CN108495258A - 基于样本容量优化与方差分析的wlan室内定位方法 - Google Patents
基于样本容量优化与方差分析的wlan室内定位方法 Download PDFInfo
- Publication number
- CN108495258A CN108495258A CN201810229998.0A CN201810229998A CN108495258A CN 108495258 A CN108495258 A CN 108495258A CN 201810229998 A CN201810229998 A CN 201810229998A CN 108495258 A CN108495258 A CN 108495258A
- Authority
- CN
- China
- Prior art keywords
- rss
- sample
- region
- variance analysis
- sample size
- 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
- H04W4/023—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
- 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
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
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)
- Complex Calculations (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于样本容量优化与方差分析的WLAN室内定位方法。首先,在离线阶段,基于对RSS样本特性的分析,使用OC函数优化用于指纹数据库构造可允许的最小RSS样本容量;其次,通过基于信息增益的AP(接入点)选择方法,选择最优AP用于指纹数据库构建;最后,在线阶段利用RSS样本均值、样本容量对样本间相似度的影响,通过统计假设方差分析方法对目标终端进行粗定位,并进而提出基于方差分析的KNN算法以完成对目标终端的精定位。本发明方法解决了指纹数据采集的盲目性和不可靠性及RSS样本波动对定位性能的影响。实验结果表明,此方法用有限的样本容量获得较稳定的定位结果,显著地减少了人力和时间开销。
Description
技术领域
本发明属于室内定位技术,具体涉及一种基于样本容量优化与方差分析的WLAN室内定位方法。
背景技术
随着信息产业的飞速发展,移动互联网领域的行业规模呈指数式增长。人们享受着通信网络对社会生产生活带来的极大便利,并因此催生了对位置服务(Location BasedService,LBS)的需求不断增加。研究人员研究了很多室内定位技术,诸如超声波(Ultrasonic Wave,UW)、红外(Infrared Ray,IR)、超宽带(Ultra-wideband,UWB)、无线射频识别(Radio Frequency Identification,RFID)和无线局域网(Wireless Local AreaNetwork,WLAN)等技术的室内定位系统。相较于利用IR、RFID、UWB等特殊信号定位的高费用、低普适度等缺点,从基础设施成本和环境适应性两方面考虑,基于位置指纹的WLAN室内定位系统得到了广泛的研究和应用。
基于位置指纹的WLAN室内定位系统在离线指纹采集阶段需要耗费大量的人力和时间开销,同时,为了实现高精度定位,通常要求在每个参考点处采集大量的基于接收信号强度(Received Signal Strength,RSS)样本。于是,为了降低指纹采集开销,基于传播模型和信号插值的WLAN室内定位系统应运而生。然而,上述方法均未考虑所需采集RSS样本容量的优化问题,从而容易造成位置指纹数据采集的盲目性和不可靠性。基于位置指纹的WLAN室内定位系统在在线指纹匹配阶段常采用欧式距离、索罗森距离和余弦相似度等来刻画不同RSS样本间的相似度。通常情况下,索罗森距离相比于前两者具有更大优势,因为其不仅考虑了RSS样本间的相对距离,并且通过赋予离WLAN接入点较近处采集RSS样本较大的权重,使得具有更强位置分辨力的RSS样本对定位结果具有更大的贡献,以提高定位精度。然而,上述相似度计算方法均未考虑RSS样本方差及样本容量对样本间相似度的影响,从而容易造成相似度计算的不稳定性。
针对上述问题,本文提出了一种基于样本容量优化与方差分析的WLAN室内定位方法。在离线阶段,基于对RSS样本特性的分析,使用OC(Operating Characteristics)函数优化用于指纹数据库构造可允许的最小RSS样本容量;其次,通过基于信息增益的AP(接入点)选择方法,选择最优AP用于指纹数据库构建;最后,在线阶段利用RSS样本均值、样本容量对样本间相似度的影响,通过统计假设方差分析方法对目标终端进行粗定位,并进而提出基于方差分析的K近邻(K-nearest Neighbor,KNN)算法以完成对目标终端的精定位。
发明内容
本发明的目的是提供一种基于样本容量优化与方差分析的WLAN室内定位方法。它能有效解决指纹数据采集的盲目性和不可靠性及RSS样本波动对定位性能的影响。
本发明所述的基于信号分布检验的Wi-Fi室内定位方法,包括以下步骤:
步骤一、本系统在目标环境内均匀标记若干参考点,且假设在每个参考点处采集m个RSS样本RSSj={rssj1,…,rssjm},其中,rssjv=(rssjv1,…,rssjvs),rssjvi(1≤i≤s)(1≤j≤n)为第j条RSS样本序列内第v个样本矢量中来自第i个WLAN接入点AP的样本值,假设来自第i个AP的第j条RSS样本序列的样本值rssj1i,rssj2i,…,rssj1i相互独立且服从正态分布,理想均值、总体均值、总体方差和样本均值分别为μ、μ1、和
步骤二、令RSS均值误差接受范围为|μ1-μ|≤σ1。引入统计假设检验中的OC函数,则β(θ)=Pθ(接受H0),即当θ∈H0时,β(θ)就是作出正确判断的概率;
步骤三、建立双边假设检验问题,H0:|μ1-μ|≤δ,H1:|μ1-μ|>δ。其中,δ>0为某一给定取值,这里δ=σ1;
步骤四、推导双边假设检验的OC函数,优化用于指纹数据库构造可允许的最小RSS样本容量,求解最小样本容量m使得犯第II类错误的概率控制在预先给定的阈值β1之内。所述步骤四包括以下步骤:
步骤四(一)、OC函数如下形式:
其中,
步骤四(二)、在控制μ1∈H1犯第II类错误的概率不超过给定的阈值β1的条件下,给出超越方程:
步骤四(三)、由于β(μ1)是关于λ的单调递减连续函数,当接受H1时,可得:
步骤四(四)、因此,在显著性水平α及阈值β1的条件下,求解可得最小样本容量;
步骤五、计算目标环境中所需要的期望信息:其中,pj表示第j个RP(参考点)的先验概率,可认为此时的目标终端在各个RP的概率是相等的概率,即
步骤六、通过每个AP属性将参考点划分为z个分区Zi1,…,Ziz,其中,Zit(t=1,…,z)表示来自第i个AP的具有相同RSS均值的RP集合;
步骤七、计算划分区域相对应的条件熵:其中,card(Zit)表示Zit中的RP数目;
步骤八、定义每个AP的信息增益为:Infogain(APi)=H(Z)-H(Z/APi),根据信息增益的不同对AP进行排序,选择信息增益最大的前w个AP;
步骤九、利用方差分析方法得到新采集RSS样本所对应的方差相同的参考点集合。所述步骤九包括以下步骤:
步骤九(一)、对于任意两条样本容量分别为m1和m2的RSS样本序列,假设其RSS样本序列均值分别为和RSS样本序列无偏估计方差分别为和则建立正态分布条件下的原假设和备择假设
步骤九(二)、确定检验统计量。由χ2分布可知:通过F分布的定义得到检验统计量:此时若总体时,可得:
步骤九(三)、确定拒绝域。由于是的无偏估计,当H0为真时,观察值与的比值应在1附近摆动。而当检验统计量F取某个区域中的值时,拒绝了原假设H0,则称此区域为拒绝域。因此,拒绝域应具有以下形式:(即取并集)。其中k1和k2为拒绝H0的门限。值由显著性水平α确定。于是得拒绝域为:即此时观测方差有偏大或者偏小的趋势;
步骤九(四)、判断样本统计量是否在拒绝域,是,则接受H1,得到该参考点为新采集样本的匹配参考点;否,则接受H0,得到该参考点不为新采集样本的匹配参考点;
步骤十、通过计算新采集RSS与每个匹配参考点处RSS样本间的欧式距离,结合KNN算法实现对目标终端的精定位。
有益效果
本发明公开了一种基于样本容量优化与方差分析的WLAN室内定位方法。首先,在离线阶段,基于对RSS样本特性的分析,使用OC函数优化用于指纹数据库构造可允许的最小RSS样本容量;其次,通过基于信息增益的AP(接入点)选择方法,选择最优AP用于指纹数据库构建;最后,在线阶段利用RSS样本均值、样本容量对样本间相似度的影响,通过统计假设方差分析方法对目标终端进行粗定位,并进而提出基于方差分析的KNN算法以完成对目标终端的精定位。本发明方法解决了指纹数据采集的盲目性和不可靠性及RSS样本波动对定位性能的影响。实验结果表明,此方法用有限的样本容量获得较稳定的定位结果,显著地减少了人力和时间开销。
附图说明
图1为本发明的流程图。
图2为实验环境图。
图3a为比较了在子区域1内信号热度分布图皮尔逊相似度与RSS样本容量关系的结果图;
图3b为比较了在子区域2内信号热度分布图皮尔逊相似度与RSS样本容量关系的结果图;
图3c比较了在子区域3内信号热度分布图皮尔逊相似度与RSS样本容量关系的结果图。
图4a给出了本发明所提方法与传统KNN、WKNN和贝叶斯定位算法在样本容量为10时的性能比较结果图;
图4b给出了本发明所提方法与传统KNN、WKNN和贝叶斯定位算法在样本容量为30时的性能比较结果图;
图4c给出了本发明所提方法与传统KNN、WKNN和贝叶斯定位算法在样本容量为100时的性能比较结果图。
具体实施方案
下面结合附图进一步详细描述本发明的技术方案:
如图1所示的一种基于样本容量优化与方差分析的WLAN室内定位方法,具体包含以下步骤:
步骤一、本系统在目标环境内均匀标记若干参考点,且假设在每个参考点处采集m个RSS样本RSSj={rssj1,…,rssjm},其中,rssjv=(rssjv1,…,rssjvs),rssjvi(1≤i≤s)(1≤j≤n)为第j条RSS样本序列内第v个样本矢量中来自第i个WLAN接入点AP的样本值,假设来自第i个AP的第j条RSS样本序列的样本值rssj1i,rssj2i,…,rssj1i相互独立且服从正态分布,理想均值、总体均值、总体方差和样本均值分别为μ、μ1、和
步骤二、令RSS均值误差接受范围为|μ1-μ|≤σ1。引入统计假设检验中的OC函数,则β(θ)=Pθ(接受H0),即当θ∈H0时,β(θ)就是作出正确判断的概率;
步骤三、建立双边假设检验问题,H0:|μ1-μ|≤δ,H1:|μ1-μ|>δ。其中,δ>0为某一给定取值,这里δ=σ1;
步骤四、推导双边假设检验的OC函数,优化用于指纹数据库构造可允许的最小RSS样本容量,求解最小样本容量m使得犯第II类错误的概率控制在预先给定的阈值β1之内。所述步骤四包括以下步骤:
步骤四(一)、OC函数如下形式:
其中,
步骤四(二)、在控制μ1∈H1犯第II类错误的概率不超过给定的阈值β1的条件下,给出超越方程:
步骤四(三)、由于β(μ1)是关于λ的单调递减连续函数,当接受H1时,可得:
步骤四(四)、因此,在显著性水平α及阈值β1的条件下,求解可得最小样本容量;
步骤五、计算目标环境中所需要的期望信息:其中,pj表示第j个RP的先验概率,可认为此时的目标终端在各个RP的概率是相等的概率,即
步骤六、通过每个AP属性将参考点划分为z个分区Zi1,…,Ziz,其中,Zit(t=1,…,z)表示来自第i个AP的具有相同RSS均值的RP集合;
步骤七、计算划分区域相对应的条件熵:其中,card(Zit)表示Zit中的RP数目;
步骤八、定义每个AP的信息增益为:Infogain(APi)=H(Z)-H(Z/APi),根据信息增益的不同对AP进行排序,选择信息增益最大的前w个AP;
步骤九、利用方差分析方法得到新采集RSS样本所对应的方差相同的参考点集合。所述步骤九包括以下步骤:
步骤九(一)、对于任意两条样本容量分别为m1和m2的RSS样本序列,假设其RSS样本序列均值分别为和RSS样本序列无偏估计方差分别为和则建立正态分布条件下的原假设和备择假设
步骤九(二)、确定检验统计量。由χ2分布可知:通过F分布的定义得到检验统计量:此时若总体时,可得:
步骤九(三)、确定拒绝域。由于是的无偏估计,当H0为真时,观察值与的比值应在1附近摆动。而当检验统计量F取某个区域中的值时,拒绝了原假设H0,则称此区域为拒绝域。因此,拒绝域应具有以下形式:(即取并集);其中k1和k2为拒绝H0的门限。值由显著性水平α确定。于是得拒绝域为:即此时观测方差有偏大或者偏小的趋势;
步骤九(四)、判断样本统计量是否在拒绝域,是,则接受H1,得到该参考点为新采集样本的匹配参考点;否,则接受H0,得到该参考点不为新采集样本的匹配参考点;
步骤十、通过计算新采集RSS与每个匹配参考点处RSS样本间的欧式距离,结合KNN算法实现对目标终端的精定位。
Claims (3)
1.基于样本容量优化与方差分析的WLAN室内定位方法,其特征在于,包括以下步骤:
步骤一、本系统在目标环境内均匀标记若干参考点,且假设在每个参考点处采集m个RSS样本RSSj={rssj1,…,rssjm},其中,rssjv=(rssjv1,…,rssjvs),rssjvi(1≤i≤s)(1≤j≤n)为第j条RSS样本序列内第v个样本矢量中来自第i个WLAN接入点AP的样本值,假设来自第i个AP的第j条RSS样本序列的样本值rssj1i,rssj2i,…,rssj1i相互独立且服从正态分布,理想均值、总体均值、总体方差和样本均值分别为μ、μ1、和
步骤二、令RSS均值误差接受范围为|μ1-μ|≤σ1。引入统计假设检验中的OC函数,则β(θ)=Pθ(接受H0),即当θ∈H0时,β(θ)就是作出正确判断的概率;
步骤三、建立双边假设检验问题,H0:|μ1-μ|≤δ,H1:|μ1-μ|>δ。其中,δ>0为某一给定取值,这里δ=σ1;
步骤四、推导双边假设检验的OC函数,优化用于指纹数据库构造可允许的最小RSS样本容量,求解最小样本容量m使得犯第II类错误的概率控制在预先给定的阈值β1之内;
步骤五、计算目标环境中所需要的期望信息:其中,pj表示第j个RP的先验概率,可认为此时的目标终端在各个RP的概率是相等的概率,即
步骤六、通过每个AP属性将参考点划分为z个分区Zi1,…,Ziz,其中,Zit(t=1,…,z)表示来自第i个AP的具有相同RSS均值的RP集合;
步骤七、计算划分区域相对应的条件熵:其中,card(Zit)表示Zit中的RP数目;
步骤八、定义每个AP的信息增益为:Infogain(APi)=H(Z)-H(Z/APi),根据信息增益的不同对AP进行排序,选择信息增益最大的前w个AP;
步骤九、利用方差分析方法得到新采集RSS样本所对应的方差相同的参考点集合;
步骤十、通过计算新采集RSS与每个匹配参考点处RSS样本间的欧式距离,结合KNN算法实现对目标终端的精定位。
2.根据权利要求1所述的基于样本容量优化与方差分析的WLAN室内定位方法,其特征在于,所述步骤四包括以下步骤:
步骤四(一)、OC函数如下形式:
其中,
步骤四(二)、在控制μ1∈H1犯第II类错误的概率不超过给定的阈值β1的条件下,给出超越方程:
步骤四(三)、由于β(μ1)是关于λ的单调递减连续函数,当接受H1时,可得:
步骤四(四)、因此,在显著性水平α及阈值β1的条件下,求解可得最小样本容量。
3.根据权利要求1或2所述的基于样本容量优化与方差分析的WLAN室内定位方法,其特征在于,所述步骤七包括以下步骤:
步骤九(一)、对于任意两条样本容量分别为m1和m2的RSS样本序列,假设其RSS样本序列均值分别为和RSS样本序列无偏估计方差分别为和则建立正态分布条件下的原假设和备择假设
步骤九(二)、确定检验统计量。由χ2分布可知:通过F分布的定义得到检验统计量:此时若总体时,可得:
步骤九(三)、确定拒绝域。由于是的无偏估计,当H0为真时,观察值与的比值应在1附近摆动。而当检验统计量F取某个区域中的值时,拒绝了原假设H0,则称此区域为拒绝域。因此,拒绝域应具有以下形式:(即取并集)。其中k1和k2为拒绝H0的门限。值由显著性水平α确定。于是得拒绝域为:即此时观测方差有偏大或者偏小的趋势;
步骤九(四)、判断样本统计量是否在拒绝域,是,则接受H1,得到该参考点为新采集样本的匹配参考点;否,则接受H0,得到该参考点不为新采集样本的匹配参考点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810229998.0A CN108495258A (zh) | 2018-03-20 | 2018-03-20 | 基于样本容量优化与方差分析的wlan室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810229998.0A CN108495258A (zh) | 2018-03-20 | 2018-03-20 | 基于样本容量优化与方差分析的wlan室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108495258A true CN108495258A (zh) | 2018-09-04 |
Family
ID=63318725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810229998.0A Pending CN108495258A (zh) | 2018-03-20 | 2018-03-20 | 基于样本容量优化与方差分析的wlan室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108495258A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110793482A (zh) * | 2019-11-13 | 2020-02-14 | 佛山科学技术学院 | 一种收集符合正态分布的车辆样本数据采集系统 |
CN111182455A (zh) * | 2020-02-25 | 2020-05-19 | 深圳市远云科技有限公司 | 一种室内定位方法、装置、计算机设备及存储介质 |
CN111935818A (zh) * | 2020-07-09 | 2020-11-13 | 重庆邮电大学 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
CN114745675A (zh) * | 2022-04-28 | 2022-07-12 | 重庆邮电大学 | 一种基于改进GAN结合假设检验的Wi-Fi室内定位方法 |
CN114826772A (zh) * | 2022-05-30 | 2022-07-29 | 中国联合网络通信集团有限公司 | 数据完整性验证系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682048A (zh) * | 2016-03-16 | 2016-06-15 | 重庆邮电大学 | 蜂窝网环境下基于pca的子空间匹配室内指纹定位方法 |
CN106793085A (zh) * | 2017-03-08 | 2017-05-31 | 南京信息工程大学 | 基于正态假设检验的指纹定位方法 |
-
2018
- 2018-03-20 CN CN201810229998.0A patent/CN108495258A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682048A (zh) * | 2016-03-16 | 2016-06-15 | 重庆邮电大学 | 蜂窝网环境下基于pca的子空间匹配室内指纹定位方法 |
CN106793085A (zh) * | 2017-03-08 | 2017-05-31 | 南京信息工程大学 | 基于正态假设检验的指纹定位方法 |
Non-Patent Citations (2)
Title |
---|
MU ZHOU.ECT.: "Achieving Cost-Efficient Indoor Fingerprint Localization on WLAN Platform: A Hypothetical Test Approach", 《IEEE ACCESS》 * |
周 牧,唐云霞,田增山,卫亚聪: "基于流形插值数据库构建的WLAN 室内定位算法", 《电子与信息学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110793482A (zh) * | 2019-11-13 | 2020-02-14 | 佛山科学技术学院 | 一种收集符合正态分布的车辆样本数据采集系统 |
CN111182455A (zh) * | 2020-02-25 | 2020-05-19 | 深圳市远云科技有限公司 | 一种室内定位方法、装置、计算机设备及存储介质 |
CN111935818A (zh) * | 2020-07-09 | 2020-11-13 | 重庆邮电大学 | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 |
CN114745675A (zh) * | 2022-04-28 | 2022-07-12 | 重庆邮电大学 | 一种基于改进GAN结合假设检验的Wi-Fi室内定位方法 |
CN114826772A (zh) * | 2022-05-30 | 2022-07-29 | 中国联合网络通信集团有限公司 | 数据完整性验证系统 |
CN114826772B (zh) * | 2022-05-30 | 2024-03-08 | 中国联合网络通信集团有限公司 | 数据完整性验证系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108495258A (zh) | 基于样本容量优化与方差分析的wlan室内定位方法 | |
Peng et al. | An iterative weighted KNN (IW-KNN) based indoor localization method in bluetooth low energy (BLE) environment | |
Campos et al. | Wi-Fi multi-floor indoor positioning considering architectural aspects and controlled computational complexity | |
CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN107241700B (zh) | 基于csi空频特性和参考点位置聚类算法的室内定位方法 | |
CN105657823B (zh) | 基于核函数主特征提取的wifi室内加权k近邻定位算法 | |
Zou et al. | A mutual information based online access point selection strategy for WiFi indoor localization | |
Ding et al. | Efficient indoor fingerprinting localization technique using regional propagation model | |
Suroso et al. | Location fingerprint technique using Fuzzy C-Means clustering algorithm for indoor localization | |
Liu et al. | Indoor positioning system based on the improved W-KNN algorithm | |
Klus et al. | Rss fingerprinting dataset size reduction using feature-wise adaptive k-means clustering | |
Zhong et al. | WiFi indoor localization based on K-means | |
Fonseka et al. | Indoor localization for IoT applications using fingerprinting | |
Alitaleshi et al. | Affinity propagation clustering-aided two-label hierarchical extreme learning machine for Wi-Fi fingerprinting-based indoor positioning | |
CN111465093A (zh) | 指纹定位方法、装置、电子设备及计算机存储介质 | |
Sun et al. | A novel GCN based indoor localization system with multiple access points | |
Wei et al. | Handling device heterogeneity in Wi-Fi based indoor positioning systems | |
Subakti et al. | Indoor Localization with Fingerprint Feature Extraction | |
Alfakih et al. | An enhanced indoor positioning method based on Wi-fi RSS fingerprinting | |
Pham et al. | Ensemble learning model for Wifi indoor positioning systems | |
CN108445443B (zh) | 一种基于knn的指纹点聚类方法 | |
CN115278530A (zh) | 蓝牙室内定位方法 | |
CN113645562B (zh) | 一种基于5g信号的室内大型商场智能指纹定位方法 | |
Shit et al. | Probabilistic RSS fingerprinting for localization in smart platforms | |
Yonghao et al. | A calibration-free indoor localization system using pseudo-distances in WLAN environments |
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: 20180904 |
|
WD01 | Invention patent application deemed withdrawn after publication |