CN109640269A - 基于csi与时域融合算法的指纹定位方法 - Google Patents

基于csi与时域融合算法的指纹定位方法 Download PDF

Info

Publication number
CN109640269A
CN109640269A CN201811547046.XA CN201811547046A CN109640269A CN 109640269 A CN109640269 A CN 109640269A CN 201811547046 A CN201811547046 A CN 201811547046A CN 109640269 A CN109640269 A CN 109640269A
Authority
CN
China
Prior art keywords
csi
fingerprint
network
time
time slot
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
CN201811547046.XA
Other languages
English (en)
Other versions
CN109640269B (zh
Inventor
张恒
张智超
张舜卿
徐树公
曹姗
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.)
Jiangsu Hengxin Technology Co Ltd
Original Assignee
University of Shanghai for Science and Technology
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 Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201811547046.XA priority Critical patent/CN109640269B/zh
Publication of CN109640269A publication Critical patent/CN109640269A/zh
Application granted granted Critical
Publication of CN109640269B publication Critical patent/CN109640269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0632—Channel quality parameters, e.g. channel quality indicator [CQI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • 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

Abstract

一种基于CSI与时域融合算法的指纹定位方法，在离线阶段以各个参考点获取的CSI的幅度信息对基于时隙指纹的定位网络(SLN)和时域位置融合网络(FN)组成的复合网络进行两步式训练；在在线测试阶段，将实时采集到的CSI信息输入训练后的网络并得出预测位置。本发明以LTE网络的CSI作为更细粒度的指纹，通过基于深度学习的两阶段处理的时域融合算法捕捉CSI指纹的时间波动性和相关性，将CSI指纹的时间相关性考虑到定位系统中，具有更高的精确度、更好的系统鲁棒性且在线测试速度更快。

Description

基于CSI与时域融合算法的指纹定位方法
技术领域
本发明涉及的是一种无线通信领域的技术，具体是一种LTE蜂窝网络下基于信道状态信息(Channel State Information,CSI)与时域融合算法的指纹定位方法。
背景技术
现有的全球卫星导航系统(GNSS)在卫星信号被遮挡时，无法提供准确的定位。因此现有通过移动基站的高覆盖率为室内外移动设备进行精确定位辅助的技术，如：位置指纹定位法，通过离线“地图”生成阶段和在线预测阶段，利用了多径效应，克服了非视距条件下定位精度差的缺点。
针对位置指纹定位技术中的在线预测阶段，现有技术有以RSSI为指纹，通过PCA构建子空间，以WKNN作为匹配算法得到最终估计位置的坐标输出；或以LTE信令数据中的RSRP、TA作为位置指纹，利用基于隐马尔科夫模型的匹配算法进行在线匹配，实现对移动目标的定位；以及以基站ID与接收信号强度为指纹，通过评价实测数据与指纹库中数据的最优相似度并获得采样点集合，并通过最优相似度从指纹库中选择优选指纹确定用户位置。但上述现有技术的缺陷在于作为指纹的信息均为一维数据，很难表征信道的具体变化，如信道状态指纹的波动等，从而导致最大定位误差与平均定位误差差别较大，并且相应的在线定位算法不具有自动提取特征的能力，不能满足日益增长的定位精度需求。
经过对现有技术的检索发现，中国专利文献号CN108882151A，公开了一种基于CSI信息区域化标注的室内定位方法，通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的CSI数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位，但该技术的定位结果基于一次测量的CSI数值，未考虑信道天然时变特性导致的CSI数值波动，从而导致系统的鲁棒性较差且该技术最大定位误差达到6m，不能满足某些对系统鲁棒性要求较高的场景，如地下停车库等。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于CSI与时域融合算法的指纹定位方法，以LTE网络的CSI作为更细粒度的指纹，通过基于深度学习的两阶段处理的时域融合算法捕捉CSI指纹的时间波动性和相关性，将CSI指纹的时间相关性考虑到定位系统中，确定目标位置，实现在线阶段的定位精度及系统鲁棒性的显著提升。
本发明是通过以下技术方案实现的：
本发明涉及一种基于CSI与时域融合算法的指纹定位方法，在离线阶段以各个参考点获取的CSI的幅度信息对基于时隙指纹的定位网络(SLN)和时域位置融合网络(FN)组成的复合网络进行两步式训练；在在线测试阶段，将实时采集到的CSI信息输入训练后的网络并得出预测位置。
所述的CSI的幅度信息，通过采集LTE基站的小区参考信号得出下行CSI。
所述的参考点是指：将预设实验区域划分为若干个参考点区域中的任意采集点。
所述的两步式训练，其输入通过以下方式得到：将实验区域划分为若干个参考点区域，在基站有Nt根发射天线，移动终端单天线的情况下，对每个参考区域采集一定数目时隙的CSI信息，得到在位置和时隙t得到包含CSI幅度的指纹矩阵为：
其中：Nc为带有小区参考信号(CRS)的LTE资源粒子(RE)，即CRS的维度，由带宽决定；Nt列表示基站的Nt跟发射天线。
所述的两步式训练，优选为训练两个分别用于时隙指纹定位以及时域位置融合的深度学习网络，具体为：
1)将采集到的CSI数据中的每条CSI指纹以时隙为单位输入基于时隙指纹的定位网络(SLN)中，标签为参考点的位置坐标，SLN输出一个表示测试数据属于每一个参考点位置的概率的向量p＝[p1,p2,…,pN]，则估计的位置表示为各个参考点位置对应坐标的概率加权。
所述的以时隙为单位是指输入维度为：1×Nt×Nc。
2)固定移动终端的位置，向SLN中输入时间上连续的一系列CSI数据，SLN输出对应位置在连续时间上一系列预测的位置坐标，将其作为时域位置融合网络(FN)的训练输入，数据标签为终端真实位置，经训练用于提取位置不变时由于CSI指纹波动性导致SLN输出的位置波动性，利用多个估计位置的分布来减小波动性带来的估计误差，训练后的FN输出最终的定位结果。
所述的在线测试阶段具体是指：在位置上实时采集s个时隙的CSI：
并输入SLN中得到s个估计位置：然后将s个估计位置的坐标输入FN中得到最终估计位置结果
技术效果
与现有技术相比，本发明具有更高的精确度、更好的系统鲁棒性且在线测试速度更快。
附图说明
图1为本发明流程示意图；
图2为本发明深度神经网络示意图；
图3为实施例场景内部平面图；
图4为实施例室外场景平面图；
图5为实施例室内环境定位误差累积分布函数(CDF)图；
图6为实施例城市郊区室外环境定位误差CDF图。
具体实施方式
本实施例具体部署为：在30m2的实验区域下划分出15个参考点区域，每个参考点区域为1.2m×1.2m，如图2所示，基站为实验区域外距离实验区域大楼最近距离的中国电信基站。
本实施例具体包括以下步骤：
步骤1)数据采集阶段：分别将移动终端依次放在图2所示的参考点(RP)位置，每个参考点位置采集20000个时隙的CSI数据，一半用于训练SLN，另一半用于生成FN的训练数据，其中FN的输入为向量为1×100，代表SLN根据50个连续时隙得到50个位置的二维坐标组合。
本实施例中采用的复合网络由基于时隙指纹的定位网络(SLN)和时域位置融合网络(FN)组成，其具体结构如图2所示：SLN采用DNN网络架构，输入为单个时隙CSI指纹，包含四层隐藏层，输出为初步估计的位置结果；FN同样采用DNN网络架构，输入为SLN网络s次估计得到的位置坐标包含两层隐藏层，输出为最终估计结果
本实施例中基站与终端都是单天线，接收25RB带宽的CRS，即50个子载波的信号，得到对应子载波的CSI信息。因此每个标签区域采集20000个时隙，维度为1×50的CSI信息。
步骤2)在测试阶段，随机选取15个测试点，具体位置如图2所示。为了测试的稳定性，每个测试点采用训练数据的1/10，即2000个CSI进行若干次定位，统计多次的定位结果。
本实施例室外环境部署
在室外环境下，基站位于一幢12层的大楼楼顶，周围建筑物为5-12层高度，是典型的城市郊区场景。室外场景平面如图3所示，沿道路每隔5m取一参考点，在南北和东西方向截取了约360m与195m长度的道路作为实验区域，共选取105个参考点。
步骤a)每个参考点共采集20000个时隙的CSI数据用于训练SLN与FN网络，其中FN的输入为向量为1×100，代表SLN根据50个连续时隙得到50个位置的二维坐标组合。
步骤b)测试阶段，随机选取了22个测试点，如图5所示。每个测试点采集了2000个时隙的CSI数据，进行若干次定位，统计多次的定位结果。
与现有技术相比，本方法技术效果包括：
①具有更高的精确度：如图4和图5所示，为上述两种场景下实施得到的结果比较，即室内与室外定位误差累计分布概率(CDF)图。图中基于LTE CSI指纹、利用两阶段深度学习算法的实验结果图，室内外平均定位误差分别为0.47m与19.9m，大大优于KNN算法下的1.3m与103m、WKNN的1.26m与101m。在近似大小的实验区域下，提出的发明具有优于其他发明的定位精度。
②具有更好的系统鲁棒性：由于CSI指纹天然的时间上的波动性，本方法将这种波动性通过SLN转换为位置上的波动性，再利用FN提取该波动性的时间相关性。通过二阶段深度学习，大大减小了最大定位误差，提升系统的鲁棒性，如图4与图5所示，SLN+FN室内外最大定位误差分别为1.15m与64.8m，优于KNN与WKNN传统算法；优于基于单个时隙的SLN网络定位；优于较为粗糙地直接学习即一个DNN(Brute-force)用来定位，输入维度为：s×Nt×Nc,s表示s个连续的时隙。
③在线测试速度快：不同于现有的机器学习算法无监督学习并且网络不具备自动提取特征的能力，在线测试时间与指纹维度、离线指纹数据库的大小呈线性增长关系，当指纹数据库较大时，在线测试速度很慢。本发明利用深度学习方法，离线数据库的大小只会影响离线训练的训练时间。当网络结构，即网络层数每层神经元个数确定时，在线测试时间确定。在线测试阶段只需要将实时的CSI信息输入训练好的神经网络，即可得到用户的实时位置，计算复杂度低，计算速度快，用户可以获得实时无缝的定位服务。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (4)

1.一种基于CSI与时域融合算法的指纹定位方法，其特征在于，在离线阶段以各个参考点获取的CSI的幅度信息对基于时隙指纹的定位网络和时域位置融合网络组成的复合网络进行两步式训练；在在线测试阶段，将实时采集到的CSI信息输入训练后的网络并得出预测位置；
所述的基于时隙指纹的定位网络采用DNN网络架构，输入为单个时隙CSI指纹，包含四层隐藏层，输出为初步估计的位置结果；
所述的时域位置融合网络采用DNN网络架构，输入为经基于时隙指纹的定位网络s次估计得到的位置坐标包含两层隐藏层，输出为最终估计结果
所述的两步式训练，其输入通过以下方式得到：将实验区域划分为若干个参考点区域，在基站有Nt根发射天线，移动终端单天线的情况下，对每个参考区域采集一定数目时隙的CSI信息，得到在位置和时隙t得到包含CSI幅度的指纹矩阵为：其中：Nc为带有小区参考信号的LTE资源粒子，即CRS的维度，由带宽决定；Nt列表示基站的Nt跟发射天线。
2.根据权利要求1所述的方法，其特征是，所述的CSI的幅度信息，通过采集LTE基站的参考信号得出下行CSI。
3.根据权利要求1所述的方法，其特征是，所述的两步式训练，优选为训练两个分别用于时隙指纹定位以及时域位置融合的深度学习网络，具体为：
1)将集到的CSI数据中的每条CSI指纹以时隙为单位输入基于时隙指纹的定位网络中，标签为参考点的位置坐标，SLN输出一个表示测试数据属于每一个参考点位置的概率的向量p＝[p1,p2,…,pN]，则估计的位置表示为各个参考点位置对应坐标的概率加权；
2)固定移动终端的位置，向SLN中输入时间上连续的一系列CSI数据，SLN输出对应位置在连续时间上一系列预测的位置坐标，将其作为时域位置融合网络的训练输入，数据标签为终端真实位置，经训练用于提取位置不变时由于CSI指纹波动性导致SLN输出的位置波动性，利用多个估计位置的分布来减小波动性带来的估计误差，训练后的FN输出最终的定位结果。
4.根据权利要求1所述的方法，其特征是，所述的在线测试阶段具体是指：在位置上实时采集s个时隙的CSI：并输入SLN中得到s个估计位置：然后将s个估计位置的坐标输入FN中得到最终估计位置结果
CN201811547046.XA 2018-12-18 2018-12-18 基于csi与时域融合算法的指纹定位方法 Active CN109640269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811547046.XA CN109640269B (zh) 2018-12-18 2018-12-18 基于csi与时域融合算法的指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811547046.XA CN109640269B (zh) 2018-12-18 2018-12-18 基于csi与时域融合算法的指纹定位方法

Publications (2)

Publication Number Publication Date
CN109640269A true CN109640269A (zh) 2019-04-16
CN109640269B CN109640269B (zh) 2020-08-14

Family

ID=66074947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811547046.XA Active CN109640269B (zh) 2018-12-18 2018-12-18 基于csi与时域融合算法的指纹定位方法

Country Status (1)

Country Link
CN (1) CN109640269B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112398552A (zh) * 2020-11-03 2021-02-23 上海电机学院 基于差分复数深度神经网络的通信辐射源个体识别方法
CN112881976A (zh) * 2021-01-06 2021-06-01 普联国际有限公司 一种基于csi的单天线定位方法、装置、设备及存储介质
WO2021159421A1 (zh) * 2020-02-13 2021-08-19 华为技术有限公司 定位方法及装置
CN113573235A (zh) * 2021-08-16 2021-10-29 苏州云享阁智能科技有限公司 一种基于ddpg算法获得最优资源分配以提升定位精度的方法
CN113613170A (zh) * 2021-08-16 2021-11-05 苏州云享阁智能科技有限公司 一种基于低成本天线扩展的高精度室内定位系统及方法
WO2022088036A1 (zh) * 2020-10-30 2022-05-05 网络通信与安全紫金山实验室 终端定位方法、装置、计算机设备和存储介质
WO2022135697A1 (en) * 2020-12-22 2022-06-30 Huawei Technologies Co., Ltd. Devices and methods for localization
CN115166636A (zh) * 2022-09-05 2022-10-11 南京信息工程大学 基于多特征信道状态信息边缘计算的工厂人员监管方法
CN116527462A (zh) * 2023-05-25 2023-08-01 兰州交通大学 一种基于信道状态变化csi值的无线定位方法
CN116847283A (zh) * 2023-07-28 2023-10-03 江西师范大学 一种基于csi的室内定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013085516A1 (en) * 2011-12-08 2013-06-13 Intel Corporation Location sensing using channel fading fingerprinting
CN106332277A (zh) * 2016-09-05 2017-01-11 中南大学 一种基于信道状态信息分布的室内定位方法
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013085516A1 (en) * 2011-12-08 2013-06-13 Intel Corporation Location sensing using channel fading fingerprinting
CN106332277A (zh) * 2016-09-05 2017-01-11 中南大学 一种基于信道状态信息分布的室内定位方法
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XUYU WANG: "CSI-Based Fingerprinting for Indoor Localization: A Deep Learning Approach", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
党小超: "一种基于信道状态信息的无源室内指纹定位算法", 《计算机工程》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021159421A1 (zh) * 2020-02-13 2021-08-19 华为技术有限公司 定位方法及装置
WO2022088036A1 (zh) * 2020-10-30 2022-05-05 网络通信与安全紫金山实验室 终端定位方法、装置、计算机设备和存储介质
CN112398552A (zh) * 2020-11-03 2021-02-23 上海电机学院 基于差分复数深度神经网络的通信辐射源个体识别方法
WO2022135697A1 (en) * 2020-12-22 2022-06-30 Huawei Technologies Co., Ltd. Devices and methods for localization
CN112881976A (zh) * 2021-01-06 2021-06-01 普联国际有限公司 一种基于csi的单天线定位方法、装置、设备及存储介质
CN113573235A (zh) * 2021-08-16 2021-10-29 苏州云享阁智能科技有限公司 一种基于ddpg算法获得最优资源分配以提升定位精度的方法
CN113613170A (zh) * 2021-08-16 2021-11-05 苏州云享阁智能科技有限公司 一种基于低成本天线扩展的高精度室内定位系统及方法
CN115166636A (zh) * 2022-09-05 2022-10-11 南京信息工程大学 基于多特征信道状态信息边缘计算的工厂人员监管方法
CN115166636B (zh) * 2022-09-05 2022-12-20 南京信息工程大学 基于多特征信道状态信息边缘计算的工厂人员监管方法
CN116527462A (zh) * 2023-05-25 2023-08-01 兰州交通大学 一种基于信道状态变化csi值的无线定位方法
CN116527462B (zh) * 2023-05-25 2024-02-02 兰州交通大学 一种基于信道状态变化csi值的无线定位方法
CN116847283A (zh) * 2023-07-28 2023-10-03 江西师范大学 一种基于csi的室内定位方法及系统

Also Published As

Publication number Publication date
CN109640269B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN109640269A (zh) 基于csi与时域融合算法的指纹定位方法
CN106604228B (zh) 一种基于lte信令数据的指纹定位方法
CN106793082B (zh) 一种在wlan/蓝牙异构网络环境中的移动设备定位方法
CN108696932A (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN109275095B (zh) 一种基于蓝牙的室内定位系统、定位设备和定位方法
CN112073895A (zh) 一种基于csi高精度人员定位跟踪方法
Liu et al. Deeplora: Learning accurate path loss model for long distance links in lpwan
CN108882151A (zh) 基于csi信息区域化标注的室内定位方法
CN106412839A (zh) 基于二级分区与指纹梯度匹配的室内定位与跟踪方法
CN109951798A (zh) 融合Wi-Fi和蓝牙的增强位置指纹室内定位方法
CN104038901A (zh) 一种减少指纹数据采集工作量的室内定位方法
CN109640262B (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN103338509A (zh) 一种基于隐含马尔可夫模型的wsn室内定位方法
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
CN104602342A (zh) 一种基于iBeacon设备的高效室内定位方法
CN110636466A (zh) 一种机器学习下基于信道状态信息的WiFi室内定位系统
CN105916202A (zh) 一种概率性的WiFi室内定位指纹库构建方法
CN110536256A (zh) 一种基于双层网格的室内定位方法
CN106793085A (zh) 基于正态假设检验的指纹定位方法
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN102567726B (zh) 极地冰盖边缘区域浮冰自动提取技术
CN106888504A (zh) 基于fm与dtmb信号的室内位置指纹定位方法
Fan et al. Single-site indoor fingerprint localization based on MIMO-CSI
CN113203985B (zh) 一种短波同频信号直接定位方法
CN105792230B (zh) 基于rss指纹室内定位系统的接入点和定标点部署方法

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
TR01 Transfer of patent right

Effective date of registration: 20201102

Address after: Dingshuzhen pottery road Yixing City, Jiangsu province 214222 Wuxi City No. 138

Patentee after: Jiangsu Hengxin Technology Co.,Ltd.

Address before: 200444 Baoshan District Road, Shanghai, No. 99

Patentee before: Shanghai University