CN108966165A - 一种lte分布式系统的天线故障检测方法 - Google Patents
一种lte分布式系统的天线故障检测方法 Download PDFInfo
- Publication number
- CN108966165A CN108966165A CN201810670618.7A CN201810670618A CN108966165A CN 108966165 A CN108966165 A CN 108966165A CN 201810670618 A CN201810670618 A CN 201810670618A CN 108966165 A CN108966165 A CN 108966165A
- Authority
- CN
- China
- Prior art keywords
- emd
- rsrp
- distribution
- class
- signal
- 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
- H04W4/30—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种LTE分布式系统的天线故障检测方法。首先,利用行人航迹推算和K均值聚类算法完成快速建库和空间区域的自适应划分,保证区域数据具有显著特征,从而构建区域数据库;然后,根据区域信号分布情况构建不同分布距离模型,并利用改进的Earth Mover'sDistance(EMD)距离算法完成在线实测数据与数据库间的EMD计算,完成相似区域的初步筛选;最后,通过基于EMD度量的多层分类算法实现用户的区域位置估计,并利用相关测试设备对最终定位区域进行天线的故障排查,从而找到故障天线所在位置。
Description
技术领域
本发明属于室内定位技术,具体涉及一种LTE分布式系统的天线故障检测方法。
背景技术
随着移动通信技术的快速发展,基于位置的服务得到了相关研究领域的承认。目前,GPS(Global Positioning Sysytem)等导航定位系统已经成为室外定位的主流技术,能够提供米级以下的高精度定位与导航,但由于室内环境中建筑物遮挡、信号衰减及多径效应等诸多因素的影响,导致室内定位技术发展尤为艰难,也需要更多的科研人员不断的挑战和创新。而室内定位中最具代表性的便是位置指纹定位技术。传统的位置指纹定位对接收信号有一定的要求,其中包括信号的全覆盖,相同位置信号的稳定性,不同位置信号的差异性,以及接收数据频率的多少等因素都有很大的影响,并且由于指纹数据库的建库开销依赖于参考点的标定数量,特别是在大型场馆内,指纹数据库的建库开销会急剧增加,因此位置指纹定位技术的应用也同样受到多方面的限制。
随着4G的广泛推广,DAS被广泛的部署于各大室内场景,有效地解决了通信信号室内盲点覆盖问题,大量的文献研究表明分布式天线系统具有许多优良的特性,包括更好的覆盖率、更高的频谱效率以及更加绿色节能等。同时,基于DAS的定位系统,不需要在现有的DAS系统中增加任何硬件设备,只需利用软件接收到信号即可实现定位服务,其充分满足了绿色、节能的位置服务需求。但是,DAS系统在搭建完成之后,所有天线的位置是未知的,只负责信号的发送和接收,同时所有的天线拥有相同的Mac地址,终端无法判断任意时刻信号的来源,相当于同时具有单AP与位置模糊性大的特性,此外,本发明研究的主要目的是一些大型建筑(如办公楼,商场,体育馆等)的室内分布式天线系统定期的故障检查问题,由于其获取LTE网络中的RSRP信号数据频率极低,其数据频率最高只能达到0.2Hz,无法有效实现实时的精确位置点定位。故在DAS下利用传统的指纹定位技术实现定位,将面临着极大地挑战。
为了解决上述问题,本发明提出了一种LTE分布式系统的天线故障检测方法,该方法具有训练时间短、识别速度快、区域定位准确率高等优点,极大地提高了天线的故障检测效率。
发明内容
本发明的目的是提供一种LTE分布式系统的天线故障检测方法。它能在没有基础设施的附加布局,信号接收频率只有0.2Hz的情况下,实现用户终端的区域定位,以提高天线的故障检测效率。
本发明所述的一种LTE分布式系统的天线故障检测方法,具体包括以下步骤:
步骤一、根据实验场景,确定可行走区域和不可达区域,完成关键行走路径规划,并利用测试设备采集目标区域内关键路径的N条参考信号接收功率(Reference SignalReceiving Power,RSRP)序列,记为RSRP1,RSRP2,...,RSRPN,其中,第i条RSRP序列RSRPi(1≤i≤N)具体表示为Ki为第i条RSRP序列共有Ki时刻,同时记录对应MEMS数据;
步骤二、针对每条路径,标定起点B0=(x0,y0),利用MEMS数据通过扩展卡尔曼滤波算法解算出任意时刻的速度vi和航向θi,然后根据行人航迹推算方法获得任意时刻行走距离di=viti,以及t时刻的位置Bt=(xt,yt),即:
步骤三、将获得的所有位置坐标和对应的RSRP信号一一映射,构建指纹数据库databas,e具体表示为:databasei=(RSRPi,Locationi),(1≤i≤l),即:
步骤四、将每个房间作为一个子区域,对走廊环境利用k均值聚类算法完成指纹库所有RSRP信号聚类,找到合适的子区域边界,实现空间区域的自动划分;
步骤五、根据子区域边界,进行区域编号D=(d1,d2,...,dk),并提取每个区域对应的所有位置的RSRP信号ri=(rsrpi1,rsrpi2,...,rsrpim)(1≤i≤k,1≤m≤l),构建区域数据库,可表示为:
其中,di为第i个区域号,ri为第i个区域对应的所有信号强度值;
步骤六、获取在线测试的MR区域数据,根据用户身份标识确定同一用户数据sj,构建分布距离模型,计算sj与区域数据库中每一区域ri的EMD,所述步骤六包括以下步骤:
步骤六(一)、将任意两个区域信号进行分布统计,记为分布P和Q,为了获得P到Q所需总运输工作量,设定cij为Pi到Qj的单位距离,fij为Pi和Qj之间的流量,WP为分布P的总量,WQ为分布Q的总量,当WP=WQ时,P和Q间的总流量确定,建立分布距离模型,本方法中称为分布平衡模型,表示如下:
步骤六(二)、当WP>WQ时,建立新的分布距离模型,转化过程为直接在分布平衡表中添加一列Qn+1,对应运量为但是其对应的单位距离全部为0,此时已转化为分布平衡模型,表示如下:
步骤六(三)、当分布P的总量小于分布Q的总量时,同样建立新的分布距离模型,转化过程相当于直接在分布平衡表中添加一行pm+1,对应运量为其对应的单位距离也全部为0,此时已转化为分布平衡模型,表示如下:
步骤六(四)、以上分布情况均转化为分布平衡模型,然后建立m×n维的分布平衡表和单位距离表,并根据表上作业法获取分布P到分布Q的初始可行方案;
步骤六(五)、在分布平衡表中添加一列u和一行v,ui(1≤i≤m)和vj(1≤j≤n)分别称为第i行和第j列的位势,且cij=ui+vj,任意给定其中一个值,根据递推方式确定所有位势值;
步骤六(六)、设非基变量的检验数为λij,则:λij=cij-(ui+vj),如果所有检验数λij都大于等于0,该方案为最优,否则利用闭回路调整法进行调整,并迭代重复获取最优解;
步骤七、对计算出的EMD进行升序排列,获得{EMDmin,EMDmin+1,…,EMDmax},提取前p个对应的区域数据,获得新的子区域数据库,标记为:
其中,di′(1≤i≤p)为重新标记的区域编号,ri′(1≤i≤p)为di′对应所有信号;
步骤八、针对子区域数据库T1,构建基于EMD度量的SVM多层分类模型,完成子区域数据库的训练学习,获得多个判决函数,所述步骤九包括以下步骤:
步骤八(一)、根据步骤六,计算子区域库T1中任意两区域信号间的EMD,进行升序排列,获得{EMDmin,EMDmin+1,…,EMDmax},将最小EMD所对应的两区域进行合并为类class1;
步骤八(二)、再计算class1与其他区域类的EMD,进行降序排列,获得与class1的EMD最大的类,标记为类class2;
步骤八(三)、分别对类class1和类class2重复计算与其他区域的EMD,不断地找到与之EMD最小的类,并合并为同一类,直到类class1和类class2能完全聚合其他所有区域;
步骤八(四)、选择合理的参数和核函数,利用非线性SVM分类器获取最优超平面w*·x+b*=0,将class1和class2有效分开;
步骤八(五)、分别对类class1和类class2不断执行以上四个步骤,将它们继续二分,直到最后获得的类中只包含单一区域,至此,子区域数据库训练完成;
步骤九、将实测数据sj中的每个RSRP信号依次通过第一个判决函数进行分类,并统计所有信号点判决结果,通过投票方式获得第一次分类结果;
步骤十、依次重复进行所有判决函数的分类和投票,直到分类结果只包含一个确定区域为止,最后将此区域作为最终区域定位结果输出;
步骤十一、测试人员在最终的定位区域利用相关测试设备依次进行故障排查,从而确定故障天线所在位置。
有益效果
本发明首先在离线阶段采集所有路径的RSRP序列,并通过行人航迹推算方法完成快速建库,其次,根据实验场景的信号特征,利用K均值聚类算法有效实现区域自适应划分,以保证区域数据具有明显的特征;然后,根据区域信号分布情况构建不同分布距离模型,以完成区域数据的EMD计算;最后,在线阶段采集区域RSRP信号,并通过基于EMD度量的多层分类的区域定位算法实现用户的区域位置估计,并通过定位区域的故障排查实现天线的故障检测。本发明利用室内现有的分布式天线,在没有基础设施的附加布局和接收信号频率只有0.2Hz下,能够实现较高准确率的室内区域定位。本发明能够运用于各个大型的室内场景下天线的故障检测,并有效降低建库时间和硬件设备的成本开销。
附图说明
图1为本发明中步骤一至步骤十一的流程图,其中,RSRP为采集的参考信号接收功率值,MEMS为微机电系统,Location为对应坐标,SVM为支持向量机;
图2为实验环境图;
图3a至3d为不同k取值下,利用指纹数据库的RSRP信号进行空间自适应区域划分的的聚类结果示意图,k的取值根据实际应用而定;
图4a和4b分别为选取的一个房间区域的测试数据下,所对应的分类超平面和联合分类结果示意图;
图5a和5b分别为选取的一个走廊区域的测试数据下,所对应的分类超平面和联合分类结果示意图;
图6为实验环境中,分两个相邻楼层进行10次测试,每次测试随机选取若干个区域,统计的区域定位准确率结果示意图。其中,每层楼选择相同的测试区域。
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LTE分布式系统的天线故障检测方法,具体包含以下步骤:
步骤一、根据实验场景,确定可行走区域和不可达区域,完成关键行走路径规划,并利用测试设备采集目标区域内关键路径的N条参考信号接收功率(Reference SignalReceiving Power,RSRP)序列,记为RSRP1,RSRP2,...,RSRPN,其中,第i条RSRP序列RSRPi(1≤i≤N)具体表示为Ki为第i条RSRP序列共有Ki时刻,同时记录对应MEMS数据;
步骤二、针对每条路径,标定起点B0=(x0,y0),利用MEMS数据通过扩展卡尔曼滤波算法解算出任意时刻的速度vi和航向θi,然后根据行人航迹推算方法获得任意时刻行走距离di=viti,以及t时刻的位置Bt=(xt,yt),即:
步骤三、将获得的所有位置坐标和对应的RSRP信号一一映射,构建指纹数据库databas,e具体表示为:databasei=(RSRPi,Locationi),(1≤i≤l),即:
步骤四、将每个房间作为一个子区域,对走廊环境利用k均值聚类算法完成指纹库所有RSRP信号聚类,找到合适的子区域边界,实现空间区域的自动划分;
步骤五、根据子区域边界,进行区域编号D=(d1,d2,...,dk),并提取每个区域对应的所有位置的RSRP信号ri=(rsrpi1,rsrpi2,...,rsrpim)(1≤i≤k,1≤m≤l),构建区域数据库,可表示为:
其中,di为第i个区域号,ri为第i个区域对应的所有信号强度值;
步骤六、获取在线测试的MR区域数据,根据用户身份标识确定同一用户数据sj,构建分布距离模型,计算sj与区域数据库中每一区域ri的EMD,所述步骤六包括以下步骤:
步骤六(一)、将任意两个区域信号进行分布统计,记为分布P和Q,为了获得P到Q所需总运输工作量,设定cij为Pi到Qj的单位距离,fij为Pi和Qj之间的流量,WP为分布P的总量,WQ为分布Q的总量,当WP=WQ时,P和Q间的总流量确定,建立分布距离模型,本方法中称为分布平衡模型,表示如下:
步骤六(二)、当WP>WQ时,建立新的分布距离模型,转化过程为直接在分布平衡表中添加一列Qn+1,对应运量为但是其对应的单位距离全部为0,此时已转化为分布平衡模型,表示如下:
步骤六(三)、当分布P的总量小于分布Q的总量时,同样建立新的分布距离模型,转化过程相当于直接在分布平衡表中添加一行pm+1,对应运量为其对应的单位距离也全部为0,此时已转化为分布平衡模型,表示如下:
步骤六(四)、以上分布情况均转化为分布平衡模型,然后建立m×n维的分布平衡表和单位距离表,并根据表上作业法获取分布P到分布Q的初始可行方案;
步骤六(五)、在分布平衡表中添加一列u和一行v,ui(1≤i≤m)和vj(1≤j≤n)分别称为第i行和第j列的位势,且cij=ui+vj,任意给定其中一个值,根据递推方式确定所有位势值;
步骤六(六)、设非基变量的检验数为λij,则:λij=cij-(ui+vj),如果所有检验数λij都大于等于0,该方案为最优,否则利用闭回路调整法进行调整,并迭代重复获取最优解;
步骤七、对计算出的EMD进行升序排列,获得{EMDmin,EMDmin+1,…,EMDmax},提取前p个对应的区域数据,获得新的子区域数据库,标记为:
其中,di′(1≤i≤p)为重新标记的区域编号,ri′(1≤i≤p)为di′对应所有信号;
步骤八、针对子区域数据库T1,构建基于EMD度量的SVM多层分类模型,完成子区域数据库的训练学习,获得多个判决函数,所述步骤九包括以下步骤:
步骤八(一)、根据步骤六,计算子区域库T1中任意两区域信号间的EMD,进行升序排列,获得{EMDmin,EMDmin+1,…,EMDmax},将最小EMD所对应的两区域进行合并为类class1;
步骤八(二)、再计算class1与其他区域类的EMD,进行降序排列,获得与class1的EMD最大的类,标记为类class2;
步骤八(三)、分别对类class1和类class2重复计算与其他区域的EMD,不断地找到与之EMD最小的类,并合并为同一类,直到类class1和类class2能完全聚合其他所有区域;
步骤八(四)、选择合理的参数和核函数,利用非线性SVM分类器获取最优超平面w*·x+b*=0,将class1和class2有效分开;
步骤八(五)、分别对类class1和类class2不断执行以上四个步骤,将它们继续二分,直到最后获得的类中只包含单一区域,至此,子区域数据库训练完成;
步骤九、将实测数据sj中的每个RSRP信号依次通过第一个判决函数进行分类,并统计所有信号点判决结果,通过投票方式获得第一次分类结果;
步骤十、依次重复进行所有判决函数的分类和投票,直到分类结果只包含一个确定区域为止,最后将此区域作为最终区域定位结果输出;
步骤十一、测试人员在最终的定位区域利用相关测试设备依次进行故障排查,从而确定故障天线所在位置。
Claims (3)
1.一种LTE分布式系统的天线故障检测方法,其特征在于,包含以下步骤:
步骤一、根据实验场景,确定可行走区域和不可达区域,完成关键行走路径规划,并利用测试设备采集目标区域内关键路径的N条参考信号接收功率(Reference SignalReceiving Power,RSRP)序列,记为RSRP1,RSRP2,...,RSRPN,其中,第i条RSRP序列RSRPi(1≤i≤N)具体表示为Ki为第i条RSRP序列共有Ki时刻,同时记录对应MEMS数据;
步骤二、针对每条路径,标定起点B0=(x0,y0),利用MEMS数据通过扩展卡尔曼滤波算法解算出任意时刻的速度vi和航向θi,然后根据行人航迹推算方法获得任意时刻行走距离di=viti,以及t时刻的位置Bt=(xt,yt),即:
步骤三、将获得的所有位置坐标和对应的RSRP信号一一映射,构建指纹数据库database,具体表示为:databasei=(RSRPi,Locationi),(1≤i≤l),即:
步骤四、将每个房间作为一个子区域,对走廊环境利用k均值聚类算法完成指纹库所有RSRP信号聚类,找到合适的子区域边界,实现空间区域的自动划分;
步骤五、根据子区域边界,进行区域编号D=(d1,d2,...,dk),并提取每个区域对应的所有位置的RSRP信号ri=(rsrpi1,rsrpi2,...,rsrpim)(1≤i≤k,1≤m≤l),构建区域数据库,可表示为:
其中,di为第i个区域号,ri为第i个区域对应的所有信号强度值;
步骤六、获取在线测试的MR区域数据,根据用户身份标识确定同一用户数据sj,构建分布距离模型,计算sj与区域数据库中每一区域ri的Earth Mover's Distance(EMD);
步骤七、对计算出的EMD进行升序排列,获得{EMDmin,EMDmin+1,…,EMDmax},提取前p个对应的区域数据,获得新的子区域数据库,标记为:
其中,di′(1≤i≤p)为重新标记的区域编号,ri′(1≤i≤p)为di′对应所有信号;
步骤八、针对子区域数据库T1,构建基于EMD度量的SVM多层分类模型,完成子区域数据库的训练学习,获得多个判决函数;
步骤九、将实测数据sj中的每个RSRP信号依次通过第一个判决函数进行分类,并统计所有信号点判决结果,通过投票方式获得第一次分类结果;
步骤十、依次重复进行所有判决函数的分类和投票,直到分类结果只包含一个确定区域为止,最后将此区域作为最终区域定位结果输出;
步骤十一、测试人员在最终的定位区域利用相关测试设备依次进行故障排查,从而确定故障天线所在位置。
2.根据权利要求1所述的一种LTE分布式系统的天线故障检测方法,其特征在于,所述步骤六包括以下步骤:
步骤六(一)、将任意两个区域信号进行分布统计,记为分布P和Q,为了获得P到Q所需总运输工作量,设定cij为Pi到Qj的单位距离,fij为Pi和Qj之间的流量,WP为分布P的总量,WQ为分布Q的总量,当WP=WQ时,P和Q间的总流量确定,建立分布距离模型,本方法中称为分布平衡模型,表示如下:
步骤六(二)、当WP>WQ时,建立新的分布距离模型,转化过程为直接在分布平衡表中添加一列Qn+1,对应运量为但是其对应的单位距离全部为0,此时已转化为分布平衡模型,表示如下:
步骤六(三)、当分布P的总量小于分布Q的总量时,同样建立新的分布距离模型,转化过程相当于直接在分布平衡表中添加一行pm+1,对应运量为其对应的单位距离也全部为0,此时已转化为分布平衡模型,表示如下:
步骤六(四)、以上分布情况均转化为分布平衡模型,然后建立m×n维的分布平衡表和单位距离表,并根据表上作业法获取分布P到分布Q的初始可行方案;
步骤六(五)、在分布平衡表中添加一列u和一行v,ui(1≤i≤m)和vj(1≤j≤n)分别称为第i行和第j列的位势,且cij=ui+vj,任意给定其中一个值,根据递推方式确定所有位势值;
步骤六(六)、设非基变量的检验数为λij,则:λij=cij-(ui+vj),如果所有检验数λij都大于等于0,该方案为最优,否则利用闭回路调整法进行方案调整,并迭代重复获取最优解。
3.根据权利要求1或2所述的一种LTE分布式系统的天线故障检测方法,其特征在于,所述步骤八包括以下步骤:
步骤八(一)、根据步骤六,计算子区域库T1中任意两区域信号间的EMD,进行升序排列,获得{EMDmin,EMDmin+1,…,EMDmax},将最小EMD所对应的两区域进行合并为类class1;
步骤八(二)、再计算class1与其他区域类的EMD,进行降序排列,获得与class1的EMD最大的类,标记为类class2;
步骤八(三)、分别对类class1和类class2重复计算与其他区域的EMD,不断地找到与之EMD最小的类,并合并为同一类,直到类class1和类class2能完全聚合其他所有区域;
步骤八(四)、选择合理的参数和核函数,利用非线性SVM分类器获取最优超平面w*·x+b*=0,将class1和class2有效分开;
步骤八(五)、分别对类class1和类class2不断执行以上四个步骤,将它们继续二分,直到最后获得的类中只包含单一区域,至此,子区域数据库训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810670618.7A CN108966165A (zh) | 2018-06-26 | 2018-06-26 | 一种lte分布式系统的天线故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810670618.7A CN108966165A (zh) | 2018-06-26 | 2018-06-26 | 一种lte分布式系统的天线故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108966165A true CN108966165A (zh) | 2018-12-07 |
Family
ID=64486807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810670618.7A Pending CN108966165A (zh) | 2018-06-26 | 2018-06-26 | 一种lte分布式系统的天线故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108966165A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002671A (zh) * | 2022-07-28 | 2022-09-02 | 深圳市弘毅云佳科技有限公司 | 一种蓝牙定位的系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102883360A (zh) * | 2012-10-30 | 2013-01-16 | 无锡儒安科技有限公司 | 一种室内无线全向被动用户检测的方法及系统 |
CN107421527A (zh) * | 2017-07-17 | 2017-12-01 | 中山大学 | 一种基于磁场信息与运动传感器的室内定位方法 |
-
2018
- 2018-06-26 CN CN201810670618.7A patent/CN108966165A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102883360A (zh) * | 2012-10-30 | 2013-01-16 | 无锡儒安科技有限公司 | 一种室内无线全向被动用户检测的方法及系统 |
CN107421527A (zh) * | 2017-07-17 | 2017-12-01 | 中山大学 | 一种基于磁场信息与运动传感器的室内定位方法 |
Non-Patent Citations (1)
Title |
---|
李玲霞,郭可可,田增山,周牧: "基于相关性测序的TD-LTE分布式系统室内定位算法", 《电子与信息学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002671A (zh) * | 2022-07-28 | 2022-09-02 | 深圳市弘毅云佳科技有限公司 | 一种蓝牙定位的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106792465B (zh) | 一种基于众包指纹的室内指纹地图构建方法 | |
CN103197280B (zh) | 一种基于射频信号强度的ap位置估计方法 | |
CN103747524B (zh) | 一种基于云平台的Android终端室内定位方法 | |
CN103905992B (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
CN109275095B (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
CN104185275B (zh) | 一种基于wlan的室内定位方法 | |
CN107580313B (zh) | 结合蓝牙Beacon与智能手机的室内定位系统及其定位方法 | |
CN105338498A (zh) | 一种WiFi室内定位系统中指纹库的构建方法 | |
CN113596989B (zh) | 一种用于智慧车间的室内定位方法及系统 | |
CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN111698774B (zh) | 基于多源信息融合的室内定位方法及装置 | |
Guo et al. | WiMag: Multimode fusion localization system based on Magnetic/WiFi/PDR | |
CN109041206A (zh) | 一种基于改进模糊核聚类的室内定位楼层判别方法 | |
CN103987118B (zh) | 基于接收信号强度信号ZCA白化的接入点k‑means聚类方法 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位系统 | |
CN104780606A (zh) | 基于无线局域网的室内定位系统及方法 | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
Li et al. | Location estimation in large indoor multi-floor buildings using hybrid networks | |
CN110290455A (zh) | 基于场景识别的目标场景确定方法及系统 | |
CN105044659B (zh) | 基于环境光谱指纹的室内定位装置及方法 | |
CN108616836A (zh) | 一种基于信号统计分布的wlan定位组网方法 | |
CN109151716A (zh) | 一种基于iBeacon的优选信标节点的室内定位方法 | |
CN108632763A (zh) | 一种基于WiFi指纹的室内定位加权K近邻方法 | |
CN104683953A (zh) | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |
|
WD01 | Invention patent application deemed withdrawn after publication |