CN109633530A - 一种定位方法及系统、设备、存储介质 - Google Patents
一种定位方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN109633530A CN109633530A CN201811452554.XA CN201811452554A CN109633530A CN 109633530 A CN109633530 A CN 109633530A CN 201811452554 A CN201811452554 A CN 201811452554A CN 109633530 A CN109633530 A CN 109633530A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- mixed
- point
- reference points
- positioning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004807 localization Effects 0.000 title claims abstract 3
- 230000009467 reduction Effects 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Collating Specific Patterns (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种定位方法及系统、设备、存储介质,本发明通过获取参考点的位置和混合指纹,并对混合指纹进行降维处理以得到降维混合指纹,再利用降维混合指纹训练参考点分类模型,则利用待定位点的降维混合指纹和参考点分类模型可以获取置信度大于预设置信度的参考点及其置信度,再根据所获取的参考点的混合指纹、置信度、位置信息获取待定位点的位置,克服现有技术中存在利用单一指纹信息实现定位的定位精度低下且定位效率低下的技术问题,有效提高了定位精度和定位效率。
Description
技术领域
本发明涉及定位领域,尤其是一种定位方法及系统、设备、存储介质。
背景技术
RSSI,Received Signal Strength Indicator,信号强度指示。
CSI,Channel State Information,信道状态信息。
WiFi定位技术是目前学术界和工业届的研究重点之一。当前在室外场景的定位服务主要由GPS、蜂窝网定位系统来提供。但是由于城市峡谷现象越来越严重,严重影响了定位精度。由于WiFi热点的普及,WiFi定位技术逐渐成为研究热点。WiFi信号强度信息由于具有简单易采集的特征,已经普遍应用于当前的WiFi定位技术。RSSI信息能很方便地使用任意一个支持802.11a/g/n协议的无线接收网卡获取。但是它也有一个很大的缺点,那就是定位精度不稳定,尤其是在复杂的建筑环境中,由于无线信号在传播中会受到障碍物的阻隔,会导致信号的传播过程变得非常复杂。尤其是环境中有许多移动物体时,多径效应的影响,会使得RSSI信号波动幅度增大,导致定位精度产生较大的波动。
为解决RSSI定位技术的精度波动问题,Halperin D最先提出了CSI定位技术。WiFi信道状态信息能刻画各个OFDM子信道的状态,是一个更加稳定的信号指标。CSI定位技术是利用OFDM技术频率分集的特点,实现子信道状态信息的精确测量,获得更加精细的子信道信息。由于只有一部分子信道的CSI会产生波动,CSI定位技术会得到更加稳定的无线信道指纹,以提高定位精度和稳定性。由于空间环境的异构性,对CSI指纹所包含的特征进行提取是一个重要挑战。综上,现有定位方案单独使用RSSI指纹或CSI指纹(如FILA算法、ConFi算法),都会丢失一部分指纹信息,导致定位不准确,定位误差较大。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的是提供一种定位方法及系统、设备、存储介质,有效提高定位精度和定位效率。
本发明所采用的技术方案是:
第一方面,本发明提供一种定位方法,包括以下步骤:
信息采集步骤,采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,所述混合指纹包括RSSI指纹和CSI指纹;
降维步骤,对所述混合指纹进行降维处理以获取降维混合指纹;
模型训练步骤,根据所述降维混合指纹训练参考点分类模型;
参考点获取步骤,根据待定位点的降维混合指纹和所述参考点分类模型以获取多个参考点及其置信度,所述参考点的置信度大于预设置信度;
待定位点位置获取步骤,根据所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
进一步地,所述降维步骤具体包括:
指纹拆分子步骤,根据所述无线信号发射端的个数拆分所述混合指纹得到部分混合指纹集,所述部分混合指纹集为来自同一个无线信号发射端的混合指纹的集合;
降维编码子步骤,分别对所述部分混合指纹集进行降维编码以获取降维编码后的部分混合指纹集;
拼接子步骤,根据所述降维编码后的部分混合指纹集拼接得到所述降维混合指纹。
进一步地,所述降维编码子步骤具体为:
利用自编码器对所述部分混合指纹集进行降维编码以获取降维编码后的部分混合指纹集,一个自编码器对应一个所述部分混合指纹集。
进一步地,所述自编码器为栈式自编码器。
进一步地,所述参考点分类模型为神经网络参考点分类模型。
进一步地,所述待定位点位置获取步骤具体包括:
根据平方加权三边定位算法、所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
第二方面,本发明提供一种定位系统,包括:
信息采集单元,用于采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,所述混合指纹包括RSSI指纹和CSI指纹;
降维单元,用于对所述混合指纹进行降维处理以获取降维混合指纹;
模型训练单元,用于根据所述降维混合指纹训练参考点分类模型;
参考点获取单元,用于根据待定位点的降维混合指纹和所述参考点分类模型以获取多个参考点及其置信度,所述参考点的置信度大于预设置信度;
待定位点位置获取单元,用于根据所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
第三方面,本发明提供一种定位系统,包括:
无线信号发射端,用于发射无线信号;
移动终端,用于采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,所述混合指纹包括RSSI指纹和CSI指纹;
降维单元,用于对所述混合指纹进行降维处理以获取降维混合指纹;
模型训练单元,用于根据所述降维混合指纹训练参考点分类模型;
参考点获取单元,用于根据待定位点的降维混合指纹和所述参考点分类模型以获取多个参考点及其置信度,所述参考点的置信度大于预设置信度;
待定位点位置获取单元,用于根据所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
第四方面,本发明提供一种定位设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的定位方法。
第五方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行所述的定位方法。
本发明的有益效果是:
本发明通过获取参考点的位置和混合指纹,并对混合指纹进行降维处理以得到降维混合指纹,再利用降维混合指纹训练参考点分类模型,则利用待定位点的降维混合指纹和参考点分类模型可以获取置信度大于预设置信度的参考点及其置信度,再根据所获取的参考点的混合指纹、置信度、位置信息获取待定位点的位置,克服现有技术中存在利用单一指纹信息实现定位的定位精度低下且定位效率低下的技术问题,有效提高了定位精度和定位效率。
另外,本发明分别对来自同一个无线信号发射端的部分混合指纹集进行降维处理后拼接得到降维混合指纹,使降维过程中丢失的信息更少,以提高降维效果;本发明还通过根据平方加权三边定位算法、多个参考点及其置信度、参考点的位置信息获取待定位点的位置信息,可进一步提高定位精度,获取准确的待定位点的位置信息。
附图说明
图1是本发明中一种定位方法的一具体实施例方法流程图;
图2是本发明中一种定位方法的一具体实施例具体流程图;
图3是本发明中一种定位方法中平方加权三边定位算法的一具体实施例示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
参考图1,图1是本发明中一种定位方法的一具体实施例方法流程图,一种定位方法,包括以下步骤:
信息采集步骤,采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,混合指纹包括RSSI指纹和CSI指纹;
降维步骤,对混合指纹进行降维处理以获取降维混合指纹;
模型训练步骤,根据降维混合指纹训练参考点分类模型;
参考点获取步骤,根据待定位点的降维混合指纹和参考点分类模型以获取多个参考点及其置信度,参考点的置信度大于预设置信度;
待定位点位置获取步骤,根据多个参考点及其置信度、参考点的位置信息获取待定位点的位置信息。
利用上述步骤实现了精准定位,克服现有技术中存在利用单一指纹信息实现定位的定位精度低下且定位效率低下的技术问题,利用降维后的混合指纹进行定位识别处理,减少了数据量,可以有效提高定位精度和定位效率。
参考图2,图2是本发明中一种定位方法的一具体实施例具体流程图,下面对定位方法进行具体说明:
第一阶段为离线阶段:
信息采集步骤:定位区域中的无线信号发射端发射出无线信号,无线信号发射端可以有多个,本实施例中,无线信号发射端为WiFi热点,共有N个,WiFi热点发射出WiFi信号。可以利用移动终端(如笔记本电脑)采集定位区域中参考点的混合指纹,当移动终端在某个参考点与某个WiFi热点连接时,则可建立通信连接以完成混合指纹的采集,即在一个参考点可以采集到来自N个WiFi热点的混合指纹,多个参考点的混合指纹组成混合指纹集合;而对于参考点的位置信息,通过空间位置建模可以获得每个参考点的相对地理位置坐标(x,y),从而可以换算成经纬度坐标。另外,每个参考点具有一个参考点编号,而每个WiFi热点具有一个WiFi热点编号。
降维步骤包括:
指纹拆分子步骤,根据无线信号发射端的个数拆分混合指纹得到部分混合指纹集,部分混合指纹集为来自同一个无线信号发射端的混合指纹的集合;本实施例中,将在某个参考点采集的来自N个热点的混合指纹拆分成N份,每一份只包含来自一个热点的混合指纹,所有参考点来自同一个热点的混合指纹组成部分混合指纹集,如图2中的热点1的部分混合指纹集、热点2的部分混合指纹集等。
降维编码子步骤,分别对部分混合指纹集进行降维编码以获取降维编码后的部分混合指纹集;具体地,利用自编码器分别对部分混合指纹集进行降维编码以获取降维编码后的部分混合指纹集,一个自编码器对应一个部分混合指纹集,如图2中的热点1的自编码器对应热点1的部分混合指纹集,利用热点1的自编码器对热点1的部分混合指纹集进行降维编码;本实施例中,自编码器为栈式自编码器。其中,自编码器分为信息压缩、信息解压两个过程,信息压缩由编码器部分来实现,编码器部分的神经网络的神经元个数逐层减少,直到中间层。中间层也是编码结果的输出层。信息解压过程对应着解码器部分,这个过程中也是原始信息再恢复的过程。解码器部分的神经网络的神经元个数逐层增加,直到最后的输出层。输出层神经元的个数和输入层神经元的个数相等,如果输出层能够学习到和输入层相似度较高的数据样本,那么表示降维的结果是可靠的。相比于传统的降维算法,自编码器有两个明显的优势:一方面能够自动学习难以手工提取的特征,提高模型的可扩展性;另一方面能有效地降低数据的维度。另外,自编码器不仅能提取特征,同时减少指纹维度,降低神经网络输入层参数,避免过拟合。自编码器是与数据相关的,损失函数一般可以使用均方差损失函数。对于不同的数据样本集,需要训练不同的自编码器来学习相关特征。在训练一个自编码器时,解码器迫使自编码器选择最有信息量的特征,并保存在网络中。输出层的输出数据越接近原始输入,自编码器得到的降维效果越好。自编码器在训练时,需要用到编码和解码两个部分,在使用时,只需要利用编码部分。因此,本实施例中,对于每一个部分混合指纹集,先用来训练对应的自编码器模型,以实现后期自编码器可以进行自动特征提取和降维编码。当自编码器的层数较少时,对网络参数进行整体优化即可。当自编码器的层数较深时,由于网络所需优化的参数较多,如果同时对整个网络参数进行优化,损失函数很容易陷入局部极小值点,导致学习的效果不理想。只有当网络的初始化参数靠近全局最优值时,对整个网络的参数同时进行训练才能得到全局最优参数。本实施例中,为了使网络初始值接近全局最优值,自编码器使用逐层预训练的栈式自编码器。从第1层开始,每次只训练一层神经网络,用前一层的输入作为自监督的输出,直到输出层。在自编码器训练好后,可以输入测试指纹进行自编码器测试,保证自编码器的参数最优。当所有网络层进行预训练之后,再对整体网络进行训练,即可避免损失函数陷入局部最小值。利用训练好的栈式自编码器对部分指纹集进行降维编码得到降维编码后的部分混合指纹集,如图2中的热点1编码降维后的指纹等。
拼接子步骤,根据降维编码后的部分混合指纹集拼接得到每一个参考点的降维混合指纹,所有参考点的降维混合指纹合并组成降维混合指纹集。
模型训练步骤:根据降维混合指纹集(作为训练集)训练参考点分类模型,参考点分类模型为神经网络参考点分类模型,神经网络参考点分类模型为一个3层的神经网络,神经网络的隐藏层的激活函数使用线性整流单位(ReLU),神经网络的输出层的激活函数是Softmax,输出层的神经元个数等于参考点的个数以输出所输入的点的降维混合指纹与各个参考点的降维混合指纹的相似程度,即匹配概率,也即置信度。将各个参考点的降维混合指纹作为训练样本,以参考点编号作为类别标签训练参考点分类模型。
第二阶段为在线阶段:
参考点获取步骤:根据参考点分类模型(已训练完毕的模型)和待定位点的降维混合指纹(待定位点的混合指纹利用第一阶段的自编码器进行降维后拼接得到待定位点的降维混合指纹)以获取多个参考点及其置信度,其中,多个参考点满足参考点的置信度大于预设置信度,预设置信度可以调整,本实施例中,取置信度最大的3个参考点。
待定位点位置获取步骤:本实施例中,根据平方加权三边定位算法、三个参考点及其置信度、三个参考点的位置信息获取待定位点的位置信息。参考图3,图3是本发明中一种定位方法中平方加权三边定位算法的一具体实施例示意图,其中,WiFi AP为WiFi热点,十字星型标记表示参考点的位置,圆点表示待定位点的真实位置,RP1,RP2,RP3为与待定位点的置信度最大的三个参考点,参考点RP1,RP2,RP3的位置坐标分别为(x1,y1)、(x2,y2)和(x3,y3),根据三个参考点相应的置信度,参考点RP1,RP2,RP3的置信度分别为P1,P2和P3,利用参考点的位置坐标与置信度平方加权(对于置信度更高的参考点,分配更高的权重)可以计算得到待定位点的位置坐标(xe,ye):
在获得与待定位点的置信度最大的多个参考点之后,也可以利用最大似然定位算法计算待定位点的位置坐标,但是定位误差较大。根据所获得的待定位点的位置坐标(xe,ye)与待定位点的真实地理位置(xr,yr)计算它们之间的欧氏距离Edis,也即定位误差,利用定位误差的大小可以评估定位方法的定位性能好坏。
本发明的定位方法是基于栈式自编码器和神经网络的定位方法,利用栈式自编码器的自动化特征提取和降维,改善降维效果;同时栈式自编码器降低了训练集的参数数量,有效降低了神经网络参考点分类器的训练难度;对各个热点的部分混合指纹集分别进行降维编码后再拼接得到降维混合指纹,并用降维后的混合指纹训练神经网络参考点分类模型时,能有效学习到了混合指纹中的隐含特征,保证神经网络参考点分类模型能取得较高的定位精度;因此,本发明的定位方法不仅定位精度高,而且利用降维处理提高了定位效率。
实施例2
一种定位系统,包括:
信息采集单元,用于采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,混合指纹包括RSSI指纹和CSI指纹;
降维单元,用于对混合指纹进行降维处理以获取降维混合指纹;
模型训练单元,用于根据降维混合指纹训练参考点分类模型;
参考点获取单元,用于根据待定位点的降维混合指纹和参考点分类模型以获取多个参考点及其置信度,参考点的置信度大于预设置信度;
待定位点位置获取单元,用于根据多个参考点及其置信度、参考点的位置信息获取待定位点的位置信息。定位系统的具体工作过程可参照实施例1的描述,不再赘述。
实施例3
一种定位系统,包括:
无线信号发射端,用于发射无线信号;
移动终端,用于采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,混合指纹包括RSSI指纹和CSI指纹,其中,移动终端可以为笔记本电脑;
降维单元,用于对混合指纹进行降维处理以获取降维混合指纹;
模型训练单元,用于根据降维混合指纹训练参考点分类模型;
参考点获取单元,用于根据待定位点的降维混合指纹和参考点分类模型以获取多个参考点及其置信度,参考点的置信度大于预设置信度;
待定位点位置获取单元,用于根据多个参考点及其置信度、参考点的位置信息获取待定位点的位置信息。定位系统的具体工作过程可参照实施例1的描述,不再赘述。
实施例4
一种定位设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的定位方法。关于定位方法的具体描述可参照实施例1的描述,不再赘述。
实施例5
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行所述的定位方法。关于定位方法的具体描述可参照实施例1的描述,不再赘述。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种定位方法,其特征在于,包括以下步骤:
信息采集步骤,采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,所述混合指纹包括RSSI指纹和CSI指纹;
降维步骤,对所述混合指纹进行降维处理以获取降维混合指纹;
模型训练步骤,根据所述降维混合指纹训练参考点分类模型;
参考点获取步骤,根据待定位点的降维混合指纹和所述参考点分类模型以获取多个参考点及其置信度,所述参考点的置信度大于预设置信度;
待定位点位置获取步骤,根据所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
2.根据权利要求1所述的定位方法,其特征在于,所述降维步骤具体包括:
指纹拆分子步骤,根据所述无线信号发射端的个数拆分所述混合指纹得到部分混合指纹集,所述部分混合指纹集为来自同一个无线信号发射端的混合指纹的集合;
降维编码子步骤,分别对所述部分混合指纹集进行降维编码以获取降维编码后的部分混合指纹集;
拼接子步骤,根据所述降维编码后的部分混合指纹集拼接得到所述降维混合指纹。
3.根据权利要求2所述的定位方法,其特征在于,所述降维编码子步骤具体为:
利用自编码器对所述部分混合指纹集进行降维编码以获取降维编码后的部分混合指纹集,一个自编码器对应一个所述部分混合指纹集。
4.根据权利要求3所述的定位方法,其特征在于,所述自编码器为栈式自编码器。
5.根据权利要求1至4任一项所述的定位方法,其特征在于,所述参考点分类模型为神经网络参考点分类模型。
6.根据权利要求1至4任一项所述的定位方法,其特征在于,所述待定位点位置获取步骤具体包括:
根据平方加权三边定位算法、所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
7.一种定位系统,其特征在于,包括:
信息采集单元,用于采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,所述混合指纹包括RSSI指纹和CSI指纹;
降维单元,用于对所述混合指纹进行降维处理以获取降维混合指纹;
模型训练单元,用于根据所述降维混合指纹训练参考点分类模型;
参考点获取单元,用于根据待定位点的降维混合指纹和所述参考点分类模型以获取多个参考点及其置信度,所述参考点的置信度大于预设置信度;
待定位点位置获取单元,用于根据所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
8.一种定位系统,其特征在于,包括:
无线信号发射端,用于发射无线信号;
移动终端,用于采集定位区域中的多个参考点的位置信息和来自无线信号发射端的混合指纹,所述混合指纹包括RSSI指纹和CSI指纹;
降维单元,用于对所述混合指纹进行降维处理以获取降维混合指纹;
模型训练单元,用于根据所述降维混合指纹训练参考点分类模型;
参考点获取单元,用于根据待定位点的降维混合指纹和所述参考点分类模型以获取多个参考点及其置信度,所述参考点的置信度大于预设置信度;
待定位点位置获取单元,用于根据所述多个参考点及其置信度、所述参考点的位置信息获取所述待定位点的位置信息。
9.一种定位设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6任一项所述的定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811452554.XA CN109633530B (zh) | 2018-11-30 | 2018-11-30 | 一种定位方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811452554.XA CN109633530B (zh) | 2018-11-30 | 2018-11-30 | 一种定位方法及系统、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633530A true CN109633530A (zh) | 2019-04-16 |
CN109633530B CN109633530B (zh) | 2023-05-12 |
Family
ID=66070514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811452554.XA Active CN109633530B (zh) | 2018-11-30 | 2018-11-30 | 一种定位方法及系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633530B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
CN110830939A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 基于改进的cpn-wlan指纹定位数据库的定位方法 |
WO2021129634A1 (zh) * | 2019-12-24 | 2021-07-01 | 北京嘀嘀无限科技发展有限公司 | 一种网络定位方法和系统 |
Citations (8)
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 |
CN104640201A (zh) * | 2014-12-31 | 2015-05-20 | 智慧城市信息技术有限公司 | 基于wifi指纹技术的定位方法和装置 |
US20150163851A1 (en) * | 2013-12-09 | 2015-06-11 | Cable Television Laboratories, Inc. | Locating user equipment in a wireless network |
CN105163282A (zh) * | 2015-09-22 | 2015-12-16 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位系统及定位方法 |
CN105301558A (zh) * | 2015-09-22 | 2016-02-03 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位方法 |
WO2016138800A1 (en) * | 2015-03-03 | 2016-09-09 | The Hong Kong University Of Science And Technology | Optimizing position estimates of a device for indoor localization |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN108347764A (zh) * | 2018-01-23 | 2018-07-31 | 南京航空航天大学 | 基于深度学习的考场无线电作弊信号定位方法及系统 |
-
2018
- 2018-11-30 CN CN201811452554.XA patent/CN109633530B/zh active Active
Patent Citations (8)
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 |
US20150163851A1 (en) * | 2013-12-09 | 2015-06-11 | Cable Television Laboratories, Inc. | Locating user equipment in a wireless network |
CN104640201A (zh) * | 2014-12-31 | 2015-05-20 | 智慧城市信息技术有限公司 | 基于wifi指纹技术的定位方法和装置 |
WO2016138800A1 (en) * | 2015-03-03 | 2016-09-09 | The Hong Kong University Of Science And Technology | Optimizing position estimates of a device for indoor localization |
CN105163282A (zh) * | 2015-09-22 | 2015-12-16 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位系统及定位方法 |
CN105301558A (zh) * | 2015-09-22 | 2016-02-03 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN108347764A (zh) * | 2018-01-23 | 2018-07-31 | 南京航空航天大学 | 基于深度学习的考场无线电作弊信号定位方法及系统 |
Non-Patent Citations (3)
Title |
---|
RUI ZHANG等: "WiFi Sensing-Based Real-Time Bus Tracking and Arrival Time Prediction in Urban Environments", 《IEEE SENSORS JOURNAL》 * |
党小超等: "一种RSS和CSI融合的二阶段室内定位方法", 《传感技术学报》 * |
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(月刊)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
CN110830939A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 基于改进的cpn-wlan指纹定位数据库的定位方法 |
CN110830939B (zh) * | 2019-08-29 | 2021-04-27 | 天津大学 | 基于改进的cpn-wlan指纹定位数据库的定位方法 |
WO2021129634A1 (zh) * | 2019-12-24 | 2021-07-01 | 北京嘀嘀无限科技发展有限公司 | 一种网络定位方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109633530B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN111479231B (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN109633530A (zh) | 一种定位方法及系统、设备、存储介质 | |
WO2015154438A1 (zh) | 定位方法及装置 | |
CN103618997A (zh) | 一种基于信号强度概率的室内定位方法和装置 | |
CN103561469B (zh) | 一种室内定位方法及系统 | |
CN113747360A (zh) | 一种基于混合可见光和ble的室内定位方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
CN109889975B (zh) | 一种基于NB-IoT的终端指纹定位方法 | |
CN105704676B (zh) | 利用信号时间相关性提高指纹室内定位精度的方法 | |
Chen et al. | Learning from FM communications: Toward accurate, efficient, all-terrain vehicle localization | |
Marvasti et al. | A statistical approach toward channel modeling with application to large-scale censored data | |
CN117545047A (zh) | 一种基于驻留数据的ntn连接选择方法、装置、设备及介质 | |
CN102369772A (zh) | 一种蜂窝网络定位方法、服务平台、定位移动台和系统 | |
CN102640538A (zh) | 用于选择接收机的方法和装置 | |
CN114051209B (zh) | 一种基于智能反射面和场景几何模型的指纹定位方法 | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability | |
KR102202950B1 (ko) | 핑거프린트 측위 방법 및 이를 위한 장치 | |
CN113074735B (zh) | 一种地图数据结构的处理方法 | |
CN111522988B (zh) | 图像定位模型获取方法及相关装置 | |
CN115379378A (zh) | 蓝牙室内定位方法及装置 | |
CN107787041A (zh) | 一种定位终端的方法和装置 | |
Chen et al. | A novel outlier immune multipath fingerprinting model for indoor single-site localization |
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 |