CN110461001A - 基于自适应上下文生成对抗模型预估rss缺失值的方法 - Google Patents
基于自适应上下文生成对抗模型预估rss缺失值的方法 Download PDFInfo
- Publication number
- CN110461001A CN110461001A CN201910701184.7A CN201910701184A CN110461001A CN 110461001 A CN110461001 A CN 110461001A CN 201910701184 A CN201910701184 A CN 201910701184A CN 110461001 A CN110461001 A CN 110461001A
- Authority
- CN
- China
- Prior art keywords
- model
- acogan
- fingerprint
- rss
- generator
- 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.)
- Pending
Links
Classifications
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种基于自适应上下文生成对抗模型预估RSS缺失值的方法,包括以下步骤:(1)结合Auto Encoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型,所述ACOGAN模型包括生成器和判别器,所述生成器由编码器和解码器通过通道全连接层连接构成;(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集;(3)预处理训练集,将训练集转化成ACOGAN模型所需输入格式;(4)训练ACOGAN模型;(5)导出ACOGAN模型的训练参数;(6)预处理测试集,将测试集转化成ACOGAN模型所需输入格式;(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。
Description
技术领域
本发明主要涉及深度学习和室内定位领域,尤其涉及基于自适应上下文生成对抗模型预估RSS缺失值的方法。
背景技术
在下一代社交应用中,需要准确,可靠和实时的室内定位协议和服务。通过移动设备,定位系统可以帮助确定用户的位置,获得基于位置的服务反馈,例如跟踪,监控和导航[1]。尽管全球定位系统(Global Position System,GPS)在室外定位已经非常成熟,但却不适用于室内定位,原因是当GPS卫星发出的信号穿过许多建筑、墙壁后会变得非常微弱,此时无法进行准确定位[2]。由此,许多室内定位技术被提出例如红外超宽带(ultrawideband,UWB)、超声波(ultrasonic)以及无线局域网(Wireless Fidelity,WiFi)等技术[3,4]。然而,移动计算技术不断发展、WiFi网络融入人们生活,两者结合可进行更精确室内定位。所以无线网络信号和移动设备实现的室内定位服务引起了广泛关注[5]。大多数WiFi-室内定位商业模型是基于接收信号强度。主要原因是定位所需要的(Receivedsignal strength,RSS)值可直接从移动设备上安装的网卡进行获取。所以WiFi室内定位越来越流行且普遍[6]。
典型RSS指纹系统最大的问题是任何物理位置上的RSS指纹随着时间是变化的,而RSS指纹数据库是静态的[7,8]。因此,当前测量的RSS指纹与之前存储在数据库中的指纹存在差异,会导致不正确的预估结果。为了解决这个问题,在定位之前,应重新测量定位区域中每个位置的指纹,使我们得到精确的定位结果[9]。但是,当定位区域面积非常大的时候,重新测量RSS指纹不仅成本高而且任务繁重,特别是干扰持续变化的定位区域,需要不断更新指纹数据库,这是不切实际的[10]。
参考文献:
[1]Y.Pu and P.You,“Indoor positioning system based on BLE locationfingerprinting with classification approach,”Appl.Math.Model.,vol.62,pp.654–663,2018.
[2]H.Xu,Y.Ding,P.Li,R.Wang,and Y.Li,“An RFID indoor positioningalgorithm based on bayesian probability and K-Nearest neighbor,”Sensors(Switzerland),vol.17,no.8,pp.1–17,2017.
[3]Y.Feng et al.,“5G WiFi signal-based indoor localization systemusing cluster k-nearest neighbor algorithm,”Int.J.Distrib.Sens.Networks,vol.2014,2014.
[4]J.Racko,J.Machaj,and P.Brida,“Wi-Fi Fingerprint Radio Map Creationby Using Interpolation☆,”Procedia Eng.,vol.192,pp.753–758,2017.
[5]Y.Li,G.Shi,X.Zhou,W.Qu,and K.Li,“Reducing the site survey usingfingerprint refinement for cost-efficient indoor location,”Wirel.Networks,no.5,pp.1–13,2018.
[6]H.H.Liu and C.Liu,“Implementation of Wi-Fi Signal Sampling on anAndroid Smartphone for Indoor Positioning Systems,”Sensors,vol.18,no.1,p.3,2018.
[7]Liu K,Meng Z,Own C M.Gaussian Process Regression Plus Method forLocalization Reliability Improvement[J].Sensors,2016,16(8):1193.
[8]Yiu,S.;Yang,K.Gaussian process assisted fingerprintinglocalization.IEEE Internet Things J.2015.
[9]F.Teng,W.Tao,and C.M.Own,“Localization Reliability ImprovementUsing Deep Gaussian Process Regression Model,”Sensors,2018.
[10]J.Jun et al.,“Low-Overhead WiFi Fingerprinting,”IEEETrans.Mob.Comput.,vol.17,no.3,pp.590–603,2018.
发明内容
本发明的目的是为了解决离线阶段测量数据高成本,任务繁重的问题,提出一种基于自适应上下文生成对抗模型(Adapative Context Generative AdversarialNetworks Model,ACOGAN)预估RSS缺失值的方法,ACOGAN模型在动态环境下实现了指纹数据库自更新。换句话说,只需要重新测量部分RSS指纹,这个活动称为“参考点”。ACOGAN模型通过对这些参考点分布的学习,可以预测那些存在指纹缺失的特定位置的RSS指纹。
本发明的目的是通过以下技术方案实现的:
基于自适应上下文生成对抗模型预估RSS缺失值的方法包括以下步骤:
(1)结合Auto Encoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型,所述ACOGAN模型包括生成器和判别器,所述生成器由编码器和解码器通过通道全连接层连接构成;
(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集;
(3)预处理训练集,将训练集转化成ACOGAN模型所需输入格式;
(4)训练ACOGAN模型;
(5)导出ACOGAN模型的训练参数;
(6)预处理测试集,将测试集转化成ACOGAN模型所需输入格式;
(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。
进一步的,步骤(4)具体包括以下步骤:
(401)将训练数据输入ACOGAN模型中的生成器,生成器学习周围参考点分布从而预测存在指纹缺失的特定位置的RSS指纹,计算预测的RSS指纹与真实的RSS指纹L2距离,得到重建损失函数;
(402)将真实的RSS指纹与生成器预测的RSS指纹作为判别器的输入,即判别器的输入为真或假两类数据;然后判别器输出这两类数据中属于真实数据的概率;
(403)根据步骤(402)得到的概率值计算判别损失函数;
(404)根据步骤(403)得到的判别损失函数,利用反向传播算法,更新ACOGAN模型中判别器的参数;此时,我们再次执行步骤(401),将步骤(401)中预测的RSS指纹输入判别器中,此时的判别器不训练的,执行步骤(402)和(403),然后将得到判别损失函数和步骤(401)得到的重建损失函数联合起来作为生成器的损失函数,反向传播更新生成器的参数。
(405)重复步骤(401)-(404),直到判别器判别不出生成器生成的RSS指纹的真假,损失函数趋于收敛即达到纳什平衡,停止训练。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.ACOGAN模型在动态环境下实现了指纹数据库自更新。换句话说,本发明只需要重新测量部分参考点。ACOGAN模型通过对这些参考点分布的学习,可以预测那些存在指纹缺失的特定位置的RSS指纹。
2.在本发明提出的模型中,ACOGAN模型负责捕获丢失指纹的整体结构以及与上下文相关的一致性。另一方面,ACOGAN模型试图真实地填充缺失的指纹,并从分布中选择特定的模式。
3.ACOGAN模型不仅节省了指纹数据库的构建和维护时间,而且节省了人工成本。
4.通过ACOGAN模型建立的指纹数据库定位误差低至1.32米。
5.总的来说,本发明提出的ACOGAN模型可以解决背景技术中提到的离线测量指纹数据库高成本和任务繁重的问题;实现指纹数据库自更新而且减小定位误差。
附图说明
图1a和图1b为数据预处理的说明示意图;
图2为ACOGAN的网络模型结构示意图;
图3为本实施例中的生成器详细结构示意图;
图4为本实施例中的判别器详细结构示意图;
图5为定位结果图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。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。
生成对抗网络模型(Generative Adversarial Networks Model,GAN)因其学习高维、复杂的真实数据的巨大潜力而广受欢迎。对于数据缺失的场景,可以使用它生成更多的样本数据,这是目前解决信息缺失问题的最佳方法。面对构建和维护指纹数据库的高成本,可通过学习部分参考点分布来预测特定位置的缺失指纹。事实上,指纹缺失问题的性质等同于信息缺失。因此,本实施例利用GAN模型来解决上述问题,补充整个室内定位环境的指纹数据库。
自动编码器(AutoEncoder)是一种人工神经网络,能够在没有任何监督的情况下学习输入数据的有效表示形式,称为编码。同时,解码是对原始输入数据进行学习高效表示的重构。利用GAN模型来预测那些特定位置的缺失指纹,能够更好更快地提取参考点分布的隐藏特征,那自然就是自动编码器。因此,将自动编码器与GAN模型相结合,对GAN模型进行优化。
因此,本实施例中结合GAN模型和Auto Encoder模型提出了自适应上下文生成对抗模型(Adapative Context Generative Adversarial Networks Model,ACOGAN)。图2展示了ACOGAN模型的结构图,它由生成器和判别器两部分组成。它们的介绍如下:
生成器:由于缺失指纹是由周围参考点的隐藏特征重建的,所以这种行为称为自适应上下文。因此,将生成器中的自动编码器定义为上下文编码器,该编码器主要由卷积神经网络(Convolutional Neural Network,CNN)构成,上下文编码器的总体结构包括编码器、通道全连接层、解码器。在图2的上半部分,编码器从输入数据中提取参考点的隐藏特征,解码器通过学习隐藏特征重构缺失指纹。在重建缺失指纹后,对每个3D RSS指纹矩阵进行更新,重建整个室内环境的离线数据库。
判别器:本实施例中判别器是具有两种类型的分类器,用来判别生成器生成的缺失指纹与真实指纹。判别器如图2下半部分所示。
本发明保护一种基于自适应上下文生成对抗的ACOGAN模型预估RSS缺失值的方法,方法包括以下步骤:
1、射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集。
2、预处理训练集,将其转化成ACOGAN模型所需输入格式。
3、将训练集输入ACOGAN模型中,对ACOGAN模型进行训练,具体为:
1)训练生成器:将训练集预处理后的结果3D RSS指纹矩阵输入生成器中,生成器通过编码过程卷积提取周围参考点特征,再通过反卷积将缺失指纹重构,最终输出那些存在指纹缺失的特定位置的RSS指纹,计算预测的RSS指纹与真实的RSS指纹L2距离,得到重建损失值。
2)训练判别器:将生成器生成的RSS指纹输入设有默认参数的判别器中,判别器通过卷积提取RSS指纹特征,最终输出与真实标签0.9之间的差距,再求差距的平均值作为判别器的损失值,目标是尽量使此损失值低,根据此值经反向传播后更新判别器参数。
3)将步骤1)将生成器生成的RSS指纹作为判别器的输入,判别器在被训练了一次的基础上对本次输入进行卷积,提取RSS指纹特征,最终输出与真实标签0.9之间的差距,再求差距的平均值作为判别损失值,将判别损失值与重建损失值联合起来后传递给生成器即为生成器的损失,生成器根据此值反向传播更新参数。
4)重复步骤1)-3),直到判别器鉴别不出输入缺失指纹的真假,损失函数趋于收敛即达到纳什平衡,停止训练。
4、模型导出成.json和.hdf5格式的文件,此时导出的只是生成器中的各参数,测试时不用判别器。
5、预处理测试集,将其转化成ACOGAN模型所需输入格式。将预处理后的测试集输入训练好的ACOGAN模型,预估RSS缺失指纹值,即更新整个室内环境的RSS指纹数据库。
6、将更新后的RSS指纹数据库通过KNN算法进行在线定位,生成结果图,详情请见图5。
上述步骤的具体内容如下:
本发明提供了一种基于自适应生成对抗网络模型预估RSS缺失值的方法,模型采用Keras深度学习框架。
(101)射线追踪技术生成RSS指纹仿真数据
本实施例在仿真环境下进行了实验。仿真环境采用MATLAB R2017b进行编程。在仿真环境中总区域为一个房间大小为32m×32m。将仿真环境分为3200×3200个位置进行测量,即区域间隔设为0.01m。这个正方形区域可以看作一个原点在左下角的坐标系。数据传输的WiFi路由器安装在以下位置,包括(1,1)、(10,1)、(19,1)、(1,14)、(10,14)和(19,14)。训练数据集是通过射线追踪模型得到的,该模型用于计算每个位置的RSS指纹数据。利用射线追踪,得到了基于3200x 3200x 6指纹矩阵的数据集。然后,用0.1m的均匀分布对细化后的数据集进行降采样,在训练中使用320x320x6的仿真数据集。
(201)数据预处理
在图1中将整个区域定义为一个大小为m×n的房间。房间面积被切成一个个2D k×k的方块。如果房间大小不能切割成2D方块,会选择将方块元素重叠,以确保分割后的大小一致。对于每个块,可以选择随机的位置作为参考点,那么剩余的位置就是缺失指纹。因此,为了满足GAN的输入要求,对于每个块,定义了一个i×i方形作为本实施例中的缺失指纹,剩余的(k-i)×(k-i)个位置作为参考点。此外,假设该区域有r个WiFi路由器,因此,图1中RSS指纹矩阵的大小为k×k×r。即将2D方块转换为3D RSS指纹矩阵,作为ACOGAN模型的输入矩阵。
(301)生成器(Generator);包括编码器、通道全连接层和解码器
编码器(Encoder)
在图3显示了编码器详细结构:给定大小为32×32×6的3D RSS指纹矩阵,使用四个卷积层和池化层来计算抽象的2×2×512维指纹特征表示。随机初始化权重后训练ACOGAN模型预测那些存在指纹缺失的特定位置的RSS指纹。
通道全连接层(Channel full-connection layer)
但是,如果编码器体系结构仅限于卷积层,则无法将信息从特征映射的一个角直接传播到另一个角。之所以如此,是因为卷积层将所有指纹特征块连接在一起,但从不直接连接特定指纹特征块中的所有位置。在目前的体系结构中,这种信息传播由全连接处理,其中所有激活直接相互连接。在ACOGAN模型中,编码器和解码器的潜在特征尺寸为2×2×512=2048。与自编码器不同,不重建原始输入,不需要有较小的瓶颈。但是,全连接编码器和解码器会导致参数数量激增,以至于难以对当前GPU进行有效的训练。为了缓解这个问题,受文献“K.S.Kim,S.Lee,and K.Huang,“Open Access A scalable deep neural networkarchitecture for multi-building and multi-floor indoor localization based onWi-Fi fingerprinting,”pp.1–17,2018.”启发,本实施例使用通道方式全连接层将编码器功能连接到解码器,详细说明如下。
该层本质上是组-全连接层,用于在每个特征映射的激活内传播信息。如果输入层具有大小为n×n的m个特征图,则该层将输出尺寸为n×n的m个特征图。与全连接的图层不同,它没有连接不同指纹块的参数,只在指纹块中传播信息。因此,与全连接层中的m2n4个参数相比,该通道全连接层中的参数数量是mn4。
解码器(Decoder)
解码器作为生成器的后半部分,它使用编码器特征重构那些存在指纹缺失的特定位置的RSS指纹。“编码器特征”使用通道全连接的层连接到“解码器特征”。在通道全连接层之后是3个向上卷积层,其具有学习的滤波器,每个滤波器具有整流的线性单元(ReLU)激活功能。通过向上卷积可以产生与参考点更接近的RSS指纹分布,也即是说,一系列的上升和非线性包括编码器产生的特征的非线性加权上采样,直到大致达到原始目标尺寸。
(302)判别器(Discriminator)
通过图4介绍ACOGAN模型中判别器详细的体系结构,本实施例使用三个卷积层和全连接层来对生成器更新的大小为8×8×6的指纹区域与真实的RSS指纹进行判别。
(303)损失函数(Loss Function)
通常存在多种同样合理的方式来生成与上下文一致的待更新RSS指纹区域。受文献“M.D.Zeiler and R.Fergus.Visualizing and understanding convolutionalnetworks.In ECCV,2014.4”启发,本实施例中通过解耦联合损失函数来模拟这种行为,以处理上下文中的连续性和输出中的多个模式。重建(L2)损失函数负责捕获待更新RSS指纹的整体结构和关于其上下文的一致性,但倾向于将预测中的多个模式平均在一起。另一方面,对抗性损失(La)函数试图使预测看起来真实,并具有从分布中选择特定模式的效果。本实施例中的损失函数包含重建损失和对抗损失两部分,下面进行逐一介绍。
重建损失(Reconstruction Loss)
本实施例使用标准化的掩码L2距离作为重建损失函数,Lr:
对于每个3D RSS指纹矩阵x,生成器F生成一个输出F(x)。让是一个二进制掩码,对应于3D RSS指纹矩阵x,在缺失指纹的地方值为1,输入指纹的值为0。
虽然这种简单的损失促使生成器中的解码器产生预测指纹的粗略估计值,但它通常无法捕获上下文指纹的精确分布情况。这源于Lr重建损失通常对于高度精确的指纹更喜欢模糊解决方案的事实。因为Lr重建损失预测分布均值更“安全”,因为这样可以最大限度地减少平均指纹误差,但会导致平均指纹模糊。本实施例通过对抗性损失来缓解这个问题。
对抗损失(Adversarial Loss)
通过上下文编码器对生成器建模,将该框架应用于上下文指纹预测,即要为这个任务定制GANs,可以根据给定的上下文信息设置条件,即然而,有条件的GANs不会轻易进行上下文指纹预测,因为判别器D可以很容易地利用生成区域和原始上下文中的感知不连续来对预测样本和实际样本进行分类。因此,本实施例使用了一个替代的公式,只对生成器(而不是判别器)进行上下文条件设置。因此,上下文编码器La的对抗损失是:
联合损失(Joint Loss)
本实施例将整体损失函数定义为:
L=λrLr+λaLa (3)
当训练生成器时,通过使用上述建立的联合损失(即重建和对抗性损失)。生成的RSS指纹数据库定位结果更加精确,因为联合损失中的对抗损失可以更好地处理输出中的多个模式。也就是说本实施例中生成器中的编码器学习的表示不仅可以捕获RSS指纹以及考虑整个周围的动态环境。在本研究中λr=0.999和λa=0.001。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (2)
1.基于自适应上下文生成对抗模型预估RSS缺失值的方法,其特征在于,包括以下步骤:
(1)结合Auto Encoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型,所述ACOGAN模型包括生成器和判别器,所述生成器由编码器和解码器通过通道全连接层连接构成;
(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集;
(3)预处理训练集,将训练集转化成ACOGAN模型所需输入格式;
(4)训练ACOGAN模型;
(5)导出ACOGAN模型的训练参数;
(6)预处理测试集,将测试集转化成ACOGAN模型所需输入格式;
(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。
2.根据权利要求1所述基于自适应上下文生成对抗模型预估RSS缺失值的方法,其特征在于,步骤(4)具体包括以下步骤:
(401)将训练数据输入ACOGAN模型中的生成器,生成器学习周围参考点分布从而预测存在指纹缺失的特定位置的RSS指纹,计算预测的RSS指纹与真实的RSS指纹L2距离,得到重建损失函数;
(402)将真实的RSS指纹与生成器预测的RSS指纹作为判别器的输入,即判别器的输入为真或假两类数据;然后判别器输出这两类数据中属于真实数据的概率;
(403)根据步骤(402)得到的概率值计算判别损失函数;
(404)根据步骤(403)得到的判别损失函数,利用反向传播算法,更新ACOGAN模型中判别器的参数;此时,我们再次执行步骤(401),将步骤(401)中预测的RSS指纹输入判别器中,此时的判别器不训练的,执行步骤(402)和(403),然后将得到判别损失函数和步骤(401)得到的重建损失函数联合起来作为生成器的损失函数,反向传播更新生成器的参数。
(405)重复步骤(401)-(404),直到判别器判别不出生成器生成的RSS指纹的真假,损失函数趋于收敛即达到纳什平衡,停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701184.7A CN110461001A (zh) | 2019-07-31 | 2019-07-31 | 基于自适应上下文生成对抗模型预估rss缺失值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701184.7A CN110461001A (zh) | 2019-07-31 | 2019-07-31 | 基于自适应上下文生成对抗模型预估rss缺失值的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110461001A true CN110461001A (zh) | 2019-11-15 |
Family
ID=68484225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910701184.7A Pending CN110461001A (zh) | 2019-07-31 | 2019-07-31 | 基于自适应上下文生成对抗模型预估rss缺失值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110461001A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN111291867A (zh) * | 2020-02-17 | 2020-06-16 | 北京明略软件系统有限公司 | 数据预测模型生成方法、装置及数据预测方法、装置 |
CN113096020A (zh) * | 2021-05-08 | 2021-07-09 | 苏州大学 | 基于平均模式生成对抗网络的书法字体创作方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109040957A (zh) * | 2018-08-14 | 2018-12-18 | 广东小天才科技有限公司 | 一种基于wifi的室内定位方法及装置 |
US20190066247A1 (en) * | 2017-07-17 | 2019-02-28 | Global Tel*Link Corporation | Systems and methods for location fencing within a controlled environment |
-
2019
- 2019-07-31 CN CN201910701184.7A patent/CN110461001A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190066247A1 (en) * | 2017-07-17 | 2019-02-28 | Global Tel*Link Corporation | Systems and methods for location fencing within a controlled environment |
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 |
CN109040957A (zh) * | 2018-08-14 | 2018-12-18 | 广东小天才科技有限公司 | 一种基于wifi的室内定位方法及装置 |
Non-Patent Citations (2)
Title |
---|
D.PATHAK: ""Context Encoders: Feature Learning by Inpainting"", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
宋春景: ""基于AP点选择和指纹扩充的WLAN室内定位算法研究"", 《中国博士学位论文全文数据库:信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN111291867A (zh) * | 2020-02-17 | 2020-06-16 | 北京明略软件系统有限公司 | 数据预测模型生成方法、装置及数据预测方法、装置 |
CN113096020A (zh) * | 2021-05-08 | 2021-07-09 | 苏州大学 | 基于平均模式生成对抗网络的书法字体创作方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110461001A (zh) | 基于自适应上下文生成对抗模型预估rss缺失值的方法 | |
Hong et al. | Day-ahead solar irradiation forecasting utilizing gramian angular field and convolutional long short-term memory | |
CN107529651A (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN106716479A (zh) | 从局部模型导出性能的计算机实现方法 | |
Khodayar et al. | Robust deep neural network for wind speed prediction | |
Ismail et al. | A hybrid model of self organizing maps and least square support vector machine for river flow forecasting | |
CN109151995A (zh) | 一种基于信号强度的深度学习回归融合定位方法 | |
CN106548510A (zh) | 盾构隧道结构模型生成方法 | |
CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
Moayyed et al. | A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing | |
He et al. | IRLSOT: Inverse reinforcement learning for scene‐oriented trajectory prediction | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN112560215A (zh) | 一种基于深度强化学习的电力选线方法 | |
Sari et al. | Short‐Term Wind Speed and Direction Forecasting by 3DCNN and Deep Convolutional LSTM | |
Sun et al. | GAN-based LUCC prediction via the combination of prior city planning information and land-use probability | |
CN111210051B (zh) | 一种用户用电行为预测方法及系统 | |
Barolli | Complex, Intelligent and Software Intensive Systems: Proceedings of the 16th International Conference on Complex, Intelligent and Software Intensive Systems (CISIS-2022) | |
CN111193254B (zh) | 一种住宅日用电负荷预测方法和设备 | |
CN116699731A (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
Peled et al. | Preserving uncertainty in demand prediction for autonomous mobility services | |
Liu et al. | A hybrid model of crime prediction | |
Zhang et al. | Tidal current prediction based on fractal theory and improved least squares support vector machine | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
CN107679478B (zh) | 输电线路空间负荷状态的提取方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |