CN110572875B - 一种基于改进的机器学习算法的无线定位方法 - Google Patents
一种基于改进的机器学习算法的无线定位方法 Download PDFInfo
- Publication number
- CN110572875B CN110572875B CN201910870442.4A CN201910870442A CN110572875B CN 110572875 B CN110572875 B CN 110572875B CN 201910870442 A CN201910870442 A CN 201910870442A CN 110572875 B CN110572875 B CN 110572875B
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- layer
- algorithm
- rss
- 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
Links
Images
Classifications
-
- 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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于改进的机器学习算法的无线定位方法,基于现有指纹识别方法WKNN算法,引入改进AKF算法和AHP层次分析模型,使用改进AKF算法降低测试点处RSS中的噪声,降噪后的RSS值用于从指纹数据库中选择符合要求的指纹,然后使用AHP为被选择的指纹坐标分配权重,再使用WKNN算法得到最佳位置估计。本发明采用改进的AKF算法对接收到的RSS值进行降噪处理,克服现有AKF算法的定位精度较低的问题。同时采用AHP算法作为权重分配方式,合理扩大参考点之间RSS差距对权重的影响,从而提高定位精度。
Description
技术领域
本发明涉及室内定位技术领域,主要涉及一种基于改进的机器学习算法的无线定位方法。
背景技术
随着互联网和智能手机的普及,人们对室内场景中高精度定位和导航的需求也在不断增加。WLAN室内定位可以充分利用已经广泛部署的接入点(AP)来实现高性能定位,这使得其成为未来室内定位和导航服务的最优选择。
目前,基于WLAN的定位方法主要有三角形算法和位置指纹识别,三角形算法利用待测目标到至少三个已知AP之间的距离信息估计目标位置,其中距离是通过测量来自AP的RSS进行估计。基于三角形算法的WLAN定位很大程度上依赖于准确的信号传输损耗模型。影响信号传输的因素很多,不同环境下的信号传输损耗模型大不相同,建立一个准确的、适合实际应用的损耗模型存在着很大的困难。因此,基于三角形算法的无线定位在具体实施中困难较大。近年来WLAN室内定位系统使用指纹(由参考点的位置坐标和在参考点处收集的AP的信号强度构成)识别方法成为研究热点。
指纹识别方法包括两个阶段——离线阶段和在线阶段。离线阶段的主要任务是构建一个名为无线电地图的指纹识别数据库,它包含了位置空间和信号强度空间的映射关系,其中位置空间由所有参考点(RP)的位置构成,信号强度空间由RP从AP测得的一系列接收信号强度(RSS)值构成,每个RP的位置对应一组来自所有AP的RSS值。在在线阶段,用户终端测量来自所有AP的RSS,并将其与指纹数据库中的信号强度空间中的RSS进行比对,然后用合适的指纹匹配算法计算用户的位置。
广泛使用的指纹匹配算法是WKNN算法(加权K邻近算法),现有WKNN算法定位过程是:首先计算测试点测得的来自所有AP的RSS值与指纹库中每一个RP的指纹RSS值之间的欧式距离。将得到的欧式距离按从小到大进行排序,取欧式距离最小的前k个指纹对应的坐标。然后按照权重大小与欧式距离大小成反比的方式给这k个指纹分配权重,即欧氏距离小的指纹对应的坐标分配较大的权重,欧氏距离大的指纹对应的坐标分配较小的权重。最后通过k个坐标与权重的组合确定测试点的位置。
目前室内定位系统使用的指纹识别方法主要存在下面两方面的问题:
(1)由于测得的RSS值易受噪声干扰,算法的定位精度大大降低。目前普遍采用自适应卡尔曼滤波算法(AKF)来去除RSS中的测量噪声。AKF算法包括预测、更新和噪声协方差估计三个阶段。在预测阶段,AKF利用上一时刻的真实值估计后验值(上一时刻的输出结果)求出当前时刻的先验真实估计值在更新阶段,AKF基于当前时刻的测量值Zt,Zt的估计值(当前时刻期望的AKF输出结果),和卡尔曼增益矩阵Kt来得到降噪后当前时刻的真实值估计后验值即当前时刻AKF的输出结果;在噪声协方差估计阶段,AKF更新测量噪声协方差矩阵Rt和过程噪声协方差矩阵Qt,用于下一次迭代。
然而AKF在迭代过程中估计误差具有传递性,这种误差的传递将影响AKF达到收敛状态所需的选代次数和收敛后输出结果的精确性。当系统模型不准确时,输出结果将偏离真实值,因此现有AKF算法效果较差。
(2)由欧氏距离从小到大顺序得到的前k个欧氏距离值之间差距不大,根据欧氏距离为k个指纹分配的权重之间的差距也很小,位置坐标的加权求和几乎成为位置坐标的平均。有必要扩大不同位置坐标之间的权重距离,才能定位得更加准确。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于改进的机器学习算法的无线定位方法,采用改进的AKF算法对接收到的RSS值进行降噪处理,克服现有AKF算法的定位精度较低的问题。同时采用AHP算法作为权重分配方式,合理扩大参考点之间RSS差距对权重的影响,从而提高定位精度。
技术方案:为实现上述目的,本发明采用的技术方案为:一种基于改进的机器学习算法的无线定位方法,包括以下步骤:
步骤1:构建指纹数据库FP;
步骤2:在测试点处多次测量来自所有接入点AP的信号强度RSS值,获取待降噪处理的RSS矩阵Z;
步骤3:采用改进传统自适应卡尔曼滤波算法AKF,将Z的第一列作为改进AKF算法中的初值为改进AKF算法的第t次迭代设置阈值gatet,基于AKF降噪过程对Z的第t列Zt降噪,得到输出结果计算期望输出结果值与测量值之间的误差εt的协方差比较与gatet;如果则修正得到使用进行下一次迭代,否则使用进行下一次迭代;根据改进AKF算法得到的降噪后的测试点的RSS值计算与指纹数据库中各个指纹之间的欧氏距离并排序,选择k个最近的指纹坐标;
进一步地,所述改进传统自适应卡尔曼滤波算法AKF具体步骤如下:
步骤L1:t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt,满足如下关系:
Xt=FXt-1+Wt (1)
Zt=HXt+Vt (2)
其中Xt-1是t-1时刻的RSS真实值矢量,F是状态转移矩阵,H是测量矩阵,矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声,Wt~N(0,Qt),矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声,Vt~N(0,Rt);
Pt|t-1=FPt-1FT+Qt (4)
Kt=Pt|t-1HT(HPt|t-1HT+Rt)-1 (6)
Pt=Pt|t-1-KtHPt|t-1 (8)
步骤L4:在噪声协方差估计阶段,更新协方差矩阵Qt和Rt如下:
步骤L5:设定t时刻的修正门限gatet如下:
gatet=μrt (13)
其中Rt(1,1)表示Rt中第一行第一列的数值,gatet表示t时刻的修正门限,系数μ取值范围为0.5~0.9;
ct=μrt/Rt(1,1) (15)
进一步地,所述层次模型算法AHP构建步骤如下:
步骤S1:建立层次结构模型
所述层次模型分为三层,以计算测试点的最佳位置估计作为目标层;以各个接收点AP测得的RSS值作为准则层;以参与定位的指纹坐标作为方案层;
步骤S2:构建各个层次的判断矩阵
准则层判断矩阵B中元素值bij表示准则层基于目标层做决策时其指标RSSi与RSSj的重要程度之比;方案层中第k个判断矩阵为Ck,其元素值表示方案层基于准则层中第k个AP接收的RSS做决策时,RPi坐标与RPj坐标的重要程度之比,其中RPi和RPj分别代表第i个参考点RP和第j个参考点RP;
步骤S3:检验判断矩阵的一致性
步骤S4:计算相对于上一层指标本层所有指标各自权重
采用本层判断矩阵最大特征值λk max对应的特征向量Wk经过归一化处理,得到向量W′k表示该判断矩阵的权重向量,其中W′k的第i个值w′ki即可表示相对于上一层第k个指标本层中第i个指标的权重;
步骤S5:基于准则层判断矩阵B的权重向量W′B和方案层判断矩阵Ck的权重向量W′k,计算准则层和方案层各指标对目标层的合成权重,作为方案层中指纹坐标分别对室内定位问题的总权重如下:
其中wi为指纹坐标对于目标层的总权重,wbk为准则层中第k个RSS值相对于目标层的权重,w′ki为方案层中第i个指纹坐标相对于准则层中第k个RSS值的权重。
有益效果:本发明提供的一种基于改进的机器学习算法的无线定位方法,具有以下优点:
(1)本发明提出一种改进的AKF算法,对εt设置判定门限和修正准则,如果是εt的协方差)超过判定门限,则不准确,对进行修正得到根据重新计算改进算法与现有的AKF相比,在每次迭代增加了一次比较和一次修正。因此,改进AKF算法的精度比现有AKF高。
(2)本发明以得到测试点的最佳位置估计为目标层,将从所有接收点AP测得的RSS值作准则层,前k个指纹坐标作方案层,构造各个层次之间的判断矩阵,通过求解判断矩阵,得到方案层k个指纹坐标各自的权重。与现有文献中基于欧氏距离确定指纹的权重相比,在确定指纹坐标的权重时减少了对欧氏距离的依赖,有效扩大了位置差距对权重的影响,定位效果更好。
附图说明
图1为本发明的完整算法过程示意图;
图2为本发明的完整算法流程图;
图3为改进AKF算法流程图;
图4为AHP算法层次模型示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1-图2所示,
一种基于改进的机器学习算法的无线定位方法,包括以下步骤:
步骤1:构建指纹数据库FP;
步骤2:在测试点处多次测量来自所有接入点AP的信号强度RSS值,获取待降噪处理的RSS矩阵Z;
步骤3:采用改进传统自适应卡尔曼滤波算法AKF,将Z的第一列作为改进AKF算法中的初值为改进AKF算法的第t次迭代设置阈值gatet,基于AKF降噪过程对Z的第t列Zt降噪,得到输出结果计算期望输出结果值与测量值之间的误差εt的协方差比较与gatet;如果则修正得到使用进行下一次迭代,否则使用进行下一次迭代;根据改进AKF算法得到的降噪后的测试点的RSS值计算与指纹数据库中各个指纹之间的欧氏距离并排序,选择k个最近的指纹坐标;
由于被测RSS值容易受噪声干扰,现有文献使用具有感知噪声统计能力的AKF来除去RSS中的测量噪声。AKF引入遗忘因子和噪声协方差估计,利用前一时刻已获得的降噪输出结果,调节现时刻的滤波参数,以适应信号与噪声的统计特性,从而实现对RSS降噪。AKF基于两个基本条件:1、t时刻的真实值可由t-1时刻的真实值表达,同时t时刻的测量值可由真实值表达;2、表达和测量过程可由线性算法描述。
如图3所示,步骤3中改进AKF算法具体步骤如下:
步骤L1:t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt,满足如下关系:
Xt=FXt-1+Wt (1)
Zt=HXt+Vt (2)
其中Xt-1是t-1时刻的RSS真实值矢量,F是状态转移矩阵,H是测量矩阵,矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声,Wt~N(0,Qt),矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声,Vt~N(0,Rt);
Pt|t-1=FPt-1FT+Qt (4)
Kt=Pt|t-1HT(HPt|t-1HT+Rt)-1 (6)
Pt=Pt|t-1-KtHPt|t-1 (8)
步骤L4:在噪声协方差估计阶段,更新协方差矩阵Qt和Rt如下:
其中b是遗忘因子,取值范围为0.95~0.995,εt为期望输出结果值与测量值之间的误差。b的作用是降低t-1时刻的降噪输出结果(旧数据)对t时刻用于迭代的数据(新数据)的影响。随着迭代次数的增加,误差协方差矩阵将越来越小,甚至会趋近于零矩阵。由式(6)可知:当Pt|t-1→0时,Kt→0,此时Kt对降噪不再起修正作用,或者说旧数据使AKF饱和,称为“数据饱和现象”。数据饱和将导致新数据对迭代过程不起作用,而迭代降噪结果又与新数据密切相关,新数据被旧数据所淹没。因此为降低旧数据的影响,引入遗忘因子b,加快AKF收敛。b的范围为0.95~0.995,本发明中设置为0.975。
由式(3)、(5)和(7)可以看出:t时刻的先验真实值估计由t-1时刻的输出结果决定。因此,要提高t时刻的精度应提高t-1时刻的精度。εt反映了t时刻AKF期望输出偏离测量值Zt的程度。εt较小时表示可以用t-1时刻的输出结果作为t时刻的输出结果。当模型参数不准确或测量值Zt波动较大(由于噪声的存在或者AP信号强度自身的波动造成)时,那么t时刻的期望输出与t时刻的测量值相差较大,AKF基于式(7)得到的输出结果精度较低。为了提高t时刻AKF输出结果的精度,应针对与Zt之间的误差做出调整。若εt较大,则t-1时刻的误差较大,应对进行修正得到根据重新计算t时刻的期望值从而提高t时刻的的精度,达到实时修正的目的。
步骤L5:设定t时刻的修正门限gatet如下:
gatet=μrt (13)
其中Rt(1,1)表示Rt中第一行第一列的数值,gatet表示t时刻的修正门限,系数μ取值范围为0.5~0.9。因为AKF模型是对实际场景的近似,参数不可能真实精确,且其输出结果是基于测量值然后通过一系列迭代过程间接得到的,因此应增加对测量值的信任度,使得经过AKF降噪后的输出结果靠近真实值。本发明中μ=0.8。
ct=μrt/Rt(1,1) (15)
如图4所示,下面提供一种AHP算法层次模型建立的实施例:
步骤S1:建立层次结构模型
所述层次模型分为三层,以计算测试点的最佳位置估计作为目标层;以各个接收点AP测得的RSS值作为准则层;以参与定位的指纹坐标作为方案层;本发明实施例设定AP数量为4,选择参与定位的指纹坐标数量为3,从4个AP测得的4个RSS值(RSS1,RSS2,RSS3,RSS4)作准则层;3个指纹对应的坐标(指纹坐标1,指纹坐标2,指纹坐标3)作方案层。
步骤S2:构建各个层次的判断矩阵
准则层判断矩阵B中元素值bij(i,j=1,2,3)表示准则层基于目标层做决策时其指标RSSi与RSSj的重要程度之比;方案层中第k个判断矩阵为Ck,其元素值(k=1,2,3,4,i,j=1,2,3)表示方案层基于准则层中第k个AP接收的RSS做决策时,RPi坐标与RPj坐标的重要程度之比,,其中RPi和RPj分别代表第i个参考点RP和第j个参考点RP。分别用自然数1断矩阵元素可能的取值如表1所示:
表1判断矩阵的元素值
根据表1,对于室内定位问题,4个AP的贡献程度相同,因此准则层判断矩阵的所有元素全为1。准则层判断矩阵B表示如下:
表2准则层判断矩阵
因为4个AP的贡献程度相同,所以Ck在不同k值时,矩阵相同,即C1=C2=C3=C4。
基于前面分析可知,应该扩大欧氏距离差距对于权重的影响,因此方案层各个指纹坐标的判断矩阵Ck表示如表3所示:
表3方案层判断矩阵
步骤S3:检验判断矩阵的一致性
假设在判断矩阵中,指标i对指标k的权重为aik,指标k对指标j的权重为akj。客观来讲,指标i对指标j的权重应该是aij=aik*akj,这就是所谓的矩阵一致性。数学上,对于具有特点的矩阵,aij=aik*akj的必要条件是λmax=n,λmax是判断矩阵的最大特征值,n是判断矩阵的阶数。然而,判断矩阵中各元素是由我们主观设置的,所以,aij=aik*akj不一定成立,即λmax≠n。采用一致性比例检验判断矩阵的一致性,其中λmax是判断矩阵的最大特征值,n是判断矩阵的阶数;RI表示平均一致性程度,这种接近程度随n的不同可以不一样,表4给出了不同n的判断矩阵的平均一致性程度RI。当判断矩阵的一致性比例CR满足CR<0.10时,判断矩阵满足条件;
表4平均随机一致性指标RI
步骤S4:计算相对于上一层指标本层所有指标各自权重
采用本层判断矩阵最大特征值λk max对应的特征向量Wk经过归一化处理,得到向量W′k表示该判断矩阵的权重向量,其中W′k的第i个值w′ki即可表示相对于上一层第k个指标本层中第i个指标的权重。以计算方案层中各判断矩阵Ck的权重向量为例,步骤如下:
①求Ck的最大特征值λk max对应的特征向量Wk,其中λk max和Wk满足:
CkWk=λk maxWk
②对wk的第i个值wki做归一化处理得到w′k的第i个值w′ki,表示如下:
w′ki表示相对于准则层中第k个AP接收的RSS值方案层中第i个指纹坐标的权重,k=1,2,3,4,i=1,2,3。方案层中各判断矩阵Ck相同,所以对应的权重向量W′k相同。由于目标层中的指标只有一个,所以准则层中判断矩阵B的权重向量W′B只有一个。
步骤S5:基于准则层判断矩阵B的权重向量W′B和方案层判断矩阵Ck的权重向量W′k,计算准则层和方案层各指标对目标层的合成权重,作为方案层中指纹坐标分别对室内定位问题的总权重如下:
其中wi为指纹坐标对于目标层的总权重,i=1,2,3,k=1,2,3,4。wbk为准则层中第k个RSS值相对于目标层的权重,w′ki为方案层中第i个指纹坐标相对于准则层中第k个RSS值的权重。基于式(16)可以得到方案层中3个指纹坐标分别对于室内定位问题的总权重。将得到的3个权重用于WKNN算法求得测试点的最佳位置估计。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于改进的机器学习算法的无线定位方法,其特征在于:包括以下步骤:
步骤1:构建指纹数据库;
步骤2:在测试点处多次测量来自所有接入点的信号强度RSS值,获取待降噪处理的RSS矩阵Z;
步骤3:改进自适应卡尔曼滤波算法,将Z的第一列作为算法中的初值为改进自适应卡尔曼滤波算法的第t次迭代设置阈值gatet,基于降噪过程对Z的第t列Zt降噪,得到输出结果计算期望输出结果值与测量值之间的误差εt的协方差比较与gatet;如果则修正得到使用进行下一次迭代,否则使用进行下一次迭代;根据改进自适应卡尔曼滤波算法得到的降噪后的测试点的RSS值计算与指纹数据库中各个指纹之间的欧氏距离并排序,选择k个最近的指纹坐标;
步骤S1:建立层次结构模型
所述层次模型分为三层,以计算测试点的最佳位置估计作为目标层;以各个接收点RP测得的RSS值作为准则层;以参与定位的指纹坐标作为方案层;
步骤S2:构建各个层次的判断矩阵
准则层判断矩阵B中元素值bij表示准则层基于目标层做决策时其指标RSSi与RSSj的重要程度之比;方案层中第k个判断矩阵为Ck,其元素值表示方案层基于准则层中第k个接收点接收的信号强度做决策时,RPi坐标与RPj坐标的重要程度之比,其中RPi和RPj分别代表第i个参考点RP和第j个参考点RP;
步骤S3:检验判断矩阵的一致性
步骤S4:计算相对于上一层指标本层所有指标各自权重
采用本层判断矩阵最大特征值λk max对应的特征向量Wk经过归一化处理,得到向量W′k表示该判断矩阵的权重向量,其中W′k的第i个值w′ki即可表示相对于上一层第k个指标本层中第i个指标的权重;
步骤S5:基于准则层判断矩阵B的权重向量W′B和方案层判断矩阵Ck的权重向量W′k,计算准则层和方案层各指标对目标层的合成权重,作为方案层中指纹坐标分别对室内定位问题的总权重如下:
wi=∑wbkw′ki
2.根据权利要求1所述的一种基于改进的机器学习算法的无线定位方法,其特征在于:所述步骤3中改进自适应卡尔曼滤波算法具体步骤如下:
步骤L1:t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt,满足如下关系:
Xt=FXt-1+Wt (1)
Zt=HXt+Vt (2)
其中Xt-1是t-1时刻的RSS真实值矢量,F是状态转移矩阵,H是测量矩阵,矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声,Wt~N(0,Qt),矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声,Vt~N(0,Rt);
Pt|t-1=FPt-1FT+Qt (4)
Kt=Pt|t-1HT(HPt|t-1HT+Rt)-1 (6)
Pt=Pt|t-1-KtHPt|t-1 (8)
步骤L4:在噪声协方差估计阶段,更新协方差矩阵Qt和Rt如下:
步骤L5:设定t时刻的修正门限gatet如下:
gatet=μrt (13)
其中Rt(1,1)表示Rt中第一行第一列的数值,gatet表示t时刻的修正门限,系数μ取值范围为0.5~0.9;
ct=μrt/Rt(1,1) (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870442.4A CN110572875B (zh) | 2019-09-16 | 2019-09-16 | 一种基于改进的机器学习算法的无线定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870442.4A CN110572875B (zh) | 2019-09-16 | 2019-09-16 | 一种基于改进的机器学习算法的无线定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110572875A CN110572875A (zh) | 2019-12-13 |
CN110572875B true CN110572875B (zh) | 2021-02-02 |
Family
ID=68780328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870442.4A Active CN110572875B (zh) | 2019-09-16 | 2019-09-16 | 一种基于改进的机器学习算法的无线定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110572875B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112399366A (zh) * | 2020-05-27 | 2021-02-23 | 南京邮电大学 | 基于Hankel矩阵及WKNN方差提取的室内定位法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372628A (zh) * | 2015-11-19 | 2016-03-02 | 上海雅丰信息科技有限公司 | 一种基于Wi-Fi的室内定位导航方法 |
CN107071894A (zh) * | 2017-02-16 | 2017-08-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于WiFi的室内定位优化算法 |
CN107576330A (zh) * | 2017-09-07 | 2018-01-12 | 西北大学 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
CN108769910A (zh) * | 2018-06-15 | 2018-11-06 | 闽南师范大学 | 一种WiFi定位的方法 |
CN109951807A (zh) * | 2019-02-27 | 2019-06-28 | 西北师范大学 | 基于WiFi信号的融合RSS和CSI室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10203762B2 (en) * | 2014-03-11 | 2019-02-12 | Magic Leap, Inc. | Methods and systems for creating virtual and augmented reality |
-
2019
- 2019-09-16 CN CN201910870442.4A patent/CN110572875B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372628A (zh) * | 2015-11-19 | 2016-03-02 | 上海雅丰信息科技有限公司 | 一种基于Wi-Fi的室内定位导航方法 |
CN107071894A (zh) * | 2017-02-16 | 2017-08-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于WiFi的室内定位优化算法 |
CN107576330A (zh) * | 2017-09-07 | 2018-01-12 | 西北大学 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
CN108769910A (zh) * | 2018-06-15 | 2018-11-06 | 闽南师范大学 | 一种WiFi定位的方法 |
CN109951807A (zh) * | 2019-02-27 | 2019-06-28 | 西北师范大学 | 基于WiFi信号的融合RSS和CSI室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110572875A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107561503B (zh) | 一种基于多重渐消因子的自适应目标跟踪滤波方法 | |
CN107241700B (zh) | 基于csi空频特性和参考点位置聚类算法的室内定位方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN106912105A (zh) | 基于pso_bp神经网络的三维定位方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN108834047B (zh) | 一种路径损耗模型的ap选择室内定位方法 | |
CN105120479B (zh) | 终端间Wi-Fi信号的信号强度差异修正方法 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
CN105845148A (zh) | 基于频点修正的卷积盲源分离方法 | |
CN110581783A (zh) | 基于ahp和topsis的通信方案决策方法 | |
CN110572875B (zh) | 一种基于改进的机器学习算法的无线定位方法 | |
CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 | |
CN115099657A (zh) | 一种处理异质犹豫模糊偏好关系的群决策方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN111239715B (zh) | 一种联合灰色关联和神经网络的指纹定位方法 | |
CN115932913B (zh) | 一种卫星定位伪距修正方法及装置 | |
CN106488554B (zh) | 一种指纹数据库建立方法和系统 | |
CN112333652B (zh) | Wlan室内定位方法、装置及电子设备 | |
CN116437290A (zh) | 一种基于csi指纹定位的模型融合方法 | |
CN116980824A (zh) | 一种轻量化的加权集成学习室内csi定位方法 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN115226027A (zh) | 一种WiFi室内指纹定位方法及装置 | |
CN112437485B (zh) | 一种基于神经网络的指纹空间插值法的定位方法及装置 | |
CN108595843B (zh) | 一种动态自适应的众创设计方案数据寻优方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210023 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu. Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |