CN109756842A - 基于注意力机制的无线室内定位方法及系统 - Google Patents
基于注意力机制的无线室内定位方法及系统 Download PDFInfo
- Publication number
- CN109756842A CN109756842A CN201910129515.4A CN201910129515A CN109756842A CN 109756842 A CN109756842 A CN 109756842A CN 201910129515 A CN201910129515 A CN 201910129515A CN 109756842 A CN109756842 A CN 109756842A
- Authority
- CN
- China
- Prior art keywords
- reference mode
- rssi value
- layer
- sequence
- attention mechanism
- 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
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于注意力机制的无线室内定位方法及系统,定位精度高。该方法包括以下步骤:在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点;连续采集多时刻各个参考节点与所有信标节点之间的RSSI值,将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列;对所有参考节点的概率序列进行加权处理,得到最终的定位位置。
Description
技术领域
本公开涉及室内定位领域,具体涉及一种基于注意力机制的无线室内定位方法及系统。
背景技术
定位技术在室内导航、智慧医疗、移动社交等领域发挥着十分重要的作用。随着移动互联网的高速发展,室内定位技术对全球行业市场而言具有很大的前景。目前的室内定位方法主要分为2种:基于信号强度的测距定位方法;基于特征匹配的指纹定位方法。基于指纹数据库的定位方法利用无线信号的多径传播来构建RSSI(Received Signal StrengthIndicator)指纹地图,能够更好地适应室内环境,而且硬件成本相对较低,因而得到广泛的关注与研究。
常用的无线信号有WiFi,蓝牙,RFID等,近年来,BLE室内定位技术因为覆盖范围广、低功耗、传输快等优点而引起了研究者的广泛关注,特别是在iBeacon被推出后,低功耗蓝牙定位技术得到了快速发展。一般的智能手机都配备了蓝牙数据接收模块,因此在室内环境中只需额外的増加一些低成本的iBeacon信标就可以在智能手机上实现米级的室内行人定位。
指纹定位方法分为两个阶段:离线训练阶段和在线定位阶段。离线阶段,布置基站,利用智能手机采集预设定的接入点(Access Point,AP)与各参考节点(ReferencePoint,RP)之间的RSSI值,并将其处理成一维向量,建立实验场景的特征指纹数据库。在线阶段将待测点的RSSI指纹与指纹库进行对比匹配来估计待测点的坐标。指纹算法定位的准确性主要受RSSI值的影响,而RSSI值的波动性往往很大,如何从原始的RSSI指纹中挑选可靠的特征,发现好的映射函数成为了研究的热点。
深度学习网络具有良好的模型泛化学习能力,能从复杂的输入信号中提取有效的特征,学习和构建高精度、强鲁棒性的数学模型,基于此,利用深度学习神经网络能够从复杂的RSSI指纹中提取其高代表性特征表示,成为了提高指纹定位算法精度的有效手段。Liu等人提出利用DNN网络来提取无线指纹信号的特征表示,再利用HMM精确定位。Jang等人将一维的无线信号Reshape为二维信号,再利用CNN网络去提取特征。然而,发明人在研发过程中发现,这些方法都存在定位精度不高的问题。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于注意力机制的无线室内定位方法及系统,定位精度高。
本公开所采用的技术方案是:
一种基于注意力机制的无线室内定位方法,该方法包括以下步骤:
在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点;
连续采集多时刻各个参考节点与所有信标节点之间的RSSI值,将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;
利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列;
对所有参考节点的概率序列进行加权处理,得到最终的定位位置。
一种室内定位系统,该系统包括:
数据采集单元,用于连续采集多时刻各个参考节点与所有信标节点之间的RSSI值,并输出值室内定位单元;
定位单元,用于将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列;并对所有参考节点的概率序列进行加权处理,得到最终的定位位置,输出至数据输出单元;
数据输出单元,用于输出得到的最终定位位置。
一种计算机可读存储介质,其中存储有多条指令,其特征是,所述指令适于由终端设备的处理器加载并执行如上所述的一种基于注意力机制的无线室内定位方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是,所述指令适于由处理器加载并执行如上所述的一种基于注意力机制的无线室内定位方法。
通过上述技术方案,本公开的有益效果是:
本公开在时间卷积网络模型中引入注意力机制,对输入的RSSI值序列的时间信息进行重要性选择,得到包含空间信息和时间信息的输入序列,采用时间卷积网络对所有输入序列进行训练,得到包含时间信号和空间信息的特征,利用全连接层和分类层对得到的所有特征进行综合和分类后,得到每个参考节点的概率序列,大大减弱了RSSI值序列随时间波动所带来的影响,提高了定位精度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是根据一种或多种实施方式的基于注意力机制的无线室内定位方法流程图;
图2是根据一种或多种实施方式的室内参考节点和信标节点布置图;
图3是根据一种或多种实施方式的时间卷积网络模型结构图;
图4是根据一种或多种实施方式的注意力机制层结构图;
图5是根据一种或多种实施方式的时间卷积网络层结构图;
图6是根据一种或多种实施方式的输出层结构图;
图7是根据一种或多种实施方式的时间卷积网络与结合注意力机制的时间卷积网络的训练过程对比图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种或多种实施例提供一种基于注意力机制的无线室内定位方法,将采集的原始RSSI值序列按照时域顺序组合起来,组成新的输入序列,使输入序列既包括空间信息也包括时间信息,然后将输入序列输入到时间卷积网络模型中,使训练得到的概率序列既包括空间信息也包括时间信息。
请参阅附图1,该室内定位方法包括以下步骤:
S101,在室内布置多个带有Ibeacon信标的信标节点,将每个ibeacon信标的Minor号设置成编号,根据所有Ibeacon信标的编号组合成输入向量。
具体地,在室内环境中布置N个信标节点,并在每个信标节点布置一个Ibeacon信标,请参阅附图2,分别为所有Ibeacon信标编号,将每个ibeacon信标的Minor号设置成唯一的ID编号,根据所有Ibeacon信标的ID编号组合成输入向量bssid_map,维度为N。
在本实施例中,每个输入数据都是N维的,可根据向量bssid_map中所有Ibeacon信标ID的编号顺序,对输入数据进行排序。所述输入数据为参考节点与其周围信标节点之间的RSSI值。
S102,在室内布置多个位置已知的参考节点,按照参考节点在环境坐标系中的实际坐标位置,依次为其编号,根据所有参考节点的编号组合成输出向量。
具体地,根据室内平面地图,将室内待定位区域划分成M个方格,每个方格为一个参考节点,每一个方格代表一个定位区域,请参阅附图2,按照参考节点在环境坐标系中的实际坐标位置,依次为每个参考节点编号,根据所有参考节点的编号组合成输出向量label_map,维度为M。
在本实施例中,每个输出数据都是M维的,可根据向量label_map中所有参考节点位置的编号,对输出数据进行标签标记。
S103,连续采集每时刻各个参考节点与所有信标节点之间的RSSI值,并将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列,并对每个RSSI值序列中的RSSI值进行正规化处理。
具体地,利用智能手机依次连续采集每个时刻各个参考节点与其周围布置有Ibeacon信标的所有信标节点之间的RSSI值。在每个时刻,对于每个参考节点,可采集N个RSSI值,由于Ibeacon信标辐射范围有限,当遇到某个ibeacon信标对应的RSSI值缺失时,以0进行补齐。
采集到每个参考节点与所有信标节点之间的RSSI值后,根据向量bssid_map中信标节点的编号,将每个参考节点对应的N个RSSI值进行排序,组成一个N维的原始RSSI值序列。
在本实施例中,为保证采集的数据全面且准确,分时段重复多次采集,并进行不同方向的移动采集。经过数据分析,发现实验数据的RSSI值范围一般都在rmin=-110dBm到rmax=-30dBm之间,若RSSI数值越大,代表参考节点与信标节点的距离越近。为便于时间卷积网络的训练,通过正则化每个RSSI值到0~1的范围,从而得到各个参考节点每个时间段新的RSSI值序列,其中,ri为参考节点i对应的RSSI值。
S104,利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列。
请参阅附图3,所述时间卷积网络模型包括输入层、注意力机制层、时间卷积网络层和输出层,将步骤103得到的各个参考节点每个时间段的RSSI值序列经过时间卷积网络模型的输入层输入到注意力机制层,注意力机制层将连续五个时刻得到的每个参考节点对应的RSSI值序列xt-4、xt-3、xt-2、xt-1、xt,组成新的的输入序列[xt-4,xt-3,xt-2,xt-1,xt],并将该输入序列作为时间卷积网络层的输入,同时选取各个参考节点对应的t时刻的RSSI值序列xt所对应的实际坐标位置ot作为时间卷积网络模型的输出标签,为了方便训练网络,将ot设置成one-hot形式;时间卷积网络层的输出经过输出层中全连接层和分类层,得到时间卷积网络模型的输出,即各个参考节点的概率序列。
在本实施例中,选取时间卷积网络(TCN)作为模型训练的网络,与循环神经网络(RNN)相比,时间卷积网络的运算时间更快,同时能有效解决循环神经网络(RNN)的梯度消失问题,且训练所需要的内存更少。
在本实施例中,将时间卷积网络模型的输出层用全连接层代替,激活函数选用softmax,将定位问题看做是一个分类问题,时间卷积网络模型输出的结果为各个参考节点的概率序列,将各个参考节点的概率序列进行加权处理,得到最终的定位结果。
为了提高时间卷积网络模型的网络收敛速度,提高定位结果,将用于提高网络训练的Attention机制加入到时间卷积网络模型训练中,将输入的RSSI值序列在输入之前对RSSI值序列的时间信息进行重要性选择。
请参阅附图4,所述注意力机制层包括输入层(Input)、重排层(Permute),全连接层(Dense)、融合层(Merge)和重塑层(Reshape),通过全连接层对输入的RSSI值序列的时间信息进行重要性选择,对RSSI值序列的时间信息进行重要性选择后,得到新的输入序列,使得输入序列包含更加突出的时间信息。
所述Attention机制的数学表达式为:
式中,Ts代表输入信号的时间步长,yi代表第i个输出神经单元,xj代表第j个输入神经单元,而θij代表第j个输入神经单元对第i个输出神经单元的影响系数。
请参阅附图5,时间卷积网络(TCN)层的残差块主要包括空洞因果卷积层、激活层和一维卷积层,空洞因果卷积层保证时间卷积网络不会使用未来的信息进行当前的预测,即时间步t的输出与时间步t-1及之前的时间步有关,类似将一维卷积的后半部分“砍掉”,这正好符合时域数据的特点,空洞因果卷积层通过略过一些已有的像素来扩张感受野,这个特点保证网络在计算量基本不变的情况下,能观测更大的序列长度。同时,残差连接的引入,解决了深层网络的训练问题,可以大大增加网络的层数。
请参阅附图6,输出层主要包括全连接层和分类层,输出层的输入为时间卷积网络层的输出,将时间卷积网络层的输出依次经过全连接层和分类层,得到时间卷积网络模型的输出,即输出各个参考节点的概率序列。
具体地,所述步骤104中,利用时间卷积网络模型对各个参考节点每个时间段的RSSI值序列进行训练,输出每个参考节点的概率序列,其具体实现方式如下:
S104-1,将每个参考节点每时刻对应的RSSI值序列经过输入层输入到注意力机制层;
S104-2,根据注意力机制对每个参考节点对应的所有时刻的RSSI值序列时间信息进行重要性选择,按照设定的时间段,将各个设定的时间段内的每个参考节点对应的多个RSSI值序列进行组合,得到若干个输入序列,并分别输入至时间卷积网络层;
S104-3,利用时间卷积网络学习所有输入序列的时间与空间特征,并输出值输出层;
S104-4,利用全连接层和分类层对得到的所有特征进行综合和分类,得到每个参考节点的概率序列。
本实施例在时间卷积网络模型中引入注意力机制,对输入的RSSI值序列的时间信息进行重要性选择,得到包含空间信息和时间信息的输入序列,采用时间卷积网络对所有输入序列进行训练,得到包含时间信号和空间信息的特征,利用全连接层和分类层对得到的所有特征进行综合和分类后,得到每个参考节点的概率序列,大大减弱了RSSI值序列随时间波动所带来的影响,提高了定位精度。
S105,将各个参考节点的概率序列进行加权处理,得到定位目标的最终定位位置。
根据输出向量中参考节点的编号,将所有参考节点的概率序列进行排序;对排序后的参考节点的概率序列进行加权处理,得到定位目标的最终定位位置。
具体地,对各个参考节点的概率序列进行加权处理的方法为:
其中,L为最终定位位置,pi为参考节点i的概率序列,Li为参考节点i的坐标(xi,yi)。
为了使本领域的技术人员更好地了解本公开的技术方案,下面列举一个更为详细的实施例,本实施例在实验数据集上对上述实施例提出的室内定位方法进行了评估,并与之前提出的深度学习指纹算法进行比较。
(1)获取数据集。
将某地下车库作为实验场地,在实验场地中布置了124个带有ibeacon信标的信标节点,将实验场地划分成115个3m*2m的定位区域,其中包括有70个定位区和45个非定位区。
数据集共包含10500个RSSI值序列,即保证每一个定位区域至少包含150个实验数据。
(2)实验设置
将数据集中的数据依照时间关系进行组合排列,时间长度设置成五,即每五个数据组合成一个数据序列。利用keras编写网络结构,其中主要参数如下,TCN的卷积核k=4,因果空洞卷积总共6层,扩张系数d依次为[1,2,4,8,16,32],除此之外,为防止过拟合,设SpatialDropout层的dropout=0.25,设初始学习率lr=0.004,然后利用keras.callbacks里的LearningRateScheduler,随着训练的进行,每经过20次迭代就把学习率减小为原来的75%,并利用keras.callbacks里的EarlyStopping进行监视,当验证集的误差不再改善(下降)时,终止训练过程,并保存模型参数。
(3)评判标准。
本实施例采用室内定位算法广泛使用的平均误差来进行定量评估,公式如下:
其中,m为测试集个数,[xe,ye]为网络估计坐标位置,[xr,yr]为真实坐标位置。
所有测试将重复5次,平均值将作为评估结果。
表1:数据集的平均定位误差,单位为(m)
图7为TCN网络与TCN+Attention网络的训练过程对比图,由图7可知,加入Attention机制,不仅加速了时间卷积网络训练,而且同时提高了定位精度。
从结果可以看出,在考虑单一无线信号空间信息的同时,同时考虑相互信号间的时域连续性,能有效提高定位结果,作为改进,通过引入注意力机制,将信号间的时域特征更进一步突出出来,能使定位精度进一步提高。
一种或多种实施方式还提供一种室内定位系统,该系统包括:
数据采集单元,用于连续采集多时刻各个参考节点与所有信标节点之间的RSSI值,并输出值室内定位单元;
定位单元,用于将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列;并对所有参考节点的概率序列进行加权处理,得到最终的定位位置,输出至数据输出单元;
数据输出单元,用于输出得到的最终定位位置。
一种或多种实施方式还提供一种计算机可读存储介质,其中存储有多条指令,其特征是,所述指令适于由终端设备的处理器加载并执行如上所述的一种基于注意力机制的无线室内定位方法。
一种或多种实施方式还提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是,所述指令适于由处理器加载并执行如上所述的一种基于注意力机制的无线室内定位方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
工业上的实用性
本公开的无线室内定位方法能够应用于各种室内定位场景的用途,如地下停车场。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于注意力机制的无线室内定位方法,其特征是,包括以下步骤:
在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点;
连续采集多时刻各个参考节点与所有信标节点之间的RSSI值,将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;
利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列;
对所有参考节点的概率序列进行加权处理,得到最终的定位位置。
2.根据权利要求1所述的基于注意力机制的无线室内定位方法,其特征是,还包括:
将每个信标节点的ibeacon信标的Minor号设置成编号,根据所有信标节点的ibeacon信标编号组成输入向量。
3.根据权利要求1所述的基于注意力机制的无线室内定位方法,其特征是,还包括:
依次为每个参考节点编号,根据所有参考节点的编号组成输出向量。
4.根据权利要求2所述的基于注意力机制的无线室内定位方法,其特征是,根据输入向量中信标节点的编号,分别将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;并对各个参考节点每时刻对应的RSSI值序列中RSSI值进行正规化处理。
5.根据权利要求1所述的基于注意力机制的无线室内定位方法,其特征是,所述时间卷积网络模型包括输入层、注意力机制层、时间卷积网络层和输出层;
所述注意力机制层包括重排层、全连接层、融合层和重塑层;
所述时间卷积网络层包括空洞因果卷积层、激活层和一维卷积层;
所述输出层包括全连接层和分类层。
6.根据权利要求5所述的基于注意力机制的无线室内定位方法,其特征是,所述利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练的步骤包括:
将每个参考节点每时刻对应的RSSI值序列依次经过输入层输入到注意力机制层;
根据注意力机制对每个参考节点对应的所有时刻的RSSI值序列时间信息进行重要性选择,按照设定的时间段,将每个参考节点对应的多个RSSI值序列进行组合,得到若干个新的输入序列,并分别输入至时间卷积网络层;
利用时间卷积网络学习所有输入序列的时间与空间特征,并输出至输出层;
利用全连接层和分类层对得到的所有特征进行综合和分类,得到每个参考节点的概率序列。
7.根据权利要求3所述的基于注意力机制的无线室内定位方法,其特征是,所对所有参考节点的概率序列进行加权处理的方法为:
根据输出向量中参考节点的编号,将所有参考节点的概率序列进行排序;
顺序将每个参考节点的概率序列与该参考节点的实际坐标值相乘,并求和,得到最终定位位置。
8.一种室内定位系统,其特征是,包括:
数据采集单元,用于连续采集多时刻各个参考节点与所有信标节点之间的RSSI值,并输出值室内定位单元;
定位单元,用于将各个参考节点每时刻对应的RSSI值进行排序,组成各个参考节点每时刻对应的RSSI值序列;利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练,得到每个参考节点的概率序列;并对所有参考节点的概率序列进行加权处理,得到最终的定位位置,输出至数据输出单元;
数据输出单元,用于输出得到的最终定位位置。
9.一种计算机可读存储介质,其中存储有多条指令,其特征是,所述指令适于由终端设备的处理器加载并执行如权利要求1至7中任一项所述的一种基于注意力机制的无线室内定位方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是,所述指令适于由处理器加载并执行如权利要求1至7中任一项所述的一种基于注意力机制的无线室内定位方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910122891 | 2019-02-19 | ||
CN2019101228910 | 2019-02-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109756842A true CN109756842A (zh) | 2019-05-14 |
CN109756842B CN109756842B (zh) | 2020-05-08 |
Family
ID=66407466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129515.4A Active CN109756842B (zh) | 2019-02-19 | 2019-02-21 | 基于注意力机制的无线室内定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109756842B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533166A (zh) * | 2019-08-21 | 2019-12-03 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
CN112533137A (zh) * | 2020-11-26 | 2021-03-19 | 北京爱笔科技有限公司 | 设备的定位方法、装置、电子设备及计算机存储介质 |
CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
CN115019501A (zh) * | 2022-04-13 | 2022-09-06 | 合肥工业大学 | 路侧单元通信负载预测模型、策略模型、控制方法和系统 |
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN116129338B (zh) * | 2023-04-19 | 2023-06-30 | 北京航空航天大学 | 一种基于因果干预的决策方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
WO2017155660A1 (en) * | 2016-03-11 | 2017-09-14 | Qualcomm Incorporated | Action localization in sequential data with attention proposals from a recurrent network |
CN107680109A (zh) * | 2017-09-15 | 2018-02-09 | 盐城禅图智能科技有限公司 | 一种引用逆注意力与像素相似度学习的图像语义分割方法 |
CN107704877A (zh) * | 2017-10-09 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
CN107766894A (zh) * | 2017-11-03 | 2018-03-06 | 吉林大学 | 基于注意力机制和深度学习的遥感图像自然语言生成方法 |
CN108540929A (zh) * | 2018-03-29 | 2018-09-14 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位系统 |
CN108667816A (zh) * | 2018-04-19 | 2018-10-16 | 重庆邮电大学 | 一种网络异常的检测定位方法及系统 |
-
2019
- 2019-02-21 CN CN201910129515.4A patent/CN109756842B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017155660A1 (en) * | 2016-03-11 | 2017-09-14 | Qualcomm Incorporated | Action localization in sequential data with attention proposals from a recurrent network |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107680109A (zh) * | 2017-09-15 | 2018-02-09 | 盐城禅图智能科技有限公司 | 一种引用逆注意力与像素相似度学习的图像语义分割方法 |
CN107704877A (zh) * | 2017-10-09 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
CN107766894A (zh) * | 2017-11-03 | 2018-03-06 | 吉林大学 | 基于注意力机制和深度学习的遥感图像自然语言生成方法 |
CN108540929A (zh) * | 2018-03-29 | 2018-09-14 | 马梓翔 | 基于rssi信号强度排序的室内指纹定位系统 |
CN108667816A (zh) * | 2018-04-19 | 2018-10-16 | 重庆邮电大学 | 一种网络异常的检测定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
匡晓华: "基于深度学习与可穿戴传感器的人体行为识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
梁斌等: "基于多注意力卷积神经网络的特定目标情感分析", 《计算机研究与发展》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533166A (zh) * | 2019-08-21 | 2019-12-03 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
CN110533166B (zh) * | 2019-08-21 | 2023-04-28 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
CN112533137A (zh) * | 2020-11-26 | 2021-03-19 | 北京爱笔科技有限公司 | 设备的定位方法、装置、电子设备及计算机存储介质 |
CN112533137B (zh) * | 2020-11-26 | 2023-10-17 | 北京爱笔科技有限公司 | 设备的定位方法、装置、电子设备及计算机存储介质 |
CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
CN115019501A (zh) * | 2022-04-13 | 2022-09-06 | 合肥工业大学 | 路侧单元通信负载预测模型、策略模型、控制方法和系统 |
CN115019501B (zh) * | 2022-04-13 | 2023-05-02 | 合肥工业大学 | 路侧单元通信负载预测模型、策略模型、控制方法和系统 |
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN115802282B (zh) * | 2022-12-16 | 2024-06-07 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN116129338B (zh) * | 2023-04-19 | 2023-06-30 | 北京航空航天大学 | 一种基于因果干预的决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109756842B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109756842A (zh) | 基于注意力机制的无线室内定位方法及系统 | |
Félix et al. | A fingerprinting indoor localization algorithm based deep learning | |
CN107333238B (zh) | 一种基于支持向量回归的室内指纹快速定位方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN108540929B (zh) | 基于rssi信号强度排序的室内指纹定位方法 | |
CN107727095B (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
CN106199500B (zh) | 指纹特征定位方法及装置 | |
CN108984785A (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
CN104581644B (zh) | 基于径向基插值的室内wlan指纹数据库多点自适应更新方法 | |
Xu et al. | An efficient indoor localization method based on the long short-term memory recurrent neuron network | |
CN108495263B (zh) | 一种基于广义多核函数的室内定位方法 | |
Wu et al. | A novel RSSI fingerprint positioning method based on virtual AP and convolutional neural network | |
Jia et al. | TTSL: An indoor localization method based on Temporal Convolutional Network using time-series RSSI | |
Zhang et al. | Dual-band wi-fi based indoor localization via stacked denosing autoencoder | |
Jiang et al. | Intelligent plant cultivation robot based on key marker algorithm using visual and laser sensors | |
Gufran et al. | VITAL: Vision transformer neural networks for accurate smartphone heterogeneity resilient indoor localization | |
Wang et al. | A bluetooth location method based on kNN algorithm | |
Oh et al. | DNN based WiFi positioning in 3GPP indoor office environment | |
Shi et al. | Social-dpf: Socially acceptable distribution prediction of futures | |
Zhang et al. | Towards floor identification and pinpointing position: A multistory localization model with wifi fingerprint | |
CN110691319B (zh) | 一种使用领域自适应实现异构设备高精度室内定位的方法 | |
CN112904274A (zh) | 一种改进tdoa/fdoa算法的多运动目标定位方法 | |
Assayag et al. | Indoor positioning system using synthetic training and data fusion | |
Liu et al. | Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother | |
Ruppel et al. | Transformers for object detection in large point clouds |
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 |