CN108632753A - 一种基于rssi和地磁融合的室内定位方法 - Google Patents
一种基于rssi和地磁融合的室内定位方法 Download PDFInfo
- Publication number
- CN108632753A CN108632753A CN201810491979.5A CN201810491979A CN108632753A CN 108632753 A CN108632753 A CN 108632753A CN 201810491979 A CN201810491979 A CN 201810491979A CN 108632753 A CN108632753 A CN 108632753A
- Authority
- CN
- China
- Prior art keywords
- data
- rssi
- model
- information
- geomagnetic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005389 magnetism Effects 0.000 title abstract 3
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 238000003066 decision tree Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 101100289995 Caenorhabditis elegans mac-1 gene Proteins 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000005562 fading Methods 0.000 abstract description 5
- 239000002184 metal Substances 0.000 abstract description 2
- 230000004888 barrier function Effects 0.000 abstract 1
- 230000003014 reinforcing effect Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
-
- 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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于RSSI和地磁融合的室内定位方法，用于弥补RSSI数据在小范围内变化小，易受周围行人、障碍物影响，信道衰落现象严重等缺点，本发明将RSSI信号与地磁信息融合作为指纹特征，进行训练阶段模型的训练及定位阶段待定位点的位置估计。增强指纹信息与空间位置一一对应的关系，提高指纹信息的稳定性和定位精度。在每个位置点RSSI数据都有较为明显的变化让我们想到利用它作为指纹信息，且无需其他硬件设备，操作便捷。在室内环境下，由于钢筋、大型电器及金属制品的存在，对地磁产生了影响，使得各位置点处具有不一样的磁场信号特征，这样就可以将地磁信号特征与空间位置关联起来作为指纹数据之一，提高定位精度。
Description
技术领域
本发明适用于存在多径衰落、阴影等问题的室内环境，特别是区域范围较广，路由器数目较多分布较为广泛的情况下。
背景技术
随着人们依赖于智能移动手机的各种需求不断扩大，基于位置服务(locationBased Service,LBS)的应用软件层出不穷，百度地图发现周边服务，了解目的地周边的美食、酒店、银行等信息，减少了我们在陌生地区熟悉环境的时间；共享单车，打开app便可知道附近分布的自行车点，精准定位，提前预约。互联网飞速发展的这几年最大化的便利了我们的生活，提高了我们的生活品质。与此同时，越来越高的关注度也落在了基于位置的服务上面，并且得到了学术界的广泛关注。尽管全球定位系统(Global Position System,GPS)和蜂窝无线定位技术已有广泛的应用与影响，但无法满足室内定位的需求。基于WiFi的位置指纹室内定位方法，可在不添加额外硬件设备的情况下，达到一定精度的定位需求。与此同时，地球磁场是一种天然存在的、简便的、可靠的参考系统，在区分位置上具有重要的参考意义。
随着机器学习的方法不断完善与改进，各种监督式学习的方法在指纹定位方法上越来越凸显其优越性。与传统监督式的K最近邻分类算法(KNN)、权重K近邻分类算法(WKNN)相比，随机森林(Random Forest,RF)，支持向量机(Support Vector Machine,SVM)等具有学习能力的机器学习方法在预测精度、预测时间方面都具有更好的效果。
发明内容
本发明的目的是为了解决在存在多径衰落、阴影、路径损耗的室内环境下，如何高效、实时，精准的定位问题。为了弥补RSSI数据在小范围内变化小，易受周围行人、障碍物影响，信道衰落现象严重等缺点，本发明将RSSI信号与地磁信息融合作为指纹特征，进行训练阶段模型的训练及定位阶段待定位点的位置估计。增强指纹信息与空间位置一一对应的关系，提高指纹信息的稳定性和定位精度。
无线路由器已遍布我们生活的大部分公共场合，在每个位置点RSSI数据都有较为明显的变化让我们想到利用它作为指纹信息，且无需其他硬件设备，操作便捷。地磁场是天然的自然场，在室内环境下，由于钢筋、大型电器及金属制品的存在，对地磁产生了影响，而恰是这种影响，使得各位置点处具有不一样的磁场信号特征，这样就可以将地磁信号特征与空间位置关联起来作为指纹数据之一，提高定位精度，也弥补了RSSI信息在部分位置由于行人干扰而导致的严重衰落现象。
本发明需要保护的技术方案：
本发明方法实现过程包括：
一、对RSSI数据的采集：android平台为开发者提供了丰富的API,在对WiFi进行操作时，运用了以下几个类：WifiManager、ScanResult、WifiConfiguration、WifiInfo；并添加了ACCESS_WIFI_STATE和CHANGE_WIFI_STATE的权限用于访问android设备的WiFi信息及改变WiFi状态。
在离线阶段采集RSSI、Mac地址和地磁信息。采集数据方法：首先判断手机终端WiFi是否打开，若未打开则打开WiFi功能；搜索手机端周围WiFi信号列表，若列表中存在“tongji.portal”,”China-net”，“iTongji-auto”等不稳定信号，则忽略；将列表中信号强度前三的RSSI数据、Mac地址、地磁矢量和及位置坐标存入txt文档。
二、采样数据的存储：数据以{x,y,mac1,rssi1,mac2,rssi2,mac3,rssi3,|magetic|}的向量形式存储至txt文档
三、在数据处理阶段将Mac地址转化为随机森林模型更好识别的数据类型作为模型的输入，输出为预测位置点位置坐标。
数据的预处理：将txt文档中string类型转化为csv格式的float类型数据，调用LabelEncoder.Transform函数将Mac字符串转化为int类型数据。一齐将所有数据存入mat文件中，并将数据以0.75：0.25的比例划分为training data和testing data。
四、模型的选择：本发明首先通过MATLAB建立室内路径损耗环境模型，模型表达如下：
Pr(d)＝Pt-(40+10nlogd-Gr-Gt)
其中，Pr、Pt为接收和发送功率，单位为dBm。d为发送机和接收机之间的距离，n为路径损耗指数，Gr、Gt分别为接收天线增益和发射天线增益。本次仿真中Pt取20dBm，路径损耗指数为3，并设发送和接收天线均为单位增益。
并且生成室内环境网格与每个采样点RSSI数据进行仿真。比较了K近邻法(KNN),随机森林(Random Forest，RF),支持向量机(Support Vector Machine,SVM)三种方法，选择了性能最优的RF作为模型方法。
五、模型的训练：RF是由多个决策树组成的，为了得到最优划分属性，使用信息增益进行性能评判。在实际操作过程中调用python的sklearn库中的RandomForestRegressor方法，将参数设定为n_estimators＝150,max_features＝'auto',min_samples_leaf＝1；将训练集中的位置坐标、Mac地址、RSSI、地磁矢量和输入模型中进行训练，使用测试集数据验证模型精度，现阶段所达精度为1.60m。
六、位置的预测：在某一位置点采集数据信息，导入模型中输出预测点位置坐标。
具体说明，如下：
本发明基于便于测量的RSSI数据和地磁数据作为指纹信息，实现室内定位。采用机器学习的方法提高了定位技术的精度及时效。
所述的基于android平台的数据采集app，通过过滤掉不稳定的wifi信号，如“tongji.portal”,”China-net”,”iTonji-auto”；采集稳定且固定的wifi信号来提高指纹数据库的稳定性。
所述的数据集向量形式，x，y坐标是预先在实验场地自行标记的相对位置点(非绝对坐标，经纬度)。采集数据的过程中，手动在app中的textview栏输入采样点坐标，再通过写入文件命令将输入的坐标与采到的RSSI和地磁存入txt文档。
所述的数据预处理阶段，由于随机森林模型输入数据类型无法识别float与string混杂的形式，故为增强mac地址对子区域的限定，使用LabelEncoder.Transform函数将Mac字符串转化为int类型数据.同时剔除采集过程中RSSI信号不稳定点数据，提高精确度。
所述的模型选择阶段，本发明首先通过MATLAB建立室内路径损耗环境模型，比较了K近邻法(KNN),随机森林(Random Forest，RF),支持向量机(Support Vector Machine,SVM)三种方法，在仿真环境理想状态下，3种方法所达定位精度分别为：3.23m,2.20m,2.12m；3种方法在模型训练的延迟时间分别为：25.40s,31.48s,69.13s。综合考虑，选择随机森林作为模型的具体使用方法。
所述的模型训练阶段，实验场地为同济大学智信馆七楼口字型走廊，网格大小为1.2m*1.2m，共107个采样点。每个采样点采样8次，数据采样形式为：
[position-xi,position-yi,maci1,RSSIi1,maci2,RSSIi2,maci3,RSSIi3,||magi||]
训练阶段，将数据集分为训练集和测试集，训练集用来训练模型，测试集用来测试模型精度及是否出现过拟合等现象。
随机森林是由随机形成的众多决策树集成在一起组成的“森林”，最终决策同样是根据每一棵决策树的输出据结果投票得出。如何选择最优划分属性是决策树的关键所在，在决策树中，使用信息增益来衡量属性a对样本集D进行划分所获得的“信息增益”(information gain)
其中，表示信息熵，为当前样本集合D中第k类样本所占的比例为pk；v表示样本集D中的第v子类。一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的纯度提升越大。
在python的随机森林类中，n_estimators，max_features，min_samples_leaf这三个参数最能影响定位过程的精度问题，在阶段，对于参数n_estimators(决策树个数)，从10-200，以差值为10分别赋给n_estimators，结果显示，当n_estimators＝150时，精度最高，为2.20m；对于参数max_features(最大特征数)，从0.2-1及log2，sqrt，auto，分别赋给max_features，结果显示，当max_features＝auto时，精度最高，为2.30m；对于参数min_samples_leaf(最小叶节点数)，将1，2，3，4，10，20，30，40，50，60分别赋给min_samples_leaf，结果显示，当min_samples_leaf＝1时，精度最高，为2.23m；故选择n_estimators＝150，max_features＝auto，min_samples_leaf＝1作为模型参数。现阶段，各自区域定位精度可达1.60m。
所述的位置预测阶段，在某一位置点采集数据信息，导入模型中输出预测点位置坐标。
本发明的有益效果：
(1)采用具有学习能力的机器学习方法随机森林，在离线阶段即可训练出精度较高的模型，与传统的匹配方法KNN,WKNN相比减少在线阶段遍历指纹数据库的时间；
(2)传统方法只限定于某块区域所有采样点必须采集相同AP的RSSI值实现定位，若范围过大则会造成精度为6m，无法实现定位的结果。本发明不限定区域大小，具有极强的学习能力，筛选可靠AP的RSSI数据作为指纹信息，实现定位，在此基础上依旧可以达到1.6m的精度。
本发明适用于区域较大，路由器分布范围广泛的室内环境下实现室内定位，具有高时效性、高精度性、高可靠性、长时间稳定的特点。同时融合了现阶段较为流行的两种指纹信息RSSI和地磁信息，以提高定位方法的精度。同时与传统的数据库匹配算法相比较克服了在现阶段离线数据数据库遍历的耗时。
附图说明
图1为基于RSSI和地磁融合的室内定位技术流程图
具体实施方式
本发明首先通过MATLAB建立室内路径损耗环境模型，并且生成室内环境网格与每个采样点RSSI数据进行仿真。比较了K近邻法(KNN),随机森林(Random Forest，RF),支持向量机(Support Vector Machine,SVM)三种方法，在仿真环境理想状态下，3种方法所达定位精度分别为：3.23m,2.20m,2.12m；3种方法在模型训练的延迟时间分别为：25.40s,31.48s,69.13s。综合考虑，选择随机森林作为模型的具体使用方法。在真实训练阶段，我们将实验场地107个采样点的856条数据按照0.75：0.25的比例划分为训练集和测试集进行模型的训练与测试。训练过程中提高精度是我们的目的所在，训练过程中，发现n_estimators，max_features，min_samples_leaf这三个参数对信息增益的影响最大，故主要研究了这三个参数在不同数值下对信息增益的影响，并以信息增益的大小为主要评判标准，选取信息增益最大时的数值，即n_estimators＝150，max_features＝auto，min_samples_leaf＝1作为模型的参数，其他参数采取默认值。
下面将结合说明书附图和实施例，对本发明做进一步的说明。
实验场地为同济大学智信馆七楼口字型走廊，网格大小为1.2m*1.2m，共107个采样点。离线阶段，将手机终端与分布在各处的路由器之间的信号接收强度(RSSI)、Mac地址和存在在地球各处的地磁矢量和作为指纹信息，存储为数据集。在线阶段，只需向已训练好的随机森林模型输入定位点的Mac地址、RSSI及地磁矢量和，即可得到待定位点相对位置坐标。
传统的以KNN,WKNN为基础的室内定位技术同样在离线阶段采集数据信息(仅采集RSSI数据)，但只是单纯将其存储在数据库中不做任何其他处理，在线阶段通过K近邻法遍历整个数据库从而预测待定位点位置。这种方法在面积不大且采样点较少的区域较为适用，一旦在面积大的区域采用此方法就会造成遍历数据库时间长，定位实时性低，精度低等问题。故本发明采用现阶段较为成熟的机器学习方法随机森林(Random Forest)在离线阶段输入RSSI和地磁地数据集，进行模型训练，在线阶段可实时得到定位点位置坐标。
如图1所示，基于android平台的数据采集app，通过过滤掉不稳定的wifi信号，如“tongji.portal”,”China-net”,”iTonji-auto”；采集稳定且固定的wifi信号来提高指纹数据库的稳定性。一运用了以下几个类：WifiManager、ScanResult、WifiConfiguration、WifiInfo；并添加了ACCESS_WIFI_STATE和CHANGE_WIFI_STATE的权限用于访问android设备的WiFi信息及改变WiFi状态。数据集中的x，y坐标是预先在实验场地自行标记的相对位置点(非绝对坐标，经纬度)。
采集数据的过程中，手动在app中的textview栏输入采样点坐标，再通过写入文件命令将输入的坐标与采到的RSSI和地磁以{x,y,mac1,rssi1,mac2,rssi2,mac3,rssi3,|magetic|}的向量形式存储至txt文档。
数据预处理部分，由于随机森林模型输入数据类型无法识别float与string混杂的形式，故为增强mac地址对子区域的限定，使用LabelEncoder.Transform函数将Mac字符串转化为int类型数据.同时剔除采集过程中RSSI信号不稳定点数据，提高精确度。
训练阶段调用python的sklearn库中的RandomForestRegressor方法，将参数设定为n_estimators＝150,max_features＝'auto',min_samples_leaf＝1；将training data中的location与RSSI，magnetic输入模型中进行训练，使用testing data测试模型精度，现阶段可达精度为1.60m。
预测阶段在待定位点采集数据，输入已训练好的模型中，由模型输出预测位置坐标，作为待定位点位置坐标。
Claims (3)
1.一种基于RSSI和地磁融合的室内定位方法，其特征在于，包括如下步骤：
一、对RSSI数据的采集：在离线阶段采集RSSI、Mac地址和地磁信息。采集数据方法：首先判断手机终端WiFi是否打开，若未打开则打开WiFi功能；将列表中信号强度前三的RSSI数据、Mac地址、地磁矢量和位置坐标存入txt文档；
二、采样数据的存储：数据以
{x,y,mac1,rssi1,mac2,rssi2,mac3,rssi3,|magetic|}的向量形式存储至txt文档
三、在数据处理阶段将Mac地址转化为随机森林模型更好识别的数据类型作为模型的输入，输出为预测位置点位置坐标；
数据的预处理：将txt文档中string类型转化为csv格式的float类型数据，调用LabelEncoder.Transform函数将Mac字符串转化为int类型数据；一齐将所有数据存入mat文件中，并将数据以0.75：0.25的比例划分为training data和testing data；
四、模型的选择：首先通过MATLAB建立室内路径损耗环境模型，模型表达如下：
Pr(d)＝Pt-(40+10nlogd-Gr-Gt)
其中，Pr、Pt为接收和发送功率，单位为dBm；d为发送机和接收机之间的距离，n为路径损耗指数，Gr、Gt分别为接收天线增益和发射天线增益；选择了性能最优的RF作为模型方法；
五、模型的训练：RF是由多个决策树组成的，为了得到最优划分属性，使用信息增益进行性能评判；在实际操作过程中调用python的sklearn库中的RandomForestRegressor方法，将参数设定为n_estimators＝150,max_features＝'auto',min_samples_leaf＝1；将训练集中的位置坐标、Mac地址、RSSI、地磁矢量和输入模型中进行训练；
六、位置的预测：在某一位置点采集数据信息，导入模型中输出预测点位置坐标。
2.如权利要求1所述的基于RSSI和地磁融合的室内定位方法，其特征在于，使用信息增益进行性能评判：
随机森林是由随机形成的众多决策树集成在一起组成的“森林”，最终决策是根据每一棵决策树的输出据结果投票得出；如何选择最优划分属性是决策树的关键所在，在决策树中，使用信息增益来衡量属性a对样本集D进行划分所获得的“信息增益”
其中，表示信息熵，为当前样本集合D中第k类样本所占的比例为pk；v表示样本集D中的第v子类；一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的纯度提升越大。
3.如权利要求2所述的基于RSSI和地磁融合的室内定位方法，其特征在于，在python的随机森林类中，n_estimators，max_features，min_samples_leaf这三个参数最能影响定位过程的精度问题，在阶段，对于参数n_estimators(，从10-200，以差值为10分别赋给n_estimators，结果显示，当n_estimators＝150时，精度最高，为2.20m；对于参数max_features，从0.2-1及log2，sqrt，auto，分别赋给max_features，结果显示，当max_features＝auto时，精度最高，为2.30m；对于参数min_samples_leaf，将1，2，3，4，10，20，30，40，50，60分别赋给min_samples_leaf，结果显示，当min_samples_leaf＝1时，精度最高，为2.23m；故选择n_estimators＝150，max_features＝auto，min_samples_leaf＝1作为模型参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810491979.5A CN108632753A (zh) | 2018-05-22 | 2018-05-22 | 一种基于rssi和地磁融合的室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810491979.5A CN108632753A (zh) | 2018-05-22 | 2018-05-22 | 一种基于rssi和地磁融合的室内定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108632753A true CN108632753A (zh) | 2018-10-09 |
Family
ID=63693988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810491979.5A Pending CN108632753A (zh) | 2018-05-22 | 2018-05-22 | 一种基于rssi和地磁融合的室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108632753A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111818446A (zh) * | 2020-06-02 | 2020-10-23 | 南京邮电大学 | 一种基于位置指纹的室内定位优化方法及系统 |
| CN112333625A (zh) * | 2019-11-05 | 2021-02-05 | 重庆邮电大学 | 一种基于Tensorflow的室内指纹定位方法 |
| CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN113720333A (zh) * | 2021-08-16 | 2021-11-30 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
| CN114827888A (zh) * | 2022-04-09 | 2022-07-29 | 江西师范大学 | 一种基于NB-IoT地磁的融合定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103630873A (zh) * | 2013-12-02 | 2014-03-12 | 厦门雅迅网络股份有限公司 | 融合地磁场与wifi信号的室内定位方法 |
| CN105974361A (zh) * | 2016-05-06 | 2016-09-28 | 南开大学 | 一种基于指纹段索引与WiFi-FM融合指纹的室内定位方法 |
| KR20160123790A (ko) * | 2015-04-17 | 2016-10-26 | 주식회사 피엘앤씨테크놀로지 | 센서가 구비된 비콘 및 이를 이용한 위치 추적 서비스 제공 시스템 |
| CN106211084A (zh) * | 2016-09-07 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于gsm信号的环境感知方法 |
| CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
-
2018
- 2018-05-22 CN CN201810491979.5A patent/CN108632753A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103630873A (zh) * | 2013-12-02 | 2014-03-12 | 厦门雅迅网络股份有限公司 | 融合地磁场与wifi信号的室内定位方法 |
| KR20160123790A (ko) * | 2015-04-17 | 2016-10-26 | 주식회사 피엘앤씨테크놀로지 | 센서가 구비된 비콘 및 이를 이용한 위치 추적 서비스 제공 시스템 |
| CN105974361A (zh) * | 2016-05-06 | 2016-09-28 | 南开大学 | 一种基于指纹段索引与WiFi-FM融合指纹的室内定位方法 |
| CN106211084A (zh) * | 2016-09-07 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于gsm信号的环境感知方法 |
| CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112333625A (zh) * | 2019-11-05 | 2021-02-05 | 重庆邮电大学 | 一种基于Tensorflow的室内指纹定位方法 |
| CN111818446A (zh) * | 2020-06-02 | 2020-10-23 | 南京邮电大学 | 一种基于位置指纹的室内定位优化方法及系统 |
| CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN113411741B (zh) * | 2020-10-23 | 2023-06-30 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN113720333A (zh) * | 2021-08-16 | 2021-11-30 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
| CN113720333B (zh) * | 2021-08-16 | 2023-04-28 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
| CN114827888A (zh) * | 2022-04-09 | 2022-07-29 | 江西师范大学 | 一种基于NB-IoT地磁的融合定位方法 |
| CN114827888B (zh) * | 2022-04-09 | 2022-12-23 | 江西师范大学 | 一种基于NB-IoT地磁的融合定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108632753A (zh) | 一种基于rssi和地磁融合的室内定位方法 | |
| Abedi et al. | Bluetooth and Wi-Fi MAC address based crowd collection and monitoring: Benefits, challenges and enhancement | |
| CN103068035B (zh) | 一种无线网络定位方法、装置及系统 | |
| CN105025439B (zh) | 室内定位系统及所应用的数据库、方法和装置 | |
| CN109286946B (zh) | 基于无依托定位的移动通信室内无线网络优化方法和系统 | |
| CN102883262A (zh) | 一种基于指纹匹配的Wi-Fi室内定位方法 | |
| CN110557716A (zh) | 一种基于对数正态模型的室内定位方法 | |
| CN109068272B (zh) | 相似用户识别方法、装置、设备及可读存储介质 | |
| CN105578404A (zh) | 一种定位方法及相应的终端、系统 | |
| CN106358155B (zh) | 一种射频指纹数据库的建立方法及装置 | |
| CN105916153B (zh) | 一种不依赖移动终端gps信号的定位方法 | |
| US11044613B2 (en) | Method of processing image, computer-readable storage medium recording method, and apparatus for processing image | |
| CN104335064A (zh) | 改进的三边测量处理 | |
| CN109151839A (zh) | 一种lpwa网络的网络规划方法 | |
| CN109803274A (zh) | 一种天线方位角优化方法和系统 | |
| CN112526572B (zh) | 室内外无缝导航的网络切换方法与定位系统 | |
| CN105444755B (zh) | 基于空间杂波信号的室内定位方法 | |
| CN109889975B (zh) | 一种基于NB-IoT的终端指纹定位方法 | |
| Sabri et al. | Improving indoor positioning accuracy through a Wi-Fi handover algorithm | |
| JP3458826B2 (ja) | 位置算出方法、位置算出装置及び携帯端末 | |
| Yoshida et al. | Evaluation of pre-acquisition methods for position estimation system using wireless LAN | |
| Belay et al. | Indoor localization at 5GHz using Dynamic machine learning approach (DMLA) | |
| CN105898710B (zh) | 一种基于虚拟定位节点的定位方法及装置 | |
| KR101545562B1 (ko) | 전파시간 측정정보를 활용한 단말기 위치 측위 방법 및 장치 | |
| Mallikarjun et al. | Machine Learning Based SINR Prediction in Private Campus Networks |
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: 20181009 |