CN109246608A - 一种基于wifi位置指纹大数据分析的室内点对点定位方法 - Google Patents
一种基于wifi位置指纹大数据分析的室内点对点定位方法 Download PDFInfo
- Publication number
- CN109246608A CN109246608A CN201811368224.2A CN201811368224A CN109246608A CN 109246608 A CN109246608 A CN 109246608A CN 201811368224 A CN201811368224 A CN 201811368224A CN 109246608 A CN109246608 A CN 109246608A
- Authority
- CN
- China
- Prior art keywords
- value
- layer
- point
- follows
- neuron
- 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
- H04W4/02—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于WIFI位置指纹大数据分析的室内点对点定位方法,主要步骤为:1)确定待定位的室内区域;2)在所述室内区域构建个Wi‑Fi热点;3)采集次Wi‑Fi信号接收强度值;4)对所述Wi‑Fi信号接收强度值进行预处理,构建Wi‑Fi位置指纹库;5)利用网络自适应相似度分类算法构建室内定位模型;将所述Wi‑Fi位置指纹库中的数据作为室内定位模型的输入,从而对室内定位模型进行训练,得到训练后的室内定位模型,并确定训练后的室内定位模型的权重;6)确定待定位点的地理位置,并在室内区域的数字地图上进行标识。本发明可快速精确地识别待定位点所在室内的参考标识点,布设简单,易于实现,可有效减少Wi‑Fi接收信号强度值不稳定性的干扰。
Description
技术领域
本发明涉及室内定位领域,具体是一种基于WIFI位置指纹大数据分析的室内点对点定位方法。
背景技术
在这万物感知、万物互联的时代,基于位置的定位服务在其中扮演着愈发重要的角色。以GPS、北斗等为代表的卫星导航定位模块,已经可以为用户提供较为精准的室外定位服务。然而,受遮蔽物、强磁场、高大建筑等复杂地形地貌的影响,基于卫星导航的定位系统在室外有时也会存在偏差、甚至出现无法定位的情况,更不用说在环境更为复杂的室内了。
室内定位发展至今,已有不少的定位技术与相应的优化算法,并取得一定的成果。不过室内定位目前最大的问题,仍然是室内复杂的电磁与物理环境、人体等障碍物的遮挡以及其他无线电子设备信号的干扰等因素,导致的定位精度不够的问题。即如何让不同型号的智能移动终端,在不同的室内环境下都能获取较为准确的定位、让用户满意,是目前室内定位技术亟待解决的瓶颈。
目前,定位技术主要有:(蓝牙)、UWB(Ultra Wideband,超宽带)、IR(Infrared Radiation,红外线)定位、RFID(Radio Frequency Identification,无线射频识别)定位以及Wi-Fi定位等多种定位技术。
蓝牙定位技术基于短距离低功耗通信协议,具有近距离、低功耗、低成本的特点,但通信范围较小,不适合定位区域比较大的场景。UWB定位系统通过发送纳秒级及其以下的超窄脉冲来传输数据进行空间定位,能达到厘米级别的定位精度,但其过高的建设成本阻碍了其普及推广,不适合实际运用。红外线定位技术通过解析红外发射机到接收机的信号数据实现定位,定位精度相对较高,但由于红外线无法穿透障碍物,仅在直线可视距离内传播,有效距离较短,所以在复杂的室内环境中无法得到较好定位效果。RFID用射频方式进行非接触式双向通信交换数据,实现移动设备识别和定位,运用开发成本较低,但RFID不便于整合到移动设备之中。单独运用上述检测方法难以均衡成本与定位准确度的问题。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于WIFI位置指纹大数据分析的室内点对点定位方法,主要包括以下步骤:
1)确定待定位的室内区域和室内区域的数字地图。
2)在所述室内区域构建h个Wi-Fi热点。
3)依据所述室内区域的环境,规划n个定位参考标识点。并分别在每个所述标识点上采集k次Wi-Fi信号接收强度值。
4)对所述Wi-Fi信号接收强度值进行预处理。利用预处理后的Wi-Fi信号接收强度值构建Wi-Fi位置指纹库。Wi-Fi位置指纹库中将Wi-Fi信号接收强度值分为P个类别。
所述预处理主要包括异常值剔除、空白值填充和归一化。
所述异常值为因中途中断、上传数据丢包和采集应用异常关闭造成采集组数不达标的值。
空白值为在采集组数达标,但是其中若干行或若干元素的信号接收强度值等于或接近-100的值。
异常值剔除和空白值填充的方法为K近邻算法。
5)利用网络自适应相似度分类算法构建室内定位模型。
将所述Wi-Fi位置指纹库中的数据作为室内定位模型的输入,从而对室内定位模型进行训练,得到训练后的室内定位模型,并确定训练后的室内定位模型的权重。
构建确定训练后的室内定位模型权重的主要步骤如下:
5.1)基于预处理后的Wi-Fi信号接收强度值,构建训练集L和验证集C。
进一步,构建训练集L和验证集C的主要步骤如下:
5.1.1)将预处理后的Wi-Fi信号接收强度值存储在数据集M中。
数据集M如下所示:
其中,snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。
5.1.2)利用公式2将数据集M中所有为负的元素转化为正值,从而得到归一化后的数据集M'。
数据集M'中的元素值,也即snh正则归一化后的值如下所示:
式中,为数据集M中最小的元素值。为数据集M中最大的元素值。snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。
5.1.3)将数据集M'划分为训练集L和验证集C。
训练集L如下所示:
式中,为数据集M'中的元素值。
验证集C如下所示:
式中,为数据集M'中的元素值。
5.2)搭建神经网络。所述神经网络主要包括输入层、m层隐含层和输出层。神经网络参数主要包括每层隐藏层神经元数量、激活函数、梯度优化器、学习批量、学习率和最大迭代次数。
5.2.1)将训练集L的每行数据作为输入数据输入到神经网络的输入层,并赋予输入层初始权重w1j。
5.2.2)利用sigmod函数调控输入层的每个神经元是否通行输入数据。通行的输入数据传入到隐含层第一层中,赋予隐含层第一层的初始权重w2j。
5.2.3)利用sigmod函数调控隐含层第一层的每个神经元是否通行输入数据。通行的输入数据传入到隐含层第二层中,赋予隐含层第二层的初始权重w3j。
5.2.4)重复步骤5.2.3,直至通行的输入数据传入到输出层中,赋予输出层初始权重wm+2j。其中,神经网络第i层的权重如下所示:
5.3)对神经网络进行迭代训练。
5.3.1)前向迭代。
5.3.1.1)计算损失值函数los,即:
式中,b为神经元输出类别为1的概率。为snh正则归一化后的值。h为Wi-Fi热点总数。
其中,神经元输出类别为1的概率b如下所示:
b=f(a)。 (7)
式中,f(a)为概率函数。
概率函数自变量a如下所示:
式中,wij为权重。pi为概率。i为神经网络层数序号。
对数公式log如下所示:
式中,b为神经元输出类别为1的概率。为snh正则归一化后的值。
5.3.1.2)更新损失值函数los。
记得到类别H的概率为则损失值函数los如下所示:
其中,min()为极小化函数。为得到类别L的概率。b为神经元输出类别为1的概率。为snh正则归一化后的值。
5.3.2)反向传递。
5.3.2.1)神经网络第s层的第u个神经元节点的残差值δst如下所示:
式中,los为损失值函数。snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。
5.3.2.2)sigmod函数向倒数第二层的反向传播函数,即第s-1层的第u个神经元节点的残差值δst如下所示:
其中,δ*为sigmod层唯一的残差值。wij为权重。los为损失值函数。snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。f'(ai)为概率函数的导数。ai为每个神经元的加权输入值。
5.3.2.3)重复步骤5.3.2.2,从隐含层的最后一层向前传递,直到隐含层的第一层。隐含层的第一层的残差值如下所示:
式中,wij为权重。f'(ai)为概率函数的导数。δj为第j隐含层的初始残差值。
5.3.3)根据神经网络每一层的残差值,得到神经元权重如下所示:
其中,R(i)为第i层输出结果。
5.3.4)判断损失值函数los是否下降,若是则返回步骤5.3.1,重复迭代,若否,则迭代终止,并确定每一层每一个神经元的权重
6)训练后的室内定位模型接收待定位点的h个Wi-Fi热点的Wi-Fi信号接收强度值,对待定位点的h个Wi-Fi热点的Wi-Fi信号接收强度值进行分类匹配,确定待定位点的地理位置,并在室内区域的数字地图上进行标识。
本发明的技术效果是毋庸置疑的。本发明提供的技术方案可快速精确地识别待定位点所在室内的参考标识点,该方法的优点是布设简单,易于实现,可有效减少Wi-Fi接收信号强度值不稳定性的干扰,与传统分类算法相比具有较高的定位准确度,且点与点之间一一对应而无需外加距离等度量值,应用灵活、广泛,经过改造可适用于室内停车场、大型购物中心以及交通枢纽等多种室内环境。
附图说明
图1为算法流程图;
图2为基于WIFI位置指纹大数据分析的室内点对点定位方法与传统方法效果比较图;
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
一种基于WIFI位置指纹大数据分析的室内点对点定位方法,主要包括以下步骤:
1)确定待定位的室内区域和室内区域的数字地图。
2)在所述室内区域构建h个Wi-Fi热点。
3)依据所述室内区域的环境,规划n个定位参考标识点。并分别在每个所述标识点上采集k次Wi-Fi信号接收强度值。
4)对所述Wi-Fi信号接收强度值进行预处理。利用预处理后的Wi-Fi信号接收强度值构建Wi-Fi位置指纹库。Wi-Fi位置指纹库中将Wi-Fi信号接收强度值分为P个类别。
所述预处理主要包括异常值剔除、空白值填充和归一化。
所述异常值为采集组数不达标的值,其不达标的原因主要包括中途中断、上传数据丢包和采集应用异常关闭。
空白值为在采集组数达标,但是其中若干行或若干元素的信号接收强度值等于或接近-100的值。
异常值剔除和空白值填充的方法为K近邻算法。
K近邻算法:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
所谓K近邻算法,即是给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例(也就是上面所说的K个邻居),这K个实例的多数属于某个类,就把该输入实例分类到这个类中。
K值的选择会对算法的结果产生重大影响。K值较小意味着只有与输入实例较近的训练实例才会对预测结果起作用,但容易发生过拟合;如果K值较大,优点是可以减少学习的估计误差,但缺点是学习的近似误差增大,这时与输入实例较远的训练实例也会对预测起作用,使预测发生错误。在实际应用中,K值一般选择一个较小的数值,通常采用交叉验证的方法来选择最优的K值。随着训练实例数目趋向于无穷和K=1时,误差率不会超过贝叶斯误差率的2倍,如果K也趋向于无穷,则误差率趋向于贝叶斯误差率。
该算法中的分类决策规则往往是多数表决,即由输入实例的K个最临近的训练实例中的多数类决定输入实例的类别
KNN算法不仅可以用于分类,还可以用于回归。通过找出一个样本的k个最近邻居,将这些邻居的属性的平均值赋给该样本,就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight),如权值与距离成反比。
异常值剔除的方式为:直接删除存在异常值的一组数据,并重新采集上传Wi-Fi信号接收强度值。
空白值填充的方式为:利用正态分布拟合Wi-Fi信号接收强度值,选择正态分布均值加减一倍到二倍标准差之间的数据作为本组数据的代表,以此区间内的数据随机替换空白值,增加数据的可靠性。
5)利用网络自适应相似度分类算法构建室内定位模型。
将所述Wi-Fi位置指纹库中的数据作为室内定位模型的输入,从而对室内定位模型进行训练,得到训练后的室内定位模型,并确定训练后的室内定位模型的权重。
构建确定训练后的室内定位模型权重的主要步骤如下:
5.1)基于预处理后的Wi-Fi信号接收强度值,构建训练集L和验证集C。
进一步,构建训练集L和验证集C的主要步骤如下:
5.1.1)将预处理后的Wi-Fi信号接收强度值存储在数据集M中。
数据集M如下所示:
其中,snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。
5.1.2)利用公式2将数据集M中所有为负的元素转化为正值,从而得到归一化后的数据集M'。
数据集M'中的元素值,也即snh正则归一化后的值如下所示:
式中,为数据集M中最小的元素值。为数据集M中最大的元素值。snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。
5.1.3)将数据集M'划分为训练集L和验证集C。
训练集L如下所示:
式中,为数据集M'中的元素值。
验证集C如下所示:
式中,为数据集M'中的元素值。g的取值主要由室内定位区域和Wi-Fi热点的信号接收强度值决定。
5.2)搭建神经网络。所述神经网络主要包括输入层、m层隐含层和输出层。神经网络参数主要包括每层隐藏层神经元数量、激活函数、梯度优化器、学习批量、学习率和最大迭代次数。
5.2.1)将训练集L的每行数据作为输入数据输入到神经网络的输入层,并赋予输入层初始权重w1j。
5.2.2)利用sigmod函数调控输入层的每个神经元是否通行输入数据。通行的输入数据传入到隐含层第一层中,赋予隐含层第一层初始权重w2j。
5.2.3)利用sigmod函数调控隐含层第一层的每个神经元是否通行输入数据。通行的输入数据传入到隐含层第二层中,赋予隐含层第二层初始权重w3j。
5.2.4)重复步骤5.2.3,直至通行的输入数据传入到输出层中,赋予输出层初始权重wm+2j。其中,神经网络第i层的权重如下所示:
5.3)对神经网络进行迭代训练。
5.3.1)前向迭代。
5.3.1.1)计算损失值函数los,即:
式中,b为神经元输出类别为1的概率。为snh正则归一化后的值。h为Wi-Fi热点总数。
其中,神经元输出类别为数字1的概率b如下所示:
b=f(a)。 (7)
式中,f(a)为概率函数。
概率函数自变量a如下所示:
式中,wij为权重。pi为概率。i为神经网络层数序号。
对数公式log如下所示:
式中,b为神经元输出类别为1的概率。为snh正则归一化后的值。
5.3.1.2)更新损失值函数los。
记得到类别H的概率为则损失值函数los如下所示:
其中,min()为极小化函数。为得到类别L的概率。b为神经元输出类别为1的概率。为snh正则归一化后的值。
5.3.2)反向传递。
5.3.2.1)神经网络第s层的第u个神经元节点的残差值δst如下所示:
式中,los为损失值函数。snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。
5.3.2.2)sigmod函数向倒数第二层的反向传播函数,即第s-1层的第u个神经元节点的残差值δst如下所示:
其中,δ*为sigmod层唯一的残差值。wij为权重。los为损失值函数。snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值。f'(ai)为概率函数的导数。ai为每个神经元的加权输入值。
5.3.2.3)重复步骤5.3.2.2,从隐含层的最后一层向前传递,直到隐含层的第一层。隐含层的第一层的残差值如下所示:
式中,wij为权重。f'(ai)为概率函数的导数。δj为第j隐含层的初始残差值。
5.3.3)根据神经网络每一层的残差值,得到神经元权重如下所示:
其中,R(i)为第i层输出结果。
5.3.4)判断损失值函数los是否下降,若是则返回步骤5.3.1,重复迭代,若否,则迭代终止,并确定每一层每一个神经元的权重
6)将训练后的室内定位模型存储到服务器中,预留数据接收与传送接口。
7)训练后的室内定位模型接收待定位点的h个Wi-Fi热点的Wi-Fi信号接收强度值,对待定位点的h个Wi-Fi热点的Wi-Fi信号接收强度值进行分类匹配,确定待定位点的地理位置,并在室内区域的数字地图上进行标识。所述待定点为移动终端。
即:用户打开手持移动终端的Wi-Fi开关,并启动定位客户端,客户端将扫描采集到的当前环境内的Wi-Fi信号接收强度值通过网络上传至远端服务器,由接收函数进行预处理,处理完成后导入定位模型。模型解算后,将参考标识点标签对应于预设的绝对值坐标,以该坐标为圆心作一个以参考标识点宽为直径的小圆,配合当前环境地图呈现在客户端界面上,为用户提供参考。
Claims (5)
1.一种基于WIFI位置指纹大数据分析的室内点对点定位方法,其特征在于,主要包括以下步骤:
1)确定待定位的室内区域和室内区域的数字地图;
2)在所述室内区域构建h个Wi-Fi热点;
3)依据所述室内区域的环境,规划n个定位参考标识点;并分别在每个所述标识点上采集k次Wi-Fi信号接收强度值;
4)对所述Wi-Fi信号接收强度值进行预处理;利用预处理后的Wi-Fi信号接收强度值构建Wi-Fi位置指纹库;Wi-Fi位置指纹库中将Wi-Fi信号接收强度值分为P个类别;
5)利用网络自适应相似度分类算法构建室内定位模型;
将所述Wi-Fi位置指纹库中的数据作为室内定位模型的输入,从而对室内定位模型进行训练,得到训练后的室内定位模型,并确定训练后的室内定位模型的权重;
6)训练后的室内定位模型接收待定位点的h个Wi-Fi热点的Wi-Fi信号接收强度值,对待定位点的h个Wi-Fi热点的Wi-Fi信号接收强度值进行分类匹配,确定待定位点的地理位置,并在室内区域的数字地图上进行标识。
2.根据权利要求1所述的一种基于WIFI位置指纹大数据分析的室内点对点定位方法,其特征在于:所述预处理主要包括异常值剔除、空白值填充和归一化;
所述异常值为因中途中断、上传数据丢包和采集应用异常关闭造成采集组数不达标的值;
空白值为在采集组数达标,但是其中若干行或若干元素的信号接收强度值等于或接近-100的值;
异常值剔除和空白值填充的方法为K近邻算法。
3.根据权利要求1所述的一种基于WIFI位置指纹大数据分析的室内点对点定位方法,其特征在于:构建确定训练后的室内定位模型权重的主要步骤如下:
1)基于预处理后的Wi-Fi信号接收强度值,构建训练集L和验证集C;
2)搭建神经网络;所述神经网络主要包括输入层、m层隐含层和输出层;
2.1)将训练集L的每行数据作为输入数据输入到神经网络的输入层,并赋予神经网络输入层的初始权重w1j;
2.2)利用sigmod函数调控输入层的每个神经元是否通行输入数据;通行的输入数据传入到隐含层第一层中,赋予隐含层第一层的初始权重w2j;
2.3)利用sigmod函数调控隐含层第一层的每个神经元是否通行输入数据;通行的输入数据传入到隐含层第二层中,赋予隐含层第二层的初始权重w3j;
2.4)重复步骤2.3,直至通行的输入数据传入到输出层中,赋予输出层的初始权重wm+2j;其中,神经网络第i层的权重如下所示:
3)对神经网络进行迭代训练;
3.1)前向迭代;
3.1.1)计算损失值函数los,即:
式中,b为神经元输出类别为1的概率;为snh正则归一化后的值;h为Wi-Fi热点总数;
其中,神经元输出类别为1的概率b如下所示:
b=f(a); (3)
式中,f(a)为概率函数;
概率函数自变量a如下所示:
式中,wij为权重;pi为概率;i为神经网络层数序号;
对数公式log如下所示:
式中,b为神经元输出类别为1的概率;为snh正则归一化后的值;
3.1.2)更新损失值函数los;
记得到类别H的概率为则损失值函数los如下所示:
其中,min()为极小化函数;为得到类别L的概率;b为神经元输出类别为1的概率;为snh正则归一化后的值;
3.2)反向传递;
3.2.1)神经网络第s层的第u个神经元节点的残差值δst如下所示:
式中,los为损失值函数;snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值;
3.2.2)sigmod函数向倒数第二层的反向传播函数,即第s-1层的第u个神经元节点的残差值δst如下所示:
其中,δ*为sigmod层唯一的残差值;wij为权重;los为损失值函数;snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值;f'(ai)为概率函数的导数;ai为每个神经元的加权输入值;
3.2.3)重复步骤3.2.2,从隐含层的最后一层向前传递,直到隐含层的第一层;隐含层的第一层的残差值如下所示:
式中,wij为权重;f'(ai)为概率函数的导数;δj为第j隐含层的初始残差值;
3.3)根据神经网络每一层的残差值,得到神经元权重如下所示:
其中,R(i)为第i层输出结果;
3.4)判断损失值函数los是否下降;若是,则返回步骤3.1,重复迭代;若否,则迭代终止,并确定每一层每一个神经元的权重
4.根据权利要求3所述的一种基于WIFI位置指纹大数据分析的室内点对点定位方法,其特征在于:构建训练集L和验证集C的主要步骤如下:
1)将预处理后的Wi-Fi信号接收强度值存储在数据集M中;
数据集M如下所示:
其中,snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值;
2)利用公式2将数据集M中所有为负的元素转化为正值,从而得到归一化后的数据集M';
数据集M'中的元素值,也即snh正则归一化后的值如下所示:
式中,为数据集M中最小的元素值;为数据集M中最大的元素值;snh表示第n个参考标识点上扫描采集到的第h号Wi-Fi热点的信号接收强度值;
3)将数据集M'划分为训练集L和验证集C;
训练集L如下所示:
式中,为数据集M'中的元素值;
验证集C如下所示:
式中,为数据集M'中的元素值。
5.根据权利要求3所述的一种基于WIFI位置指纹大数据分析的室内点对点定位方法,其特征在于:神经网络参数主要包括每层隐藏层神经元数量、激活函数、梯度优化器、学习批量、学习率和最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811368224.2A CN109246608A (zh) | 2018-11-16 | 2018-11-16 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811368224.2A CN109246608A (zh) | 2018-11-16 | 2018-11-16 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109246608A true CN109246608A (zh) | 2019-01-18 |
Family
ID=65075731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811368224.2A Pending CN109246608A (zh) | 2018-11-16 | 2018-11-16 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109246608A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889981A (zh) * | 2019-03-08 | 2019-06-14 | 中南大学 | 一种基于二分类技术的定位方法及系统 |
CN110856253A (zh) * | 2019-11-15 | 2020-02-28 | 北京三快在线科技有限公司 | 定位方法、装置、服务器及存储介质 |
CN111044974A (zh) * | 2020-03-18 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 基于WiFi信号的室内定位方法和装置、存储介质 |
CN111259146A (zh) * | 2020-01-17 | 2020-06-09 | 浙江大学城市学院 | 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法 |
CN111432429A (zh) * | 2020-02-19 | 2020-07-17 | 华南理工大学 | 一种基于地图信息的无线信道模型匹配校正方法 |
CN112437485A (zh) * | 2020-10-29 | 2021-03-02 | 北京邮电大学 | 一种基于神经网络的指纹空间插值法的定位方法及装置 |
CN113923589A (zh) * | 2021-09-24 | 2022-01-11 | 郑州大学 | 一种非接触式多目标定位方法 |
CN114449439A (zh) * | 2021-10-29 | 2022-05-06 | 国网河北省电力有限公司雄安新区供电公司 | 一种地下管廊空间的定位方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN106792506A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器 |
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN108805167A (zh) * | 2018-05-04 | 2018-11-13 | 江南大学 | 一种基于Laplace函数约束的稀疏深度置信网络图像分类方法 |
-
2018
- 2018-11-16 CN CN201811368224.2A patent/CN109246608A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN106792506A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器 |
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN108805167A (zh) * | 2018-05-04 | 2018-11-13 | 江南大学 | 一种基于Laplace函数约束的稀疏深度置信网络图像分类方法 |
Non-Patent Citations (4)
Title |
---|
唐伟华: "基于深度抽象的集成神经网络定位算法", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
陈宗海主编: "《系统仿真技术及其应用 第5卷》", 31 August 2003 * |
韦鹏程,邹杨,冉维: "《基于R语言数据挖掘的统计与分析》", 31 December 2017 * |
黄 毅等: "基于改进sigmoid激活函数的深度神经网络", 《计算机测量与控制》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889981A (zh) * | 2019-03-08 | 2019-06-14 | 中南大学 | 一种基于二分类技术的定位方法及系统 |
CN110856253A (zh) * | 2019-11-15 | 2020-02-28 | 北京三快在线科技有限公司 | 定位方法、装置、服务器及存储介质 |
CN111259146B (zh) * | 2020-01-17 | 2022-04-19 | 浙江大学城市学院 | 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法 |
CN111259146A (zh) * | 2020-01-17 | 2020-06-09 | 浙江大学城市学院 | 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法 |
CN111432429A (zh) * | 2020-02-19 | 2020-07-17 | 华南理工大学 | 一种基于地图信息的无线信道模型匹配校正方法 |
CN111432429B (zh) * | 2020-02-19 | 2021-07-09 | 华南理工大学 | 一种基于地图信息的无线信道模型匹配校正方法 |
CN111044974A (zh) * | 2020-03-18 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 基于WiFi信号的室内定位方法和装置、存储介质 |
CN111044974B (zh) * | 2020-03-18 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 基于WiFi信号的室内定位方法和装置、存储介质 |
CN112437485A (zh) * | 2020-10-29 | 2021-03-02 | 北京邮电大学 | 一种基于神经网络的指纹空间插值法的定位方法及装置 |
CN112437485B (zh) * | 2020-10-29 | 2021-11-12 | 北京邮电大学 | 一种基于神经网络的指纹空间插值法的定位方法及装置 |
CN113923589A (zh) * | 2021-09-24 | 2022-01-11 | 郑州大学 | 一种非接触式多目标定位方法 |
CN113923589B (zh) * | 2021-09-24 | 2023-05-23 | 郑州大学 | 一种非接触式多目标定位方法 |
CN114449439A (zh) * | 2021-10-29 | 2022-05-06 | 国网河北省电力有限公司雄安新区供电公司 | 一种地下管廊空间的定位方法及装置 |
CN114449439B (zh) * | 2021-10-29 | 2023-05-23 | 国网河北省电力有限公司雄安新区供电公司 | 一种地下管廊空间的定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109246608A (zh) | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 | |
Li et al. | Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation | |
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
Wang et al. | A novel weighted KNN algorithm based on RSS similarity and position distance for Wi-Fi fingerprint positioning | |
CN104105106B (zh) | 无线通信网智能天线覆盖场景自动分类识别方法 | |
US8738032B2 (en) | Hybrid location using a weighted average of location readings and signal strengths of wireless access points | |
JP2021506149A (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
CN106793086A (zh) | 一种室内定位方法 | |
CN109963287A (zh) | 天线方向角优化方法、装置、设备及介质 | |
CN107333276A (zh) | 基于加权卡方距离的WiFi位置指纹定位方法 | |
CN109327797A (zh) | 基于WiFi网络信号的移动机器人室内定位系统 | |
CN109819394A (zh) | 基于WiFi与超声波混合的室内定位方法及其系统 | |
CN113747360B (zh) | 一种基于混合可见光和ble的室内定位方法 | |
CN110413655B (zh) | 一种基于改进隐马尔科夫模型的楼层识别方法 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
Nguyen et al. | Deep gated recurrent unit-based 3D localization for UWB systems | |
CN110097011A (zh) | 一种信号识别方法及装置 | |
Li et al. | Machine learning based high accuracy indoor visible light location algorithm | |
CN108828519A (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
Xiang et al. | Enhance RSS-based indoor localization accuracy by leveraging environmental physical features | |
CN110290455A (zh) | 基于场景识别的目标场景确定方法及系统 | |
Zhang et al. | The enhancement of WiFi fingerprint positioning using convolutional neural network | |
Dong et al. | Implementation of indoor fingerprint positioning based on ZigBee | |
CN106162529A (zh) | 室内定位方法与装置 | |
CN106792560B (zh) | 基于无线接收信号强度的目标识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |