CN109040948A - 一种位置候选集合生成方法及其高精度融合定位方法 - Google Patents

一种位置候选集合生成方法及其高精度融合定位方法 Download PDF

Info

Publication number
CN109040948A
CN109040948A CN201810566349.XA CN201810566349A CN109040948A CN 109040948 A CN109040948 A CN 109040948A CN 201810566349 A CN201810566349 A CN 201810566349A CN 109040948 A CN109040948 A CN 109040948A
Authority
CN
China
Prior art keywords
candidate
positioning
fingerprint
rss
position candidate
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.)
Granted
Application number
CN201810566349.XA
Other languages
English (en)
Other versions
CN109040948B (zh
Inventor
郭贤生
朱世林
李林
段林甫
万群
沈晓峰
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.)
Nantong Xingruipulian Technology Co ltd
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810566349.XA priority Critical patent/CN109040948B/zh
Publication of CN109040948A publication Critical patent/CN109040948A/zh
Application granted granted Critical
Publication of CN109040948B publication Critical patent/CN109040948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种位置候选集合生成方法及其高精度融合定位方法，一种位置候选集合生成方法的步骤为先对待定位区域构建离线指纹库，基于离线指纹库离线训练指纹分类器，获取待定位目标附近AP的RSS值，得到实时的RSS向量，根据每个分类器对实测数据的格点位置预测概率矢量选取概率较大的多个位置估计构造位置候选集合，一种基于位置候选集合的高精度融合定位方法步骤为：根据位置候选集合生成方法生成的位置候选集得到候选结果，建立目标函数的优化模型；根据建立的优化模型，交替进行权值更新和位置更新直至达到收敛条件，完成位置候选集融合，得到目标定位。本发明相比于已有方法是一种定位精度高、实用性强且能满足实时融合定位的室内定位方法。

Description

一种位置候选集合生成方法及其高精度融合定位方法
技术领域
本发明属于室内定位技术领域，具体涉及利用多机器学习方法进行融合的一种基于候选位置集合的高精度融合定位方法。
背景技术
随着移动互联网和普适计算的发展，人们对基于位置的服务需求越来越高，如室内导航、自动泊车、商场管理、智慧城市等。在大数据技术飞速发展得背景下，基于位置的服务越来越扮演十分重要的作用。近年来，基于WiFi的室内定位系统成为室内定位领域的研究热点，WiFi定位具有设备成本低、不用专门部署、无需增加额外定位设备等优点。然而在室内环境中，受多径、遮蔽、环境变化等效应的影响，接收信号强度RSS波动较大，使得基于RSS的室内定位系统精度不高。近几年，不少学者提出了一些融合定位方法，在不需要设备改动的情况下，可以提高现有定位算法的定位精确性和稳健性。
文献[1].Gwon Y，Jain R，Kawahara T.Robust indoor location estimation ofstationary andmobile users.INFOCOM 2004.Twenty-third AnnualJoint Conferenceof the IEEE Computer and Communications Societies.IEEE，2004，2∶1032-1043.提出了一种基于最小均方误差Minimum Mean Square Error，MMSE准则的多源融合权值估计方法，利用额外的训练数据，根据MMSE准则，分别优化估计目标和的融合权值。该方法的计算复杂度较低，但存在以下问题：1)估计权值需要额外的数据集，增加了建立指纹库的负担；2)所有格点的权值都相同，无法满足环境自适应变换情况；3)权值训练在离线进行，无法实时融合定位。
文献[2].Fang S H，Hsu Y T，Kuo W H.Dynamic fingerprinting combinationfor improved mobile localization[J].IEEE Transactions on WirelessCommunications，2011，10(12)：4018-4022.提出了一种局部加权的融合定位方法。该方法利用额外的离线数据集，通过最小化单个格点上的平均定位误差，训练每个格点位置的权值；在线定位阶段，利用欧式距离准则把在线数据和离线数据进行匹配，选取合适的权值进行加权融合得到最终的定位结果。该方法在不同的区域给每个指纹函数分配不同的权值，具有较强的适应性，但该方法也是属于离线权值训练范畴，无法解决实时融合定位问题。
文献[3].Li B，Wang Y，Lee H K，et al.Method for yielding a database oflocation fingerprints in WLAN[J].IEE Proceedings-Communications，2005，152(5)：580-586.提出了一种加权K近邻(WKNN)的融合定位方法，在定位阶段，通过计算在线测试样本和离线指纹之间的欧氏距离选出K个离线样本，并通过加权求和K个离线样本对应的位置获取最终的目标位置估计。所分配的权值为前述欧式距离的倒数。该方法虽可解决实时融合定位问题，但该方法对指纹信息的利用率较低，定位精度不高。
发明内容
本发明的目的在于：解决目前融合定位方法不能同时满足定位精度高、适应性强且能实时融合定位的问题，提出定位精度高、实用性强且能满足实时融合定位的一种位置候选集合生成方法和基于该种位置候选集合生成方法的高精度融合定位方法，本发明中位置候选集合生成方法不需要先验知识，自动确定候选位置的数量，效率高，且具有较强的容错空间，对环境的稳健性好，定位精度高，基于该种位置候选集合生成方法的高精度融合定位方法相比于已有方法，该方法仅通过在线数据进行权值估计，减少了对指纹数据库的依赖，自适应地分配权值，对位置候选集进行加权融合，得到了更高的定位精度，同时减少了建立指纹库的负担。
本发明采用的技术方案如下：
一种位置候选集合生成方法，方法步骤包括：
步骤(1)、获取待定位区域各个格点的AP的RSS值和格点坐标，构建离线指纹库D；
步骤(2)、基于离线指纹库D，离线训练指纹分类器；
步骤(3)、获取待定位目标附近AP的RSS值，得到实时的RSS向量；
步骤(4)、利用步骤(2)训练好的多个指纹分类器对实时RSS向量进行格点位置预测，输出待定位目标所属格点的概率；
步骤(5)、将每个输出的概率排序，找出概率下降最快位置以前的格点位置作为候选位置，依次确定每个指纹分类器的候选位置的集和，合并得到位置候选集合。
进一步，所述步骤(1)具体为：
步骤(11)、在待定位区域划分为多个格点，并部署多个AP；
步骤(12)、依次在各个格点中扫描各AP的RSS，保存各个格点的RSS值和格点二维坐标，构建离线指纹库D。
进一步，所述步骤(2)是基于离线指纹库D，利用M个不同的机器学习算法，分别训练对应的指纹分类器，记为fm(D)，(m＝1，2，…，M)，其中M≥1。
进一步，所述步骤(3)具体为：在目标位置扫描L个AP的RSS得到实时的RSS矢量
进一步，所述步骤(5)中依次确定每个指纹分类器的候选位置的集和采用对每个分类器取Hm且Hm≥1个概率最高的位置预测作为指纹分类器的候选位置的集合，得到的位置候选集合为：
其中，是第m个分类器输出的候选位置标号，g(□)：□1→□2是将位置标号转换为二维坐标的映射函数，A为M×2的矩阵，M≥1.
一种基于候选位置集合的高精度融合定位方法，方法步骤包括：
步骤(1)、根据前面所述的一种位置候选集合生成方法生成的位置候选集得到候选结果，建立目标函数的优化模型；
步骤(2)、根据建立的优化模型，交替进行权值更新和位置更新直至达到收敛条件，完成位置候选集融合，得到目标定位。
进一步，所述步骤(1)中根据位置候选集得到M个候选结果，建立目标函数的优化模型如下：
其中，z＝[x，y]T为目标位置，是第i个候选位置，w＝[w1，w2，…，wM]T是权值向量，||·||2代表二范数。
进一步，所述步骤(2)中在交替进行权值更新和位置更新直至达到收敛条件前还包括设定位置初始值z(0)步骤，z(0)可为随机值和位置候选集合的平均值中的任意一种。
进一步，所述步骤(2)中权值更新过程为：在第t次权值w(t)更新过程中，第t-1次的位置估计z(t-l)已知，此时目标函数为等式约束型目标函数，通过拉格朗日乘子法进行求解得到第i个候选位置，第t次更新的权值wi (t)表达式；
位置更新过程为：在第t次位置z(t)更新过程中，第t次权值w(t)已知，此时的目标函数为无约束的可微凸函数，通过求解偏导数求解得到第t次位置z(t)的表达式。
进一步，所述步骤(2)中收敛条件设置为：其中ε为一个较小的常数，z(t-1)为第t-1次的位置估计，z(t)为第t次的位置估计。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，位置候选集合生成方法不需要先验知识，自动确定候选位置的数量，效率高，且具有较强的容错空间，对由人走动/门窗关闭及硬件差异等引起的时变环境具有较好的稳健性，可在无需指纹库矫正的基础上获取较高的定位精度，基于该种位置候选集合生成方法的高精度融合定位方法相比于已有方法，该方法仅通过在线数据进行权值估计，无需离线训练和存储权值，减少了对指纹数据库的依赖和离线的指纹库建库和存储负担，自适应地分配权值，对位置候选集进行加杈融合，得到了更高的定位精度，同时减少了建立指纹库的负担；
2、本发明中利用M且M≥1个不同的机器学习算法，分别训练对应的指纹分类器，多分类器联合预测结果提高了对指纹信息的利用能力，而多分类器预测结果也为后续的高精度融合提高了丰富的信息模板；
3、本发明中对每个分类器取Hm且Hm≥1个概率最高的位置预测作为指纹分类器的候选位置的集和，适当地增加Hm可以增大候选集合对真实坐标的覆盖率；
4、本发明中在交替进行权值更新和位置更新直至达到收敛条件前还包括设定位置初始值z(0)步骤，z(0)可为随机值和位置候选集合的平均值中的任意一种，设置位置初始值z(0)可以加快收敛。
附图说明
图1为本发明定位方法流程示意图；
图2为本发明实施例一种不同算法的定位误差柱状图；
图3为本发明实施例累计定位误差百分比折线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种位置候选集合生成方法，方法步骤包括：
步骤(1)、获取待定位区域各个格点的AP的RSS值和格点坐标，构建离线指纹库D。所述步骤(1)具体为：
步骤(11)、在待定位区域划分为G个格点，每个格点有唯一的标号k，(k＝1，2，...，G)，并部署L个AP；
步骤(12)、依次在各个格点中扫描各AP的RSS，令为在第k个格点上扫描到的第l个AP的第n个RSS值，则在第k个格点、第n次采样得到的RSS样本矢量为：
假设在每个格点共采集N次RSS指纹，则第k个格点的指纹为：
Dk＝[rk(1)，rk(2)，...，rk(N)]T
依次保存G个格点的RSS值和格点二维坐标，格点二维坐标为zk＝[xk，yk]T，构建最终的指纹矩阵即离线指纹库D为：
D＝[D1，D2，…，DG]。
步骤(2)、基于离线指纹库D，离线训练多个指纹分类器。
进一步，所述步骤(2)是基于离线指纹库D，利用M个不同的机器学习算法，分别训练对应的指纹分类器，记为fm(D)，(m＝1，2，…，M)，其中M≥1。多分类器联合预测结果提高了对指纹信息的利用能力，而多分类器预测结果也为后续的高精度融合提高了丰富的信息模板。
步骤(3)、扫描获取待定位目标附近L个AP的RSS值，得到实时的RSS向量
步骤(4)、利用步骤(2)训练好的多个指纹分类器对实时RSS矢量进行格点位置预测，输出待定位目标所属格点的概率，概率矢量为：
其中pmk代表第m个分类器预测目标在第k个格点位置上的概率。
步骤(5)、将每个输出的概率排序，找出概率下降最快位置以前的格点位置作为候选位置，依次确定每个指纹分类器的候选位置的集和，合并得到位置候选集。
优选地，所述步骤(5)中依次确定每个指纹分类器的候选位置的集和采用对每个分类器取Hm且Hm≥1个概率最高的位置预测作为指纹分类器的候选位置的集合，适当地增加Hm可以增大候选集合对真实坐标的覆盖率，过大的Hm会引入额外的噪声。得到的位置候选集合为：
其中，是第m个分类器输出的候选位置标号，g(□)：□1→□2是将位置标号转换为二维坐标的映射函数，A为M×2的矩阵，M≥1.
一种基于候选位置集合的高精度融合定位方法，方法步骤包括：
步骤(1)、根据前面所述的一种位置候选集合生成方法生成的位置候选集得到候选结果，建立目标函数的优化模型。
所述步骤(1)中根据位置候选集得到M个候选结果，建立目标函数的优化模型如下：
其中，z＝[x，y]T为目标位置，是第i个候选位置，w＝[w1，w2，…，wM]T是权值向量，||·||2代表二范数。目标函数的优化模型公式中的包含两组变量，且目标函数是可微凸函数，通过块坐标下降法可以进行求解。
步骤(2)、根据建立的优化模型，交替进行权值更新和位置更新直至达到收敛条件，完成位置候选集融合，得到目标定位。
进一步，所述步骤(2)中在交替进行权值更新和位置更新直至达到收敛条件前还包括设定位置初始值z(0)步骤，z(0)可为随机值和位置候选集合的平均值中的任意一种，以加快收敛。
进一步，所述步骤(2)中权值更新过程为：在第t次权值w(t)更新过程中，第t-1次的位置估计z(t-1)已知，此时目标函数为等式约束型目标函数，通过拉格朗日乘子法进行求解得到第i个候选位置，第t次更新的权值wi (t)表达式为：
位置更新过程为：在第t次位置z(t)更新过程中，第t次权值w(t)已知，此时的目标函数为无约束的可微凸函数，通过求解偏导数求解得到第t次位置z(t)的表达式为：
进一步，所述步骤(2)中收敛条件设置为：其中ε为一个较小的常数，z(t-l)为第t-1次的位置估计，z(t)为第t次的位置估计。
本发明中，位置候选集合生成方法不需要先验知识，自动确定候选位置的数量，效率高，且具有较强的容错空间，对由人走动/门窗关闭及硬件差异等引起的时变环境具有较好的稳健性，可在无需指纹库矫正的基础上获取较高的定位精度，基于该种位置候选集合生成方法的高精度融合定位方法相比于已有方法，该方法仅通过在线数据进行权值估计，无需离线训练和存储权值，减少了对指纹数据库的依赖和离线的指纹库建库和存储负担，自适应地分配权值，对位置候选集进行加权融合，得到了更高的定位精度，同时减少了建立指纹库的负担。
实施例1
一种位置候选集合生成方法及一种基于候选位置集合的高精度融合定位方法，待定位区域为电子科技大学创新中心一典型办公室环境，面积约1460平方米，被L＝9AP覆盖，共划分为G＝175个格点，每个格点采集N＝30组数据，构建离线指纹库。每个格点的测试样本数为10，利用均方根定位误差作为定位性能的衡量指标对本发明提出的方法进行验证，参数ε＝10-3。初始位置估计z(0)选取为候选集中所有位置的均值。选择SVM，MLP，KNN及LR作为M＝4种分类器进行测试。
验证结果如图2和图3所示。从图2和图3中可以看出：技术背景中所提DFC方法定位精度为3.11米，MMSE方法定位精度为3.19米，KWNN方法定位精度为2.95m。本发明所提出方法平均定位精度为2.60米，相比DFC，MMSE及KWNN方法，本专利方法的定位精度得到显著提升，且远高于SVM，MLP，KNN及LR中任何一个单分类器的定位精度。上述结果表明，本发明所提出的方法，是一种精度高、稳定性好的实时融合定位方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种位置候选集合生成方法，其特征在于：方法步骤包括：
步骤(1)、获取待定位区域各个格点的AP的RSS值和格点坐标，构建离线指纹库D；
步骤(2)、基于离线指纹库D，离线训练指纹分类器；
步骤(3)、获取待定位目标附近AP的RSS值，得到实时的RSS向量；
步骤(4)、利用步骤(2)训练好的多个指纹分类器对实时RSS向量进行格点位置预测，输出多个待定位目标所属格点的概率；
步骤(5)、将每个输出的概率排序，找出概率下降最快位置以前的格点位置作为候选位置，依次确定每个指纹分类器的候选位置的集和，合并得到位置候选集。
2.根据权利要求1所述的一种位置候选集合生成方法，其特征在于：所述步骤(1)具体为：
步骤(11)、在待定位区域划分为多个格点，并部署多个AP；
步骤(12)、依次在各个格点中扫描各AP的RSS，保存各个格点的RSS值和格点二维坐标，构建离线指纹库D。
3.根据根据权利要求1所述的一种位置候选集合生成方法，其特征在于：所述步骤(2)是基于离线指纹库D，利用M个不同的机器学习算法，分别训练对应的指纹分类器，记为fm(D)，(m＝1，2，…，M)，其中M≥1。
4.根据根据权利要求1所述的一种位置候选集合生成方法，其特征在于：所述步骤(3)具体为：在目标位置扫描L个AP的RSS得到实时的RSS矢量
5.根据根据权利要求1所述的一种位置候选集合生成方法，其特征在于：所述步骤(5)中依次确定每个指纹分类器的候选位置的集和采用对每个分类器取Hm且Hm≥1个概率最高的位置预测作为指纹分类器的候选位置的集和，得到的位置候选集合为：
其中，是第m个分类器输出的候选位置标号，是将位置标号转换为二维坐标的映射函数，A为M×2的矩阵，M≥1，
6.一种基于候选位置集合的高精度融合定位方法，其特征在于：
步骤(1)、根据权利要求1-5任一项所述的一种位置候选集合生成方法生成的位置候选集得到候选结果，建立目标函数的优化模型；
步骤(2)、根据建立的优化模型，交替进行权值更新和位置更新直至达到收敛条件，完成位置候选集融合，得到目标定位。
7.根据根据权利要求6所述的一种位置候选集合生成方法，其特征在于：所述步骤(1)中根据位置候选集得到M个候选结果，建立目标函数的优化模型如下：
其中，z＝[x，y]T为目标位置，是第i个候选位置，w＝[w1，w2，…，wN]T是权值向量，||·||2代表二范数。
8.根据权利要求6所述的一种位置候选集合生成方法，其特征在于：所述步骤(2)中在交替进行权值更新和位置更新直至达到收敛条件前还包括设定位置初始值z(0)步骤，z(0)可为随机值和位置候选集合的平均值中的任意一种。
9.根据权利要求6所述的一种位置候选集合生成方法，其特征在于：所述步骤(2)中权值更新过程为：在第t次权值w(t)更新过程中，第t-1次的位置估计z(t-l)已知，此时目标函数为等式约束型目标函数，通过拉格朗日乘子法进行求解得到第i个候选位置，第t次更新的权值wi (t)表达式；位置更新过程为：在第t次位置z(t)更新过程中，第t次权值w(t)已知，此时的目标函数为无约束的可微凸函数，通过求解偏导数求解得到第t次位置z(t)的表达式。
10.根据权利要求6所述的一种位置候选集合生成方法，其特征在于：所述步骤(2)中收敛条件设置为：其中ε为一个较小的常数，z(t-1)为第t-1次的位置估计，z(t)为第t次的位置估计。
CN201810566349.XA 2018-06-04 2018-06-04 一种位置候选集合生成方法及其高精度融合定位方法 Active CN109040948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810566349.XA CN109040948B (zh) 2018-06-04 2018-06-04 一种位置候选集合生成方法及其高精度融合定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810566349.XA CN109040948B (zh) 2018-06-04 2018-06-04 一种位置候选集合生成方法及其高精度融合定位方法

Publications (2)

Publication Number Publication Date
CN109040948A true CN109040948A (zh) 2018-12-18
CN109040948B CN109040948B (zh) 2021-02-26

Family

ID=64612104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810566349.XA Active CN109040948B (zh) 2018-06-04 2018-06-04 一种位置候选集合生成方法及其高精度融合定位方法

Country Status (1)

Country Link
CN (1) CN109040948B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106412839A (zh) * 2016-09-12 2017-02-15 南京邮电大学 基于二级分区与指纹梯度匹配的室内定位与跟踪方法
CN107064913A (zh) * 2017-03-10 2017-08-18 上海斐讯数据通信技术有限公司 一种基于深度学习的无线定位方法及系统
CN107360552A (zh) * 2017-08-01 2017-11-17 电子科技大学 一种多分类器全局动态融合的室内定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106412839A (zh) * 2016-09-12 2017-02-15 南京邮电大学 基于二级分区与指纹梯度匹配的室内定位与跟踪方法
CN107064913A (zh) * 2017-03-10 2017-08-18 上海斐讯数据通信技术有限公司 一种基于深度学习的无线定位方法及系统
CN107360552A (zh) * 2017-08-01 2017-11-17 电子科技大学 一种多分类器全局动态融合的室内定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANSHENG GUO等: "Accurate WiFi Localization by Unsupervised Fusion of Extended Candidate Location Set", 《IEEE INTERNET OF THINGS JOURNAL》 *
姚英彪等: "基于改进支持向量回归的室内定位算法", 《仪器仪表学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN109040948B (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
WO2021093872A1 (zh) 一种群智感知的多源信息融合室内定位方法及系统
Pan et al. Tracking mobile users in wireless networks via semi-supervised colocalization
CN105636201B (zh) 基于稀疏信号指纹数据库的室内定位方法
Laoudias et al. Localization using radial basis function networks and signal strength fingerprints in WLAN
Elbakly et al. A robust zero-calibration RF-based localization system for realistic environments
Diaz et al. Bluepass: An indoor bluetooth-based localization system for mobile applications
CN101778399B (zh) 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法
CN107727095B (zh) 基于谱聚类和加权反向传播神经网络的3d室内定位方法
JP2015531053A (ja) 無線マップを動的に作成するためのシステム、方法、及びコンピュータプログラム
Zhou et al. Indoor fingerprint localization based on fuzzy c-means clustering
CN109143161B (zh) 基于混合指纹质量评价模型的高精度室内定位方法
CN109195104A (zh) 一种基于支持向量回归和卡尔曼滤波相结合的室内定位方法
CN110401977B (zh) 一种基于Softmax回归多分类识别器的多楼层室内定位方法
KR20110116565A (ko) 베이지안 알고리즘을 이용한 실내 측위 방법
CN113207089A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
CN109121081B (zh) 一种基于位置候选集与em算法的室内定位方法
Lee et al. Construction of an indoor positioning system for home IoT applications
Xu et al. Neural network-based accuracy enhancement method for WLAN indoor positioning
Xingli et al. Indoor positioning technology based on deep neural networks
Huan et al. Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference
CN113132931B (zh) 一种基于参数预测的深度迁移室内定位方法
Jain et al. Location estimation based on semi-supervised locally linear embedding (SSLLE) approach for indoor wireless networks
CN108919182B (zh) 一种wifi环境下基于支撑集及期望最大化的目标定位方法
CN110691336A (zh) 一种基于集成学习和相对定位的双尺度定位算法
CN109040948B (zh) 一种位置候选集合生成方法及其高精度融合定位方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230907

Address after: Room 1106, 11th Floor, Yixing Building, Building 1, No.1 Changyuan Road, Development Zone, Nantong City, Jiangsu Province, 226010

Patentee after: Nantong xingruipulian Technology Co.,Ltd.

Address before: 611731, No. 2006, West Avenue, Chengdu hi tech Zone (West District, Sichuan)

Patentee before: University of Electronic Science and Technology of China