CN109633531B - 一种复合噪声条件下的无线传感器网络节点定位系统 - Google Patents
一种复合噪声条件下的无线传感器网络节点定位系统 Download PDFInfo
- Publication number
- CN109633531B CN109633531B CN201811566719.6A CN201811566719A CN109633531B CN 109633531 B CN109633531 B CN 109633531B CN 201811566719 A CN201811566719 A CN 201811566719A CN 109633531 B CN109633531 B CN 109633531B
- Authority
- CN
- China
- Prior art keywords
- matrix
- noise
- nodes
- node
- sensor network
- 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
Links
Images
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
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种复合噪声条件下的无线传感器网络节点定位系统,属于无线网络技术领域,解决了节点定位依赖节点间距离信息、复合噪声条件下定位精度差的问题。包括:安装于部分锚节点的接收信号强度器指示器,接收部分未知节点与部分锚节点之间的信号接收强度;安装于部分锚节点的定位器,获取部分锚节点的位置信息;信号处理器根据信号接收强度、位置信息得到部分锚节点中任一节点与部分未知节点中的任一节点间、部分锚节点间的相对距离信息,并构造复合噪声条件下的平方欧氏距离矩阵;综合定位处理器根据平方欧氏距离矩阵,得到无线传感器网络中各未知节点的实际位置信息。该实现了利用较少节点信息、在复合噪声条件下的网络节点精确定位。
Description
技术领域
本发明涉及无线网络技术领域,尤其涉及一种复合噪声条件下的无线传感器网络节点定位系统。
背景技术
在无线传感器网络中,节点自身位置信息的获取对各种应用至关重要。定位是获取准确的节点位置信息的最基本的无线传感器网络技术之一,这是大多数无线传感器网络应用的前提。受限于节点能量、部署条件和经济因素等,一般无线传感器网络只有少数锚节点通过装载GPS等获取自身位置,其他未知节点的位置信息则由定位算法计算得到。
现有的无线传感器网络定位算法可分为两类:基于距离的定位算法和无距离的定位算法。基于距离的定位算法根据不同的测距方案,如无线信号强度指示器(RSSI)和到达时差(TDOA),获得欧氏距离或角度信息。相反地,无距离定位算法只使用未知节点和信标节点之间的连通信息。前者可实现较为精确的定位,但计算和通信开销较大;后者定位精度较低,但计算开销较小,适用于低功耗、低成本的应用领域。基于距离的定位算法的主要思想是,利用未知节点与锚节点之间的距离信息和锚节点的先验物理坐标来进行未知坐标的无线传感器网络节点定位,提出了包括基于指纹、MDS、极大似然(maximum likelihood,ML)的定位方法。
上述方法在无噪声干扰和数据缺失的情况下能够对无线传感器网络节点进行较为有效的定位,但过度依赖节点间精确的距离信息,在复合噪声条件下无法实现精确的无线传感器网络节点定位。
发明内容
鉴于上述的分析,本发明旨在提供一种复合噪声条件下的无线传感器网络节点定位系统,用以解决现有无线传感器网络节点定位需要过度依赖节点间的距离信息,在复合噪声条件下无法实现精确的无线传感器网络节点定位。
本发明的目的主要是通过以下技术方案实现的:
一种复合噪声条件下的无线传感器网络节点定位系统,所述系统包括:
安装于部分锚节点上的接收信号强度器,用于接收部分未知节点与所述部分锚节点之间的信号接收强度;
安装于所述部分锚节点上的定位器,用于获取所述部分锚节点的位置信息;
信号处理器,用于根据所述信号接收强度和所述位置信息,得到所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间、所述部分锚节点相互之间的相对距离信息,并根据所述相对距离信息构造复合噪声条件下的平方欧氏距离矩阵;
综合定位处理器,用于根据所述平方欧氏距离矩阵,得到无线传感器网络中各未知节点的实际位置信息。
本发明有益效果如下:本实施例提供的一种复合噪声条件下的无线传感器网络节点定位系统,通过采集部分锚节点中任一节点与所述部分未知节点中的任一节点之间、所述部分锚节点相互之间的相对距离信息,并根据所述相对距离信息构造复合噪声条件下的平方欧氏距离矩阵;基于SEDM的低秩性,根据所述平方欧氏距离矩阵,得到无线传感器网络中各未知节点的实际位置信息。该系统仅利用部分节点的相对距离信息即可获得全部节点的位置信息,对节点间的距离信息依赖性较小,能够实现复合噪声条件下的无线传感器网络节点精确定位,提高了无线传感器网络节点定位的定位精度和定位效率。
在上述方案的基础上,本发明还做了如下改进:
进一步,所述综合定位处理器,执行以下操作得到所述无线传感器网络中各未知节点的实际位置信息:
将所述复合噪声条件下的平方欧氏距离矩阵作为观测矩阵,将复合噪声作为噪声矩阵,将各节点之间精确的平方欧氏距离矩阵作为的目标矩阵,根据目标矩阵叠加噪声矩阵等于观测矩阵的关系,求取所述目标矩阵;
还用于根据所述由各节点之间精确的平方欧氏距离矩阵构成的目标矩阵,得到无线传感器网络中各未知节点的实际位置信息。
进一步,所述的复合噪声条件是指包含高斯噪声、野值噪声和脉冲噪声的噪声条件。
进一步,所述综合定位处理器执行以下操作求取所述目标矩阵:
基于范数正则化方法,分别对高斯噪声、野值噪声和脉冲噪声进行平滑,将复合噪声条件下的矩阵补全建模为凸优化问题,构建复合噪声条件下的矩阵补全模型;
应用算子分裂技术和交替方向乘子法对所述矩阵补全模型进行求解,得到所述目标矩阵。
进一步,所述复合噪声条件下的矩阵补全模型为:
其中,M为观测矩阵,R表示目标矩阵,Ω∈[n]×[n]为观测元素的索引集合,G,O,C分别表示高斯噪声矩阵、野值噪声矩阵和脉冲噪声矩阵,其中脉冲噪声包括行脉冲噪声和列脉冲噪声;为平衡三种噪声的可调参数。
采用上述进一步方案的有益效果是:首先用矩阵的核范数近似矩阵的秩函数,然后采用范数正则化技术对复合噪声进行平滑处理,使得上述构造模型是凸的,进而方便运用凸优化技术进行求解。
进一步,在构建复合噪声条件下的矩阵补全模型后,采用交替方向乘子法将约束优化问题转换为无约束优化问题;
构建的矩阵补全模型变为如下形式:
结合算子分裂技术,对上述无约束优化问题进行求解,得到各节点之间精确的平方欧氏距离矩阵。
采用上述进一步方案的有益效果是:将约束优化问题转换为无约束优化问题,有利于交替方向乘子法的迭代求解。
进一步,所述综合定位处理器,进一步执行以下操作得到所述无线传感器网络中各未知节点的实际位置信息:
根据目标矩阵,计算相应的双中心化相似矩阵,并对中心化相似矩阵进行奇异值分解;
基于双中心化相似矩阵的奇异值分解结果,计算各节点之间的相对坐标矩阵:
基于锚节点的先验物理位置及所述各节点之间的相对坐标矩阵,计算坐标转换矩阵;
绝对坐标矩阵中的元素与所述节点的实际位置信息相对应。
采用上述进一步方案的有益效果是:根据各节点之间精确的平方欧氏距离与各未知节点位置的内在关系,基于锚节点的先验物理位置,求解即可得到未知节点的实际位置信息。
进一步,所述信号处理器执行以下操作得到所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间相对距离信息:
根据信号接收强度测距服从的对数衰减模型,所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间相对距离信息。
进一步,所述信号处理器执行以下操作得到所述部分锚节点相互之间的相对距离信息:
根据所述部分锚节点的位置信息,所述部分锚节点相互之间的相对距离信息。
进一步,所述部分锚节点和所述部分未知节点的总数不少于:
同时,所述部分锚节点的数量不少于3个。
采用上述进一步方案的有益效果是:通过对初始的锚节点、未知节点数量进行限制,能够保证观测矩阵具备足够的数据量,能够利用观测矩阵得到目标矩阵,从而保证传感器网络节点定位精度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中复合噪声条件下的无线传感器网络节点定位系统示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明中所述的复合噪声条件,是指包含高斯噪声、野值噪声和脉冲噪声等噪声在内的噪声,复合噪声的存在大大降低了定位精度。本发明提供了一种无线传感器网络节点定位系统,用以解决现有无线传感器网络节点定位需要过度依赖节点间的距离信息,在复合噪声条件下无法实现精确的无线传感器网络节点定位。
无线传感器网络中需要定位的节点称为未知节点,而已知自身位置并协助未知节点定位的节点称为锚节点。
本发明的具体实施例公开了一种复合噪声条件下的无线传感器网络节点定位系统,示意图如图1所示,所述系统包括:
安装于部分锚节点上的接收信号强度器,用于接收部分未知节点与所述部分锚节点之间的信号接收强度(received signal strength indication,RSSI);
安装于部分锚节点上的定位器,用于获取所述部分锚节点的位置信息;
信号处理器,用于根据所述信号接收强度和所述位置信息,得到所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间、所述部分锚节点相互之间的相对距离信息,并根据所述相对距离信息构造复合噪声条件下的平方欧氏距离矩阵(squareEuclidean distance matrix,SEDM);
综合定位处理器,用于根据所述平方欧氏距离矩阵,得到无线传感器网络中各未知节点的实际位置信息。
与现有技术相比,本实施例提供的复合噪声条件下的无线传感器网络节点定位系统,通过采集部分锚节点中任一节点与所述部分未知节点中的任一节点之间、所述部分锚节点相互之间的相对距离信息,并根据所述相对距离信息构造复合噪声条件下的平方欧氏距离矩阵;基于SEDM的低秩性,根据所述平方欧氏距离矩阵,得到无线传感器网络中各未知节点的实际位置信息。该系统仅利用部分节点的相对距离信息即可获得全部节点的位置信息,对节点间的距离信息依赖性较小,能够实现复合噪声条件下的无线传感器网络节点精确定位,提高了无线传感器网络节点定位的定位精度和定位效率。
为了更好地实现无线传感器网络节点定位,该实施例中通过以下方式确定本系统中安装有接收信号强度器和定位器的部分锚节点和接收与所述部分锚节点间信号接收强度的部分未知节点的数量要求:
换算为未知节点的个数,则应为至少需要知道的节点个数为:
其中,安装有接收信号强度器和定位器的锚节点的数量不少于3个。
优选地,所述信号处理器执行以下操作得到所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间相对距离信息:
根据信号接收强度测距服从的对数衰减模型,得到所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间相对距离信息。
优选地,所述信号处理器执行以下操作得到所述部分锚节点相互之间的相对距离信息:
根据所述锚节点的位置信息,得到所述部分锚节点相互之间的相对距离信息。
在得到上述相对距离信息后,信号处理器根据所述相对距离信息构造复合噪声条件下的平方欧氏距离矩阵:
该平方欧氏距离矩阵为n*n的矩阵,n为无线传感网络中无线传感器的数量;每个无线传感器具有一个唯一的ID身份,可通过编号1,2,...,n表示。
根据部分锚节点、部分未知节点的编号,将得到的对应的相对距离信息写入平方欧式距离矩阵的相应位置,其余位置为0,由此构成复合噪声条件下的平方欧氏距离矩阵。
示例性地,当一个锚节点编号为i、一个未知节点编号为j时,则将两节点的相对距离写入平方欧式距离矩阵中的第i行、第j列的位置,同时写入平方欧式距离矩阵中的第j行、第i列的位置。
由于通信范围有限、能量限制和环境影响,只能根据RSSI测距方法得到锚节点和部分未知节点之间的距离信息。因此,上述所构造的平方欧式距离矩阵仅含有部分项,多数距离信息是缺失的。基于SEDM的低秩性,将根据部分节点间距离信息求取各节点间距离的问题建模为复合噪声条件下的矩阵补全问题。
优选地,综合定位处理器执行以下操作得到所述无线传感器网络中各未知节点的实际位置信息:
步骤S1:将所述复合噪声条件下的平方欧氏距离矩阵作为观测矩阵,将复合噪声作为噪声矩阵,将各节点之间精确的平方欧氏距离矩阵作为的目标矩阵,根据目标矩阵叠加噪声矩阵等于观测矩阵的关系,求取所述目标矩阵;
步骤S11:基于范数正则化方法,分别对高斯噪声、野值噪声和脉冲噪声进行平滑,将复合噪声条件下的矩阵补全建模为凸优化问题,构建复合噪声条件下的矩阵补全模型;
所述复合噪声条件下的矩阵补全模型为:
其中,M为观测矩阵,R表示目标矩阵,Ω∈[n]×[n]为观测元素的索引集合,G,O,C分别表示高斯噪声矩阵、野值噪声矩阵和脉冲噪声矩阵,其中脉冲噪声包括行脉冲噪声和列脉冲噪声;为平衡三种噪声的可调参数。
步骤S12:应用算子分裂技术和交替方向乘子法对所述矩阵补全模型进行求解,得到所述目标矩阵。
在构建复合噪声条件下的矩阵补全模型后,采用交替方向乘子法将约束优化问题转换为无约束优化问题;
构建的矩阵补全模型变为如下形式:
结合算子分裂技术,对上述无约束优化问题进行求解,得到各节点之间精确的平方欧氏距离矩阵。
步骤S2:根据所述由各节点之间精确的平方欧氏距离矩阵构成的目标矩阵,得到无线传感器网络中各未知节点的实际位置信息。
在得到各节点之间精确的平方欧氏距离矩阵后,基于多维尺度分析的方法获得无线传感器网络各未知节点的绝对坐标信息。将无线传感器节点间的距离关系映射至低维空间;基于最短路径求解节点间的近似距离,产生一个最符合节点间距离关系的相对坐标地图;利用少量锚节点的位置信息将相对位置转换为全局位置。具体的:
步骤S21:根据目标矩阵,计算相应的双中心化相似矩阵,并对中心化相似矩阵进行奇异值分解;
根据如下关系计算双中心化相似矩阵G,并对其进行奇异值分解:
步骤S23:基于锚节点的先验物理位置,计算坐标转换矩阵;
基于锚节点的先验物理位置,计算坐标转换矩阵:
其中,T为锚节点坐标。
步骤S24:通过坐标转换矩阵,将各节点之间的相对坐标矩阵转换为各节点之间的绝对坐标矩阵。
通过坐标转换矩阵,将相对坐标矩阵转换为绝对坐标矩阵:
{T|Ti-T1=Q×(Wi-W1),i=k+1,k+2,…,n}(6)
绝对坐标矩阵中的元素与所述节点的实际位置信息相对应,具体地:
得到的绝对坐标矩阵为d*n的矩阵,绝对坐标矩阵的第a列信息,即为编号为a的无线传感器网络节点的坐标。当d为2时,绝对坐标矩阵的第a列第一行、第a列第二行分别为无线传感器网络节点的x方向、y方向两个维度的坐标信息;当d为3时,绝对坐标矩阵的第a列第一行、第a列第二行、第a列第三行分别为无线传感器网络节点的x、y、z三个维度的坐标信息。
综上所述,本发明实施例提供了一种复合噪声条件下的无线传感器网络节点定位系统,对未知节点的定位精度高,无需大量锚节点,提高了复合噪声条件下无线传感器网络节点的定位精度。
本领域技术人员可以理解,实现上述实施例系统的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种复合噪声条件下的无线传感器网络节点定位系统,其特征在于,所述系统包括:
安装于部分锚节点上的接收信号强度器,用于接收部分未知节点与所述部分锚节点之间的信号接收强度;
安装于所述部分锚节点上的定位器,用于获取所述部分锚节点的位置信息;
信号处理器,用于根据所述信号接收强度测距服从的对数衰减模型,得到所述部分锚节点中任一节点与所述部分未知节点中的任一节点之间的相对距离信息;根据所述部分锚节点的位置信息,得到所述部分锚节点相互之间的相对距离信息;并根据所述相对距离信息构造复合噪声条件下的平方欧氏距离矩阵;
综合定位处理器,用于根据所述平方欧氏距离矩阵,得到无线传感器网络中各未知节点的实际位置信息;
所述部分未知节点的总数不少于:
同时,所述部分锚节点的数量不少于3个。
2.根据权利要求1所述的系统,其特征在于,所述综合定位处理器,执行以下操作得到所述无线传感器网络中各未知节点的实际位置信息:
将所述复合噪声条件下的平方欧氏距离矩阵作为观测矩阵,将复合噪声作为噪声矩阵,将各节点之间精确的平方欧氏距离矩阵作为的目标矩阵,根据目标矩阵叠加噪声矩阵等于观测矩阵的关系,求取所述目标矩阵;
还用于根据所述由各节点之间精确的平方欧氏距离矩阵构成的目标矩阵,得到无线传感器网络中各未知节点的实际位置信息。
3.根据权利要求2所述的系统,其特征在于,所述的复合噪声条件是指包含高斯噪声、野值噪声和脉冲噪声的噪声条件。
4.根据权利要求3所述的系统,其特征在于,所述综合定位处理器执行以下操作求取所述目标矩阵:
基于范数正则化方法,分别对高斯噪声、野值噪声和脉冲噪声进行平滑,将复合噪声条件下的矩阵补全建模为凸优化问题,构建复合噪声条件下的矩阵补全模型;
应用算子分裂技术和交替方向乘子法对所述矩阵补全模型进行求解,得到所述目标矩阵。
7.根据权利要求6所述的系统,其特征在于,所述综合定位处理器,进一步执行以下操作得到所述无线传感器网络中各未知节点的实际位置信息:
根据目标矩阵,计算相应的双中心化相似矩阵,并对中心化相似矩阵进行奇异值分解;
基于双中心化相似矩阵的奇异值分解结果,计算各节点之间的相对坐标矩阵:
基于锚节点的先验物理位置及所述各节点之间的相对坐标矩阵,计算坐标转换矩阵;
绝对坐标矩阵中的元素与所述节点的实际位置信息相对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811566719.6A CN109633531B (zh) | 2018-12-19 | 2018-12-19 | 一种复合噪声条件下的无线传感器网络节点定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811566719.6A CN109633531B (zh) | 2018-12-19 | 2018-12-19 | 一种复合噪声条件下的无线传感器网络节点定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633531A CN109633531A (zh) | 2019-04-16 |
CN109633531B true CN109633531B (zh) | 2021-04-02 |
Family
ID=66076085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811566719.6A Active CN109633531B (zh) | 2018-12-19 | 2018-12-19 | 一种复合噪声条件下的无线传感器网络节点定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740802B (zh) * | 2021-07-30 | 2022-07-22 | 香港中文大学(深圳) | 以自适应噪声估计进行矩阵补全的信号源定位方法和系统 |
CN114132736B (zh) * | 2021-12-03 | 2023-08-08 | 四川东泉机械设备制造有限公司 | 板状底模运输用系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106102162A (zh) * | 2016-06-03 | 2016-11-09 | 南京邮电大学 | 一种用于无线传感器网络三维定位的迭代估计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101435867B (zh) * | 2008-12-17 | 2011-07-27 | 西安交通大学 | 一种基于相位测量的无线传感器网络节点定位方法 |
US9164164B2 (en) * | 2013-03-15 | 2015-10-20 | Ecole Polytechnique Federale De Lausanne (Epfl) | Indoor localization method and system |
CN104159295A (zh) * | 2014-08-07 | 2014-11-19 | 重庆邮电大学 | 一种无线传感器网络中基于滤波算法的节点定位方法 |
CN104936287A (zh) * | 2015-06-09 | 2015-09-23 | 南京邮电大学 | 基于矩阵补全的传感网室内指纹定位方法 |
KR101785852B1 (ko) * | 2016-06-17 | 2017-10-17 | 인하대학교 산학협력단 | 재난환경에서 유클리디언 디스턴스에 기초하여 위치를 추정하는 방법 및 시스템 |
CN107770861A (zh) * | 2017-07-04 | 2018-03-06 | 同济大学 | 一种基于移动锚节点rssi的传感节点定位方法 |
-
2018
- 2018-12-19 CN CN201811566719.6A patent/CN109633531B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106102162A (zh) * | 2016-06-03 | 2016-11-09 | 南京邮电大学 | 一种用于无线传感器网络三维定位的迭代估计方法 |
Non-Patent Citations (2)
Title |
---|
"Noise -Tolerant Wireless Sensor Networks Localization via Multinorms Regularized Matrix Completion";Fu Xiao 等;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20180331;第67卷(第3期);第2409-2419页 * |
"一种DBSCAN聚类点密度的加权质心定位算法";李轶 等;《河南科技大学学报(自然科学版)》;20180430;第39卷(第2期);第36-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633531A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106793086B (zh) | 一种室内定位方法 | |
CN110118549B (zh) | 一种多源信息融合定位方法和装置 | |
CN108037520B (zh) | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 | |
CN105547305B (zh) | 一种基于无线定位和激光地图匹配的位姿解算方法 | |
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
CN105813194B (zh) | 基于指纹数据库二次校正的室内定位方法 | |
CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
CN102209382A (zh) | 一种基于rssi的无线传感器网络节点定位方法 | |
CN109029429B (zh) | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 | |
CN109633531B (zh) | 一种复合噪声条件下的无线传感器网络节点定位系统 | |
Yan et al. | Extreme learning machine for accurate indoor localization using RSSI fingerprints in multifloor environments | |
CN106154217B (zh) | Ula和uca中互耦未知时基于空间谱伪峰消除的自校准方法 | |
Han et al. | A matching algorithm based on the nonlinear filter and similarity transformation for gravity-aided underwater navigation | |
CN109561384B (zh) | 一种复合噪声条件下的无线传感器网络节点定位方法 | |
CN103096465B (zh) | 一种环境自适应的多目标直接定位方法 | |
CN113532438B (zh) | 一种大初始定位误差下的改进iccp地形匹配方法 | |
Yang et al. | DeepWiPos: A deep learning-based wireless positioning framework to address fingerprint instability | |
CN113189541B (zh) | 一种定位方法、装置及设备 | |
Bozkurt Keser et al. | An F‐Score‐Weighted Indoor Positioning Algorithm Integrating WiFi and Magnetic Field Fingerprints | |
Zhou et al. | IMLours: Indoor mapping and localization using time-stamped WLAN received signal strength | |
CN115436968A (zh) | 一种基于激光雷达的位图化重定位方法 | |
CN108924734A (zh) | 一种三维传感器节点定位方法及系统 | |
CN113613188B (zh) | 指纹库的更新方法、装置、计算机设备和存储介质 | |
Dong et al. | Indoor robot localization combining feature clustering with wireless sensor network | |
CN114998540A (zh) | 一种智慧城市传感器探测主动同步定位与建图方法 |
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 |