CN110234085A - 基于对抗迁移网络的室内位置指纹地图生成方法及系统 - Google Patents

基于对抗迁移网络的室内位置指纹地图生成方法及系统 Download PDF

Info

Publication number
CN110234085A
CN110234085A CN201910435131.5A CN201910435131A CN110234085A CN 110234085 A CN110234085 A CN 110234085A CN 201910435131 A CN201910435131 A CN 201910435131A CN 110234085 A CN110234085 A CN 110234085A
Authority
CN
China
Prior art keywords
location fingerprint
wifi
grid
generator
data
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
CN201910435131.5A
Other languages
English (en)
Other versions
CN110234085B (zh
Inventor
张星
李东宁
李清泉
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201910435131.5A priority Critical patent/CN110234085B/zh
Publication of CN110234085A publication Critical patent/CN110234085A/zh
Application granted granted Critical
Publication of CN110234085B publication Critical patent/CN110234085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了基于对抗迁移网络的室内位置指纹地图生成方法及系统，所述方法包括：采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，采集每个格网内的WIFI信号强度；采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号；训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；不断优化所述对抗迁移网络模型直到生成的WIFI位置指纹数据满足定位精度要求。本发明利用源域的WIFI位置指纹数据迁移生成目标域的WIFI位置指纹数据，实现室内环境的精准定位。

Description

基于对抗迁移网络的室内位置指纹地图生成方法及系统
技术领域
本发明涉及室内定位技术领域，尤其涉及一种基于对抗迁移网络的室内位置指纹地图生成方法、系统、装置及存储介质。
背景技术
随着移动传感器与无线局域网(Wireless Local Area Network，WLAN)发展迅猛，室内无线感知定位技术受到越来越多的关注。常用的室内无线感知定位方法包括：基于无线电波到达时间或到达时间差定位、基于无线电波到达角度定位、基于无线电波到达信号的强度定位、基于信号强度的位置指纹定位等。其中，基于无线电波的到达时间、到达时间差、到达角度、到达信号强度的定位方法，受到信号发射设备、环境等约束，不利于基于室内位置服务的普适化。基于信号强度的位置指纹定位方法，将室内场所及密集区域以格网的形式划分为小区域，利用目前覆盖广泛的Wi-Fi基础设施网络，采集格网内的信号强度RSSI值，构建位置指纹库，从而进行室内位置的估算，这种方法以其成本低、约束少，更易普及，受到广泛研究与应用。
“位置指纹”把实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹，这个指纹可以是单维或多维的，比如待定位设备在接收或者发送信息，那么指纹可以是这个信息或信号的一个特征或多个特征(最常见的是信号强度)。如果待定位设备是在发送信号，由一些固定的接收设备感知待定位设备的信号或信息然后给它定位，这种方式常常叫做远程定位或者网络定位。如果是待定位设备接收一些固定的发送设备的信号或信息，然后根据这些检测到的特征来估计自身的位置，这种方式可称为自身定位。待定位移动设备也许会把它检测到的特征传达给网络中的服务器节点，服务器可以利用它所能获得的所有信息来估计移动设备的位置，这种方式可称为混合定位。在所有的这些方式中，都需要把感知到的信号特征拿去匹配一个数据库中的信号特征，这个过程可以看作一个模式识别的问题。
在基于信号强度的位置指纹定位方法中，其中最基础的是需要离线采集每个格网的信号强度数据从而构建位置指纹库。然而对于不同的室内环境，无线信号传播受到环境多路径效应、信号发射设备的功率强度、布设位置以及密度等多种原因的影响，不同室内环境的位置指纹库有一定的差异性。现有基于信号强度的位置指纹定位方法如：KNN、随机森林、SVM等都是离线训练、在线预测，当预测与训练数据具有不同数据分布的数据(不同环境的位置指纹数据)时，其线上定位效果表现很差，即训练的定位模型具有较大局限性。
因此，为了减少相似环境的位置指纹数据采集工作量，提高不同环境下的位置指纹数据的复用率，出现了基于迁移学习的位置指纹定位方法，其主要是计算不同环境之间的相似变换矩阵，实现位置指纹数据的迁移，从而适应新环境的在线定位。但是，这种方法必然需要采集较多的新环境中的位置指纹数据才能计算出准确的相似变换矩阵，这样会导致数据采集工作量较大，数据处理速度慢。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于：现有技术中需要采集较多的新环境中的位置指纹数据才能计算出准确的相似变换矩阵，数据采集工作量较大，数据处理速度慢。本发明提供一种基于对抗迁移网络的室内位置指纹地图生成方法及系统，本发明通过利用源域的WIFI位置指纹数据，迁移生成目标域的WIFI位置指纹数据，可以减少相似环境的位置指纹数据采集，实现室内环境的精准定位。
本发明解决技术问题所采用的技术方案如下：
一种基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述基于对抗迁移网络的室内位置指纹地图生成方法包括：
采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；
采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；
训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；
根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
所述的基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库的步骤，包括：
采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，通过装备有WIFI接收器的移动设备在预设时间内采集每个格网内的WIFI信号强度；
构建源域的基于WIFI信号强度的第一位置指纹数据库，所述第一位置指纹数据库包括实际位置与格网序号的映射关系表和格网序号与布设WIFI路由器的信号强度向量映射关系表。
所述的基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库的步骤，还包括：
预先在源域室内环境中均匀布设WIFI路由器。
所述的基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库的步骤，包括：
采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，通过装备WIFI接收器的移动设备采集控制点的WIFI信号强度，并记录每个格网的序号；
构建目标域的基于WIFI信号强度的第二位置指纹数据库，所述第二位置指纹数据库包括实际位置与控制点格网序号的映射关系表和控制点格网序号与布设WIFI路由器的信号强度向量映射关系表。
所述的基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库的步骤，还包括：
根据源域室内环境中均匀布设的WIFI路由器，在目标域室内环境相同的位置布设WIFI路由器，数据采集格网的划分与源域室内环境的格网序号的相对位置一致。
所述的基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值的步骤，包括：
根据所述第一位置指纹数据库和第二位置指纹数据库中的数据训练对抗迁移网络模型，设置并初始化第一分类器和第二分类器、第一生成器和第二生成器和判别器；
训练所述第一生成器和第二生成器，以随机噪声输入所述第一生成器和第二生成器，输出信号特征向量；
迭代训练所述第一分类器和第二分类器，对于所述第一分类器，输入RTT数据，预测特征向量数据，产生伪标签，并将未采集的控制点样本中高置信度的样本加入进训练样本中；对于第二对于分类器，输入RST数据，反向传播损失值进行迭代训练，预测信号特征向量输出预测类别；
迭代训练所述判别器，融合所述第一生成器和第二生成器的输出，以及所述第一分类器和第二分类器的输出，最大化判别误差，区分真数据集和伪数据集，输出所述判别器的损失函数值。
所述的基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求的步骤，包括：
根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值，并分别更新所述第一生成器和第二生成器的网络参数；
不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
一种基于对抗迁移网络的室内位置指纹地图生成系统，其中，所述基于对抗迁移网络的室内位置指纹地图生成系统包括：
源域数据采集模块，用于采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；
目标域数据采集模块，用于采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；
网络模型训练模块，用于训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；
位置指纹数据生成模块，用于根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
一种基于对抗迁移网络的室内位置指纹地图生成装置，其中，所述基于对抗迁移网络的室内位置指纹地图生成装置包括如上所述的基于对抗迁移网络的室内位置指纹地图生成系统，还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于对抗迁移网络的室内位置指纹地图生成程序，所述基于对抗迁移网络的室内位置指纹地图生成程序被所述处理器执行时实现如上所述的基于对抗迁移网络的室内位置指纹地图生成方法的步骤。
一种存储介质，其中，所述存储介质存储有基于对抗迁移网络的室内位置指纹地图生成程序，所述基于对抗迁移网络的室内位置指纹地图生成程序被处理器执行时实现如上所述基于对抗迁移网络的室内位置指纹地图生成方法的步骤。
本发明通过采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
附图说明
图1是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例的流程图；
图2是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中步骤S10的流程图；
图3是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中步骤S20的流程图；
图4是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中步骤S30的流程图；
图5是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中步骤S40的流程图；
图6是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中基于对抗迁移网络的室内无线信号生成模型(对抗迁移网络模型)结构示意图；
图7是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中分类器算法流程图；
图8是本发明基于对抗迁移网络的室内位置指纹地图生成方法的较佳实施例中Loc-GAN生成器G网络结构表的示意图；
图9是本发明基于对抗迁移网络的室内位置指纹地图生成系统的较佳实施例的原理图；
图10为本发明基于对抗迁移网络的室内位置指纹地图生成装置的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明较佳实施例所述的基于对抗迁移网络的室内位置指纹地图生成方法，如图1所示，一种基于对抗迁移网络的室内位置指纹地图生成方法，其中，所述基于对抗迁移网络的室内位置指纹地图生成方法包括以下步骤：
步骤S10、采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库。
具体的过程请参阅图2，其为本发明提供的基于对抗迁移网络的室内位置指纹地图生成方法中步骤S10的流程图。
如图2所示，所述步骤S10包括：
S11、采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，通过装备有WIFI接收器的移动设备在预设时间内采集每个格网内的WIFI信号强度；
S12、构建源域的基于WIFI信号强度的第一位置指纹数据库，所述第一位置指纹数据库包括实际位置与格网序号的映射关系表和格网序号与布设WIFI路由器的信号强度向量映射关系表。
在所述步骤S11之前还包括：预先在源域室内环境中均匀布设WIFI路由器。
步骤S20、采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库。
如图3所示，所述步骤S20包括：
S21、采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，通过装备有WIFI接收器的移动设备在预设时间内采集每个格网内的WIFI信号强度；
S22、构建源域的基于WIFI信号强度的第一位置指纹数据库，所述第一位置指纹数据库包括实际位置与格网序号的映射关系表和格网序号与布设WIFI路由器的信号强度向量映射关系表。
在所述步骤S21之前还包括：根据源域室内环境中均匀布设的WIFI路由器，在目标域室内环境相同的位置布设WIFI路由器，数据采集格网的划分与源域室内环境的格网序号的相对位置一致。
步骤S30、训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值。
如图4所示，所述步骤S30包括：
S31、根据所述第一位置指纹数据库和第二位置指纹数据库中的数据训练对抗迁移网络模型，设置并初始化第一分类器和第二分类器、第一生成器和第二生成器和判别器；
S32、训练所述第一生成器和第二生成器，以随机噪声输入所述第一生成器和第二生成器，输出信号特征向量；
S33、迭代训练所述第一分类器和第二分类器，对于所述第一分类器，输入RTT数据，预测特征向量数据，产生伪标签，并将未采集的控制点样本中高置信度的样本加入进训练样本中；对于第二对于分类器，输入RST数据，反向传播损失值进行迭代训练，预测信号特征向量输出预测类别；
S34、迭代训练所述判别器，融合所述第一生成器和第二生成器的输出，以及所述第一分类器和第二分类器的输出，最大化判别误差，区分真数据集和伪数据集，输出所述判别器的损失函数值。
步骤S40、根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
如图5所示，所述步骤S40包括：
S41、根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值，并分别更新所述第一生成器和第二生成器的网络参数；
S42、不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
具体地，本发明利用源域(Source Domain，SD)的WIFI位置指纹数据迁移生成目标域(Target Domain，TD)的位置指纹地图，基于相似物理空间的WIFI信号传播具有一定的共性，分析不同空间的WIFI信号传播特征，本发明以对抗迁移深度学习为技术背景，设计基于WIFI位置指纹地图的对抗迁移网络模型(Location fingerprint map GAN，Loc-GAN)，模型框架如附图6所示。
本发明中的对抗迁移网络模型主要有以下两部分：
(1)分类迁移网络
本发明的对抗迁移网络模型，设置两个半监督分类器C(T)和C(S)，分别对应第一分类器和第二分类器，具体包含联合目标域和源域的监督信息(控制点样本数据)的方式、半监督网络结构、半监督训练方式、辅助对抗网络中的判别器网络的训练方式等，实现半监督分类器与对抗迁移网络的融合。
对于半监督分类器C(T)，本发明首先利用少量控制点样本数据训练分类器C(T)，然后用C(T)预测未标记的数据样本，并将高置信度的样本加入进训练样本中，再不断迭代重复训练分类器C(T)，这种学习方式可以使得分类器使用自己预测的结果进一步完善自己，其训练的流程示意图如附图7所示。本发明使用最小熵去测量TD中非控制点的样本距离决策面的距离，其目标函数表达式如下：
其中nt为TD中训练数据的个数，xti为TD信号数据特征向量，PC(xti)为输出样本类别的概率。
对于半监督分类器C(S)，假设Y(S)为SD的格网标签，设计目标函数如下：
其中，ns为SD中训练数据的个数，为真实标签的实际空间物理坐标，(xsi，ysi)为分类预测类别的实际空间物理坐标，即分类器C(S)的目标函数优化方向是寻找真实类别标签与预测类别标签的实际物理空间欧氏距离最小。
C(S)分类器与分类器C(T)网络结构相同，为六层神经网络，其中，本发明以迁移学习技术，设计两个分类器第四、第五层两层神经网络的知识进行迁移，共享网络参数，协助半监督学习分类器C(T)丰富更多的源域SD的数据特征和源域SD的标签特征，提高半监督分类器C(T)的分类能力。
(2)对抗生成迁移网络
对抗生成迁移网络主要包含生成器网络(G)与判别器网络(D)的模型设计，具体包含生成器与判别器的网络层数、网络参数、网络连接方式、Loss损失函数、反向传播方式等，实现位置指纹地图的生成。
对于生成器，本发明设计了两个生成器，分别是第一生成器G(S)和第二生成器G(T)，其中一个G(S)是为了SD数据的模拟生成，另一个G(T)是为了TD数据的模拟生成，且以迁移网络结构进行辅助，从而更好地迁移源域数据的内容，生成更稳定、更具有偏向性的TD数据。两个生成器网络结构是一样的，具体网络结构设计表如图8所示。
生成器网络结构的前四层，是卷积和池化的过程，利用卷积神经网络的卷积过程不仅能减少神经网络的参数，更能够有效的获取到细节特征的特点，来帮助有效生成WIFI指纹地图的细节特征。本发明设计后三层网络为迁移网络，设计共享权重参数的迁移网络，进行知识特征的迁移，网络的第五、六层是神经网络的全连接层，实现卷积层提取的细节特征进行非线性变换，第七层网络为了避免过拟合而采取丢失部分神经元参数的策略，即添加Dropout变换，第八层输出网络设计输出与TD的数据结构一致的数据。
对于判别器，本发明设计了与特征、监督信息融合的判别器D。判别器D作为生成器G和分类器C所输出信息的交合桥梁，其输出是前向传播引导生成器向正确方向收敛的关键。假设分类器C(T)的损失函数为分类器C(S)损失函数为则融合监督信息的表达式如下：
其中，参数α和β为控制两个分类器损失函数的权重，为对抗迁移起到一个平衡的作用。结合半监督分类器的损失函数的设计，可得到损失优化函数D的表达式如下：
进一步地，本发明通过对抗迁移网络模型实现源域的WIFI位置指纹数据到目标域的WIFI位置指纹数据的生成，具体步骤实施方式如下：
步骤S1、采集SD室内环境的WIFI位置指纹数据，在SD室内环境中均匀布设WIFI路由器，且将数据采集区域划分格网，通过装备WIFI接收器的移动设备采集每个格网内的WIFI信号强度数据；
其中，每个格网采集数据时间为2～3分钟，即所述预设时间优选为2～3分钟；
步骤S2、构建SD的基于WIFI信号强度的位置指纹MySQL数据库(SD-mysql)，即第一位置指纹数据库，所述第一位置指纹数据库包括：实际位置与格网序号的映射关系表(Loc-label SD table，LST)，和格网序号与布设AP(WIFI路由器)的信号强度向量映射关系表(RSS-label SD table，RST)，两个表都以格网序号为索引；
步骤S3、对于TD室内环境，需要布设和SD室内环境相对位置一致的WIFI路由器，数据采集格网的划分，也需要与SD环境的格网序号的相对位置一致；
步骤S4、在采集TD室内环境中的WIFI位置指纹数据时，随机均匀选择60％～70％的控制点格网集合V，通过装备WIFI接收器的移动设备采集控制点的WIFI信号强度数据，并记录每个格网的序号；
步骤S5、构建TD的基于WIFI信号强度的位置指纹MySQL数据库(TD-mysql)，即第二位置指纹数据库，所述第二位置指纹数据库包括：实际位置与控制点格网序号的映射关系表(Loc-label TD table，LTT)，和控制点格网序号与布设AP的信号强度向量映射关系表(RSS-label TD table，RTT)，两个表也都以控制点格网序号为索引；
步骤S6、在准备好数据后，开始训练对抗迁移网络模型，首先，设置分类器、生成器、判别器的学习率，初始化各个网络模型的参数；即设置并初始化第一分类器和第二分类器、第一生成器和第二生成器和判别器；
步骤S7、初步训练生成网络(即训练所述第一生成器和第二生成器)，以随机噪声输入两个生成网络模型G(S)与G(T)，输出信号特征向量Z(S)与Z(T)；
步骤S8、训练分类器C(S)、C(T)，即迭代训练所述第一分类器和第二分类器，两个分类器需要同时开始迭代训练；
对于第一分类器C(S)，输入RST数据，反向传播损失值进行迭代训练，预测对信号特征向量z(S)，输出预测类别Y(S)；
而对于第二分类器C(T)，输入RTT数据，训练分类器C(T)，然后用C(T)预测特征向量z(T)数据，产生伪标签Y(T)，并将未采集的由生成网络生成的控制点样本中高置信度的样本加入进训练样本中，再不断迭代重复训练分类器C(T)；
步骤S9、训练判别模型D(即迭代训练所述判别器)，设置D的迭代次数为k，融合生成器的输出、分类器的输出，每次采用梯度上升的方式更新D网络，最大化判别误差，使得判别模型趋于稳定，能够较好的区分真数据集和伪数据集，输出判别模型D的损失函数值；
步骤S10、根据判别模型D的损失函数值，分别计算生成器网络的损失函数值，并分别更新生成器G(S)，G(T)的网络参数；
步骤S11、重复步骤1-步骤S10，直至整个对抗迁移网络模型最优，生成的WIFI位置指纹数据满足定位精度要求。
进一步地，如图9所示，基于上述基于对抗迁移网络的室内位置指纹地图生成方法，本发明还相应提供了一种基于对抗迁移网络的室内位置指纹地图生成系统，所述基于对抗迁移网络的室内位置指纹地图生成系统包括：
源域数据采集模块101，用于采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；
目标域数据采集模块102，用于采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；
网络模型训练模块103，用于训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；
位置指纹数据生成模块104，用于根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
进一步地，如图10所示，基于上述基于对抗迁移网络的室内位置指纹地图生成方法和系统，本发明还相应提供了一种基于对抗迁移网络的室内位置指纹地图生成装置，所述基于对抗迁移网络的室内位置指纹地图生成装置包括如上所述的基于对抗迁移网络的室内位置指纹地图生成系统，还包括处理器10、存储器20及显示器30。图10仅示出了基于对抗迁移网络的室内位置指纹地图生成装置的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述基于对抗迁移网络的室内位置指纹地图生成装置的内部存储单元，例如基于对抗迁移网络的室内位置指纹地图生成装置的硬盘或内存。所述存储器20在另一些实施例中也可以是所述基于对抗迁移网络的室内位置指纹地图生成装置的外部存储设备，例如所述基于对抗迁移网络的室内位置指纹地图生成装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所基于对抗迁移网络的室内位置指纹地图生成装置的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述基于对抗迁移网络的室内位置指纹地图生成装置的应用软件及各类数据，例如所述安装基于对抗迁移网络的室内位置指纹地图生成装置的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于对抗迁移网络的室内位置指纹地图生成程序40，该基于对抗迁移网络的室内位置指纹地图生成程序40可被处理器10所执行，从而实现本申请中基于对抗迁移网络的室内位置指纹地图生成方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于对抗迁移网络的室内位置指纹地图生成方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述基于对抗迁移网络的室内位置指纹地图生成装置的信息以及用于显示可视化的用户界面。所述基于对抗迁移网络的室内位置指纹地图生成装置的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中基于对抗迁移网络的室内位置指纹地图生成程序40时实现以下步骤：
采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；
采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；
训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；
根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
本发明还提供一种存储介质，其中，所述存储介质存储有基于对抗迁移网络的室内位置指纹地图生成程序，所述基于对抗迁移网络的室内位置指纹地图生成程序被处理器执行时实现所述基于对抗迁移网络的室内位置指纹地图生成方法的步骤；具体如上所述。
综上所述，本发明提供一种基于对抗迁移网络的室内位置指纹地图生成方法及系统，所述方法包括：采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。本发明通过利用源域的WIFI位置指纹数据，迁移生成目标域的WIFI位置指纹数据，可以减少相似环境的位置指纹数据采集，实现室内环境的精准定位。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述基于对抗迁移网络的室内位置指纹地图生成方法包括：
采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；
采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；
训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；
根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
2.根据权利要求1所述的基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库的步骤，包括：
采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，通过装备有WIFI接收器的移动设备在预设时间内采集每个格网内的WIFI信号强度；
构建源域的基于WIFI信号强度的第一位置指纹数据库，所述第一位置指纹数据库包括实际位置与格网序号的映射关系表和格网序号与布设WIFI路由器的信号强度向量映射关系表。
3.根据权利要求1所述的基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库的步骤，还包括：
预先在源域室内环境中均匀布设WIFI路由器。
4.根据权利要求2所述的基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库的步骤，包括：
采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，通过装备WIFI接收器的移动设备采集控制点的WIFI信号强度，并记录每个格网的序号；
构建目标域的基于WIFI信号强度的第二位置指纹数据库，所述第二位置指纹数据库包括实际位置与控制点格网序号的映射关系表和控制点格网序号与布设WIFI路由器的信号强度向量映射关系表。
5.根据权利要求4所述的基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库的步骤，还包括：
根据源域室内环境中均匀布设的WIFI路由器，在目标域室内环境相同的位置布设WIFI路由器，数据采集格网的划分与源域室内环境的格网序号的相对位置一致。
6.根据权利要求4所述的基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值的步骤，包括：
根据所述第一位置指纹数据库和第二位置指纹数据库中的数据训练对抗迁移网络模型，设置并初始化第一分类器和第二分类器、第一生成器和第二生成器和判别器；
训练所述第一生成器和第二生成器，以随机噪声输入所述第一生成器和第二生成器，输出信号特征向量；
迭代训练所述第一分类器和第二分类器，对于所述第一分类器，输入RTT数据，预测特征向量数据，产生伪标签，并将未采集的控制点样本中高置信度的样本加入进训练样本中；对于第二对于分类器，输入RST数据，反向传播损失值进行迭代训练，预测信号特征向量输出预测类别；
迭代训练所述判别器，融合所述第一生成器和第二生成器的输出，以及所述第一分类器和第二分类器的输出，最大化判别误差，区分真数据集和伪数据集，输出所述判别器的损失函数值。
7.根据权利要求6所述的基于对抗迁移网络的室内位置指纹地图生成方法，其特征在于，所述根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求的步骤，包括：
根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值，并分别更新所述第一生成器和第二生成器的网络参数；
不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
8.一种基于对抗迁移网络的室内位置指纹地图生成系统，其特征在于，所述基于对抗迁移网络的室内位置指纹地图生成系统包括：
源域数据采集模块，用于采集源域室内环境中的WIFI位置指纹数据，将数据采集区域划分格网，在预设时间内采集每个格网内的WIFI信号强度，并构建源域的基于WIFI信号强度的第一位置指纹数据库；
目标域数据采集模块，用于采集目标域室内环境中的位置指纹数据时，随机均匀选择预设百分比的控制点格网集合，采集控制点的WIFI信号强度，并记录每个格网的序号，构建目标域的基于WIFI信号强度的第二位置指纹数据库；
网络模型训练模块，用于训练对抗迁移网络模型，设置、初始化以及训练第一分类器和第二分类器、第一生成器和第二生成器和判别器，输出所述判别器的损失函数值；
位置指纹数据生成模块，用于根据所述判别器的损失函数值分别计算所述第一生成器和第二生成器的损失函数值并更新网络参数，不断优化所述对抗迁移网络模型，直到生成的WIFI位置指纹数据满足定位精度要求。
9.一种基于对抗迁移网络的室内位置指纹地图生成装置，其特征在于，所述基于对抗迁移网络的室内位置指纹地图生成装置包括如权利要求8所述的基于对抗迁移网络的室内位置指纹地图生成系统，还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于对抗迁移网络的室内位置指纹地图生成程序，所述基于对抗迁移网络的室内位置指纹地图生成程序被所述处理器执行时实现如权利要求1-7任一项所述的基于对抗迁移网络的室内位置指纹地图生成方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有基于对抗迁移网络的室内位置指纹地图生成程序，所述基于对抗迁移网络的室内位置指纹地图生成程序被处理器执行时实现如权利要求1-7任一项所述基于对抗迁移网络的室内位置指纹地图生成方法的步骤。
CN201910435131.5A 2019-05-23 2019-05-23 基于对抗迁移网络的室内位置指纹地图生成方法及系统 Active CN110234085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910435131.5A CN110234085B (zh) 2019-05-23 2019-05-23 基于对抗迁移网络的室内位置指纹地图生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910435131.5A CN110234085B (zh) 2019-05-23 2019-05-23 基于对抗迁移网络的室内位置指纹地图生成方法及系统

Publications (2)

Publication Number Publication Date
CN110234085A true CN110234085A (zh) 2019-09-13
CN110234085B CN110234085B (zh) 2020-09-15

Family

ID=67861610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910435131.5A Active CN110234085B (zh) 2019-05-23 2019-05-23 基于对抗迁移网络的室内位置指纹地图生成方法及系统

Country Status (1)

Country Link
CN (1) CN110234085B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368120A (zh) * 2020-05-28 2020-07-03 广东博智林机器人有限公司 目标指纹库构建方法、装置、电子设备及存储介质
CN111464938A (zh) * 2020-03-30 2020-07-28 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质
CN111623778A (zh) * 2020-05-14 2020-09-04 成都众树信息科技有限公司 一种室内定位轨迹分析的方法及装置
CN111935629A (zh) * 2020-07-30 2020-11-13 广东工业大学 一种基于环境特征迁移的自适配定位方法
CN112887909A (zh) * 2021-04-14 2021-06-01 中国科学技术大学 一种基于Wi-Fi信号的室内定位方法
CN113591366A (zh) * 2021-06-23 2021-11-02 清华大学 一种通勤数据生成方法及系统
CN114758364A (zh) * 2022-02-09 2022-07-15 四川大学 基于深度学习的工业物联网场景融合定位方法及系统
CN115082792A (zh) * 2022-06-29 2022-09-20 华南理工大学 基于特征对抗迁移和半监督学习的跨域水面目标检测方法
CN115426710A (zh) * 2022-08-15 2022-12-02 浙江工业大学 一种面向室内指纹定位的稀疏特征补全方法
CN115794983A (zh) * 2023-02-06 2023-03-14 南京邮电大学 一种基于gan高效构建位置指纹数据库的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106793072A (zh) * 2016-12-08 2017-05-31 重庆大学 一种室内定位系统快速搭建方法
WO2017158058A1 (en) * 2016-03-15 2017-09-21 Imra Europe Sas Method for classification of unique/rare cases by reinforcement learning in neural networks
CN107832834A (zh) * 2017-11-13 2018-03-23 合肥工业大学 一种基于生成对抗网络的wifi室内定位指纹库的构建方法
CN107958287A (zh) * 2017-11-23 2018-04-24 清华大学 面向跨界大数据分析的对抗迁移学习方法及系统
WO2019028089A1 (en) * 2017-08-01 2019-02-07 Twosense, Inc. DEEP LEARNING FOR INVISIBLE MULTIFACTOR AUTHENTICATION BASED ON BEHAVIOR
CN109492075A (zh) * 2018-09-10 2019-03-19 中山大学 一种基于循环生成对抗网络的迁移学习排序方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017158058A1 (en) * 2016-03-15 2017-09-21 Imra Europe Sas Method for classification of unique/rare cases by reinforcement learning in neural networks
CN106793072A (zh) * 2016-12-08 2017-05-31 重庆大学 一种室内定位系统快速搭建方法
WO2019028089A1 (en) * 2017-08-01 2019-02-07 Twosense, Inc. DEEP LEARNING FOR INVISIBLE MULTIFACTOR AUTHENTICATION BASED ON BEHAVIOR
CN107832834A (zh) * 2017-11-13 2018-03-23 合肥工业大学 一种基于生成对抗网络的wifi室内定位指纹库的构建方法
CN107958287A (zh) * 2017-11-23 2018-04-24 清华大学 面向跨界大数据分析的对抗迁移学习方法及系统
CN109492075A (zh) * 2018-09-10 2019-03-19 中山大学 一种基于循环生成对抗网络的迁移学习排序方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《臧文华》: "基于生成对抗网络的迁移学习算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
WEN MA: "《Super-Resolution of Remote Sensing Images Based on Transferred Generative Adversarial Network》", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
邢恩旭: "基于迁移学习的双层生成式对抗网络", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464938A (zh) * 2020-03-30 2020-07-28 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质
CN111464938B (zh) * 2020-03-30 2021-04-23 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质
CN111623778A (zh) * 2020-05-14 2020-09-04 成都众树信息科技有限公司 一种室内定位轨迹分析的方法及装置
CN111623778B (zh) * 2020-05-14 2023-09-12 成都众树信息科技有限公司 一种室内定位轨迹分析的方法及装置
CN111368120A (zh) * 2020-05-28 2020-07-03 广东博智林机器人有限公司 目标指纹库构建方法、装置、电子设备及存储介质
CN111935629A (zh) * 2020-07-30 2020-11-13 广东工业大学 一种基于环境特征迁移的自适配定位方法
CN112887909B (zh) * 2021-04-14 2022-07-15 中国科学技术大学 一种基于Wi-Fi信号的室内定位方法
CN112887909A (zh) * 2021-04-14 2021-06-01 中国科学技术大学 一种基于Wi-Fi信号的室内定位方法
CN113591366A (zh) * 2021-06-23 2021-11-02 清华大学 一种通勤数据生成方法及系统
CN114758364B (zh) * 2022-02-09 2022-09-23 四川大学 基于深度学习的工业物联网场景融合定位方法及系统
CN114758364A (zh) * 2022-02-09 2022-07-15 四川大学 基于深度学习的工业物联网场景融合定位方法及系统
CN115082792A (zh) * 2022-06-29 2022-09-20 华南理工大学 基于特征对抗迁移和半监督学习的跨域水面目标检测方法
CN115082792B (zh) * 2022-06-29 2024-05-28 华南理工大学 基于特征对抗迁移和半监督学习的跨域水面目标检测方法
CN115426710A (zh) * 2022-08-15 2022-12-02 浙江工业大学 一种面向室内指纹定位的稀疏特征补全方法
CN115794983A (zh) * 2023-02-06 2023-03-14 南京邮电大学 一种基于gan高效构建位置指纹数据库的方法

Also Published As

Publication number Publication date
CN110234085B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN110234085A (zh) 基于对抗迁移网络的室内位置指纹地图生成方法及系统
Kim et al. A scalable deep neural network architecture for multi-building and multi-floor indoor localization based on Wi-Fi fingerprinting
Sahar et al. An LSTM-based indoor positioning method using Wi-Fi signals
Qiao et al. TraPlan: an effective three-in-one trajectory-prediction model in transportation networks
Li et al. A Wi-Fi indoor localization strategy using particle swarm optimization based artificial neural networks
CN110399770A (zh) 基于利用物理特性增强对象生成针对对象的机器学习模型
Xi et al. Comprehensive ocean information-enabled AUV path planning via reinforcement learning
CN105636201B (zh) 基于稀疏信号指纹数据库的室内定位方法
CN105307264B (zh) 一种无线传感器网络的移动节点定位方法
Cheng et al. Multi-task and multi-view learning based on particle swarm optimization for short-term traffic forecasting
CN107203756A (zh) 一种识别手势的方法与设备
Zhu et al. Accurate WiFi-based indoor localization by using fuzzy classifier and mlps ensemble in complex environment
CN107300687A (zh) 一种基于运动多站的高精度无源时差定位方法
Khan et al. Cuckoo Search‐based SVM (CS‐SVM) Model for Real‐Time Indoor Position Estimation in IoT Networks
Wu et al. Ensemble strategy utilizing a broad learning system for indoor fingerprint localization
Wang et al. A robust indoor localization method with calibration strategy based on joint distribution adaptation
CN117350330A (zh) 基于混合教学的半监督实体对齐方法
Hu et al. A novel indoor localization system using machine learning based on bluetooth low energy with cloud computing
Zhu et al. Intelligent fingerprint-based localization scheme using CSI images for internet of things
Vahidnia et al. A hierarchical signal-space partitioning technique for indoor positioning with WLAN to support location-awareness in mobile map services
Li et al. UAV trajectory optimization for spectrum cartography: A PPO approach
Gu et al. Attention-based gesture recognition using commodity wifi devices
KR20200044644A (ko) Cnn 기반 이미지 검색 방법 및 장치
Liu et al. Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother
Ullah Khan et al. An improved hybrid indoor positioning system based on surface tessellation artificial neural network

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