CN110493741A - 基于决策树的楼层人员定位方法及装置 - Google Patents
基于决策树的楼层人员定位方法及装置 Download PDFInfo
- Publication number
- CN110493741A CN110493741A CN201910789957.1A CN201910789957A CN110493741A CN 110493741 A CN110493741 A CN 110493741A CN 201910789957 A CN201910789957 A CN 201910789957A CN 110493741 A CN110493741 A CN 110493741A
- Authority
- CN
- China
- Prior art keywords
- floor
- data
- signal
- decision
- staff
- 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
- 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
Abstract
一种基于决策树的楼层人员定位方法,包括:读取各个基站接收的待确定楼层的工作人员的信号强度数据;根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度与楼层人员所在楼层的对应关系。本发明通过决策树模型定位,可以通过基站获取的信号数据实现对工作人员的定位,不需要考虑楼层数目,可以直接根据基站接收到的信号强度对工作人员进行定位,避免了楼层间的干扰,同时不需要对楼层数目做限制。
Description
技术领域
本发明涉及一种楼层人员定位方法,尤其是涉及一种基于决策树的楼层人员定位方法及装置。
背景技术
电厂日常运营维护过程中,由于电厂工作环境非常复杂,巡检点位较多,管道和带电设备错综复杂,人员管理问题导致工作疏漏和安全事故时有发生。这不仅严重威胁着电网的安全稳定运行,更是对检修作业人员人身安全存在潜在危险。因此需要研发一种能够实时监测作业人员位置、巡检路径、电子围栏等确保安全生产顺利进行的智能空间安全区域监测及报警系统,提高电厂作业安全的风险管控能力,确保作业人员人身和发电设备的安全。
在电厂检修过程中,需要确定工作人员在具体的楼层,以保证作业人员的安全,目前对楼层人员的定位方法为,在不同的楼层设置一定数量的基站,同时置顶主机站,对每个楼层设置不同的信号频率通道,当工作人员带着终端设备即射频芯片进入该楼层时,通过主基站对射频芯片进行控制,调节射频芯片的频率通道,使该楼层的基站接收射频芯片的相关频率,从而确定工作人员所在的楼层,然而使用该方法时在工作人员处在某个楼层的位置时会同时被不同楼层的主基站检测到,形成楼层间的干扰,进而造成工作人员楼层定位不够准确。
发明内容
本发明的目的在于克服现有技术中存在的上述问题,提供一种避免楼层干扰的基于决策树的楼层人员定位方法及装置。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
第一方面,提供一种基于决策树的楼层人员定位方法,包括:
读取各个基站接收的待确定楼层的工作人员的信号强度数据;
根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度与楼层人员所在楼层的对应关系。
本发明所述的基于决策树的楼层人员定位方法,其中,根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,包括:
根据读取的楼层工作人员的信号强度数据及楼层编号提取有效的信号强度数据;
根据有效的信号强度及预先建立的决策树模型确定所述工作人员的楼层。
本发明所述的基于决策树的楼层人员定位方法,其中,所述根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,包括:
根据读取的工作人员信号强度确定各个基站接收的信号强度相对关系;
根据信号强度相对关系建立新的信号数据;
根据所述新的信号数据及预先建立的决策树模型确定所述工作人员所述在的楼层,其中,所述决策树模型是指新的信号数据与楼层工作人员所在楼层的对应关系。
本发明所述的基于决策树的楼层人员定位方法,其中,根据信号强度相对关系建立新的信号数据,包括:
根据接收的信号的基站对接收到的信号进行编号;
根据编号定义新的信号数据,其中新的数据中的元素aij的值为0或者1,其中当第i个基站接收的信号大于等于第j个基站接收的数据信号时,取值为0,当第i个基站接收的信号小于第j个基站接收的数据信号使,取值为1。
本发明所述的基于决策树的楼层人员定位方法,其中,根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,所述预先建立决策树模型,包括:
读取工作人员在同一楼层时,所在的楼层及各个基站接收的信号强度数据;
读取工作人员在不同楼层时,所在的楼层及各个基站接收的信号强度数据;
根据读取的数据及楼层建立决策树模型。
第二方面,提供了一种基于决策树的楼层人员定位的装置,该装置可以实现上述第一方面所涉及的方法的执行设备的功能,所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的单元或模块。
与现有技术相比,本发明的有益效果是:
通过决策树模型定位,可以通过基站获取的信号数据实现对工作人员的定位,不需要考虑楼层数目,可以直接根据基站接收到的信号强度对工作人员进行定位,避免了楼层间的干扰,同时不需要对楼层数目做限制。
附图说明
图1为适用于本申请的场景示意图;
图2为本发明一种实施例实施流程示意图;
图3为本发明另一种实施例实施流程示意图;
图4为本发明实施例实施结果评价图;
图5是本申请提供的一种可能的处理器的示意图;
图6是本申请提供的另一种可能的处理器的示意图;
具体实施方式
机器学习中,决策树是一种树形的预测模型,代表的是对象属性与对象值之间的一种映射关系。一般的、一颗决策树包含一个根节点,若干内部节点,和若干叶节点。树中每个节点对应对象的某个属性,而其下的分叉路径则分别对应该属性的某个可能的取值。从根节点开始,在每个分叉处根据目标对象的属性值选择路径,最终到达的叶节点的值便可以认为是目标对象的预测值。
如果将无线信号的特征作为对象属性,而将信号源的区域作为对象值的话,便可以通过决策树,利用接收到的无线信号,得出信号源所在区域。
图1为适用于本发明的场景示意图,本场景中,工作人员处在工作区域的楼层中,工作人员携带可以发射信号的信号发生器,在工作区域的各个楼层中均设置若干个基站,基站用于接收信号源发出的信号,并且采集接收到的信号源的信号强度,并且将信号强度传输至处理装置,通过处理装置对采集的信号强度进行处理。
本发明的方法应用于处理信号强度的处理装置中,包括:
S201读取待确定楼层的工作人员的信号强度数据库;
S202根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度库与楼层人员的对应关系。
本发明的执行装置可以为处理器。
本发明可以定位单个工作人员在某个楼层的定位方法,具体做法如下:在工作空间中,预先采集在单个工作人员在某个楼层时的各个基站的信号强度,并且采集在这个楼层不同位置的各个基站的信号强度,进一步的在各个楼层之间采集上述数据,将上述数据与相应的楼层数据通过机器学习训练成决策树模型,决策树模型的结果为信号强度数据与楼层对应关系的模型;之后进行如下操作:
S202a获取单个工作人员的各个基站的信号强度;
S202b通过各个基站的信号强度与决策树模型中的信号强度与楼层的对应关系确定工作人员所在的楼层。
即可完成对工作人员的定位,如果要定位某个楼层具有多少人,定位每个人所在的楼层,统计某个楼层的人的数目即可完成对某个楼层的人数进行确定。
通过决策树模型定位,可以通过基站获取的信号数据实现对工作人员的定位,不需要考虑楼层数目,可以直接根据基站接收到的信号强度对工作人员进行定位,避免了楼层间的干扰,同时不需要对楼层数目做限制,与现有技术相比,避免了现有技术采用两个主基站对工作人员进行定位造成的干扰,同时与现有技术相比,现有技术中需要物理上对工作人员佩戴的射频芯片制造不同的通道,由于物理工艺的限制,通道数量会限制,而不同的楼层需要不同的通道,因此会限制可以定位的楼层数。
在一些实施例中,S202根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,包括:
S2021将读取的楼层工作人员的信号强度数据根据楼层编号提取有效的信号强度数据;
S2022根据有效的信号强度及预先建立的决策树模型确定所述工作人员的楼层。
需要说明的是,同一楼层的基站接收到的工作人员的信号,会根据距离工作人员位置不同,信号强度也会不同,为了采集对训练有用的信号,对信号强度数据进行规定,之后大于某个数值的基站数采集到信号时,才确定采用此信号数据,可以避免过多的基站采集不到信号数据,进而造成采集的信号数据较少,使信号判断不够准确,此为一种确定有效的信号强度的方法,但不限于此种方法。
在一些实施例中,S202所述根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,包括:
S2021a根据读取的工作人员信号强度确定各个基站接收的信号强度相对关系;
S2021b根据信号强度相对关系建立新的信号数据;
S2021c根据所述新的信号数据及预先建立的决策树模型确定所述工作人员所述在的楼层,其中,所述决策树模型是指新的信号数据与楼层工作人员所在楼层的对应关系。
要说明的是,如果直接采取信号的真实强度作为数据信号,假设在楼层的第二层和第三层各有一个基站,此时信号源在一层。当无线环境良好的时候,二层基站收到的信号强度显然是比三层基站收到的信号强度要强的,并且那么无论是空气浑浊导致信号整体噪音变大,还是一层正在装修天花板导致了严重的干扰,三层的基站受到的影响总是比二层的更大,尽管他们接收到的信号强度的绝对值会在很大范围内波动,他们之间信号强度的大小关系却是不变的,因此采取相对信号强度会比绝对信号强度更加可靠,因此建立信号数据库时采用信号的相对强度更加可靠,本实施通过采用相对强度来建立信号数据库,结果更加准确。
在一些实施例中,S2021b根据信号强度相对关系建立新的信号数据;
S2021b1根据接收的信号的基站对接收到的信号进行编号;
S2021b2根据编号定义新的信号数据,其中新的数据中的元素aij的值为0或者1,其中当第i个基站接收的信号大于等于第j个基站接收的数据信号时,取值为0或者1,当第i个基站接收的信号小于第j个基站接收的数据信号使,取值为1或者0,与前述定义相配合。
新的信号数据可以是矩阵数据,通过对aij定义为矩阵中的第i行与第j列的值,通过信号数据间的强弱关系可以重新定义新的数据,通过新的数据采用信号的相对强度,与采用绝对强度相比,采用信号间的强弱关系更加准确。
需要说明的是,采用此种方法定义矩阵之前,需要将基站接收到的信号数据少的信号不作处理,仅仅处理多于一定的基站接收到信号时的数据。
S202根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,所述预先建立决策树模型,包括:
S20211读取工作人员在同一楼层时,所在的楼层及各个基站接收的信号强度数据;
S20212读取工作人员在不同楼层时,所在的楼层及各个基站接收的信号强度数据;
S20213根据读取的数据及楼层建立决策树模型。
具体建立决策树模型时,可以根据信号强度数据也可以根据已经预先的强度信号信号进行
具体建立决策树,可以采取如下步骤决策树的建立需要预先采集的一组对象数据,每一条对象数据包含一系列属性的值和对象的值,在本实施例中对象的值为楼层编号,即第几层,属性的值为读取的基站新阿红强度数据。在区域划分中,便是无线信号的一系列特征,和信号源所属的区域。
决策树采用最小化“信息熵”的方法建立,信息熵定义如下:
其中,D为对象的集合,CD为这些对象可能的对象值的集合,p(k)为取该值的k可能性。“熵”代表的是数据混乱的程度。最小化熵也即最大化集合的“纯度”。
对于每个节点,选择合适的属性进行划分,使得“信息增益”最大化,信息增益的定义如下:
其中,a为决定如何划分当前节点下分叉的属性,Ca为该属性可能取值的集合,DV为该属性取值等于V的对象的集合,|D|表示集合的元素数量。最终选择使得信息增益最大的属性a*作为本节点的划分属性,然后将各个对象依此属性分配到不同分叉的下一级节点上。
递归的完成这种划分,最终就能构造出一颗决策树。从一条根到叶节点的路径上,根据每个节点的划分属性选择下一步的方向,最终到达代表对象值的叶节点。
通过决策树与获取的基站信号强度数据可以有效的确定工作人员所在的楼层。
通过本实施例对工作人员所在楼层位置判断的准确率在90%以上,如图4所示。
在本实施例中,通过另一个方面对本发明进行说明:
如图3所示,本实施例包括:
(1)离线阶段
首先,在每个区域内收集一定数量的信号强度以及记录该楼层编号;其次,对信号强度进行特征提取,使用各个基站之间的强弱关系定义关系矩阵,每个对象以其整个关系矩阵为属性集,即矩阵中的每个元素都作为一个对象属性,其取值为0或者1;然后,将进行特征提取后的信号强度作为对象属性,将已记录的该区域的编号作为对象值;最后,将对象属性和对象值构成决策树,并对决策树进行学习得到决策树模型。
(2)在线阶段
首先,在所测区域收集一定量的信号强度,并对信号强度进行特征提取得到相应的对象属性;然后,将得到的对象属性输入到已学习好的决策树模型中;最后,输出楼层信息的估计值。
上文详细介绍了本申请提供的基于决策树的楼层人员定位方法的示例。可以理解的是,执行上述方法的装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请可以根据上述方法示例对处理具有基于决策树的楼层人员定位方法的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用集成的单元的情况下,图5示出了上述实施例中所涉及的处理器的一种可能的结构示意图。处理器500包括:处理单元502。处理单元502用于对处理器500的动作进行控制管理。
例如,处理单元502用于执行:读取各个基站接收的待确定楼层的工作人员的信号强度数据;根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度与楼层人员所在楼层的对应关系。
处理器500例如可以是中央处理器(central processing unit,CPU),通用处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(field programmablegatearray,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。处理单元502可以是处理器核(core)。
在一种可能的设计中,处理器500还可以包括存储单元501,存储单元501用于缓存处理器500在执行基于决策树的楼层人员定位方法时所需的信息,存储单元501例如是缓存(cache)模块。
在一种可能的设计中,处理器500还可以包括通信单元503,通信单元503用于支持处理器500与其它装置或模块的通信,例如与固态硬盘(solid state disk,SSD)之间的通信。通信单元503可以是通信接口。
当处理单元502为处理器核,通信单元503为通信接口,存储单元501为缓存模块时,本申请所涉及的处理器可以为图6所示的处理器。
参阅图6所示,该处理器600包括:处理器核602、通信接口603、缓存模块601。其中,通信接口603、处理器核602以及缓存模块601可以通过内部连接通路相互通信,传递控制和/或数据信号。
本领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不加赘述。
本申请提供的处理器500和处理器600,读取各个基站接收的待确定楼层的工作人员的信号强度数据;根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度与楼层人员所在楼层的对应关系,提高工作人员所在的楼层识别率,避免了楼层之间的干扰。
应理解,装置和方法实施例中的处理器完全对应,由相应的单元执行相应的步骤,例如处理器核执行方法实施例中确定步骤和处理步骤。具体单元的功能可以参考相应的方法实施例,不再详述。
在本申请各个实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施过程构成任何限定。
以上所述的实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于决策树的楼层人员定位方法,其特征在于,包括:
读取各个基站接收的待确定楼层的工作人员的信号强度数据;
根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度与楼层人员所在楼层的对应关系。
2.根据权利要求1所述的基于决策树的楼层人员定位方法,其特征在于,根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,包括:
根据读取的楼层工作人员的信号强度数据及楼层编号提取有效的信号强度数据;
根据有效的信号强度及预先建立的决策树模型确定所述工作人员的楼层。
3.根据权利要求2所述的基于决策树的楼层人员定位方法,其特征在于,所述根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,包括:
根据读取的工作人员信号强度确定各个基站接收的信号强度相对关系;
根据信号强度相对关系建立新的信号数据;
根据所述新的信号数据及预先建立的决策树模型确定所述工作人员所述在的楼层,其中,所述决策树模型是指新的信号数据与楼层工作人员所在楼层的对应关系。
4.根据权利要求3所述的基于决策树的楼层人员定位方法,其特征在于,根据信号强度相对关系建立新的信号数据,包括:
根据接收的信号的基站对接收到的信号进行编号;
根据编号定义新的信号数据,其中新的数据中的元素aij的值为0或者1,其中当第i个基站接收的信号大于第j个基站接收的数据信号时,取值为0,当第i个基站接收的信号小于第j个基站接收的数据信号使,取值为1。
5.根据权利要求1所述的基于决策树的楼层人员定位方法,其特征在于,根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层,所述预先建立决策树模型,包括:
读取工作人员在同一楼层时,所在的楼层及各个基站接收的信号强度数据;
读取工作人员在不同楼层时,所在的楼层及各个基站接收的信号强度数据;
根据读取的数据及楼层建立决策树模型。
6.一种基于决策树的楼层人员定位装置,其特征在于,包括:
处理单元,用于读取各个基站接收的待确定楼层的工作人员的信号强度数据;
根据相应的信号强度数据及预先建立的决策树模型确定所述工作人员所在的楼层;其中,决策树模型为数据信号强度与楼层人员所在楼层的对应关系。
7.根据权利要求6所述的基于决策树的楼层人员定位装置,其特征在于,
所述处理单元用于根据读取的楼层工作人员的信号强度数据及楼层编号提取有效的信号强度数据;
根据有效的信号强度及预先建立的决策树模型确定所述工作人员的楼层。
8.根据权利要求7所述的基于决策树的楼层人员定位装置,其特征在于,所述处理单元用于根据读取的工作人员信号强度确定各个基站接收的信号强度相对关系;
根据信号强度相对关系建立新的信号数据;
根据所述新的信号数据及预先建立的决策树模型确定所述工作人员所述在的楼层,其中,所述决策树模型是指新的信号数据与楼层工作人员所在楼层的对应关系。
9.根据权利要求8所述的基于决策树的楼层人员定位装置,其特征在于,所述处理单元用于根据接收的信号的基站对接收到的信号进行编号;
根据编号定义新的信号数据,其中新的数据中的元素aij的值为0或者1,其中当第i个基站接收的信号大于等于第j个基站接收的数据信号时,取值为0,当第i个基站接收的信号小于第j个基站接收的数据信号使,取值为1。
10.根据权利要求6所述的基于决策树的楼层人员定位装置,其特征在于,所述处理单元用于读取工作人员在同一楼层时,所在的楼层及各个基站接收的数据;
读取工作人员在不同楼层时,所在的楼层及各个基站接收的数据;
根据读取的数据及楼层建立决策树模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789957.1A CN110493741A (zh) | 2019-08-26 | 2019-08-26 | 基于决策树的楼层人员定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789957.1A CN110493741A (zh) | 2019-08-26 | 2019-08-26 | 基于决策树的楼层人员定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110493741A true CN110493741A (zh) | 2019-11-22 |
Family
ID=68554084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910789957.1A Pending CN110493741A (zh) | 2019-08-26 | 2019-08-26 | 基于决策树的楼层人员定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110493741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111417067A (zh) * | 2020-03-13 | 2020-07-14 | 智慧足迹数据科技有限公司 | 定位用户到访位置的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103718627A (zh) * | 2011-06-10 | 2014-04-09 | 谷歌公司 | 使用三阶段过程对室内楼层和位置的预测 |
CN104330771A (zh) * | 2014-10-31 | 2015-02-04 | 富世惠智科技(上海)有限公司 | 一种室内rfid精准定位方法和装置 |
CN104965192A (zh) * | 2015-05-22 | 2015-10-07 | 南京邮电大学 | 一种基于决策树的分布式室内定位方法 |
US20160278558A1 (en) * | 2015-03-27 | 2016-09-29 | Tarik ANSARI | Smart Postal Mailbox Device |
-
2019
- 2019-08-26 CN CN201910789957.1A patent/CN110493741A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103718627A (zh) * | 2011-06-10 | 2014-04-09 | 谷歌公司 | 使用三阶段过程对室内楼层和位置的预测 |
CN104330771A (zh) * | 2014-10-31 | 2015-02-04 | 富世惠智科技(上海)有限公司 | 一种室内rfid精准定位方法和装置 |
US20160278558A1 (en) * | 2015-03-27 | 2016-09-29 | Tarik ANSARI | Smart Postal Mailbox Device |
CN104965192A (zh) * | 2015-05-22 | 2015-10-07 | 南京邮电大学 | 一种基于决策树的分布式室内定位方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111417067A (zh) * | 2020-03-13 | 2020-07-14 | 智慧足迹数据科技有限公司 | 定位用户到访位置的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A just-in-time-learning-aided canonical correlation analysis method for multimode process monitoring and fault detection | |
CN106714220B (zh) | 一种基于mea-bp神经网络wsn异常检测方法 | |
CN104469833B (zh) | 一种基于用户感知的异构网络运维管理方法 | |
CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
CN109451532A (zh) | 一种基站位置的核查方法及装置 | |
CN101415256B (zh) | 基于人工免疫系统的无线传感器网络故障诊断方法 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN109765447A (zh) | 一种智能变电站继电保护自动测试方法 | |
CN102340811A (zh) | 无线传感器网络故障诊断方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN114024829B (zh) | 电力通信网络的故障检修方法、装置、设备和存储介质 | |
CN107967487A (zh) | 一种基于证据距离和不确定度的冲突数据融合方法 | |
CN101871994B (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
CN109362066A (zh) | 一种基于低功耗广域物联网和胶囊网络的实时行为识别系统及其工作方法 | |
CN102945517A (zh) | 一种基于聚类分析的服装标准工时的数据挖掘方法 | |
CN110493741A (zh) | 基于决策树的楼层人员定位方法及装置 | |
CN104280253B (zh) | 一种基于免疫检测器的故障诊断方法及系统 | |
Jia et al. | TTSL: An indoor localization method based on Temporal Convolutional Network using time-series RSSI | |
CN109525337A (zh) | WiFi指纹获取方法、装置、存储介质以及设备 | |
Manikandan et al. | Performance comparison of various wireless sensor network dataset using deep learning classifications | |
CN112949874B (zh) | 一种配电终端缺陷特征自诊断方法及系统 | |
CN117034189A (zh) | 多源物联网数据融合方法 | |
CN107918358A (zh) | 数控装备故障分析方法和装置 | |
CN107666403A (zh) | 一种指标数据的获取方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
RJ01 | Rejection of invention patent application after publication |