CN109348410B - 基于全局和局部联合约束迁移学习的室内定位方法 - Google Patents

基于全局和局部联合约束迁移学习的室内定位方法 Download PDF

Info

Publication number
CN109348410B
CN109348410B CN201811372033.3A CN201811372033A CN109348410B CN 109348410 B CN109348410 B CN 109348410B CN 201811372033 A CN201811372033 A CN 201811372033A CN 109348410 B CN109348410 B CN 109348410B
Authority
CN
China
Prior art keywords
matrix
data
rss
source domain
target domain
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.)
Active
Application number
CN201811372033.3A
Other languages
English (en)
Other versions
CN109348410A (zh
Inventor
郭贤生
王磊
李林
胡芳姿
万群
段林甫
沈晓峰
李会勇
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.)
University of Electronic Science and Technology of China
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 CN201811372033.3A priority Critical patent/CN109348410B/zh
Publication of CN109348410A publication Critical patent/CN109348410A/zh
Application granted granted Critical
Publication of CN109348410B publication Critical patent/CN109348410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Abstract

本发明属于室内定位技术领域，特别是一种基于全局和局部联合约束迁移学习的室内定位方法。本发明的方法通过最小化域间的边缘和条件概率分布差异，以及最大化潜在子空间的样本方差约束全局结构的一致性。同时，通过最小化类内方差，最大化类间方差来保持每一个类别与其对应样本的依赖性，以及通过流形正则化保持局部的邻域关系，进而约束局部结构的一致性。可解决目前迁移学习方法知识迁移不充分的问题，从源域中迁移得到的知识可有效地提高目标域的定位精度，解决因环境变化而引起RSS波动的问题。从而本发明提出的基于全局和局部联合约束迁移学习的定位方法是一种适合在复杂室内环境下的高精度定位新方法。

Description

基于全局和局部联合约束迁移学习的室内定位方法
技术领域
本发明属于室内定位技术领域，特别是一种基于全局和局部联合约束迁移学习的室内定位方法。
背景技术
近年来，室内定位技术展现出广阔的发展前景和商业价值。譬如，大型商场的导航，医护人员对病人的看护，紧急情况下室内人员的救助。因此在巨大的市场需求之下，寻求一种适合复杂多变的室内环境下的高精度实时定位系统，已经成为业界的研究重点。
为了解决多径效应以及非视距效应带来的影响，一般采用基于RSS(ReceivedSignal Strength，接收信号强度)指纹的方法进行定位，该方法通常包含两个阶段：离线阶段和在线阶段。在离线阶段，在划分好的每一个格点通过移动设备采集所有接入点的RSS值，之后利用采集到的RSS值与其对应的坐标信息形成指纹数据库。在线阶段时，将移动设备收集到的RSS样本与指纹数据库进行匹配，其相似度最高的RSS值对应的位置作为定位结果。
传统的匹配算法通常要求离线指纹数据和在线指纹数据满足相同的分布，但由于环境的多变性，RSS值通常会发生波动，导致定位精度的下降。文献[1]利用迁移学习方法来解决RSS值发生波动的问题。该方法学习一组映射将源域和目标域数据映射到一个潜在的子空间，在这个子空间中，样本的方差被最大化以保留数据的属性，源域和目标域间的边缘概率分布差异通过最大均值差异准则(Maximum Mean Discrepancy，MMD)得到减小。在生成的子空间中，利用标准的匹配算法即可得到目标域中待定位用户的位置标记。文献“Pan SJ,Tsang I W,Kwok J T,et al.Domain adaptation via transfer component analysis[J].IEEE Transactions on Neural Networks,2011,22(2):199-210.”的方法尽管在一定程度上能从源域迁移知识到目标域，但是它忽略了域间条件概率分布的差异，其最终获得的定位性能提升有限。文献“Long M,Wang J,Ding G,et al.Transfer feature learningwith joint distribution adaptation[C].Proceedings of the IEEE internationalconference on computer vision.2013:2200-2207”在此基础上，利用减小类条件概率分布差异来近似减小条件概率分布差异，并且迭代地更新位置伪标记直至收敛。上述两种方法都是从全局性角度，约束结构的一致性，进而将源域的知识迁移到目标域中，在一定程度上解决了RSS值发生波动的问题。但是仅通过约束全局结构的一致性，迁移得到的知识往往并不充分。因此，该类方法由于上述问题的存在而在复杂的室内环境中很难形成准确、实时、稳定的定位。
发明内容
本发明的目的是针对技术背景中的单约束全局结构的一致性的迁移学习(Transfer Learning，TL)方法存在的缺陷，提出了一种基于全局和局部联合约束迁移学习的高精度室内定位方法。该方法在约束全局结构一致性的同时，增强每一种类别与其对应样本之间的依赖性，同时通过保持局部的邻域结构，来约束局部结构的一致性。该方法从全局和局部的角度出发，约束结构的一致性，进而从源域中更充分地迁移知识到目标域中，减轻了环境变化引起RSS值波动带来的性能下降，有效地提高了定位精度和稳健性。
为了实现本发明的目的，将采用以下技术方案：一种适用于复杂多变的室内环境的定位方法，它基于全局和局部的联合约束迁移源域的知识到目标域中，它包括以下步骤：
步骤1.将需要定位的室内环境划分为等大小的格点。
步骤2.依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，即为源域。
步骤3.采集待定位移动设备的RSS值，形成目标域。
步骤4.知识迁移：
步骤4-1.利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间(Reproducing Kernel Hilbert Space:RKHS)。
步骤4-2.基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数。
步骤4-3.基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数。
步骤4-4.结合步骤4-2和4-3的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵。
步骤4-5.利用4-4求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间。
步骤5.在潜在子空间的源域数据上训练一个基本的分类器。
步骤6.将潜在子空间的目标域数据输入到步骤5训练得到的分类器中，即可获得位置估计。
本发明利用迁移学习方法解决了因环境变化而引起的RSS波动性问题，提高了定位的准确性，克服了传统机器学习方法假设源域数据和目标域数据同分布在复杂多变的室内环境下不成立的缺点。本发明从全局和局部的角度，约束结构的一致性，从源域中更充分地迁移知识到目标域中，解决了背景技术中的迁移学习方法知识迁移不充分的问题。从而本发明提出的基于全局和局部联合约束迁移学习的定位方法是一种定位精度高、稳健性好的定位方法。。
附图说明
图1为本发明的流程图；
图2为技术背景中采用的定位方法和本发明方法的定位误差性能比较图。
具体实施方式
下面结合附图和实施例，详细描述本发明的技术方案。
实施例
1.实验场地布置
实验环境为308.4m2的图书馆环境，室内有座椅板凳及书架等，在定位区域可探测到的WiFi接入点数量为448个，先将场地划分为230个格点。
2.获取数据并形成RSS指纹数据库
将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量
Figure BDA0001868717570000031
此处ns为已知位置标记的所有RSS样本数量，相应的位置标记表示成ci∈{1,2,…,C}，C＝230为格点的数量。RSS值与相应的位置标记构成了指纹数据库，即源域
Figure BDA0001868717570000032
其中，
Figure BDA0001868717570000033
3.收集待定位设备的RSS值
收集请求定位的移动设备的RSS值，形成目标域
Figure BDA0001868717570000034
此处
Figure BDA0001868717570000035
为无位置标记的RSS样本形成的目标域数据矩阵，nt为收集的RSS样本数量。
4.映射到潜在子空间完成知识迁移
4-1.利用获得的源域数据矩阵Xs，与目标域数据矩阵Xt形成数据矩阵
Figure BDA0001868717570000041
利用核技巧将RSS数据映射到高维的再生核希尔伯特空间中，核矩阵K＝φ(X)Tφ(X)，Ks＝φ(X)Tφ(Xs)，Kt＝φ(X)Tφ(Xt)，ki＝φ(X)Tφ(xi)，φ为一个核映射，通常采用高斯径向基函数(Radial Basis Function:RBF)。
4-2.利用MMD准则衡量源域和目标域之间的边缘分布距离，如下：
Figure BDA0001868717570000042
其中，Tr(·)为求迹算子，A为映射矩阵，M0为MMD矩阵，计算方式如下：
Figure BDA0001868717570000043
4-3.利用MMD准则衡量源域和目标域之间的条件分布距离，如下：
Figure BDA0001868717570000044
其中，
Figure BDA0001868717570000045
和
Figure BDA0001868717570000046
分别是源域和目标域中属于第c个格点的样本，
Figure BDA0001868717570000047
和
Figure BDA0001868717570000048
分别是相应的样本数量，初始化时由于目标域的标记信息未知，故令Mc＝0，在之后的迭代过程中，Mc由如下的方式计算：
Figure BDA0001868717570000051
利用一个平衡因子μ结合(1)和(3)式，得到下式：
Figure BDA0001868717570000052
其中，μ∈[0,1]，
Figure BDA0001868717570000053
通过最小化(5)式，即可减小源域和
目标域之间的边缘和条件概率分布差异。
4-4.利用中心矩阵H＝In-(1/n)11T计算投影后样本的协方差矩阵，即ATKHKTA，通过下式完成RSS数据的方差最大化：
Figure BDA0001868717570000054
最小化(5)式以及最大化(6)式即可约束全局结构的一致性。
4-5.通过最小化类内方差和最大化类间方差保持RSS样本与标记之间的依赖性，如下
Figure BDA0001868717570000055
Figure BDA0001868717570000056
其中，
Figure BDA0001868717570000057
Figure BDA0001868717570000061
是属于第c个格点的源域样本，
Figure BDA0001868717570000062
是中心矩阵，
Figure BDA0001868717570000063
4-6.利用流形正则化保持数据的局部邻域结构，首先计算亲和矩阵
Figure BDA0001868717570000064
其中，
Figure BDA0001868717570000065
意味着xi为xj的近邻，或反之亦然。之后计算图拉普拉斯矩阵
L＝D-W (10)
此处，D为对角矩阵，
Figure BDA0001868717570000066
最后，最小化以下式子：
Figure BDA0001868717570000067
其中，[ATK]i表示在潜在子空间的第i个样本。通过最小化(11)以及优化(7)、(8)式，即可约束局部结构的一致性。
4-7.结合约束全局结构和局部结构一致性的优化目标，可得到最后的优化目标函数：
Figure BDA0001868717570000068
其解为下式的广义特征值分解获得的k个主特征向量构成的矩阵：
(KHKT+βSb)A＝(KMKT+λKLKT+βSw+αI)AΦ(13)
4-8.根据步骤4-6获得的映射矩阵A将源域数据和目标域数据映射到潜在子空间，即ATKs和ATKt。
5.在源域数据{ATKs,cs}上训练一个KNN分类器f(·)
6.将目标域数据ATKt输入到步骤5获得的分类器f(·)中，更新目标域的位置标记。若与前一次迭代过程相比未达到收敛，则利用(4)式更新Mc，重新计算获得映射矩阵，进而更新位置标记，否则返回最后更新的位置标记，即为定位结果。
本发明分别对实验环境中14个目标域进行实测定位，每个目标域带有1500个测试样本，采用平均误差距离(Average Error Distance:AED)评估性能，计算方式如下：
Figure BDA0001868717570000071
其中，
Figure BDA0001868717570000072
表示第n个样本的二维坐标预测，g(yn)表示第n个样本的真实二维坐标。最终得到的定位结果为：平均误差距离为2.73米,定位误差小于3米的占59.11％。
表格1为背景技术中的定位方法与本发明中提出的定位方法性能比较
表1平均定位误差小于3m的百分比
目标域 背景技术方法1 背景技术方法2 本专利中提出的方法
1 55.60 58.93 61.93
2 54.07 56.67 60.53
3 51.27 53.80 56.20
4 52.40 57.47 61.27
5 53.67 58.33 58.94
6 55.20 54.13 59.20
7 57.93 60.67 61.67
8 54.87 58.46 58.67
9 55.93 56.60 59.87
10 49.80 55.00 57.40
11 46.40 55.07 56.87
12 46.80 56.20 57.60
13 45.13 57.67 58.60
14 43.53 57.27 58.73
图2为技术背景中基于约束全局结构一致性的方法和本发明方法的定位误差性能比较图,其中技术背景中的方法在每个目标域上的定位效果都低于本发明的方法，这是因为该方法在迁移知识时并没有保持样本与标记之间的依赖性，也没有保留数据的局部邻域结构，其迁移得到的知识在目标域变化较大时往往是不充分的，使得迁移学习方法带来的提升效果有限。而本发明提出的方法从约束全局和局部结构一致性出发，从源域中更充分地迁移知识到目标域中，即使在RSS值波动性较大的目标域中仍能取得较好的定位效果。

Claims (3)

1.基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，包括以下步骤：
S1、将需要定位的室内环境划分为等大小的格点；
S2、依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，定义为源域；具体方法为：
设定位区域网络接入点数量为N个，则获得RSS向量ri＝[ri 1,ri 2,…,ri N]T，i＝1,2,3,…,ns，此处ns为已知位置标记的所有RSS样本数量，相应的位置标记表示成ci∈{1,2,…,C}，C为格点的数量，RSS值与相应的位置标记构成了指纹数据库，即源域
Figure FDA0002470859060000011
其中，
Figure FDA0002470859060000012
S3、采集待定位移动设备的RSS值，形成目标域；具体方法为：
收集请求定位的移动设备的RSS值，形成目标域
Figure FDA0002470859060000013
此处
Figure FDA0002470859060000014
为无位置标记的RSS样本形成的目标域数据矩阵，nt为收集的RSS样本数量；
S4、知识迁移：
S41、利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间；具体为：利用获得的源域数据矩阵Xs，与目标域数据矩阵Xt形成数据矩阵
Figure FDA0002470859060000015
利用核技巧将RSS数据映射到高维的再生核希尔伯特空间中，核矩阵K＝φ(X)Tφ(X)，Ks＝φ(X)Tφ(Xs)，Kt＝φ(X)Tφ(Xt)，ki＝φ(X)Tφ(xi)，φ为一个核映射；
S42、基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数；具体为：利用MMD准则衡量源域和目标域之间的边缘分布距离，如下：
Figure FDA0002470859060000016
其中，Tr(·)为求迹算子，A为映射矩阵，M0为MMD矩阵，计算方式如下：
Figure FDA0002470859060000021
S43、基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数；具体为：利用MMD准则衡量源域和目标域之间的条件分布距离，如下：
Figure FDA0002470859060000022
其中，
Figure FDA0002470859060000023
和
Figure FDA0002470859060000024
分别是源域和目标域中属于第c个格点的样本，
Figure FDA0002470859060000025
和
Figure FDA0002470859060000026
分别是相应的样本数量，初始化时由于目标域的标记信息未知，令Mc＝0，在之后的迭代过程中，Mc由如下的方式计算：
Figure FDA0002470859060000027
利用一个平衡因子μ结合(1)和(3)式，得到下式：
Figure FDA0002470859060000028
其中，μ∈[0,1]，
Figure FDA0002470859060000031
通过最小化(5)式，即可减小源域和目标域之间的边缘和条件概率分布差异；
S44、结合步骤S42和S43的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵；具体为：利用中心矩阵H＝In-(1/n)11T计算投影后样本的协方差矩阵，即ATKHKTA，通过下式完成RSS数据的方差最大化：
Figure FDA0002470859060000032
最小化(5)式以及最大化(6)式即可约束全局结构的一致性；
S45、利用S44求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间；具体为：通过最小化类内方差和最大化类间方差保持RSS样本与标记之间的依赖性，如下
Figure FDA0002470859060000033
Figure FDA0002470859060000034
其中，
Figure FDA0002470859060000035
Figure FDA0002470859060000036
是属于第c个格点的源域样本，
Figure FDA0002470859060000037
是中心矩阵，
Figure FDA0002470859060000038
S46、利用流形正则化保持数据的局部邻域结构，首先计算亲和矩阵
Figure FDA0002470859060000039
其中，
Figure FDA00024708590600000310
意味着xi为xj的近邻，或反之亦然；之后计算图拉普拉斯矩阵
L＝D-W (10)
此处，D为对角矩阵，
Figure FDA00024708590600000311
最后，最小化以下式子：
Figure FDA0002470859060000041
其中，[ATK]i表示在潜在子空间的第i个样本；通过最小化(11)以及优化(7)、(8)式，即可约束局部结构的一致性；
S47、结合约束全局结构和局部结构一致性的优化目标，可得到最后的优化目标函数：
Figure FDA0002470859060000042
其解为下式的广义特征值分解获得的k个主特征向量构成的矩阵：
(KHKT+βSb)A＝(KMKT+λKLKT+βSw+aI)AΦ (13)
S48、根据步骤S46获得的映射矩阵A将源域数据和目标域数据映射到潜在子空间，即ATKs和ATKt；
S5、在潜在子空间的源域数据上训练一个基本的分类器；
S6、将潜在子空间的目标域数据输入到步骤S5训练得到的分类器中，即可获得位置估计。
2.根据权利要求1所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S5的具体方法为：在源域数据{ATKs,cs}上训练一个KNN分类器f(·)。
3.根据权利要求2所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S6的具体方法为：将目标域数据ATKt输入到步骤S5获得的分类器f(·)中，更新目标域的位置标记；若与前一次迭代过程相比未达到收敛，则利用(4)式更新Mc，重新计算获得映射矩阵，进而更新位置标记，否则返回最后更新的位置标记，即为定位结果。
CN201811372033.3A 2018-11-16 2018-11-16 基于全局和局部联合约束迁移学习的室内定位方法 Active CN109348410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811372033.3A CN109348410B (zh) 2018-11-16 2018-11-16 基于全局和局部联合约束迁移学习的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811372033.3A CN109348410B (zh) 2018-11-16 2018-11-16 基于全局和局部联合约束迁移学习的室内定位方法

Publications (2)

Publication Number Publication Date
CN109348410A CN109348410A (zh) 2019-02-15
CN109348410B true CN109348410B (zh) 2020-07-10

Family

ID=65316277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811372033.3A Active CN109348410B (zh) 2018-11-16 2018-11-16 基于全局和局部联合约束迁移学习的室内定位方法

Country Status (1)

Country Link
CN (1) CN109348410B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390273A (zh) * 2019-07-02 2019-10-29 重庆邮电大学 一种基于多核迁移学习的室内人员入侵检测方法
CN111578940B (zh) * 2020-04-24 2021-05-11 哈尔滨工业大学 一种基于跨传感器迁移学习的室内单目导航方法及系统
CN112731285B (zh) * 2020-12-22 2023-12-08 成都中科微信息技术研究院有限公司 一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法
CN112954632B (zh) * 2021-01-26 2022-01-28 电子科技大学 一种基于异构迁移学习的室内定位方法
CN112954633B (zh) * 2021-01-26 2022-01-28 电子科技大学 一种基于参数约束的双网络架构室内定位方法
CN115103441B (zh) * 2022-06-20 2024-04-05 燕山大学 一种基于先验知识和迁移学习的定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098108A (zh) * 2010-11-25 2013-05-08 松下电器产业株式会社 通信设备
CN106250870A (zh) * 2016-08-16 2016-12-21 电子科技大学 一种联合局部和全局相似性度量学习的行人再识别方法
CN107077476A (zh) * 2014-09-24 2017-08-18 甲骨文国际公司 利用动态类型的大数据对事件进行丰富以用于事件处理
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103002575B (zh) * 2012-10-16 2016-12-21 桂林电子科技大学 基于粒子群算法的水下无线传感器网络节点定位方法
US10705525B2 (en) * 2017-04-07 2020-07-07 Nvidia Corporation Performing autonomous path navigation using deep neural networks
CN107368785A (zh) * 2017-06-16 2017-11-21 浙江万里学院 多核局部约束的视频目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098108A (zh) * 2010-11-25 2013-05-08 松下电器产业株式会社 通信设备
CN107077476A (zh) * 2014-09-24 2017-08-18 甲骨文国际公司 利用动态类型的大数据对事件进行丰富以用于事件处理
CN106250870A (zh) * 2016-08-16 2016-12-21 电子科技大学 一种联合局部和全局相似性度量学习的行人再识别方法
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法

Also Published As

Publication number Publication date
CN109348410A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109348410B (zh) 基于全局和局部联合约束迁移学习的室内定位方法
US11270397B2 (en) Automatic urban land identification system integrating business big data with building form
CN104853435B (zh) 一种基于概率的室内定位方法和装置
CN110536257B (zh) 一种基于深度自适应网络的室内定位方法
Thrun et al. Fastslam: An efficient solution to the simultaneous localization and mapping problem with unknown data association
CN108955679A (zh) 一种变电站智能巡检机器人高精度定位方法
JP6325322B2 (ja) 医用画像処理装置、医用画像処理方法および医用画像処理プログラム
CN107607122B (zh) 面向室内定位的位置指纹库构建和动态更新方法
CN109143161B (zh) 基于混合指纹质量评价模型的高精度室内定位方法
Dryden et al. Statistical analysis of unlabeled point sets: Comparing molecules in chemoinformatics
CN108711356B (zh) 矢量地理pdf地图制作中地理目标与符号图形配准方法
Yuan et al. EGST: Enhanced Geometric Structure Transformer for Point Cloud Registration
Wuhrer et al. Semi-automatic prediction of landmarks on human models in varying poses
Xue et al. Validation and mathematical model of workspace Measuring and Positioning System as an integrated metrology system for improving industrial robot positioning
CN116008671A (zh) 一种基于时差和聚类的闪电定位方法
Zhang et al. A posture detection method for augmented reality–aided assembly based on YOLO-6D
Stanislawski et al. Estimating positional accuracy of data layers within a GIS through error propagation
Shui et al. A comparison of semilandmarking approaches in the analysis of size and shape
CN116650115A (zh) 一种基于uwb标记点的骨科手术导航注册方法
Ali Abbaspour et al. Assessing the efficiency of shape-based functions and descriptors in multi-scale matching of linear objects
Hamzah et al. Malaysia tourism demand forecasting using Box Jenkins approach
Qiao et al. An improved XGBoost indoor localization algorithm
Wang et al. A propagating update method of multi-represented vector map data based on spatial objective similarity and unified geographic entity code
Shnaidman et al. Genetic algorithms: a stochastic approach for improving the current cadastre accuracies
CN110673470A (zh) 基于局部加权因子模型的工业非平稳过程软测量建模方法

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