CN108519579B - 基于区间重叠度分析优选AP的WiFi指纹定位方法 - Google Patents
基于区间重叠度分析优选AP的WiFi指纹定位方法 Download PDFInfo
- Publication number
- CN108519579B CN108519579B CN201810274184.9A CN201810274184A CN108519579B CN 108519579 B CN108519579 B CN 108519579B CN 201810274184 A CN201810274184 A CN 201810274184A CN 108519579 B CN108519579 B CN 108519579B
- Authority
- CN
- China
- Prior art keywords
- interval
- rssi
- fingerprint
- numerical range
- overlapping
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- 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
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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
基于WiFi的室内指纹定位系统因其定位所需的计算能力要求和时间成本随着AP数量的增加而升高,因此通过AP选取减少冗余信息,降低计算量以及提升定位效率对物联网低资源的终端设备变得非常重要。随着城市区域内的无线AP越来越密集,WiFi室内指纹定位的AP优选难度增大。本发明公开了一种利用RSSI区间重叠度来区分指纹点实现AP优选的方法,通过对环境进行训练获取参数最优解,使得定位精度最优。
Description
技术领域
本发明涉及室内定位技术领域,主要涉及WiFi指纹室内定位的基于区间重叠度分析优选AP的方法。
背景技术
由于室内环境的复杂性以及全球定位系统无法在室内有效定位,低成本、高精度、实时性和高可靠性的LBS的研究和发展仍然面临着挑战。当前定位精度和电量问题是两个比较重要的影响因素。电量方面,随着室内无线热点的增加,比如,一些商场环境内有达到超过五十个可访问的AP,手机等设备扫描周围WiFi节点的时间和资源增加,加重了手机电量的消耗。因此,减少AP使用个数在一定程度上能缓解手机定位时的电量消耗问题。而精度方面,受AP信号质量的影响不同的AP组合有不同的定位精度,而使用全部的AP进行定位时的精度反而会有所降低,因此,选择最佳的AP组合不仅能降低计算量,提高计算效率,还能提升精度。
室内定位系统(IPS)是一种利用射频、磁场、声学信号和航位推算等方法将建筑物内的物体或人进行定位的一个系统。近年随着WiFi热点的广泛部署,基于WiFi的室内定位技术变得越来越流行。而在室内定位技术中基于接收信号强度指示器(RSSI)的方法因其不需要专门的设备而成为很多人的优选。基于RSSI的无线传感器网络一般包括两种方法,基于信号衰减模型和基于指纹的系统。路径损耗模型系统的一个优点是,它只需要现成的智能手机、平板电脑或笔记本电脑能根据信号衰减模型计算距离来获得设备的位置。但信号衰减模型基于射频信号在自由空间传播的,而目前几乎所有的物理空间都是非自由空间,因此,室内复杂的环境会导致射频信号衰减和反射,从而降低测距精度。相比之下,基于指纹的技术能提供了更精确的定位结果。它通常分两个阶段,首先在离线阶段采集射频信号并映射到已知坐标的位置构建指纹或电子地图;然后在线阶段,通过将当前位置的RSSI信息在当前存储的电子地图中匹配最近已知位置确定位置。
当前许多基于RSSI的定位系统采用的是基于客户端来触发 和驱动LBS服务的架构,这为客户端设备提供了一个基本的隐私过滤功能,这样能使用户可以决定是否使用定位服务。但这种基于移动客户端设备的定位应用对手机电量的消耗是比较高的,如果定位服务的使用对用户设备电量的消耗过高,促使用户设备无法长时间有效的使用,那么定位服务技术就会缺乏使用的动力。因此,节能是室内定位服务的一个核心问题。
WiFi室内指纹定位技术必须采集室内中的AP信号,虽然使用更多的AP可以改变定位精度,但密集的接入点会明显增加数据采集阶段的能量消耗,过多的AP同时也会增加了定位算法的计算量,降低计算效率。另外,一些AP受动态效应影响较大,使得它们的RSSI值出现比较大的波动,进而影响位置确定的准确性,而恰当的AP选取有助于去除定位精度较差的AP。因此,如何选择最优的AP以确定位置是一个关键的挑战。
目前已有的AP选取方法主要基于三类。第一类是基于统计分析的方法,这种方法使用某个统计特征值来评估RSSI的表现实现AP选取,比如最大均值方法,最小标准差方法等。第二类是基于信息理论的方法,该方法保留了信息的多样性。其中信息增益方法通过考查 AP最大化区分指纹的能力,互信息方法是通过最小化AP之间的信息冗余。但这两种方法无法准确的区分AP之间的差异。第三类是基于整体表现的算法,这种算法考虑的是几个AP一起所具有的表现,但是这种方法需要额外的机器内存和较长的计算时间。因此,针对这些不足,本发明提出了一种新的方法,称为区间重叠度分析法。
这个新算法用RSSI的数值区间作为样本特征值,利用AP区分指纹能力作为准则,通过计算不同指纹点处同一AP之间数值区间的重叠度,选取区间重叠度最低的AP进行定位。因为数值区间的重叠度是反映两个数值区间重叠程度的指标,区间重叠度越低,两个数值区间的重合程度越低,越容易将两者区分。因此,选取区间重叠度低的AP能更有效的区分不同指纹点。指纹点之间的区别越明显,在线阶段临近点匹配的精度相应会更高,能有效的提升定位精度。此外,由于本发明能通过选取少量的AP达到较优的定位精度,因而能有效降低计算量,提高定位效率。
发明内容
本发明针对目前WiFi指纹定位中的选取AP的问题,提出了一种利用RSSI区间重叠度来区分指纹点实现AP优选的方法。
本发明所采用的技术方案为:一种基于区间重叠度分析优选AP的WiFi指纹定位方法,包含以下步骤:
步骤一,根据室内环境布局特点,进行指纹点位置规划,规划内容包括确定指纹点的个数和指纹格网的大小。
步骤二,在步骤一规划好的指纹点处利用移动设备采集室内环境中各AP的RSSI信号值。
步骤三,基于AP是否在每个指纹点处都能被检测到的原则进行聚类分析,将AP分成两类:第一类能在所有指纹点处被检测到,第二类不能在所有指纹点处被检测到,并将第一类作为粗选AP。
步骤四,将步骤三粗选的AP的RSSI值用区间表示:提取出每个AP在不同指纹点处的 RSSI信号序列的最大值和最小值,并用这个最大值和最小值构成的区间来表示该AP在当前指纹点处的RSSI信号特征。
步骤五,根据同一AP在任意两个不同指纹点处的RSSI数值区间确定重叠区间长度,其中数值区间的最大值与最小值之差称为区间长度,两个数值区间的交集称为重叠区间。两个 RSSI数值区间A、B的重叠区间包括如下情况:
1)当数值区间A包含数值区间B,重叠区间就是数值区间B,其区间长度为数值区间B 的区间长度;
2)当数值区间B包含数值区间A,重叠区间就是数值区间A,其区间长度为数值区间A 的区间长度;
3)当数值区间A与数值区间B交集位于数值区间A靠近区间下界位置时,或当数值区间A与数值区间B交集位于数值区间B靠近区间上界位置时,重叠区间为数值区间B 的上界和数值区间A的下界所组成的数值区间,其区间长度为数值区间B的上界减去数值区间A的下界;
4)当数值区间A与数值区间B交集位于数值区间A靠近区间上界位置时,或当数值区间A与数值区间B交集位于数值区间B靠近区间下界位置时,重叠区间为数值区间A 的上界和数值区间B的下界所组成的数值区间,其区间长度为数值区间A的上界减去数值区间B的下界;
5)除以上四种情况之外的情况,认为不存在重叠区间,其区间长度也为0.
步骤六,计算同一AP在任意两个指纹点之间的区间重叠度。区间重叠度的定义是同一个AP在两个不同指纹点处RSSI的重叠区间与其中每个指纹点处的RSSI区间长度的比值的平均值。
步骤七,对同一AP在所有不同指纹点对间的区间重叠度进行求和,求取一个总区间重叠度。
步骤八,按照步骤五到步骤七将每个粗选AP的总区间重叠度计算出来后,选取总区间重叠度最小的M个AP作为优选AP。
步骤九,在测试点上进行RSSI数据采集。
步骤十,计算测试点与各指纹点之间的欧式距离,选取K=4个距离最小的指纹点作为最紧邻指纹点,利用WKNN算法进行位置解算。
步骤十一,此步骤属于环境训练用于获取当前环境中参数M的最优解,若已获得最优解,则此步骤可以省略,直接输出结果,此步骤的详细过程是:
1)在环境中均匀设置一些测试点,记录这些测试点的真实位置;
2)将M从2开始依次增加1直到24作为步骤八中AP优选的个数;
3)分别在1)设置好的测试点上进行RSSI信号采集;
4)计算M当前取值下平均定位精度,然后重复2)到4);
5)当遍历M所有取值,2-24,之后,基于计算效率和定位精度确定M的最优解。
与现有技术相比,本发明具有的特点:
本发明的创新之处在于,第一方面,基于数值区间重叠度分析的优选AP方法能有效减少冗余信息,降低计算量,提升定位效率,降低能量消耗。第二方面,跟已有算法相比,如信息增益算法,互信息算法,最小标准差算法等,本发明有如下特点:1)本发明使用数值区间来分析RSSI的特征而不是利用单个统计特征值;2)本发明的算法虽继承了AP区分指纹能力的规则来进行AP选取,但算法更简单,鲁棒性更好;3)在提升计算效率的同时能实现一个更高的定位精度。
附图说明
图1是本发明实施例的基于区间重叠度分析优选AP的WiFi指纹定位方法的流程图;
图2是本发明实施例的实验方案分布示意图;
图3是本发明实施例的实验测试点整体平均定位精度图;
图4是本发明实施例的实验测试点整体平均定位精度的累计密度函数图;
图5是本发明实施例的实验测试点全部格网平均定位精度图。
具体实施方式
为了使本发明的目的、技术方案和有益效果更加清楚明白,下面结合附图及具体实施方式,进一步说明本发明。应当理解,以下描述的实施方式仅用于解释本发明,并不用于限定本发明。
详见图1,本发明提供的一种基于区间重叠度分析优选AP的WiFi指纹定位方法,包含以下步骤:
步骤一,为了说明模型对于环境的适应性,本发明在一个存在人员活动的动态室内环境中进行实验。在室内选取若干指纹点(图中的四角星号都代表指纹点,点位详见图2),N表示指纹点的个数。设置指纹点间距为3米。
步骤二,为了避开手机差异性所带来的误差影响,本实验始终用同一设备进行信号收集。信号采集频率为0.5Hz,采集的次数为120次。将各AP的RSSI序列和指纹点的位置信息关联起来组成位置指纹。
步骤三,基于AP是否在每个指纹点处都能被检测到的原则进行聚类分析,将AP分成两类:第一类能在所有指纹点处被检测到,第二类不能在所有指纹点处被检测到,并将第一类作为粗选AP。本实施例中未聚类前的AP个数为40多个,聚类之后粗选出24个。用S表示粗选之后的指纹点个数。
步骤四,将步骤三粗选的AP的RSSI信号序列用数值区间表示:对于APa,若将第i个指纹点处来自于APa的RSSI信号序列用表示。将第j个指纹点处来自于APa的RSSI信号序列用表示。则APa的RSSI信号序列用数值区间分别表示为[min(RSSIja),max(RSSIja)]和 [min(RSSIia),max(RSSIia)]。
步骤八,按照步骤五到步骤七将每个AP的总区间重叠度计算出来后,选取总区间重叠度最小的M个AP作为优选AP。通过步骤十一对环境进行训练得到M的最优解。本实施例计算了M从2到24的取值。
步骤九,在室内环境中选取若干测试点(图中的黑圆圈都代表测试点,点位详见图2),在所有测试点上进行RSSI数据采集,同样,测试点上也只采用步骤八中优选出来的AP。
步骤十,计算测试点与各指纹点之间的欧式距离。以APa为例,假设表示APa在测试点 t上RSSI信号序列的均值,假设表示APa在指纹点j上RSSI信号序列的均值。那么测试点t与指纹点j的欧氏距离为:计算完测试点与所有指纹点之间的欧氏距离之后选取K=4个距离最小的指纹点作为最近邻指纹点。然后将K个最近邻指纹点用公式进行重新加权:再用公式解算位置:
步骤十一,此步骤属于环境训练用于获取当前环境中的参数(M值)最优解,若已获得最优解,则此步骤可以省略。其详细过程为:
1)按照以上的位置解算步骤,分别计算出M取值从2-24时所有测试点的平均定位精度值。同时,将对比算法--信息增益,互信息和最小标准差方法的定位结果都展示在一起,它们的平均定位精度随M值变化的曲线如图3所示。表1详细列出了M不同取值时对应的平均定位精度(ME)。
表1整体平均定位精度详细表
结合图3和表1可以看出,在综合考量计算效率和定位精度的条件下本发明的方法在K值为4,M为6时能取得一个最佳的定位表现。因此,本环境中的K值设置成4,M 值设置成6.
2)为了体现本发明所示的算法在精度上的优越性,本实施例结合了一些其他的评价指标并将本发明与其他已有算法进行比较。如图4给出了本发明所示算法与其余算法的累计密度函数图。同时表2也给出了平均定位精度在1m,2m,3m时的概率。
表2四种方法累计密度函数明细表
结合图3,表1和表2从得出本发明比本实施例中所提及的算法在定位精度表现上要更加优越。
3)由于鲁棒性强的方法不仅能在大场景有好的定位表现,同时在小场景下也同样有好的定位表现。为了体现本发明所示的算法在性能上的鲁棒性,本实施例还考虑了本发明与其他已有方法在预设的小格网中的平均定位精度的对比。通过将实验场景内的指纹点按照如图2所示的虚线黑框,将整个实验场景划分成14个小场景,按照本发明所示的步骤对小场景重新进行计算并得到14个小场景的总平均定位精度。从图 5可以明显看出,本发明所示方法在小场景下的定位表现要明显优于别的算法,有力的证明了本发明所示方法的鲁棒性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于区间重叠度分析优选AP的WiFi指纹定位方法,其特征在于,包括以下步骤:
步骤一,根据室内环境布局特点,进行指纹点位置规划,规划内容包括确定指纹点的个数和指纹格网的大小;
步骤二,在步骤一规划好的指纹点处利用移动设备采集室内环境中各AP的RSSI信号值;
步骤三,基于AP是否在每个指纹点处都能被检测到的原则进行聚类分析,将AP分成两类:第一类能在所有指纹点处被检测到,第二类不能在所有指纹点处被检测到,并将第一类作为粗选AP;
步骤四,将步骤三粗选的AP的RSSI值用区间表示:提取出每个AP在不同指纹点处的RSSI信号序列的最大值和最小值,并用这个最大值和最小值构成的区间来表示该AP在当前指纹点处的RSSI信号特征;
步骤五,根据同一AP在任意两个不同指纹点处的RSSI数值区间确定重叠区间长度,其中数值区间的最大值与最小值之差称为区间长度,两个数值区间的交集称为重叠区间,两个RSSI数值区间A、B的重叠区间包括如下情况:
1)当数值区间A包含数值区间B,重叠区间就是数值区间B,其区间长度为数值区间B的区间长度;
2)当数值区间B包含数值区间A,重叠区间就是数值区间A,其区间长度为数值区间A的区间长度;
3)当数值区间A与数值区间B交集位于数值区间A靠近区间下界位置时,或当数值区间A与数值区间B交集位于数值区间B靠近区间上界位置时,重叠区间为数值区间B的上界和数值区间A的下界所组成的数值区间,其区间长度为数值区间B的上界减去数值区间A的下界;
4)当数值区间A与数值区间B交集位于数值区间A靠近区间上界位置时,或当数值区间A与数值区间B交集位于数值区间B靠近区间下界位置时,重叠区间为数值区间A的上界和数值区间B的下界所组成的数值区间,其区间长度为数值区间A的上界减去数值区间B的下界;
5)除以上四种情况之外的情况,认为不存在重叠区间,其区间长度也为0;
步骤六,计算同一AP在任意两个不同指纹点之间的区间重叠度,区间重叠度的定义是同一个AP在两个不同指纹点处RSSI的重叠区间与其中每个指纹点处的RSSI区间长度的比值的平均值;
步骤七,对同一AP在所有不同指纹点对间的区间重叠度进行求和,求取一个总区间重叠度;
步骤八,按照步骤五到步骤七将每个粗选AP的总区间重叠度计算出来后,选取总区间重叠度最小的M个AP作为优选AP;M的最优解是通过步骤十一对环境进行训练得到的;
步骤九,在测试点上进行RSSI数据采集;
步骤十,计算测试点与各指纹点之间的欧式距离,选取K=4个距离最小的指纹点作为最邻近指纹点,利用WKNN算法进行位置解算;
步骤十一,此步骤属于环境训练用于获取当前环境中参数M的最优解,若已获得最优解,则此步骤可以省略,直接输出结果,此步骤的详细过程是:
1)在环境中均匀设置一些测试点,记录这些测试点的真实位置;
2)将M从2开始依次增加1直到24作为步骤八中AP优选的个数;
3)分别在1)设置好的测试点上进行RSSI信号采集;
4)计算M当前取值下平均定位精度,然后重复2)到4);
5)当遍历M所有取值2至24之后,基于计算效率和定位精度确定M的最优解。
3.根据权利要求1所述的基于区间重叠度分析优选AP的WiFi指纹定位方法,其特征在于,步骤五中所述的两个数值区间的重叠区间长度的计算方法为:用表示APa在指纹点i和j处的重叠区间长度,重叠区间长度为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274184.9A CN108519579B (zh) | 2018-03-29 | 2018-03-29 | 基于区间重叠度分析优选AP的WiFi指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274184.9A CN108519579B (zh) | 2018-03-29 | 2018-03-29 | 基于区间重叠度分析优选AP的WiFi指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108519579A CN108519579A (zh) | 2018-09-11 |
CN108519579B true CN108519579B (zh) | 2021-11-16 |
Family
ID=63431361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810274184.9A Expired - Fee Related CN108519579B (zh) | 2018-03-29 | 2018-03-29 | 基于区间重叠度分析优选AP的WiFi指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108519579B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109672973B (zh) * | 2018-09-21 | 2021-02-19 | 云南大学 | 一种基于最强ap的室内定位融合方法 |
CN111405461B (zh) * | 2020-03-16 | 2021-10-08 | 南京邮电大学 | 一种优化等间隔指纹采样个数的无线室内定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130016912A (ko) * | 2011-08-09 | 2013-02-19 | 주식회사 안랩 | 단말 장치 및 상기 단말 장치의 액세스 포인트 접속 방법 |
CN107820314A (zh) * | 2017-11-14 | 2018-03-20 | 江南大学 | 基于AP选择的Dwknn位置指纹定位算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7873367B2 (en) * | 2007-06-28 | 2011-01-18 | Symbol Technologies, Inc. | Methods and apparatus for locationing in a wireless network using statistical weighting |
-
2018
- 2018-03-29 CN CN201810274184.9A patent/CN108519579B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130016912A (ko) * | 2011-08-09 | 2013-02-19 | 주식회사 안랩 | 단말 장치 및 상기 단말 장치의 액세스 포인트 접속 방법 |
CN107820314A (zh) * | 2017-11-14 | 2018-03-20 | 江南大学 | 基于AP选择的Dwknn位置指纹定位算法 |
Non-Patent Citations (4)
Title |
---|
A mutual information based online access point selection strategy for WiFi indoor localization;Han Zou;《2015 IEEE International Conference on Automation Science and Engineering (CASE)》;20150828;1-6页 * |
WiFi指纹定位中AP个数对定位精度的影响;刘少伟;《测绘工程》;20170228;第26卷(第2期);1-4页 * |
分布式 AP 选择策略在室内定位中的应用;葛柳飞;《传感器与微系统》;20151231;第34卷(第9期);16-22页 * |
基于WiFi的室内定位关键技术研究;张天琦;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170515;1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108519579A (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102480678B (zh) | 一种指纹定位方法和系统 | |
CN105338498A (zh) | 一种WiFi室内定位系统中指纹库的构建方法 | |
CN105120433A (zh) | 基于连续采样及模糊聚类处理的wlan室内定位方法 | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
CN103916954A (zh) | 基于wlan的概率定位方法及定位装置 | |
Tao et al. | AIPS: An accurate indoor positioning system with fingerprint map adaptation | |
CN108519579B (zh) | 基于区间重叠度分析优选AP的WiFi指纹定位方法 | |
You et al. | Indoor positioning system with cellular network assistance based on received signal strength indication of beacon | |
CN110351660A (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
Huang et al. | MAPS: Indoor localization algorithm based on multiple AP selection | |
CN109302674B (zh) | 一种基于多重滤波的WiFi室内定位方法 | |
CN112526572A (zh) | 室内外无缝导航的网络切换方法与定位系统 | |
Sun et al. | A novel GCN based indoor localization system with multiple access points | |
CN112995893B (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
Li et al. | WiFi indoor location method based on RSSI | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
Elbakly et al. | Cone: Zero-calibration accurate confidence estimation for indoor localization systems | |
CN108398660A (zh) | 一种基于Wi-Fi云平台系统的终端设备定位方法及系统 | |
CN111669702A (zh) | 基于wifi地址与场强的粗精匹配定位方法 | |
CN111343664B (zh) | 用户定位方法、装置、设备及介质 | |
CN108445443B (zh) | 一种基于knn的指纹点聚类方法 | |
Zhou et al. | Physical distance vs. signal distance: An analysis towards better location fingerprinting | |
CN112188388A (zh) | 一种基于机器学习的混合室内定位方法 | |
CN113947123A (zh) | 人员轨迹识别方法、系统、存储介质和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |