CN108347764A - 基于深度学习的考场无线电作弊信号定位方法及系统 - Google Patents

基于深度学习的考场无线电作弊信号定位方法及系统 Download PDF

Info

Publication number
CN108347764A
CN108347764A CN201810063976.1A CN201810063976A CN108347764A CN 108347764 A CN108347764 A CN 108347764A CN 201810063976 A CN201810063976 A CN 201810063976A CN 108347764 A CN108347764 A CN 108347764A
Authority
CN
China
Prior art keywords
deep learning
examination hall
training
data set
layer
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
Application number
CN201810063976.1A
Other languages
English (en)
Inventor
吴启晖
李竟铭
张小飞
翟会
何浪
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810063976.1A priority Critical patent/CN108347764A/zh
Publication of CN108347764A publication Critical patent/CN108347764A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings

Abstract

本发明公开了一种基于深度学习的考场无线电作弊信号定位方法及系统。本发明中，首先，采集考场环境各传感器接收信号强度(RSSI)作为训练数据集；接着利用自编码器(AutoEncoder)对训练数据进行特征提取、降噪；然后构建深度神经网络,利用训练数据训练深度学习模型并保存；最后，利用保存的深度学习模型对新的考场作弊信号实现定位。本发明利用深度学习技术实现考场无线电作弊信号定位，能够实现考场范围内较高精度的作弊信号定位预测。

Description

基于深度学习的考场无线电作弊信号定位方法及系统
技术领域
本发明涉及神经网络技术领域，尤其涉及一种基于深度学习的考场无线电作弊信号定位方法及系统。
背景技术
考试是教学活动的重要环节，是选拔优秀人才、检验教学质量和考察学生理解程度的主要手段。然而实际的教育考试过程中不公平的现象经常发生，时有考生采用作弊神器等进行作弊。作弊神器主要是由场外人员朗读答案，通过无线向考场内传播声音，考生利用耳机接收；或者向场内传递文字信息，将答案发送到考生的显示设备上，如电子手表、尺子、眼镜盒、笔袋等。
室内定位是一种对室内环境的位置估计技术，由于室内电波传播环境复杂、受室内建筑布局，人员移动性等因素影响，导致无法准确建立室内信号衰落模型，因为其发展远滞后于室外定位技术。通常室内定位技术通过采集收发机之间无线链路的到达时间TOA、TDOA、AOA及接收信号强度RSS来估计收发机之间的的距离来构建位置估计模型，从而获取终端的位置信息。但是基于TOA、TDOA、AOA的定位技术需要进行相对时间和角度的测量，大大增加了硬件成本，并不适用于广泛普及，因此本申请采用接收信号强度RSS来构建位置估计模型。
指纹识别方法专注于有效地比较实时的频谱扫描信息与室内预先记录的扫描数据库，因此对于本地信号干扰更为稳健。所谓指纹定位又称场景分析法，它分为离线指纹采集阶段和在线实时定位阶段，在离线阶段釆集定位场景里的特性信息即指纹信息，然后在在线阶段的实时通过把实时测量RSS信息作为指纹信息与预先测量的指纹信息进行匹配，查取与实测信息相近的指纹来映射终端当前位置。
然而，传统的机器学习方法对数据敏感度较高，往往需要对数据进行归一化、滤波等预处理，且容易过拟合导致泛化能力较弱，随时间推移网络的预测性能会受到影响。但随着定位精度的需求越来越高，数据量也随之增大，深度学习是一个很有前途的解决方案。深度学习可以直接学习提取数据隐含的结构特征而不需要预处理，而且可以有效避免过拟合等问题提高网络泛化能力。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种基于深度学习的考场无线电作弊信号定位方法及系统。
技术方案：本发明所述的基于深度学习的考场无线电作弊信号定位方法包括如下步骤:
(1)利用软件无线电USRP设备采集考场范围内的无线作弊信号作为训练数据集，所述训练数据集包含两部分：输入数据集为软件无线电设备采集的无线作弊信号集合，输出数据集为软件无线电设备采集的考场位置点信息；
(2)初始化系统参数：自编码器和深度学习模型各层的权重θ、偏置b、最大训练次数I，批处理数据大小m、学习率L和各层神经元数目；
(3)利用自编码器对输入数据集进行无监督训练，提取数据的高维特征并降噪作为深度学习模型的输入数据x，利用步骤(1)采集的输出数据集作为深度神经网络的输出数据y；
(4)建立深度学习模型；其中，输入层对输入数据进行归一化处理，学习模型的每层之间加入批正则化层；
(5)将步骤(3)得到的数据集(x,y)分成多个批次数据，按照步骤(2)设置的系统参数，通过最大化对数似然函数进行回归预测和随机梯度下降训练步骤(4)建立的深度学习模型，训练完成后进行保存；
(6)利用软件无线电设备采集无线作弊信号作为测试数据集，利用步骤5中保存的深度学习模型预测作弊信号在考场范围的定位点。
其中，步骤(4)中批正则化层的处理具体为：
yi＝γxi+β
式中，γ、β为需要训练学习的重构参数，xi为第i条输入数据经过归一化处理后的值，yi为xi经过批正则化后对应的输出。
其中，步骤(5)中最大化对数似然函数的公式为：
其中m为每个批次包含的数据个数，i为批次的编号，为深度学习模型的预测值，Y为真实值。
本发明所述的基于深度学习的考场无线电作弊信号定位系统包括：
数据采集单元，用于利用软件无线电USRP设备采集考场范围内的无线作弊信号作为训练数据集，所述训练数据集包含两部分：输入数据集为软件无线电设备采集的无线作弊信号集合，输出数据集为软件无线电设备采集的考场位置点信息；
参数初始化单元，用于初始化系统参数：包括自编码器和深度学习模型各层的权重θ、偏置b、最大训练次数I，批处理数据大小m、学习率L和各层神经元数目；
数据集获取单元，用于利用自编码器对输入数据集进行无监督训练，提取数据的高维特征并降噪作为深度学习模型的输入数据x，利用步骤(1)采集的输出数据集作为深度神经网络的输出数据y；
模型建立单元，用于建立深度学习模型；其中，输入层对输入数据进行归一化处理，学习模型的每层之间加入批正则化层；
模型训练单元，用于将数据集获取单元得到的数据集(x,y)分成多个批次数据，按照参数初始化单元设置的系统参数，通过最大化对数似然函数进行回归预测和随机梯度下降训练模型建立单元建立的深度学习模型，训练完成后进行保存；
定位单元，用于利用软件无线电设备采集无线作弊信号作为测试数据集，采用模型训练单元保存的深度学习模型预测作弊信号在考场范围的定位点。
其中，模型建立单元中批正则化层的处理具体为：
yi＝γxi+β
式中，γ、β为需要训练学习的重构参数，xi为第i条输入数据经过归一化处理后的值，yi为xi经过批正则化后对应的输出。
其中，模型训练单元中最大化对数似然函数的公式为：
其中m为每个批次包含的数据个数，i为批次的编号，为深度学习模型的预测值，Y为真实值。
有益效果：本发明与现有技术相比，其显著优点是：本发明针对无线电作弊手段，从室内环境出发，将看不见、摸不着的电磁辐射进行数据可视化，通过深度学习算法对室内异常信号进行发现和定位。在关注电磁辐射和电磁安全的情况下，设计了面向智慧考场的信息服务系统，展示了考场环境内潜在的电磁威胁，为考场工作人员提供了直观、远程、实时地查看所监测环境的安全情况的服务，有效地避免了考场内电磁隐患。
附图说明
图1是本发明提供的基于深度学习的考场无线电作弊信号定位方法的一个实施例的流程示意图；
图2是线电信号时域采样结果图；
图3是采用本发明的定位精确度仿真结果图。
具体实施方式
实施例1
本实施例提供了一种基于深度学习的考场无线电作弊信号定位方法，如图1所示，包括如下步骤:
(1)利用软件无线电USRP设备采集考场范围内的无线作弊信号作为训练数据集，所述训练数据集包含两部分：输入数据集为软件无线电设备采集的无线作弊信号集合，输出数据集为软件无线电设备采集的考场位置点信息。
其中，软件无线电USRP设备采集考场范围内的无线作弊信号，具体为采用软件无线电和四根天线测量并收集当前环境的电磁能量值。如图2所示，无线电信号时域采样结果图。为了有助于数据的训练和学习，我们将室内环境进行网格化分割，在不同时间段反复采集每一个网格点的数据。为使测得的样本数据更加精确,对样本数据进行窄带滤波，有效提高了信噪比。
(2)初始化系统参数：自编码器和深度学习模型各层的权重θ、偏置b、最大训练次数I，批处理数据大小m、学习率L和各层神经元数目；
(3)利用自编码器对输入数据集进行无监督训练，提取数据的高维特征并降噪作为深度学习模型的输入数据x，利用步骤(1)采集的输出数据集作为深度神经网络的输出数据y；
(4)建立深度学习模型；其中，输入层对输入数据进行归一化处理，学习模型的每层之间加入批正则化层；批正则化层的处理具体为：
yi＝γxi+β
式中，γ、β为需要训练学习的重构参数，xi为第i条输入数据经过归一化处理后的值，yi为xi经过批正则化后对应的输出。
(5)将步骤(3)得到的数据集(x,y)分成多个批次数据，按照步骤(2)设置的系统参数，通过最大化对数似然函数进行回归预测和随机梯度下降训练步骤(4)建立的深度学习模型，训练完成后进行保存；
最大化对数似然函数的公式为：
其中m为每个批次包含的数据个数，i为批次的编号，为深度学习模型的预测值，Y为真实值。
(6)利用软件无线电设备采集无线作弊信号作为测试数据集，利用步骤5中保存的深度学习模型预测作弊信号在考场范围的定位点。
实施例2
本实施例提供了一种基于深度学习的考场无线电作弊信号定位系统，包括：
数据采集单元，用于利用软件无线电USRP设备采集考场范围内的无线作弊信号作为训练数据集，所述训练数据集包含两部分：输入数据集为软件无线电设备采集的无线作弊信号集合，输出数据集为软件无线电设备采集的考场位置点信息；
参数初始化单元，用于初始化系统参数：包括自编码器和深度学习模型各层的权重θ、偏置b、最大训练次数I，批处理数据大小m、学习率L和各层神经元数目；
数据集获取单元，用于利用自编码器对输入数据集进行无监督训练，提取数据的高维特征并降噪作为深度学习模型的输入数据x，利用步骤(1)采集的输出数据集作为深度神经网络的输出数据y；
模型建立单元，用于建立深度学习模型；其中，输入层对输入数据进行归一化处理，学习模型的每层之间加入批正则化层；
模型训练单元，用于将数据集获取单元得到的数据集(x,y)分成多个批次数据，按照参数初始化单元设置的系统参数，通过最大化对数似然函数进行回归预测和随机梯度下降训练模型建立单元建立的深度学习模型，训练完成后进行保存；
定位单元，用于利用软件无线电设备采集无线作弊信号作为测试数据集，采用模型训练单元保存的深度学习模型预测作弊信号在考场范围的定位点。
其中，模型建立单元中批正则化层的处理具体为：
yi＝γxi+β
式中，γ、β为需要训练学习的重构参数，xi为第i条输入数据经过归一化处理后的值，yi为xi经过批正则化后对应的输出。
其中，模型训练单元中最大化对数似然函数的公式为：
其中m为每个批次包含的数据个数，i为批次的编号，为深度学习模型的预测值，Y为真实值。
对以上实施例进行仿真验证，将实验数据采集范围限定在环境简单的实验桌上。首先在实验桌上等间隔取140个测试点，利用USRP等室内无线电发射设备作为信号发射源,反复在这140个测试点上进行测试,记录四根天线测得的频谱数据作为训练数据集。具体地，使用下面的实验参数：
1、软件无线电设备采样率设为1MHz，采样点数5000，监测中心频率设为2.09MHz。
2、自编码器和深度网络的各层偏置b初始化为0.1，各层权重θ初始化为截断正态分布，其中标准差为(Nin为该层输入节点数)。
3、自编码器和深度网络最大训练次数I取值范围为10000-20000，学习率L取值范围为0.001-0.000001，每次读取数据批次大小m取值范围为50-200。
4、自编码器采用五层网络：输入层、三个编码层、输出层。编码层节点数分别为4N、8N、16N(N为天线个数)，激活函数选择修正线性单元(relu)函数。
5、深度网络采用五层网络：输入层、三个隐含层、输出层。各层之间进行批正则化(batch normalization)，隐含层节点数分别为32N、64N、64N(N为发射天线数)，激活函数选择双曲正切(tanh)函数，输出层选择线性函数。
6、自编码器和深度网络的损失函数采用均方差函数，优化函数选择随机梯度下降函数。
图3所示本发明深度学习模型对室内无线电作弊信号进行定位，可以实现较高精度的考场环境定位，采用回归预测的方法实现连续位置点的预测定位，符合室内实际场景对定位精度的需求。
以上所揭露的仅为本发明较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种基于深度学习的考场无线电作弊信号定位方法，其特征在于，包括如下步骤:
(1)利用软件无线电USRP设备采集考场范围内的无线作弊信号作为训练数据集，所述训练数据集包含两部分：输入数据集为软件无线电设备采集的无线作弊信号集合，输出数据集为软件无线电设备采集的考场位置点信息；
(2)初始化系统参数：自编码器和深度学习模型各层的权重θ、偏置b、最大训练次数I，批处理数据大小m、学习率L和各层神经元数目；
(3)利用自编码器对输入数据集进行无监督训练，提取数据的高维特征并降噪作为深度学习模型的输入数据x，利用步骤(1)采集的输出数据集作为深度神经网络的输出数据y；
(4)建立深度学习模型；其中，输入层对输入数据进行归一化处理，学习模型的每层之间加入批正则化层；
(5)将步骤(3)得到的数据集(x,y)分成多个批次数据，按照步骤(2)设置的系统参数，通过最大化对数似然函数进行回归预测和随机梯度下降训练步骤(4)建立的深度学习模型，训练完成后进行保存；
(6)利用软件无线电设备采集无线作弊信号作为测试数据集，利用步骤5中保存的深度学习模型预测作弊信号在考场范围的定位点。
2.根据权利要求1所述的基于深度学习的考场无线电作弊信号定位方法，其特征在于：步骤(4)中批正则化层的处理具体为：
yi＝γxi+β
式中，γ、β为需要训练学习的重构参数，xi为第i条输入数据经过归一化处理后的值，yi为xi经过批正则化后对应的输出。
3.根据权利要求1所述的基于深度学习的考场无线电作弊信号定位方法，其特征在于：步骤(5)中最大化对数似然函数的公式为：
其中m为每个批次包含的数据个数，i为批次的编号，为深度学习模型的预测值，Y为真实值。
4.一种基于深度学习的考场无线电作弊信号定位系统，其特征在于，包括：
数据采集单元，用于利用软件无线电USRP设备采集考场范围内的无线作弊信号作为训练数据集，所述训练数据集包含两部分：输入数据集为软件无线电设备采集的无线作弊信号集合，输出数据集为软件无线电设备采集的考场位置点信息；
参数初始化单元，用于初始化系统参数：包括自编码器和深度学习模型各层的权重θ、偏置b、最大训练次数I，批处理数据大小m、学习率L和各层神经元数目；
数据集获取单元，用于利用自编码器对输入数据集进行无监督训练，提取数据的高维特征并降噪作为深度学习模型的输入数据x，利用步骤(1)采集的输出数据集作为深度神经网络的输出数据y；
模型建立单元，用于建立深度学习模型；其中，输入层对输入数据进行归一化处理，学习模型的每层之间加入批正则化层；
模型训练单元，用于将数据集获取单元得到的数据集(x,y)分成多个批次数据，按照参数初始化单元设置的系统参数，通过最大化对数似然函数进行回归预测和随机梯度下降训练模型建立单元建立的深度学习模型，训练完成后进行保存；
定位单元，用于利用软件无线电设备采集无线作弊信号作为测试数据集，采用模型训练单元保存的深度学习模型预测作弊信号在考场范围的定位点。
5.根据权利要求4所述的基于深度学习的考场无线电作弊信号定位系统，其特征在于：模型建立单元中批正则化层的处理具体为：
yi＝γxi+β
式中，γ、β为需要训练学习的重构参数，xi为第i条输入数据经过归一化处理后的值，yi为xi经过批正则化后对应的输出。
6.根据权利要求4所述的基于深度学习的考场无线电作弊信号定位系统，其特征在于：模型训练单元中最大化对数似然函数的公式为：
其中m为每个批次包含的数据个数，i为批次的编号，为深度学习模型的预测值，Y为真实值。
CN201810063976.1A 2018-01-23 2018-01-23 基于深度学习的考场无线电作弊信号定位方法及系统 Pending CN108347764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810063976.1A CN108347764A (zh) 2018-01-23 2018-01-23 基于深度学习的考场无线电作弊信号定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810063976.1A CN108347764A (zh) 2018-01-23 2018-01-23 基于深度学习的考场无线电作弊信号定位方法及系统

Publications (1)

Publication Number Publication Date
CN108347764A true CN108347764A (zh) 2018-07-31

Family

ID=62960896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810063976.1A Pending CN108347764A (zh) 2018-01-23 2018-01-23 基于深度学习的考场无线电作弊信号定位方法及系统

Country Status (1)

Country Link
CN (1) CN108347764A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109633530A (zh) * 2018-11-30 2019-04-16 哈尔滨工业大学（深圳） 一种定位方法及系统、设备、存储介质
CN109803234A (zh) * 2019-03-27 2019-05-24 成都电科慧安科技有限公司 基于权值重要度约束的无监督融合定位方法
CN109872291A (zh) * 2019-02-21 2019-06-11 中国科学技术大学 一种对抗ann中汇聚噪声的正则化方法及系统
CN110321930A (zh) * 2019-06-05 2019-10-11 大连理工大学 一种基于循环神经网络的非法广播信号分类方法
CN110866608A (zh) * 2019-10-31 2020-03-06 同济大学 一种自适应学习率计算方法
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
CN116308003A (zh) * 2023-02-06 2023-06-23 交通运输部水运科学研究所 一种基于机器学习的危险货物自动化装卸安全测试方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657752A (zh) * 2015-03-17 2015-05-27 银江股份有限公司 一种基于深度学习的安全带佩戴识别方法
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
US20160019458A1 (en) * 2014-07-16 2016-01-21 Deep Learning Analytics, LLC Systems and methods for recognizing objects in radar imagery
CN106658422A (zh) * 2017-01-09 2017-05-10 深圳市智开科技有限公司 针对高度稀疏WiFi数据的网络侧定位方法与系统
CN107256393A (zh) * 2017-06-05 2017-10-17 四川大学 基于深度学习的一维生理信号的特征提取与状态识别

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160019458A1 (en) * 2014-07-16 2016-01-21 Deep Learning Analytics, LLC Systems and methods for recognizing objects in radar imagery
CN104657752A (zh) * 2015-03-17 2015-05-27 银江股份有限公司 一种基于深度学习的安全带佩戴识别方法
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN106658422A (zh) * 2017-01-09 2017-05-10 深圳市智开科技有限公司 针对高度稀疏WiFi数据的网络侧定位方法与系统
CN107256393A (zh) * 2017-06-05 2017-10-17 四川大学 基于深度学习的一维生理信号的特征提取与状态识别

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
IOFFE S，SZEGEDY C: "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 *
李竟铭等: "基于物联网的无线电作弊信号发现与定位系统", 《2017年全国物联网技术与应用大会》 *
王攀等: "《优化与控制中的软计算方法研究》", 31 January 2017 *
董海鹰: "《智能控制理论及应用》", 30 September 2016 *
陈敏: "《认知计算导论》", 30 April 2017 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109633530A (zh) * 2018-11-30 2019-04-16 哈尔滨工业大学（深圳） 一种定位方法及系统、设备、存储介质
CN109872291A (zh) * 2019-02-21 2019-06-11 中国科学技术大学 一种对抗ann中汇聚噪声的正则化方法及系统
CN109803234A (zh) * 2019-03-27 2019-05-24 成都电科慧安科技有限公司 基于权值重要度约束的无监督融合定位方法
CN110321930A (zh) * 2019-06-05 2019-10-11 大连理工大学 一种基于循环神经网络的非法广播信号分类方法
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
CN110866608A (zh) * 2019-10-31 2020-03-06 同济大学 一种自适应学习率计算方法
CN110866608B (zh) * 2019-10-31 2022-06-07 同济大学 一种自适应学习率计算方法
CN116308003A (zh) * 2023-02-06 2023-06-23 交通运输部水运科学研究所 一种基于机器学习的危险货物自动化装卸安全测试方法
CN116308003B (zh) * 2023-02-06 2023-11-17 交通运输部水运科学研究所 一种基于机器学习的危险货物自动化装卸安全测试方法

Similar Documents

Publication Publication Date Title
CN108347764A (zh) 基于深度学习的考场无线电作弊信号定位方法及系统
Wu et al. Artificial neural network based path loss prediction for wireless communication network
CN108629380B (zh) 一种基于迁移学习的跨场景无线信号感知方法
EP2992355B1 (en) Scalable real-time location detection based on overlapping neural networks
CN109444813B (zh) 一种基于bp和dnn双神经网络的rfid室内定位方法
CN105636197B (zh) 距离估计方法和装置、以及节点定位方法和设备
CN101815308A (zh) 神经网络区域训练的wlan室内定位方法
CN106793082A (zh) 一种在wlan/蓝牙异构网络环境中的移动设备定位方法
CN108152791A (zh) 基于grnn神经网络的无线电作弊信号定位系统
CN106970379B (zh) 基于泰勒级数展开对室内目标的测距定位方法
CN104093202B (zh) 一种环境自适应的无设备目标定位方法
CN106546979B (zh) 一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法
CN110427878B (zh) 一种快速射电暴信号识别方法与系统
CN109640269A (zh) 基于csi与时域融合算法的指纹定位方法
CN108088500A (zh) 一种智能综合性环境检测系统及方法
CN109379153A (zh) 一种频谱感知方法
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
Beck et al. Ultrawideband tomographic imaging in uncalibrated networks
Zhang et al. Device-free wireless localization and activity recognition with deep learning
CN110046834A (zh) 工作场所有害气体健康风险定量评估系统及其评估方法
CN111709329A (zh) 一种基于深度学习的无人机测控信号高速识别方法
CN114200387A (zh) 一种tacan空间信号场型的飞行校验评估方法
CN105866732A (zh) 一种改进mk模型和wknn算法相结合的混合室内定位方法
CN110390273A (zh) 一种基于多核迁移学习的室内人员入侵检测方法
CN107071897A (zh) 一种基于环型的Wi‑Fi室内定位方法

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: 20180731