CN109195110A - 基于层次聚类技术和在线极限学习机的室内定位方法 - Google Patents

基于层次聚类技术和在线极限学习机的室内定位方法 Download PDF

Info

Publication number
CN109195110A
CN109195110A CN201810964227.6A CN201810964227A CN109195110A CN 109195110 A CN109195110 A CN 109195110A CN 201810964227 A CN201810964227 A CN 201810964227A CN 109195110 A CN109195110 A CN 109195110A
Authority
CN
China
Prior art keywords
signal strength
training
finger print
learning machine
print data
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
CN201810964227.6A
Other languages
English (en)
Other versions
CN109195110B (zh
Inventor
颜俊
路培彬
钱琛
曹艳华
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.)
Guangzhou Shiju Network Technology Co Ltd
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201810964227.6A priority Critical patent/CN109195110B/zh
Publication of CN109195110A publication Critical patent/CN109195110A/zh
Application granted granted Critical
Publication of CN109195110B publication Critical patent/CN109195110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/029Location-based management or tracking services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/33Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明揭示了一种基于层次聚类技术和在线极限学习机的室内定位方法,包括如下步骤:S1、训练库构建步骤,测量并获得定位区域内多个不同位置处无线信号的信号强度向量,构成离线指纹数据训练库;S2、聚类处理步骤,利用层次聚类技术对离线指纹数据训练库进行无监督聚类处理,分别得到受攻击的训练数据样本和未受到攻击的训练数据样本;S3、模型建立步骤,对训练数据样本进行处理,得到位置递归模型;S4、位置估计步骤,将在线收集到的信号强度测量值代入位置递归模型中,得到位置估计值。本发明可以充分利用现有设施,不需要改变系统的硬件,降低了网络升级的影响。

Description

基于层次聚类技术和在线极限学习机的室内定位方法
技术领域
本发明涉及一种定位方法,具体而言,涉及一种基于层次聚类技术和 在线极限学习机的室内定位方法,属于机器学习领域。
背景技术
随着通信和智能产业的不断发展,定位技术在我们的日常生活中扮演 着越来越重要的角色。虽然全球定位系统可以在户外提供高精度的定位结 果,但在复杂的室内环境中效果不佳。因此,如何实现室内环境中的精准 定位,已经成为当下研究的热点问题。
基于WiFi的室内定位技术通过利用移动终端从无线接入点(AP)接收信 号的方式来确定用户位置,这一技术凭借其低成本、高效率的特性,成为 了近年来室内定位技术研究的热点。
这类室内定位方法大多基于测距原理完成定位,主要包括到达时间法 (TOA)、到达时间差法(TDOA)、到达角度法(AOA)以及接收信号 强度法(RSS)等,其中基于接收信号强度的室内定位方法能够充分利用 现有的无线网络设施,既不需要添加额外的硬件设备,也不需要准确的时 间同步和角度测量,因此目前这类基于接收信号强度的室内定位方法得到 了广泛地应用。
基于接收信号强度的室内定位方法主要包括传播模型法和位置指纹 法。具体而言,基于传播模型的定位方法,首先需要通过信道衰落模型将 接收信号强度的测量值转换为距离,然后再利用三角测量法进行位置估计。 位置指纹定位方法,主要是基于离线阶段在定位区域中采集接收信号强度 得到的位置指纹库,然后通过一定的匹配算法进行定位。
近年来,随着机器学习技术的不断发展,这类定位问题能够被转化为 机器学习的问题。常用的机器学习定位算法包括误差反向传播(BP)算法、 支持向量机(SVM)、极限学习机(ELM)及其各种改进算法。其中,极 限学习机算法学习速度快,效率高,计算复杂度低,泛化性能好。在线极 限学习机作为其一种改进算法,具备连续学习能力,能够很好的适应环境 的变化,但是在线极限学习机并没有考虑训练样本可能被攻击的问题,因 此也不适合被直接应用于这类定位问题中。
综上所述,如何在现有技术的基础上提出一种新的定位方法,将在线 极限学习机应用于室内定位中,以克服现有技术中存在着诸多缺陷,也就 成为了本领域内技术人员亟待解决的问题。
发明内容
鉴于现有技术存在上述缺陷,本发明提出了一种基于层次聚类技术和 在线极限学习机的室内定位方法,包括如下步骤:
S1、训练库构建步骤,测量并获得定位区域内多个不同位置处无线信 号的信号强度向量,构成离线指纹数据训练库;
S2、聚类处理步骤,利用层次聚类技术对离线指纹数据训练库进行无 监督聚类处理,分别得到受攻击的训练数据样本和未受到攻击的训练数据 样本;
S3、模型建立步骤,对训练数据样本进行处理,得到位置递归模型;
S4、位置估计步骤,将在线收集到的信号强度测量值代入位置递归模 型中,得到位置估计值。
优选地,所述无线信号为WIFI信号。
优选地,S1所述训练库构建步骤,具体包括:
S11、测量定位区域内多个不同位置处无线信号的信号强度值;
S12、将所测量的信号强度值转化为信号强度向量,并将每个位置上的 信号强度向量与该位置对应的坐标组合视为一个训练数据样本;
S13、收集全部训练数据样本,构建得到离线指纹数据训练库。
优选地,S2所述聚类处理步骤,具体包括:
S21、对离线指纹数据训练库内的训练数据样本进行初始化处理,得到 多个聚类;
S22、计算每个聚类之间的距离,形成距离矩阵;
S23、将距离最近的两个聚类进行合并,形成一个新的聚类,再使用新 的聚类进行迭代,计算新的距离矩阵;
S24、重复S22与S23,直至聚类的数目变成两个,以剩下的两个聚 类中样本数目较少的一个聚类作为受攻击的训练数据样本、另一个聚类作 为未受到攻击的训练数据样本。
优选地,S21具体包括:
S211、对离线指纹数据训练库中的信号强度向量进行z-score标准化 处理;
S212、将离线指纹数据训练库中的每一个信号强度向量均作为一个聚 类。
优选地,S211中所述对离线指纹数据训练库中的信号强度向量进行 z-score标准化处理,处理公式为:
z=(x-μ)/σ,
其中,x为离线指纹数据训练库中任一具体的信号强度向量,μ为离线 指纹数据训练库中所有信号强度向量的平均值,σ为离线指纹数据训练库 中所有信号强度向量的标准差。
优选地,S3所述模型建立步骤,具体包括:利用在线极限学习机训练 未受到攻击的训练数据样本,得到位置递归模型。
优选地,S4所述位置估计步骤,具体包括:
S41、对定位区域内需要进行定位的对象所在位置处的无线信号的信号 强度值进行在线收集;
S42、将收集到的信号强度值代入位置递归模型中,得到对象的位置估 计值。
与现有技术相比,本发明的优点主要体现在以下几个方面:
本发明可以充分利用现有设施,不需要改变系统的硬件,降低了网络 升级的影响。同时,本发明充分地利用了在线极限学习机的连续学习能力, 有效地提升了在线定位性能。本发明还通过使用层次聚类技术实现了对受 攻击训练数据样本的辨别,排除了野值点对离线训练的影响,确保了定位 结果的准确性。此外,本发明也为同领域内的其他相关问题提供了参考, 可以以此为依据进行拓展延伸,运用于同领域内其他定位方法和机器学习 系统的技术方案中,具有十分广阔的应用前景。
以下便结合实施例附图,对本发明的具体实施方式作进一步的详述, 以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的方法流程示意图;
图2为受攻击样本数占训练样本数据库的比例对定位精度的影响对比 图;
图3为受攻击样本所受到的攻击程度对定位精度的影响对比图;
图4为在线极限学习机的隐层节点数对定位精度的影响对比图;
图5为训练数据集的大小对定位精度的影响对比图。
具体实施方式
如图1所示,本发明揭示了一种基于层次聚类技术和在线极限学习机 的室内定位方法,包括离线阶段和在线阶段两个部分。所述离线阶段包括 训练库构建步骤、聚类处理步骤以及模型建立步骤,所述在线阶段包括位 置估计步骤。
具体而言,本发明包括如下步骤:
S1、训练库构建步骤,测量并获得定位区域内多个不同位置处无线信 号的信号强度向量,构成离线指纹数据训练库。在本实施例中,所述无线 信号为WIFI信号。
进一步而言,S1所述训练库构建步骤具体包括:
S11、测量定位区域内多个不同位置处无线信号的信号强度值。
S12、将所测量的信号强度值转化为信号强度向量,并将每个位置上的 信号强度向量与该位置对应的坐标组合视为一个训练数据样本。
S13、收集全部训练数据样本,构建得到离线指纹数据训练库。
S2、聚类处理步骤,利用层次聚类技术对离线指纹数据训练库进行无 监督聚类处理,分别得到受攻击的训练数据样本和未受到攻击的训练数据 样本。
这一部分是本发明的重点内容,主要是为了解决恶意节点攻击的问题, 本发明的基本思想就是在将在线极限学习机用于回归训练之前,利用基于 聚类分析的数据预处理方法来识别受攻击的样本,然后只将未受到攻击的 样本用于离线阶段的训练。
为了研究攻击对定位性能的影响,本发明以线性攻击模型为例,具体 表示为:
其中,和Ri分别为第i个信号发射器获得的受到攻击以及未受到攻击 时的测量值,α和β是两个攻击参数。当α>1,β=0时,特定节点的接收 信号功率被放大;当α<1,β=0时,接收信号功率会衰减。
进一步而言,S2所述聚类处理步骤具体包括:
S21、对离线指纹数据训练库内的训练数据样本进行初始化处理,得到 多个聚类。
S22、计算每个聚类之间的距离,形成距离矩阵。
S23、将距离最近的两个聚类进行合并,形成一个新的聚类,再使用新 的聚类进行迭代,计算新的距离矩阵。
S24、重复S22与S23,直至聚类的数目变成两个,以剩下的两个聚 类中样本数目较少的一个聚类作为受攻击的训练数据样本、另一个聚类作 为未受到攻击的训练数据样本。
更进一步而言,S21包括如下步骤:
S211、对离线指纹数据训练库中的信号强度向量进行z-score标准化 处理。处理公式为:
z=(x-μ)/σ,
其中,x为离线指纹数据训练库中任一具体的信号强度向量,μ为离线 指纹数据训练库中所有信号强度向量的平均值,σ为离线指纹数据训练库 中所有信号强度向量的标准差。
S212、将离线指纹数据训练库中的每一个信号强度向量均作为一个聚 类。
S3、模型建立步骤,利用在线极限学习机训练未受到攻击的训练数据 样本,得到位置递归模型。
由于此处使用到了在线极限学习机,因此对基于极限学习机的定位模 型进行具体说明。
这一方法首先需要构建离线指纹数据库:在第i个参考位置,移动定位 终端采集得到的信号强度向量为Ri={RSS1,RSS2,...,RSSM},其中M为信号 发射器的个数,其对应的位置坐标为ti={xi,yi};然后改变移动定位终端的 参考位置,获取多条数据而构成训练数据集, Γ={(Ri,ti)|Ri∈Rm,ti∈R2,i=1,2,...,N},N代表参考位置的数目,也就是训练数据集的大小。此外,为了在线极限学习机描述的需要,训练数据集也可 以另外表示为Γ={chunk1,chunk2,...,chunkk},其中chunk_i表示第i个训练数 据块,k训练数据块的数目,Nk-1是第k个数据块的大小。
离线学习的目的就是找到Ri与ti之间的关系。由于极限学习机算法的输 入权重al和隐层偏差bl(l=1,...,L,L表示隐层节点的数目)是随机生成的, 那么算法中唯一要优化的参数就是输出权重β。因此,训练过程可以表示 为求解一个最小二乘问题。
总体而言,基于极限学习机的定位算法可以概括为:
步骤1:随机生成极限学习机隐层节点的参数:(ai,bi),i=1,...,L。
步骤2:根据步骤1所生成的隐层节点的参数,计算隐层输出特征矩 阵H。
其中,h(Ri)是Ri的特征映射,G(al,bl,Ri)是隐层输出函数。
步骤3:计算极限学习机的输出权重向量,获得位置递归模型。
β=H+T,
其中,H+是H的Moore-Penrose广义逆。
步骤4:将采集到的信号强度向量代入离线阶段训练好的位置递归模 型,得到位置估计值。
结合上述S2所述聚类处理步骤可以得知,本发明中在线极限学习机进 行离线阶段的学习,具体分为两个阶段:初始化阶段和连续学习阶段。
在初始化阶段,给定第一个训练数据块Γ0={chunk1},随机生成隐层节 点参数:(ai,bi),i=1,...,L。然后计算初始隐层输出矩阵H0
初始输出权重β(0)表示为:
其中,
在连续学习阶段,新的接收信号强度测量值构成第k+1个数据块,数 据块的大小可以表示为:
对应的隐层输出矩阵Hk+1可以表示为:
那么输出权重为:
其中,由于在计算β(k+1)的过程中用到了为了避免在递归过程中计算矩阵的逆,因此使用Woodbury公式推导出方 程式:
那么最终的结果可以表示为:
S4、位置估计步骤,将在线收集到的信号强度测量值代入位置递归模 型中,得到位置估计值。
进一步而言,S4所述位置估计步骤具体包括:
S41、对定位区域内需要进行定位的对象所在位置处的无线信号的信号 强度值进行在线收集;
S42、将收集到的信号强度值代入位置递归模型中,得到对象的位置估 计值。
根据接收信号强度值Rr,我们可以通过下面公式直接获得位置估计:
tr=H(Rr(K+1)
以下结合测试结果,对本发明的技术方案进行进一步说明。
在本发明中,训练数据集和测试数据集的大小分别为1550和713,假 设隐层节点的数量为200,受攻击的接收信号强度测量值是通过攻击模型 生成的。
图2为受攻击样本数占训练样本数据库的比例对定位精度的影响。从 图中可以看出,当所占比例为10%时,本发明所提出的算法和传统的基于 在线极限学习机的方法的95%的定位误差分别为4.98米和5.19米;当所 占比例提高到25%时,所提出的算法和基于在线极限学习机的方法的95% 的定位误差分别为7.80米和8.59米。对于上述两种情况,本发明所提出 的定位算法的定位性能都要优于传统的在线极限学习机。
图3为受攻击样本数占训练样本数据库的比例为15%时,不同的攻击 参数对定位精度的影响。可以发现,两种方法的定位精度都会随着攻击参 数α的减小而降低。在攻击参数较小的情况下,定位环境更加恶劣。如果 训练数据集中包含一些受攻击的接收信号强度测量值,则学习能力将恶化。
如图4所示,当受攻击样本数的占比为15%,攻击参数α为0.3时, 隐层节点数对定位性能的影响。增加隐层节点数能够提高两种算法的定位 精度。由于数据预处理过程中删除了一些受攻击的训练样本,本发明提出 的算法具有更好的定位性能。
如图5所示,当受攻击样本数的占比为15%,攻击参数α为0.3时, 训练数据集的大小对定位精度的影响。根据对极限学习机算法的了解,训 练数据集的大小在训练表现中起着重要作用。在图5的两种情况下,该算 法的95%的定位误差分别为4.98米和12.53米,远小于传统的在线极限 学习机算法。因此,本发明提出的算法具有很强的抵抗测量值受到攻击问 题的能力。
本发明可以充分利用现有设施,不需要改变系统的硬件,降低了网络 升级的影响。同时,本发明充分地利用了在线极限学习机的连续学习能力, 有效地提升了在线定位性能。本发明还通过使用层次聚类技术实现了对受 攻击训练数据样本的辨别,排除了野值点对离线训练的影响,确保了定位 结果的准确性。
此外,本发明也为同领域内的其他相关问题提供了参考,可以以此为 依据进行拓展延伸,运用于同领域内其他定位方法和机器学习系统的技术 方案中,具有十分广阔的应用前景。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细 节,而且在不背离本发明的精神和基本特征的情况下,能够以其他的具体 形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性 的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限 定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括 在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要 求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个 实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清 楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术 方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,包括如下步骤:
S1、训练库构建步骤,测量并获得定位区域内多个不同位置处无线信号的信号强度向量,构成离线指纹数据训练库;
S2、聚类处理步骤,利用层次聚类技术对离线指纹数据训练库进行无监督聚类处理,分别得到受攻击的训练数据样本和未受到攻击的训练数据样本;
S3、模型建立步骤,对训练数据样本进行处理,得到位置递归模型;
S4、位置估计步骤,将在线收集到的信号强度测量值代入位置递归模型中,得到位置估计值。
2.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于:所述无线信号为WIFI信号。
3.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S1所述训练库构建步骤,具体包括:
S11、测量定位区域内多个不同位置处无线信号的信号强度值;
S12、将所测量的信号强度值转化为信号强度向量,并将每个位置上的信号强度向量与该位置对应的坐标组合视为一个训练数据样本;
S13、收集全部训练数据样本,构建得到离线指纹数据训练库。
4.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S2所述聚类处理步骤,具体包括:
S21、对离线指纹数据训练库内的训练数据样本进行初始化处理,得到多个聚类;
S22、计算每个聚类之间的距离,形成距离矩阵;
S23、将距离最近的两个聚类进行合并,形成一个新的聚类,再使用新的聚类进行迭代,计算新的距离矩阵;
S24、重复S22与S23,直至聚类的数目变成两个,以剩下的两个聚类中样本数目较少的一个聚类作为受攻击的训练数据样本、另一个聚类作为未受到攻击的训练数据样本。
5.根据权利要求4所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S21具体包括:
S211、对离线指纹数据训练库中的信号强度向量进行z-score标准化处理;
S212、将离线指纹数据训练库中的每一个信号强度向量均作为一个聚类。
6.根据权利要求5所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S211中所述对离线指纹数据训练库中的信号强度向量进行z-score标准化处理,处理公式为:
z=(x-μ)/σ,
其中,x为离线指纹数据训练库中任一具体的信号强度向量,μ为离线指纹数据训练库中所有信号强度向量的平均值,σ为离线指纹数据训练库中所有信号强度向量的标准差。
7.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S3所述模型建立步骤,具体包括:利用在线极限学习机训练未受到攻击的训练数据样本,得到位置递归模型。
8.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S4所述位置估计步骤,具体包括:
S41、对定位区域内需要进行定位的对象所在位置处的无线信号的信号强度值进行在线收集;
S42、将收集到的信号强度值代入位置递归模型中,得到对象的位置估计值。
CN201810964227.6A 2018-08-23 2018-08-23 基于层次聚类技术和在线极限学习机的室内定位方法 Active CN109195110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810964227.6A CN109195110B (zh) 2018-08-23 2018-08-23 基于层次聚类技术和在线极限学习机的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810964227.6A CN109195110B (zh) 2018-08-23 2018-08-23 基于层次聚类技术和在线极限学习机的室内定位方法

Publications (2)

Publication Number Publication Date
CN109195110A true CN109195110A (zh) 2019-01-11
CN109195110B CN109195110B (zh) 2020-12-15

Family

ID=64919637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810964227.6A Active CN109195110B (zh) 2018-08-23 2018-08-23 基于层次聚类技术和在线极限学习机的室内定位方法

Country Status (1)

Country Link
CN (1) CN109195110B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598320A (zh) * 2019-01-16 2019-04-09 广西大学 一种基于蝗虫算法和极限学习机的rfid室内定位方法
CN109816071A (zh) * 2019-02-12 2019-05-28 河南工程学院 一种基于rfid的室内目标追踪方法
CN110072192A (zh) * 2019-04-26 2019-07-30 山东科技大学 一种智能手机WiFi室内定位方法
CN110971457A (zh) * 2019-11-20 2020-04-07 西华大学 一种基于elm的时间同步方法
CN112543428A (zh) * 2020-12-02 2021-03-23 南京邮电大学 基于ELM-AdaBoost分类学习的室内定位方法
CN114745674A (zh) * 2022-04-27 2022-07-12 重庆邮电大学 一种基于改进bp神经网络的测距模型定位算法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
WO2014113522A1 (en) * 2013-01-16 2014-07-24 Assurerx Health, Inc. Methods for pharmacogenomic classification
CN105472621A (zh) * 2015-12-03 2016-04-06 西北大学 一种基于rssi的伪ap检测方法
CN105554762A (zh) * 2015-12-10 2016-05-04 广东工业大学 基于rss的无线欺骗攻击定位方法
CN106154221A (zh) * 2016-04-05 2016-11-23 苏州市职业大学 一种基于wlan的半监督定位方法
CN107729943A (zh) * 2017-10-23 2018-02-23 辽宁大学 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用
CN107798383A (zh) * 2017-10-27 2018-03-13 天津大学 改进的核极限学习机定位方法
CN108200644A (zh) * 2018-01-10 2018-06-22 浙江工业大学 一种基于网络可视图的无源室内定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
WO2014113522A1 (en) * 2013-01-16 2014-07-24 Assurerx Health, Inc. Methods for pharmacogenomic classification
CN105472621A (zh) * 2015-12-03 2016-04-06 西北大学 一种基于rssi的伪ap检测方法
CN105554762A (zh) * 2015-12-10 2016-05-04 广东工业大学 基于rss的无线欺骗攻击定位方法
CN106154221A (zh) * 2016-04-05 2016-11-23 苏州市职业大学 一种基于wlan的半监督定位方法
CN107729943A (zh) * 2017-10-23 2018-02-23 辽宁大学 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用
CN107798383A (zh) * 2017-10-27 2018-03-13 天津大学 改进的核极限学习机定位方法
CN108200644A (zh) * 2018-01-10 2018-06-22 浙江工业大学 一种基于网络可视图的无源室内定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIE ZHANG等: "Large-scale WiFi indoor localization via extreme learning machine", 《2017 36TH CHINESE CONTROL CONFERENCE (CCC)》 *
WENDONG XIAO等: "Large scale wireless indoor localization by clustering and Extreme Learning Machine", 《 2012 15TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》 *
YIMING CAO等: "Received Signal Strength Based Indoor Localization using ISODATA and MK-ELM Technique", 《 2018 UBIQUITOUS POSITIONING, INDOOR NAVIGATION AND LOCATION-BASED SERVICES (UPINLBS)》 *
葛柳飞: "基于多层神经网络的室内定位算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598320A (zh) * 2019-01-16 2019-04-09 广西大学 一种基于蝗虫算法和极限学习机的rfid室内定位方法
CN109816071A (zh) * 2019-02-12 2019-05-28 河南工程学院 一种基于rfid的室内目标追踪方法
CN110072192A (zh) * 2019-04-26 2019-07-30 山东科技大学 一种智能手机WiFi室内定位方法
CN110072192B (zh) * 2019-04-26 2020-09-22 山东科技大学 一种智能手机WiFi室内定位方法
CN110971457A (zh) * 2019-11-20 2020-04-07 西华大学 一种基于elm的时间同步方法
CN110971457B (zh) * 2019-11-20 2022-05-24 西华大学 一种基于elm的时间同步方法
CN112543428A (zh) * 2020-12-02 2021-03-23 南京邮电大学 基于ELM-AdaBoost分类学习的室内定位方法
CN114745674A (zh) * 2022-04-27 2022-07-12 重庆邮电大学 一种基于改进bp神经网络的测距模型定位算法
CN114745674B (zh) * 2022-04-27 2024-06-07 上海鼎为物联技术有限公司 一种基于改进bp神经网络的测距模型定位算法

Also Published As

Publication number Publication date
CN109195110B (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN109195110A (zh) 基于层次聚类技术和在线极限学习机的室内定位方法
Zheng et al. Exploiting fingerprint correlation for fingerprint-based indoor localization: A deep learning-based approach
CN104853435B (zh) 一种基于概率的室内定位方法和装置
CN103379441B (zh) 一种基于曲线拟合和位置搜索的室内定位方法
CN106162869B (zh) 移动自组织网络中高效协作定位方法
WO2014106363A1 (zh) 移动设备定位系统及方法
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
CN107703480A (zh) 基于机器学习的混合核函数室内定位方法
CN108627798B (zh) 基于线性判别分析和梯度提升树的wlan室内定位算法
CN108307498B (zh) 一种wsn节点的定位方法及装置
CN107390171B (zh) 基于toa测距和多普勒效应的水下传感器节点定位方法
CN106597363A (zh) 一种室内wlan环境下的行人定位方法
Zhou et al. Indoor fingerprint localization based on fuzzy c-means clustering
CN106658704A (zh) 一种室内定位的起点位置的定位方法和系统
Yan et al. Extreme learning machine for accurate indoor localization using RSSI fingerprints in multifloor environments
Li et al. Unsupervised learning of indoor localization based on received signal strength
CN109379711B (zh) 一种定位方法
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
Chen et al. A wifi indoor localization method based on dilated cnn and support vector regression
CN113543026B (zh) 一种基于径向基函数网络的多楼层室内定位方法
CN113189541B (zh) 一种定位方法、装置及设备
Zhou et al. IMLours: Indoor mapping and localization using time-stamped WLAN received signal strength
CN109783960A (zh) 一种基于网格部分细化的波达方向估计方法
WO2017049914A1 (zh) 一种终端定位方法、装置及系统
CN110221245B (zh) 联合估计目标位置和非视距误差的鲁棒tdoa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

Effective date of registration: 20211116

Address after: 510000 self compiled a, unit 1902, No. 374 BIS, Beijing Road, Yuexiu District, Guangzhou, Guangdong Province

Patentee after: Guangzhou Shiju Network Technology Co., Ltd

Address before: 210003 No. 66, Xinfan Road, Gulou District, Nanjing, Jiangsu Province

Patentee before: Nanjing University of Posts and Telecommunications

TR01 Transfer of patent right