CN110351658B - 一种基于卷积神经网络的室内定位方法 - Google Patents

一种基于卷积神经网络的室内定位方法 Download PDF

Info

Publication number
CN110351658B
CN110351658B CN201910475353.XA CN201910475353A CN110351658B CN 110351658 B CN110351658 B CN 110351658B CN 201910475353 A CN201910475353 A CN 201910475353A CN 110351658 B CN110351658 B CN 110351658B
Authority
CN
China
Prior art keywords
phase information
channel
matrix
information
detection model
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
CN201910475353.XA
Other languages
English (en)
Other versions
CN110351658A (zh
Inventor
邢天璋
廉英浩
陈晓江
房鼎益
彭瑶
刘晨
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.)
Northwestern University
Original Assignee
Northwestern 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 Northwestern University filed Critical Northwestern University
Priority to CN201910475353.XA priority Critical patent/CN110351658B/zh
Publication of CN110351658A publication Critical patent/CN110351658A/zh
Application granted granted Critical
Publication of CN110351658B publication Critical patent/CN110351658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S5/0252—Radio frequency fingerprinting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

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)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于卷积神经网络的室内定位方法：步骤1，获取相位信息矩阵；步骤2，相位信息矩阵校准；步骤3，将最终的相位信息矩阵中的所有相位信息以及每个相位信息对应的矩阵坐标作为训练集，输入所构建的信道检测模型，得到训练好的信道检测模型；步骤4：将待检测的单信道下的相位信息输入训练好的信道检测模型；步骤5：根据信道信息CH和初始位置PH，得到完整的相位信息；步骤6：根据完整的相位信息，得到其对应的似然函数估计量，将似然函数估计量最大的定位区域作为目标位置。本发明利用深度学习的方法得到待测信道的位置，并根据该位置得到的虚拟高带宽相位信息对目标定位，能够有效提高定位精度。

Description

一种基于卷积神经网络的室内定位方法
技术领域
本发明属于定位技术领域，涉及一种基于卷积神经网络的室内定位方法。
背景技术
近年来，伴随着智能手机、平板电脑和笔记本电脑等移动设备的普及，基于这些设备的定位应用已成为我们日常生活的重要组成部分。目前大多数移动设备主要应用全球定位系统GPS或者北斗定位系统提供定位服务，而这两种方案只能在室外对目标进行有效定位，在复杂的室内环境下则精度低甚至无法工作。其原因主要有以下两点：(1)由于在室内的接入点AP和移动客户端之间存在着很多物体，无线信号在其中反射到多条路径传播，称之为多径现象；(2)GPS提供了几米之间的定位精度，对于室外环境中的街道或者城市街区来说已经绰绰有余，然而对于GPS无法到达的室内环境来说，这样的定位精度远远无法达到要求。
为了能有效地对室内目标进行定位，目前的室内定位技术主要围绕声音信号(Acoustic)、光信号(Camera和Visible light)、电信号(UWB，Radar和RFID)展开。其中，基于声音信号的定位技术，其精度易受环境噪声影响，且定位范围有限；基于光信号的定位技术，其过度依赖环境中的光线强度，在非视距环境中无法工作，同时容易目标隐私泄露问题；基于电信号的定位技术，为了实现目标的高精度定位，主要依赖昂贵的设备以及精密的仪器。因此，基于以上方案的定位方法无法普适于我们的日常生活中。
现如今许多室内环境下都已经部署廉价的商用Wi-Fi设备，许多学者也开始了基于Wi-Fi无线信号室内定位技术的探索。目前基于Wi-Fi信号的定位方法主要利用粗粒度的接收信号强度RSSI和细粒度的信道状态信息CSI(Channel State Information)对目标位置估计。其中，大部分基于Wi-Fi无线信号的室内定位技术要么为了低代价牺牲定位精度，要么为了定位精度牺牲代价。这些缺陷极大的限制了以上方案的推广。
基于Wi-Fi信号系统应该满足下面三个要求：1)通用性：易于部署在现有的商用Wi-Fi基础设备上，而无需在接入点或者客户端上进行任何的硬件或者固件的更改；只能利用由基础设施提供的RSSI和CSI等信息，而不包括其他硬件设备。2)兼容性：在通信过程中，数据传输是最基本也是最重要的任务，因此定位系统需要与基本的数据传输相兼容，而不会去干扰它。3)准确性：定位的精度在室内环境下应该是精确的，由于现有一些定位系统加大了硬件部署和数量，所以虽然定位精度提高，但是不满足上述两个条件。
发明内容
为了解决上述现有技术存在的不足，实现在不改变客户端软硬件负载的情况下依然达到高精度的定位结果，本发明的目的在于，提供一种基于神经网络的室内定位方法来解决现有技术中存在的问题。
为了达到上述目的，本发明采用如下技术方案予以解决：
一种基于卷积神经网络的室内定位方法，具体包括如下步骤：
步骤1，获取WI-FI多信道的CSI的相位信息矩阵；
步骤2，对于步骤1得到的相位信息矩阵中的每个相位信息进行校准，得到校准后的相位信息矩阵；
步骤3，构建信道检测模型，将最终的相位信息矩阵中的所有相位信息以及每个相位信息对应的矩阵坐标作为训练集，输入所构建的信道检测模型，得到信道检测模型的最优权重，从而得到训练好的信道检测模型，相位信息对应的矩阵坐标中的列坐标表示该相位信息对应的信道信息，行坐标表示该相位信息在矩阵中对应的初始位置；
步骤4：将待检测的单信道下的相位信息输入训练好的信道检测模型，得到该待检测的单信道下的相位信息对应的信道信息CH以及初始位置PH；
步骤5：在最终的相位信息矩阵中取出初始位置PH对应行的至少60％的相位信息，其中包含信道信息CH和初始位置PH对应的坐标上的相位信息，再将该坐标上的相位信息用上述待检测的单信道下的相位信息进行替换，得到完整的相位信息；
步骤6：将步骤5得到的完整的相位信息利用MUSIC算法处理，得到多条路径的AOA信息；将步骤5得到的完整的相位信息利用构造时域下的信道脉冲响应CIR处理，得到多条路径的TOF信息；将AOA信息和TOF信息绘制到以TOF为纵坐标、以AOA为横坐标的二维平面中，得到多个区域，将这些区域作为定位区域；然后对每个定位区域分别利用似然函数处理，得到其对应的似然函数估计量，将似然函数估计量最大的定位区域作为目标位置。
进一步的，所述步骤1中，所述获取WI-FI多信道的CSI的相位信息矩阵具体操作如下：
从第一个信道依次遍历相邻信道直至最后一个信道，采集得到所有信道的原始相位信息，将该信息作为相位信息矩阵的第一行；重复上述采集过程得到相位信息矩阵的其余行，直至某一行中的相位信息与相对于上一行的相位信息的协方差η＝Corr(Phk+1,Phk)小于0.8时，此时线性相关度较低，停止采集；其中Phk+1和Phk表示该行和上一行的相位信息。
进一步的，所述步骤2的校准过程分为如下子步骤：
步骤21，采用公式1的卷积运算对相位信息矩阵中的每个相位信息进行矫正处理，得到矫正后的相位信息矩阵；
Ph`＝Ph.*e^(-j*2π*lts) 公式1
其中Ph`和Ph为校准后和校准前相位信息矩阵，j为虚数单位，lts为频域下WiFi前导码中的长序列数据信息。
步骤22，采用公式2和公式3，对矫正后的相位信息矩阵中的每个相位信息进行线性回归处理，得到最终的相位信息矩阵；
Figure BDA0002082057690000041
Figure BDA0002082057690000042
式中，Δt是PBD和SFO引起的时移；Δf是802.11协议下OFDM多载波调制中固定的载波间频率间隔312.5kHz；a、b、c均为多元线性回归的拟合变量；
Figure BDA0002082057690000043
是移除PBD和SFO引起的偏移后的相位信息。
进一步的，所述步骤3中，所述信道检测模型采用CNN卷积神经网络，所述CNN卷积神经网络包括以下六层：输入层、卷积层、池化层、RELU层、全连接层和分类输出层。
相较于现有技术，本发明具有以下技术效果：
1、本发明通过校准原始相位信息的不准确性，得到有效的可用的相位信息；并且利用深度学习的方法得到待测信道的位置，并根据该位置得到的虚拟高带宽相位信息对目标定位，能够有效提高了定位精度。
2、本发明的方法所需硬件设施与一般室内环境中部署的硬件相同，无需额外增加任何多余硬件。
3、本发明利用单信道信号通信，不会影响到任何客户端正在进行的数据通信，与客户端应用程序兼容性高。
附图说明
图1为本发明的流程图；
图2为本发明中原始采集数据的相位信息图；
图3为本发明中影响相位信息三要素示意图；
图4为本发明中校准后的相位信息图；
图5为本发明中相位信息矩阵示意图；
图6为本发明中神经网络示意图；
图7为本发明中相位信息拼接结果示意图；
图8为本发明中相位信息拼接长度的性能示意图；
图9为本发明中定位路径结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供的一种基于卷积神经网络的室内定位方法，具体包括如下步骤：
步骤1，获取WI-FI多信道的CSI的相位信息矩阵。
从第一个信道依次遍历相邻信道直至最后一个信道，采集得到所有信道的原始相位信息，将该信息作为相位信息矩阵的第一行；重复上述采集过程得到相位信息矩阵的其余行，直至某一行中的相位信息与相对于上一行的相位信息的协方差η＝Corr(Phk+1,Phk)小于0.8时，此时线性相关度较低，停止采集；其中Phk+1和Phk表示该行和上一行的相位信息。
具体采集时，可以从WARP平台获取。如图2所示为相位信息矩阵中某一行表示的原始的相位信息。
步骤2，对于步骤1得到的相位信息矩阵中的每个相位信息进行校准，得到校准后的相位信息矩阵；
如图3所示为802.11无线信号的处理过程，由于噪声原因，幅度特征的衰减不一；硬件采样时间偏差，采样频率偏差和收发不同步，影响相位信息；跳频过程中子载波跳变稳定性不一。因为硬件晶振和失真的影响，因此，步骤1采集的原始相位信息存在三种影响因子，需要对其进行校准，才能保证本发明结果的有效性。
三种影响因子为：(1)中心频率偏移CFO(Central Frequency Offset)。发送端和接收端的中心频率无法精准的相同，中心频率偏移通常采用CFO矫正器补偿，但是由于硬件原因，补偿的误差值在频域下也会严重影响相位偏移，因此要采用卷积运算进行校准。(2)包检测延迟PBD(Packet Boundary Detection)。由于接收端接收数据的时间也会引起相位偏移。(3)采样频率偏移SFO(Sampling Frequency Offset)。由于在发送端和接收端的时钟不同步，采样时间点无法对准，会引起相位偏移。因此，包检测延迟PBD和采样频率偏移SFO都和子载波的索引相关，子载波的间隔是固定的，因此这两种相位偏移都是线性的，本发明引入了线性回归校正方法对它们统一进行校准。
基于上述考虑，步骤2的校准过程分为如下子步骤：
步骤21，采用公式1的卷积运算对相位信息矩阵中的每个相位信息进行矫正处理，得到矫正后的相位信息矩阵；
Ph`＝Ph.*e^(-j*2π*lts) 公式1
其中Ph`和Ph为校准后和校准前相位信息矩阵，j为虚数单位，lts为频域下WiFi前导码中的长序列数据信息。
步骤22，采用公式2和公式3，对矫正后的相位信息矩阵中的每个相位信息进行线性回归处理，得到最终的相位信息矩阵；
Figure BDA0002082057690000071
Figure BDA0002082057690000072
式中，Δt是PBD和SFO引起的时移；Δf是802.11协议下OFDM多载波调制中固定的载波间频率间隔312.5kHz；a、b、c均为多元线性回归的拟合变量；
Figure BDA0002082057690000073
是移除PBD和SFO引起的偏移后的相位信息，如图4所示，相较于图2，相位信息波动更加稳定。
步骤3，构建信道检测模型，将最终的相位信息矩阵中的所有相位信息以及每个相位信息对应的矩阵坐标作为训练集，输入所构建的信道检测模型，得到信道检测模型的最优权重，从而得到训练好的信道检测模型。如图5所示，相位信息对应的矩阵坐标中的列坐标表示该相位信息对应的信道信息，行坐标表示该相位信息在矩阵中对应的初始位置。
在本发明的一个实施例中，信道检测模型具体可采用CNN卷积神经网络，如图6所示，该CNN卷积神经网络包括以下六层：输入层、卷积层、池化层、RELU层、全连接层和分类输出层。
在训练过程中，当损失函数曲线趋于稳定，且损失函数的值不再下降，则完成信道检测模型的训练。
步骤4：将待检测的单信道下的相位信息输入训练好的信道检测模型，得到该待检测的单信道下的相位信息对应的信道信息CH以及初始位置PH。
步骤5：在最终的相位信息矩阵中取出初始位置PH对应行的至少60％的相位信息，其中包含信道信息CH和初始位置PH对应的坐标上的相位信息，再将该坐标上的相位信息用上述待检测的单信道下的相位信息进行替换，得到完整的相位信息，即虚拟高带宽相位信息，如图7所示。
为了得到更高的定位精度，本发明进行了如下实验：如图8所示，在15×10m2的实验室中，实验室中心和已知位置布置服务端和辅助端，在实验室中随机50个位置处布置客户端，将拼接总带宽作为变化因素，随着带宽的增加，处理时间延迟慢慢增大，定位误差逐渐缩小，60MHz以上时误差变化逐渐平稳(也即是总带宽的60％)，因此合理取平衡值能够有效增加定位精度。经试验，最优取值为60％。
步骤6：将步骤5得到的完整的相位信息利用MUSIC算法处理，得到多条路径的AOA信息；将步骤5得到的完整的相位信息利用构造时域下的信道脉冲响应CIR处理，得到多条路径的TOF信息；将AOA信息和TOF信息绘制到以TOF为纵坐标、以AOA为横坐标的二维平面中，得到多个区域(如图9所示)，将这些区域作为定位区域；然后对每个定位区域分别利用似然函数处理，得到其对应的似然函数估计量，将似然函数估计量最大的定位区域作为目标位置。
TOF信息的分辨率与信道带宽成正比，意味着更宽的信道带宽就能够得到更高分辨率的时间间隔，更高分辨率的时间间隔能够得到更高的定位精度，因此，在步骤5中，将信道信息CH以及初始位置PH对应的坐标上的相位信息采用上述待检测的单信道下的相位信息替换，得到该行的完整的相位信息，实质上是为了将待检测的单信道下的相位信息扩充为一行相位信息，从而增加了信道带宽，能够有效地提高定位精度。
在具体实施例中，似然函数可以采用公式4所示的似然函数：
Figure BDA0002082057690000082
其中，likelihood k表示第k条路径是直接路径的可能性估计量，
Figure BDA0002082057690000081
是第k条路径聚类簇中点的个数，
Figure BDA0002082057690000091
和
Figure BDA0002082057690000092
是在簇中点的AOA和TOF的总体方差，以及
Figure BDA0002082057690000093
是该聚类簇中TOF的平均值；加权因子wC，wθ，wτ和ws是考虑相应项的不同比例的常数。

Claims (3)

1.一种基于卷积神经网络的室内定位方法，其特征在于，具体包括如下步骤：
步骤1，获取WI-FI多信道的CSI的相位信息矩阵；
步骤2，对于步骤1得到的相位信息矩阵中的每个相位信息进行校准，得到校准后的相位信息矩阵；所述步骤2的校准过程分为如下子步骤：
步骤21，采用公式1的卷积运算对相位信息矩阵中的每个相位信息进行矫正处理，得到矫正后的相位信息矩阵；
Ph`＝Ph.*e^(-j*2π*lts) 公式1
其中Ph`和Ph为校准后和校准前相位信息矩阵，j为虚数单位，lts为频域下WiFi前导码中的长序列数据信息；
步骤22，采用公式2和公式3，对矫正后的相位信息矩阵中的每个相位信息进行线性回归处理，得到校准后的相位信息矩阵；
Figure FDA0002557184110000011
Figure FDA0002557184110000012
式中，Δt是PBD和SFO引起的时移；Δf是802.11协议下OFDM多载波调制中固定的载波间频率间隔312.5kHz；a、b、c均为多元线性回归的拟合变量；
Figure FDA0002557184110000013
是移除PBD和SFO引起的偏移后的相位信息；Ph(i,j)是校准前第i根天线上第j个子载波的相位信息；M表示天线的数目；N表示子载波的数目；PBD表示包检测延迟；SFO表示采样频率偏移；
步骤3，构建信道检测模型，将校准后的相位信息矩阵中的所有相位信息以及每个相位信息对应的矩阵坐标作为训练集，输入所构建的信道检测模型，得到信道检测模型的最优权重，从而得到训练好的信道检测模型，相位信息对应的矩阵坐标中的列坐标表示该相位信息对应的信道信息，行坐标表示该相位信息在矩阵中对应的初始位置；
步骤4：将待检测的单信道下的相位信息输入训练好的信道检测模型，得到该待检测的单信道下的相位信息对应的信道信息CH以及初始位置PH；
步骤5：在校准后的相位信息矩阵中取出初始位置PH对应行的至少60％的相位信息，其中包含信道信息CH和初始位置PH对应的坐标上的相位信息，再将该坐标上的相位信息用上述待检测的单信道下的相位信息进行替换，得到完整的相位信息；
步骤6：将步骤5得到的完整的相位信息利用MUSIC算法处理，得到多条路径的AOA信息；将步骤5得到的完整的相位信息利用构造时域下的信道脉冲响应CIR处理，得到多条路径的TOF信息；将AOA信息和TOF信息绘制到以TOF为纵坐标、以AOA为横坐标的二维平面中，得到多个区域，将这些区域作为定位区域；然后对每个定位区域分别利用似然函数处理，得到其对应的似然函数估计量，将似然函数估计量最大的定位区域作为目标位置。
2.如权利要求1所述的基于卷积神经网络的室内定位方法，其特征在于，所述步骤1中，所述获取WI-FI多信道的CSI的相位信息矩阵具体操作如下：
从第一个信道依次遍历相邻信道直至最后一个信道，采集得到所有信道的原始相位信息，将该信息作为相位信息矩阵的第一行；重复上述采集过程得到相位信息矩阵的其余行，直至某一行中的相位信息与相对于上一行的相位信息的协方差η＝Corr(Phk+1,Phk)小于0.8时，此时线性相关度较低，停止采集；其中Phk+1和Phk表示该行和上一行的相位信息。
3.如权利要求1所述的基于卷积神经网络的室内定位方法，其特征在于，所述步骤3中，所述信道检测模型采用CNN卷积神经网络，所述CNN卷积神经网络包括以下六层：输入层、卷积层、池化层、RELU层、全连接层和分类输出层。
CN201910475353.XA 2019-06-03 2019-06-03 一种基于卷积神经网络的室内定位方法 Active CN110351658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910475353.XA CN110351658B (zh) 2019-06-03 2019-06-03 一种基于卷积神经网络的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910475353.XA CN110351658B (zh) 2019-06-03 2019-06-03 一种基于卷积神经网络的室内定位方法

Publications (2)

Publication Number Publication Date
CN110351658A CN110351658A (zh) 2019-10-18
CN110351658B true CN110351658B (zh) 2020-12-01

Family

ID=68174175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910475353.XA Active CN110351658B (zh) 2019-06-03 2019-06-03 一种基于卷积神经网络的室内定位方法

Country Status (1)

Country Link
CN (1) CN110351658B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112839311B (zh) * 2019-11-22 2022-09-30 南京理工大学 一种基于动态监测的csi室内定位方法
CN111212379B (zh) * 2020-01-06 2021-11-23 浙江工易云服科技有限公司 一种基于卷积神经网络的新型csi室内定位方法
CN111505572B (zh) * 2020-04-07 2023-03-10 电子科技大学 Rfid移动轨迹检测方法
CN111950616B (zh) * 2020-08-04 2024-02-09 长安大学 基于无监督在线学习的声信号非视距识别方法及装置
CN112712557B (zh) * 2020-12-17 2023-04-07 上海交通大学 一种基于卷积神经网络的超分辨率cir室内指纹定位方法
CN113179481B (zh) * 2021-03-25 2022-05-31 杭州电子科技大学 一种结合稠密连接网络的csi矫正定位方法
CN113469110B (zh) * 2021-07-15 2024-05-07 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN114386321A (zh) * 2021-12-24 2022-04-22 南京邮电大学 用于室内定位的aoa和tof联合估计方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108696932A (zh) * 2018-04-09 2018-10-23 西安交通大学 一种利用csi多径及机器学习的室外指纹定位方法
US10217047B2 (en) * 2017-05-03 2019-02-26 Virginia Tech Intellectual Properties, Inc. Learning and deployment of adaptive wireless communications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US10217047B2 (en) * 2017-05-03 2019-02-26 Virginia Tech Intellectual Properties, Inc. Learning and deployment of adaptive wireless communications
CN108696932A (zh) * 2018-04-09 2018-10-23 西安交通大学 一种利用csi多径及机器学习的室外指纹定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于CSI相位差值矫正的室内定位算法;党小超;《计算机工程》;20190215;全文 *

Also Published As

Publication number Publication date
CN110351658A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110351658B (zh) 一种基于卷积神经网络的室内定位方法
CN110022523B (zh) 用于终端设备定位的方法、装置及系统
US8837316B2 (en) RTT based ranging system and method
US7138946B2 (en) System and method for position detection of a terminal in a network
EP2961231A1 (en) Angle determining system and method
JP5450081B2 (ja) ユーザ装置の位置を判定する方法、ソフトウエア及びシステム
CN109155984A (zh) 确定通道时延的方法、定位方法和相关设备
WO2010062819A1 (en) System and method for multiple range estimation location
WO2021227741A1 (zh) 信息上报方法、装置、设备及可读存储介质
CN110888110A (zh) 一种适用于WiFi的室内载波相位定位模型构建方法
Shamaei et al. Computationally efficient receiver design for mitigating multipath for positioning with LTE signals
JP2006080681A (ja) 位置検出システムおよび位置検出方法
CN108414974B (zh) 一种基于测距误差矫正的室内定位方法
CN109085563B (zh) 基于软件无线电平台的wlan测距方法
CN103781095A (zh) 一种tdoa测量误差的校正方法、传输点和系统
CN109634093B (zh) 一种基于gnss接收机的授时方法及gnss接收机
WO2018112693A1 (zh) 终端定位的方法和装置
CN116033339A (zh) 一种信息上报方法、装置、设备及可读存储介质
CN110658491A (zh) 测向系统、测向方法、定位系统及定位方法
CN116347352A (zh) 一种基于5g载波相位的融合定位方法
CN108287355B (zh) 一种移动终端gnss差分数据接收控制的方法
Mohaghegh et al. Bluetooth low energy direction finding principle
CN109856615A (zh) 一种基于css技术的测距方法及系统
CN108632740A (zh) 用户设备的定位方法和装置
CN111246386B (zh) 终端定位方法及装置

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