参考点划分为一类;
所述步骤S12中,类别e与其他所有聚类之间Q的平均相似度记为
其中最小值min{DQ e},e=1,2,3,...,k所对应的Q为第一个聚类中心,记[Qe],e=1,2,3,...,k的第一个聚类中心为Qc1,则第二个聚类中心通过计算所有数据点与第一个聚类中心的距离获得,计算公式如下:
第二个聚类中心记为Qc2,在计算第三个聚类中心时,分别计算每个数据点与第一个聚类中心、第二个聚类中心的距离,并得出最小值,在所有最小值中的最大值所对应的数据点作为第三个聚类中心,计算公式如下:
DQ3=max{min{||Qe-Qc1||,||Qe-Qc2||}},e≠c1,c2,e=1,2,3,...,k,依次计算获得预设数目的聚类中心;
在所述步骤S14中,聚类内所有参考点满足如下条件:
其中Xj,yj为参考点RPj的坐标,参考点RPj与RPh处于同一聚类中,且聚类内参考点的数目为n,ε为距离阈值。
在本发明所述的基于空间分区的区域划分及定位方法中,
所述步骤S11中设定为每三个参考点组成一单位聚类;
S14的分裂过程中通过人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂过程。
所述步骤S13、S14中的合并和分裂过程是算法的核心,更新过的子聚类和Q值将进入S12执行下一次迭代过程,对于分裂步骤视具体情况可以添加相应条件,如设定单个子聚类的类内散度或类间散度的阈值(为防止出现单一聚类过大的情况,若超过阈值则全部打散成单位聚类)。S15中的收敛判定可取决于更新前后最终子聚类数目的变化,或设定最大迭代次数限制。S16中最终结果输出可能存在个别聚类数目极少的情况,可视坐标位置人为进行类别归并,由于结合机器学习判定过程,对区域定位效果几乎不会造成影响。另外,针对于自定义特殊区域的需求,可以在步骤四的分裂过程中人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂(以及合并)过程。
本发明还提供一种基于空间分区的区域划分及定位系统,其包括如下模块:
区域划分模块,用于在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;
子区域定位模块,用于通过半监督方式应用机器学习技术实现子区域定位。
在本发明所述的基于空间分区的区域划分及定位系统中,
所述区域划分模块包括:
参考点划分单元,用于预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q,Q作为每一聚类的属性值;
聚类中心数目设定单元,用于设定聚类中心数目;通过计算每两类之间Q的相似度获得聚类中心;
类别合并单元,用于在获得聚类中心后,将k个单位聚类依据Q的相似性度量分配到各个聚类中心,类别合并之后所有参考点也相应合并成一类;聚类数目与聚类中心数据相同;
分裂单元,用于依据位置指纹图中的坐标信息进行分裂;
收敛判断单元,用于判断分裂结果是否收敛,在收敛时跳转到区域划分单元;否则跳转到聚类中心数目设定单元;
区域划分单元,用于输出聚类结果,根据聚类结果完成区域划分。
在本发明所述的基于空间分区的区域划分及定位系统中,
所述参考点划分单元中,Q作为每一聚类的属性值表示如下:
其中j=1,2,3,....n;e,f=1,2,3,....k,类别数k=N/2,N为参考点总数;n为聚类e中参考点总数,对于N不为偶数的情况下,k=(N-1)/2,最后三个参考点划分为一类;
所述聚类中心数目设定单元中,类别e与其他所有聚类之间Q的平均相似度记为
其中最小值min{DQ e},e=1,2,3,...,k所对应的Q为第一个聚类中心,记[Qe],e=1,2,3,...,k的第一个聚类中心为Qc1,则第二个聚类中心通过计算所有数据点与第一个聚类中心的距离获得,计算公式如下:
第二个聚类中心记为Qc2,在计算第三个聚类中心时,分别计算每个数据点与第一个聚类中心、第二个聚类中心的距离,并得出最小值,在所有最小值中的最大值所对应的数据点作为第三个聚类中心,计算公式如下:
DQ3=max{min{||Qc-Qc1||,||Qc-Qc2||}},e≠c1,c2,e=1,2,3,...,k,依次计算获得预设数目的聚类中心;
在所述分裂单元中,聚类内所有参考点满足如下条件:
其中Xj,yj为参考点RPj的坐标,参考点RPj与RPh处于同一聚类中,且聚类内参考点的数目为n,ε为距离阈值。
在本发明所述的基于空间分区的区域划分及定位系统中,
所述参考点划分单元中设定为每三个参考点组成一单位聚类;
分裂单元的分裂过程中通过人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂过程。
实施本发明提供的基于空间分区的区域划分及定位方法及系统与现有技术相比具有以下有益效果:
并能够保证位置空间上的连续性,且具备一定灵活性,可适当调节。经由空间分区算法的无监督聚类过程形成子区域之后,参考点同时也具备了类别标签,因而无监督聚类转换成了半监督学习过程。因此,不同于传统算法中基于聚类中心的判定方式,融合了机器学习技术,能够更准确地判定用户所在区域,真正意义上实现用户子区域定位。
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 (8)
1.一种基于空间分区的区域划分及定位方法,其特征在于,其包括如下步骤:
S1、在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;
S2、通过半监督方式应用机器学习技术实现子区域定位。
2.如权利要求1所述的基于空间分区的区域划分及定位方法,其特征在于,
所述步骤S1包括:
S11、预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q,Q作为每一聚类的属性值;
S12、设定聚类中心数目;通过计算每两类之间Q的相似度获得聚类中心;
S13、在获得聚类中心后,将k个单位聚类依据Q的相似性度量分配到各个聚类中心,类别合并之后所有参考点也相应合并成一类;聚类数目与聚类中心数据相同;
S14、依据位置指纹图中的坐标信息进行分裂;
S15、判断分裂结果是否收敛,在收敛时跳转到步骤S16;否则跳转到步骤S12;
S16、输出聚类结果,根据聚类结果完成区域划分。
3.如权利要求2所述的基于空间分区的区域划分及定位方法,其特征在于,
所述步骤S11中,Q作为每一聚类的属性值表示如下:
其中j=1,2,3,....n;e,f=1,2,3,....k,类别数k=N/2,N为参考点总数;n为聚类e中参考点总数,对于N不为偶数的情况下,k=(N-1)/2,最后三个参考点划分为一类;
所述步骤S12中,类别e与其他所有聚类之间Q的平均相似度记为
其中最小值min{DQ e},e=1,2,3,...,k所对应的Q为第一个聚类中心,记[Qe],e=1,2,3,...,k的第一个聚类中心为Qc1,则第二个聚类中心通过计算所有数据点与第一个聚类中心的距离获得,计算公式如下:
第二个聚类中心记为Qc2,在计算第三个聚类中心时,分别计算每个数据点与第一个聚类中心、第二个聚类中心的距离,并得出最小值,在所有最小值中的最大值所对应的数据点作为第三个聚类中心,计算公式如下:
DQ3=max{min{||Qe-Qc1||,||Qe-Qc2||}},e≠c1,c2,e=1,2,3,...,k,依次计算获得预设数目的聚类中心;
在所述步骤S14中,聚类内所有参考点满足如下条件:
其中Xj,yj为参考点RPj的坐标,参考点RPj与RPh处于同一聚类中,且聚类内参考点的数目为n,ε为距离阈值。
4.如权利要求2所述的基于空间分区的区域划分及定位方法,其特征在于,
所述步骤S11中设定为每三个参考点组成一单位聚类;
S14的分裂过程中通过人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂过程。
5.一种基于空间分区的区域划分及定位系统,其特征在于,其包括如下模块:
区域划分模块,用于在用户指定子区域数目之后,通过距离计算确定最优的各初始聚类中心位置,融合K均值法,Fisher准则及自组织迭代分析算法,引入类内距离、类间距离、参考点间距限制条件,通过多次聚类合并、分裂过程,最终完成区域划分目标;
子区域定位模块,用于通过半监督方式应用机器学习技术实现子区域定位。
6.如权利要求5所述的基于空间分区的区域划分及定位系统,其特征在于,
所述区域划分模块包括:
参考点划分单元,用于预先将位置指纹图中每两个连续的参考点划分为一单位聚类Q,Q作为每一聚类的属性值;
聚类中心数目设定单元,用于设定聚类中心数目;通过计算每两类之间Q的相似度获得聚类中心;
类别合并单元,用于在获得聚类中心后,将k个单位聚类依据Q的相似性度量分配到各个聚类中心,类别合并之后所有参考点也相应合并成一类;聚类数目与聚类中心数据相同;
分裂单元,用于依据位置指纹图中的坐标信息进行分裂;
收敛判断单元,用于判断分裂结果是否收敛,在收敛时跳转到区域划分单元;否则跳转到聚类中心数目设定单元;
区域划分单元,用于输出聚类结果,根据聚类结果完成区域划分。
7.如权利要求6所述的基于空间分区的区域划分及定位系统,其特征在于,
所述参考点划分单元中,Q作为每一聚类的属性值表示如下:
其中j=1,2,3,....n;e,f=1,2,3,....k,类别数k=N/2,N为参考点总数;n为聚类e中参考点总数,对于N不为偶数的情况下,k=(N-1)/2,最后三个参考点划分为一类;
所述聚类中心数目设定单元中,类别e与其他所有聚类之间Q的平均相似度记为
其中最小值min{DQ e},e=1,2,3,...,k所对应的Q为第一个聚类中心,记[Qe],e=1,2,3,...,k的第一个聚类中心为Qc1,则第二个聚类中心通过计算所有数据点与第一个聚类中心的距离获得,计算公式如下:
第二个聚类中心记为Qc2,在计算第三个聚类中心时,分别计算每个数据点与第一个聚类中心、第二个聚类中心的距离,并得出最小值,在所有最小值中的最大值所对应的数据点作为第三个聚类中心,计算公式如下:
DQ3=max{min{||Qe-Qc1||,||Qe-Qc2||}},e≠c1,c2,e=1,2,3,...,k,依次计算获得预设数目的聚类中心;
在所述分裂单元中,聚类内所有参考点满足如下条件:
其中Xj,yj为参考点RPj的坐标,参考点RPj与RPh处于同一聚类中,且聚类内参考点的数目为n,ε为距离阈值。
8.如权利要求6所述的基于空间分区的区域划分及定位系统,其特征在于,
所述参考点划分单元中设定为每三个参考点组成一单位聚类;
分裂单元的分裂过程中通过人为锁定特殊区域中相应的参考点,作为独立的子聚类不参与分裂过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711433043.9A CN108307306A (zh) | 2017-12-26 | 2017-12-26 | 基于空间分区的区域划分及定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711433043.9A CN108307306A (zh) | 2017-12-26 | 2017-12-26 | 基于空间分区的区域划分及定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108307306A true CN108307306A (zh) | 2018-07-20 |
Family
ID=62867536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711433043.9A Pending CN108307306A (zh) | 2017-12-26 | 2017-12-26 | 基于空间分区的区域划分及定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108307306A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165780A (zh) * | 2018-08-15 | 2019-01-08 | 中国地质大学(武汉) | 基于区块链框架的滑坡监测点分区方法、设备及存储设备 |
CN109785351A (zh) * | 2018-11-23 | 2019-05-21 | 口口相传(北京)网络技术有限公司 | 道路围栏的合并方法及装置、存储介质、电子装置 |
CN113740892A (zh) * | 2020-06-05 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 用户的路线引导方法、装置和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN104540221A (zh) * | 2015-01-15 | 2015-04-22 | 哈尔滨工业大学 | 基于半监督sde算法的wlan室内定位方法 |
CN104581945A (zh) * | 2015-02-06 | 2015-04-29 | 哈尔滨工业大学 | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 |
US20160018507A1 (en) * | 2014-07-17 | 2016-01-21 | Verizon Patent And Licensing Inc. | Location tracking for a mobile device |
US20160165566A1 (en) * | 2014-12-04 | 2016-06-09 | Hyundai Mobis Co., Ltd. | Method for building database for fingerprinting positioning and fingerprinting positioning method using the built database |
-
2017
- 2017-12-26 CN CN201711433043.9A patent/CN108307306A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
US20160018507A1 (en) * | 2014-07-17 | 2016-01-21 | Verizon Patent And Licensing Inc. | Location tracking for a mobile device |
US20160165566A1 (en) * | 2014-12-04 | 2016-06-09 | Hyundai Mobis Co., Ltd. | Method for building database for fingerprinting positioning and fingerprinting positioning method using the built database |
CN104540221A (zh) * | 2015-01-15 | 2015-04-22 | 哈尔滨工业大学 | 基于半监督sde算法的wlan室内定位方法 |
CN104581945A (zh) * | 2015-02-06 | 2015-04-29 | 哈尔滨工业大学 | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 |
Non-Patent Citations (1)
Title |
---|
莫云: "基于空间分区与降维技术的位置指纹室内定位方法研究", 《万方数据》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165780A (zh) * | 2018-08-15 | 2019-01-08 | 中国地质大学(武汉) | 基于区块链框架的滑坡监测点分区方法、设备及存储设备 |
CN109785351A (zh) * | 2018-11-23 | 2019-05-21 | 口口相传(北京)网络技术有限公司 | 道路围栏的合并方法及装置、存储介质、电子装置 |
CN109785351B (zh) * | 2018-11-23 | 2020-07-31 | 口口相传(北京)网络技术有限公司 | 道路围栏的合并方法及装置、存储介质、电子装置 |
CN113740892A (zh) * | 2020-06-05 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 用户的路线引导方法、装置和系统 |
CN113740892B (zh) * | 2020-06-05 | 2024-03-01 | 北京沃东天骏信息技术有限公司 | 用户的路线引导方法、装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107948930B (zh) | 基于位置指纹算法的室内定位优化方法 | |
Ahrari et al. | Multimodal optimization by covariance matrix self-adaptation evolution strategy with repelling subpopulations | |
CN104778688B (zh) | 点云数据的配准方法及装置 | |
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 | |
CN108307306A (zh) | 基于空间分区的区域划分及定位方法及系统 | |
Messenger et al. | Random template banks and relaxed lattice coverings | |
CA2717612A1 (en) | Fingerprint representation using gradient histograms | |
US20070248268A1 (en) | Moment based method for feature indentification in digital images | |
CN108710914A (zh) | 一种基于广义模糊聚类算法的无监督数据分类方法 | |
US11074274B2 (en) | Large scale social graph segmentation | |
CN105787081B (zh) | 一种基于辐射源空间位置的辐射平台关联方法 | |
CN113223078B (zh) | 标志点的匹配方法、装置、计算机设备和存储介质 | |
KR101885728B1 (ko) | 영상 스티칭 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
CN110298318A (zh) | 人头人体联合检测方法、装置和电子设备 | |
JP2018521391A (ja) | ビッグデータの計算方法及びシステム、プログラムならびに記録媒体 | |
US7471825B2 (en) | System and method for utilizing a graphic equalizer in performing image search procedures | |
CN106162529B (zh) | 室内定位方法与装置 | |
KR102039244B1 (ko) | 반딧불 알고리즘을 이용한 데이터 클러스터링 방법 및 시스템 | |
CN104573036B (zh) | 一种基于距离的求解二维空间中代表性节点集的方法 | |
Sheshikala et al. | A map-reduce framework for finding clusters of colocation patterns-a summary of results | |
CN110119675A (zh) | 一种产品识别方法和装置 | |
CN111210669B (zh) | 一种基于推演评估的空域冲突解脱规则创建方法及系统 | |
CN112370790A (zh) | 游戏地图绘制方法、装置、电子设备和存储介质 | |
CN112883589A (zh) | 一种场景关联度计算方法、装置、计算机设备和存储介质 | |
CN109952742A (zh) | 图结构处理方法、系统、网络设备及存储介质 |
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: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |