CN110049435B - 基于压缩感知rss指纹库及超声波的井下定位方法 - Google Patents

基于压缩感知rss指纹库及超声波的井下定位方法 Download PDF

Info

Publication number
CN110049435B
CN110049435B CN201910388437.XA CN201910388437A CN110049435B CN 110049435 B CN110049435 B CN 110049435B CN 201910388437 A CN201910388437 A CN 201910388437A CN 110049435 B CN110049435 B CN 110049435B
Authority
CN
China
Prior art keywords
positioning
target node
fingerprint library
compressed sensing
ultrasonic
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
CN201910388437.XA
Other languages
English (en)
Other versions
CN110049435A (zh
Inventor
刘晓阳
康健
杨超
顼文钰
易聪
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201910388437.XA priority Critical patent/CN110049435B/zh
Publication of CN110049435A publication Critical patent/CN110049435A/zh
Application granted granted Critical
Publication of CN110049435B publication Critical patent/CN110049435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了矿井通信和安全生产领域中一种基于压缩感知RSS指纹库及超声波的井下定位方法，该方法简化定位算法复杂度，减少井下节点数量，降低功耗。本发明采用压缩感知算法，减少参考节点数量和数据传输量，缓解矿井通信网络的带宽压力。基于矿井巷道的空间特点，本发明采用更加简单的指纹库采集方案，结合超声波测距技术，保证定位精度的同时，减轻了指纹库采集阶段的工作量，更加便于井下目标定位的实施。

Description

基于压缩感知RSS指纹库及超声波的井下定位方法
技术领域
本发明属于矿井通信和安全生产领域，涉及一种基于压缩感知RSS指纹库及超声波的井下定位方法。
背景技术
井下目标定位是煤矿井下研究课题的一项重要内容，对于井下人员安全、设备安置具有重要意义。井下目标定位方法多样，一些方法是基于测距的，其中常用的两种测距方式：一种是基于检测接收信号强度(Received Signal Strength,RSS)的测距方式；另一种是基于传输到达时间(Time ofArrival,TOA)和到达时间差(Time Difference ofArrival,TDOA)的测距方式。另外，存在一些方法是基于非测距的，如特征指纹库等。
进行井下目标定位，需要在巷道内布设大量参考节点，用来检测目标并将目标状态信息传输至定位计算机，定位计算机根据收到的目标状态信息确定目标位置。然而矿井通信网络带宽有限且传输过程中存在时延，这些因素对定位的实时性产生消极影响。
为此，精简数据传输量，简化定位计算机的算法复杂度，对于井下目标定位格外重要。
发明内容
基于井下巷道空间特点，本发明提出一种定位精度高，算法简单，参考节点数量少的井下定位方法。该方法通过目标节点RSS特征信号与超声波测距技术，结合少量的参考节点和简单的算法实现井下目标的精确定位。
本发明采用的技术方案是：一种基于压缩感知RSS指纹库及超声波的井下定位方法，定位过程包含指纹库采集阶段和实时定位阶段。
指纹库采集阶段：
将定位区域离散网格化，改变目标节点的位置，参考节点接收不同采样点处目标节点发射的信号强度，建立采样点编号和相对应的RSS特征信号的指纹库，利用指纹库中的RSS特征信号，构建测量矩阵。
实时定位阶段：
所述的实时定位阶段包括压缩感知定位和超声波测距，是将两者联合在一起实现的。
压缩感知定位过程：
定位计算机根据参考节点接收的目标节点RSS特征信号，通过压缩感知算法重构出包含目标节点位置信息的位置矩阵，结合指纹库数据，加权计算得到目标节点的纵向坐标。
超声波测距过程：
目标节点向巷道壁发射超声波信号，超声波信号在遇到巷道壁后反射，目标节点接收反射的超声波，记录发射时间和接收时间，通过时间差计算目标节点的横向坐标。
结合以上坐标信息即可确定目标节点在巷道内的位置。
本发明所述的基于压缩感知RSS指纹库及超声波的井下定位方法，其将传统的基于RSS的目标定位方法与指纹库定位技术相结合，定位计算机根据参考节点接收的目标节点RSS特征信号，通过压缩感知算法对包含目标节点位置信息的位置矩阵进行重构，列出矩阵中不为零元素对应的采样点纵向坐标，按照矩阵中不为零元素数值的大小进行加权计算，确定目标节点的纵向坐标。利用超声波测距技术，记录超声波的飞行时间，测量目标节点到巷道壁之间的距离，确定目标节点的横向坐标。
本发明的有益效果是：
1.本发明提出的基于压缩感知RSS指纹库及超声波的井下定位方法，借助压缩感知算法，精简数据传输量，减少矿井通信网络的带宽占用，提高定位系统实时性。
2.本发明提出的基于压缩感知RSS指纹库及超声波的井下定位方法，由于超声波测距技术的加入，相比传统的压缩感知定位方法，本发明的RSS特征信号指纹库采集方案更加简单，极大地减少了指纹库采集阶段的工作量。
3.本发明采用超声波测距技术测量目标节点和巷道壁之间的距离，超声波测距技术适用于短距离，测距性能好，该技术的使用进一步简化了定位算法的复杂性。
附图说明
图1是本发明所述定位方法系统组成框图
图2是本发明所述定位方法目标节点硬件示意图
图3是传统的压缩感知定位方法的巷道节点部署和指纹库采样点模拟图
图4是本发明所述定位方法的巷道节点部署和指纹库采样点模拟图
图5是本发明所述定位方法的流程图
图6是本发明所述定位方法的坐标平面图
具体实施方法
为了使本发明技术方案的内容和优势更加清楚明了，以下结合附图，对本发明做进一步的详细说明。
图1是本发明所述定位方法系统组成框图，包括地面监控系统(1)、定位计算机(2)、光纤(3)、交换机(4)、总线(5)、网关(6)、参考节点(7)、目标节点(8)。所涉及到的井下设备均为本安型设备，其中目标节点(8)由井下人员或设备携带。
如图1所示，本发明所述的基于压缩感知RSS指纹库及超声波的井下定位方法如下：参考节点(7)布置于井下巷道壁两侧，接收目标节点(8)发射的信号强度和时间差数据并打包为目标节点信息，通过网关(6)、总线(5)、交换机(4)、光纤(3)上传至定位计算机(2)，定位计算机(2)根据目标节点信息确定目标节点位置，通过光纤(3)将目标节点位置传送至地面监控系统(1)用于监控或者服务上层应用软件。
参考节点(7)等间隔交错布置在巷道两侧壁上部，保证能够完全覆盖巷道，且保证网络连通性。每个参考节点能够接收相邻参考节点发送的目标节点信息并转发至相邻的另一个参考节点，接力转发目标节点信息至网关处。
网关(6)布设在巷道一端的端点处，负责接收参考节点(7)发送的目标节点信息并发送至交换机(4)，保证网关和最邻近的参考节点的距离在两者无线通信的范围内。
如图2所示，所述目标节点由处理器(201)、存储器(202)、电磁波发射器(203)、超声波收发器(204)、蜂鸣器(205)、传感器模块(206)、电源(207)组成。处理器(201)控制其他单元部件的运行；存储器(202)用于存放数据，识别码存放于存储器(202)中，每个目标节点对应一个识别码，识别码与携带目标节点的人员身份或设备名称相对应；蜂鸣器(205)采用无源蜂鸣器；传感器模块(206)集成了O2传感器、CO传感器、温度传感器，传感器模块(206)负责检测当前区域中CO含量、O2含量和温度，当CO含量、O2含量或温度异常时，蜂鸣器(205)发声提醒携带目标节点的人员远离此区域；电磁波发射器(203)负责发射电磁波信号；超声波收发器(204)负责发射和接收超声波信号；电源(207)负责给各个单元部件供电。
图3是传统的压缩感知定位方法的巷道参考节点部署和指纹库采样点模拟图，包含参考节点(301)和指纹库采样点(302)，指纹库采样点为网格几何中心。
图4是本发明所述定位方法的巷道参考节点部署和指纹库采样点模拟图，按照图4所示将巷道区域网格化处理，本发明选用的指纹库采样点在巷道中心线与网格(实线)交汇处，采样点数量少，本发明的创新点在于指纹库采样点的选取。传统压缩感知定位方法的指纹库采样点分布如图3所示，采样点数量多，指纹库采集阶段工作量大，且井下巷道环境复杂，采集工作难度增加。本发明选用的指纹库采集方案，结合超声波测距技术，在保证精确度的同时，极大地减少指纹库采集阶段工作量。
如图5所示，所述的定位方法结合了压缩感知算法和超声波测距技术，定位过程包含指纹库采集阶段和实时定位阶段。
指纹库采集阶段：
(501)将定位区域网格化处理，划分成N-1个网格(如图4所示)，改变目标节点的位置，使用M(M<<N-1)个参考节点接收不同采样点处目标节点发射的信号强度，一个采样点位置需多次测量取平均值为该采样点的RSS值；
(502)建立采样点编号和相对应的RSS特征信号的指纹库，RSS特征信号指纹库表示为其中j表示定位区域内采样点编号，/>表示第i个参考节点接收到的第j个采样点处目标节点的信号强度，yj表示第j个采样点的纵向坐标。
(503)利用指纹库中的RSS特征信号，构建测量矩阵A：
实时定位阶段：
所述的实时定位阶段包括压缩感知定位和超声波测距，是将两者联合在一起实现的。
(504)在线接收信号强度、时间差；
(505)检查是否接收到；
(506)若接收到，将各参考节点接收目标节点发射的信号强度组成观测值向量r：
r＝[r1 r2 … rM]T
利用观测值向量r和测量矩阵A，推导出包含目标节点位置信息的位置矩阵d。
r＝Ad
d是N×1维矩阵，每个元素与采样点一一对应，理论上数值为“1”的元素所对应的采样点位置是目标节点存在的位置。
由于r的维数远低于d的维数，方程的个数远小于未知数的个数，方程是没有确定解的，无法重构信号d。但是d是稀疏的且A满足有限等距性质(RIP)，d的矩阵元素能够通过M个观测值求解l1范式最优解进行重构，即
(507)计算出包含目标节点位置信息的位置矩阵d。位置矩阵d通常是有若干个非零元素和零元素构成。设位置矩阵d中非零元素为k个(k<N)，分别为e1，e2，…，ek，元素数值越接近于1，表明目标节点与该元素所对应的采样点位置越接近，通过加权计算得到目标节点位置的纵向坐标：
式中yn是非零元素en对应采样点的纵向坐标。
(508)目标节点周期性地向巷道壁发射超声波信号，用来计算横向坐标。设t1时刻目标节点向巷道壁发射超声波信号，超声波信号遇到巷道壁后反射，t2时刻目标节点接收到反射的超声波信号，记录时间差T＝t2-t1，同时向参考节点发送时间差T，参考节点接收并通过网关、交换机上传至定位计算机，定位计算机通过超声波的飞行时间与声速的乘积，即L＝VT(V为声速)，计算出目标节点的横向坐标。
综合上述信息得出目标节点坐标为其中/>
图6所示为正在发射超声波的目标节点(601)。

Claims (2)

1.一种基于压缩感知RSS指纹库及超声波的井下定位方法，其特征在于：所述的定位方法是基于井下巷道空间特点，通过目标节点RSS特征信号与超声波测距技术，结合少量的参考节点实现井下目标的精确定位，定位过程包含指纹库采集阶段和实时定位阶段；
指纹库采集阶段：
将定位区域离散网格化，基于井下巷道空间特点，将采样点设置在巷道的中心线上，改变目标节点的位置，参考节点接收不同采样点处目标节点发射的信号强度，建立采样点编号和相对应的RSS特征信号的指纹库，M表示定位区域设置的参考节点数量，N表示定位区域内采样点数量，利用指纹库中的RSS特征信号，构建测量矩阵A；
实时定位阶段：
所述的实时定位阶段包括压缩感知定位和超声波测距，是将两者联合在一起实现的；
压缩感知定位过程：
定位计算机根据参考节点接收的目标节点RSS特征信号，组成观测值向量r，利用观测值向量r和测量矩阵A，推导出包含目标节点位置信息的位置矩阵d，r＝Ad，d是N×1维矩阵，每个元素与采样点一一对应，理论上数值为“1”的元素所对应的采样点位置是目标节点存在的位置，由于r的维数远低于d的维数，方程的个数远小于未知数的个数，方程是没有确定解的，无法重构信号d，但是d是稀疏的且A满足有限等距性质，d的矩阵元素能够通过M个观测值求解l1范式最优解进行重构；
通过压缩感知算法重构出包含目标节点位置信息的位置矩阵d，设位置矩阵d中非零元素为k个，k<N，分别为e1，e2，…，ek，按照矩阵中不为零元素数值的大小进行加权计算，得到目标节点位置的纵向坐标：yn是非零元素en对应采样点的纵向坐标；
超声波测距过程：
目标节点周期性向巷道壁发射超声波信号，超声波信号在遇到巷道壁后反射，目标节点接收反射的超声波，记录发射时间和接收时间，设t1时刻目标节点向巷道壁发射超声波信号，t2时刻目标节点接收到反射的超声波信号，记录时间差T＝t2-t1，通过发射时间和接收时间的差值计算超声波的飞行距离，L＝VT，其中V为声速，进而计算出目标节点到巷道壁的距离VT/2；
结合以上坐标信息即可确定目标节点在巷道内的位置(VT/2，)，其中/>yn是非零元素en对应采样点的纵向坐标。
2.根据权利要求1所述的一种基于压缩感知RSS指纹库及超声波的井下定位方法，其特征在于：所述的指纹库采集阶段RSS特征信号指纹库，是由采样点编号和相对应的RSS特征信号以及采样点纵向坐标构成，即RSS特征信号指纹库表示为(j；yj)，i＝1,2...M，j＝1,2...N，其中j表示定位区域内采样点编号，/>表示第i个参考节点接收到的第j个采样点处目标节点的信号强度，yj表示第j个采样点的纵向坐标，M表示定位区域设置的参考节点数量，N表示定位区域内采样点数量。
CN201910388437.XA 2019-05-10 2019-05-10 基于压缩感知rss指纹库及超声波的井下定位方法 Active CN110049435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910388437.XA CN110049435B (zh) 2019-05-10 2019-05-10 基于压缩感知rss指纹库及超声波的井下定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910388437.XA CN110049435B (zh) 2019-05-10 2019-05-10 基于压缩感知rss指纹库及超声波的井下定位方法

Publications (2)

Publication Number Publication Date
CN110049435A CN110049435A (zh) 2019-07-23
CN110049435B true CN110049435B (zh) 2024-02-20

Family

ID=67281460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910388437.XA Active CN110049435B (zh) 2019-05-10 2019-05-10 基于压缩感知rss指纹库及超声波的井下定位方法

Country Status (1)

Country Link
CN (1) CN110049435B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111049892B (zh) * 2019-12-06 2022-04-22 腾讯科技（深圳）有限公司 一种感知终端的数据处理方法及装置
CN112346062B (zh) * 2020-11-20 2021-07-06 北京奥特雷柏科技有限公司 一种远距离场景下的超声测距方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102638889A (zh) * 2012-03-21 2012-08-15 浙江大学 基于贝叶斯压缩感知的室内无线终端定位方法
CN102721944A (zh) * 2012-07-09 2012-10-10 中国矿业大学(北京) 基于距离约束的井下电磁波超声联合定位系统及方法
CN102768352A (zh) * 2012-07-09 2012-11-07 中国矿业大学(北京) 基于模式匹配的井下超宽带电磁波超声联合定位系统与方法
CN102798373A (zh) * 2012-07-20 2012-11-28 中山大学 用于机器人平台的压缩红外方位测量系统及其实现方法
CN102932914A (zh) * 2012-11-01 2013-02-13 西北大学 基于压缩感知的无线传感器网络多目标被动式定位方法
EP2817656A1 (de) * 2012-02-20 2014-12-31 Robert Bosch GmbH Verfahren zur lokalisierung von objekten mittels ultraschall
CN105792350A (zh) * 2016-01-29 2016-07-20 中国矿业大学(北京) 一种基于无线传感器网络的井下人员定位方法
CN108226864A (zh) * 2018-03-13 2018-06-29 中国矿业大学(北京) 基于最大似然估计法压缩感知的煤矿井下人员定位方法
CN108260091A (zh) * 2018-03-21 2018-07-06 中国矿业大学(北京) 基于离散动态网格选择的压缩感知矿井目标定位方法
CN108614237A (zh) * 2018-03-19 2018-10-02 西北大学 基于压缩感知的指纹库建立及rfid定位方法
CN109286894A (zh) * 2018-11-19 2019-01-29 中国矿业大学(北京) 一种基于压缩感知与多边测量相结合的定位方法
CN208783112U (zh) * 2018-11-19 2019-04-23 中国矿业大学(北京) 一种基于压缩感知与多边测量相结合的定位系统
CN209526889U (zh) * 2019-05-10 2019-10-22 中国矿业大学(北京) 一种井下监测定位系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8692801B2 (en) * 2012-03-28 2014-04-08 Texas Instruments Incorporated System and method for sparse touch sensing on capacitive touch screen

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2817656A1 (de) * 2012-02-20 2014-12-31 Robert Bosch GmbH Verfahren zur lokalisierung von objekten mittels ultraschall
CN102638889A (zh) * 2012-03-21 2012-08-15 浙江大学 基于贝叶斯压缩感知的室内无线终端定位方法
CN102721944A (zh) * 2012-07-09 2012-10-10 中国矿业大学(北京) 基于距离约束的井下电磁波超声联合定位系统及方法
CN102768352A (zh) * 2012-07-09 2012-11-07 中国矿业大学(北京) 基于模式匹配的井下超宽带电磁波超声联合定位系统与方法
CN102798373A (zh) * 2012-07-20 2012-11-28 中山大学 用于机器人平台的压缩红外方位测量系统及其实现方法
CN102932914A (zh) * 2012-11-01 2013-02-13 西北大学 基于压缩感知的无线传感器网络多目标被动式定位方法
CN105792350A (zh) * 2016-01-29 2016-07-20 中国矿业大学(北京) 一种基于无线传感器网络的井下人员定位方法
CN108226864A (zh) * 2018-03-13 2018-06-29 中国矿业大学(北京) 基于最大似然估计法压缩感知的煤矿井下人员定位方法
CN108614237A (zh) * 2018-03-19 2018-10-02 西北大学 基于压缩感知的指纹库建立及rfid定位方法
CN108260091A (zh) * 2018-03-21 2018-07-06 中国矿业大学(北京) 基于离散动态网格选择的压缩感知矿井目标定位方法
CN109286894A (zh) * 2018-11-19 2019-01-29 中国矿业大学(北京) 一种基于压缩感知与多边测量相结合的定位方法
CN208783112U (zh) * 2018-11-19 2019-04-23 中国矿业大学(北京) 一种基于压缩感知与多边测量相结合的定位系统
CN209526889U (zh) * 2019-05-10 2019-10-22 中国矿业大学(北京) 一种井下监测定位系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Channel model-based sensing for indoor ultrasonic location systems;Yun Lu等;2011 8th Workshop on Positioning, Navigation and Communication;全文 *
一种基于超声和射频融合的无线传感器网络网格定位方法;姜华;何风行;陈文权;毛嘉;苑广欣;;传感器与微系统(第03期);全文 *

Also Published As

Publication number Publication date
CN110049435A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN102589504B (zh) 一种生长中的树木的直径在线测量装置
US8089827B2 (en) Method for localizing remote devices, using acoustical and electromagnetic waves
Azmi et al. A survey of localization using RSSI and TDoA techniques in wireless sensor network: System architecture
US20090207694A1 (en) Ultrasonic in-building positioning system based on phase difference array with ranging
CN110049435B (zh) 基于压缩感知rss指纹库及超声波的井下定位方法
CN104808106A (zh) 电力设备局部放电定位方法和系统
CN104053129A (zh) 一种基于稀疏射频指纹插值的无线传感器网络室内定位方法和装置
CN103338516A (zh) 一种基于总体最小二乘的无线传感器网络两步定位方法
CN101699236A (zh) 深海热液口温度场原位在线声学检测方法
CN111601270A (zh) 一种无线传感器网络拓扑结构的物联网电力监测系统及方法
CN108291956A (zh) 用于位置检测的系统、控制设备和方法
CN102967848B (zh) 一种基于距离关系库及接收信号强度的定位方法
Kumar et al. Localization for wireless sensor networks: A neural network approach
Maduraga et al. Comparison of supervised learning-based indoor localization techniques for smart building applications
CN208783112U (zh) 一种基于压缩感知与多边测量相结合的定位系统
CN116124331A (zh) 一种基于分布式毫米波雷达的锚索预应力监测方法与系统
Goonjur et al. Enhanced the weighted centroid localization algorithm based on received strength signal in indoor wireless sensor network
CN108226864A (zh) 基于最大似然估计法压缩感知的煤矿井下人员定位方法
CN103364823A (zh) 震动源实时定位与分析系统
Peneda et al. Trilateration for indoors positioning within the framework of wireless communications
CN108152790A (zh) 一种基于分布式架构的非合作多目标航迹推算方法
Yi et al. RSSI localization method for mine underground based on RSSI hybrid filtering algorithm
Gadhgadhi et al. Distance estimation using polynomial approximation and neural network based on rssi technique
Rymarczyk et al. Object detection using radio imaging tomography and tomographic sensors
Maduranga et al. Comparison of trilateration and supervised learning techniques for ble based indoor 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