CN110636466A - 一种机器学习下基于信道状态信息的WiFi室内定位系统 - Google Patents
一种机器学习下基于信道状态信息的WiFi室内定位系统 Download PDFInfo
- Publication number
- CN110636466A CN110636466A CN201910840379.XA CN201910840379A CN110636466A CN 110636466 A CN110636466 A CN 110636466A CN 201910840379 A CN201910840379 A CN 201910840379A CN 110636466 A CN110636466 A CN 110636466A
- Authority
- CN
- China
- Prior art keywords
- module
- channel state
- state information
- data
- fingerprint
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种机器学习下基于信道状态信息的WiFi室内定位系统,其包括:离线数据采集模块,用于获取参考点位置信息,采集参考点离线信道状态信息;指纹库建立模块,用于根据离线数据采集模块传入的信息,遍历所有参考点的位置信息和离线信道状态信息,并且对离线状态信息进行聚类和归一化处理,形成位置信息与离线状态信息一一对应的指纹数据库;指纹特征训练模块,用于获取指纹库数据,将获取的数据进行PCA降维,然后用支持向量机(SVM)进行训练,得到定位模型,并将定位模型提交给在线定位模块;在线定位模块,用于获取实时信道状态信息数据并对其进行聚类和归一化处理,将处理后数据进行PCA降维,然后利用定位模型进行定位,得到实时信道状态数据对应的地理位置坐标;目标位置输出模块,用于可视化目标地理位置并输出,实现对目标的定位。
Description
技术领域
本发明属于通信定位的技术领域,具体涉及一种机器学习下基于信道状态 信息的WiFi室内定位系统。
背景技术
近年来,随着无线通信技术与网络技术的不断发展和全面普及,人们对位 置服务的需求越来越高。室外定位有GPS和北斗等提供服务,对于室内定位: 基于WiFi指纹的室内定位技术成为最受欢迎的室内定位技术之一,已经在各种 各样的室内场所投入应用。
现有的基于WiFi指纹的室内定位技术中,大多是基于RSSI(接受信号强 度)。RSSI是基于MAC层的通过接受到信号强弱测定信号点与接收点的距离, 进而根据相应的数据进行定位计算的方法。在复杂的室内环境中,信号的严重 衰减和多径效应及其它噪声干扰,定位阶段造成很大的定位误差。目前已经有 很多技术人员通过NN、KNN、神经网络等算法及一些机器学习网络提升基于 RSSI的WiFi指纹的室内定位技术的定位精度。但这些方法由于信道衰减、多径 效应以及阴影效应的影响,效果达不到最佳。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种机器学习下基于 信道状态信息的WiFi室内定位系统,以解决传统的WiFi室内定位由于多径效 应导致定位不准的问题。
为达到上述目的,本发明采取的技术方案是:
一种机器学习下基于信道状态信息的WiFi室内定位系统,包括:
离线数据采集模块,用于获取参考点位置信息,采集参考点离线信道状态 信息,并将所述参考点位置信息和参考点离线信道状态信息传入指纹库建立模 块;
指纹库建立模块,用于根据离线数据采集模块传入的信息,遍历所有参考 点的位置信息和信道状态信息,并且聚类然后归一化处理,形成参考点位置坐 标与信道状态信息相对应的指纹数据库,递交给指纹特征训练模块;
指纹特征训练模块,用于获取指纹库数据,将所述获取的数据进行PCA降 维,然后用支持向量机(SVM)进行训练,得到定位模型,并将定位模型提交给在 线定位模块;
在线定位模块,用于获取实时信道状态信息数据并对其进行聚类和归一化 处理,将所述处理后的数据进行PCA降维,然后利用定位模型进行预测,得到 实时信道状态数据对应的地理位置坐标,并递交给目标位置输出模块;
目标位置输出模块,用于可视化目标地理位置并输出,实现对目标的定位。
优选地,离线数据采集模块包括:
参考点位置记录模块,用于记录参考点所在的地理位置坐标;
离线信道状态信息采集模块,用于采集位于参考点处的离线信道状态信息 数据,其中离线信道状态信息具体为:
一个参考点对应n个CSI数据包,一个CSI数据包有一个p×q×30的复数矩 阵HMIMO,其中p为发射天线数,q为接收天线数,p×q为天线对个数;
离线数据输出模块,用于将参考点的位置数据和离线信道状态信息数据输 入到指纹库建立模块。
优选地,指纹库建立模块包括离线数据处理模块、指纹库生成模块和指纹库 输出模块。
优选地,离线数据处理模块所用方法为:
对IEEE802.11n中OFDM的30个子载波的信道频率响应进行采样:
Hij=[h1,h2,h3,...,h30]
提取幅值作为指纹:
Hamp=[|h1|,|h2|,|h3|,...,|h30|];
采用K-means算法对同一参考点的n个数据包在同一个天线对下的CSI幅 值进行处理,从n个数据包的值中得到k个具有代表性的CSI幅值作为特征指 纹fin:
fin=[Hamp1,Hamp2,...,Hampk]
采用K-means算法对m=p×q个天线对进行处理,得到向量:
FIN=[fin1,fin2,...,finm]
将二维空间第k个参考点:{(xk,yk),FINk}归一化后传给指纹库生成模块 形成了指纹库。
优选地,指纹特征训练模块包括PCA降维模块、支持向量机模块、和定位 模型输出模块。
优选地,PCA降维模块,其步骤为:
输入:n维样本集D=(x(1),x(2),...,x(m)),要降维到的维数n',其中样本集D 为:(FIN1,FIN2,...,FINm);
输出:降维后的样本集D′;
求出样本协方差矩阵:XXT;
对矩阵XXT进行特征值分解;
取出最大的n'个特征值对应的特征向量(w1,w2,...,wn'),将所有的特征向量标准化后,组成特征向量矩阵W;
对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i);
得到输出样本集D′=(z(1),z(2),...,z(m))。
优选地,支持向量机模块,其步骤为:
将上述PCA降维模块处理后的数据,结合其对应的位置坐标,输入到支持向 量机,进行训练,训练过程采用网格搜索法和k-折交叉验证,以找到支持向量 机的参数C和gamma的最优值,确保得到最优的模型;
优选地,在线定位模块包括实时数据预处理模块、预测模块以及预测数据输 出模块。
优选地,在线定位模块,其方法为:
获取实时的信道状态信息,同样地把幅值作为指纹:
Hamp=[|h1|,|h2|,|h3|,...,|h30|]
用K-means方法和归一化方法进行处理;
紧接用PCA降维方法进行降维;
最后将上述处理后的数据用训练好的支持向量机模型进行预测,输出可能性 最大的目标所在位置,并把结果递交给目标位置输出模块。
优选地,的实时数据预处理模块应当具有如下特征:
K-means方法中的K值和归一化方法应当同离线数据处理模块中的一致, 降维方法应当同PCA降维模块中的一致。
本发明提供的机器学习下基于信道状态信息的WiFi室内定位系统,具有以 下有益效果:
本发明基于离线数据采集模块、指纹库建立模块、指纹特征训练模块、在线 定位模块和目标位置输出模块构建基于信道状态信息的WiFi室内定位系统,利 用信道状态信息实现定位,减少信道衰减、多径效应以及阴影效应的影响,提 高定位的精确度,有效地解决了传统的WiFi室内定位方法由于信道衰减、多径 效应以及阴影效应的影响,效果达不到最佳的问题。
附图说明
图1为机器学习下基于信道状态信息的WiFi室内定位系统的原理框图。
图2为机器学习下基于信道状态信息的WiFi室内定位系统离线数据采集模 块和指纹库建立模块的原理框图。
图3为机器学习下基于信道状态信息的WiFi室内定位系统的指纹特征训练 模块原理框图。
图4为机器学习下基于信道状态信息的WiFi室内定位系统在线定位模块和 目标位置输出模块原理框图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理 解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的 普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保 护之列。
根据本申请的一个实施例,本方案的机器学习下基于信道状态信息的WiFi 室内定位系统,参考图1,包括依次信号连接的离线数据采集模块、指纹库建立 模块、指纹特征训练模块、在线定位模块、目标位置输出模块,本发明利用信 道状态信息实现定位,减少信道衰减、多径效应以及阴影效应的影响,提高定 位的精确度。
以下对各个模块分别进行详细描述
参考图2,离线数据采集模块,用于获取参考点位置信息,采集参考点离线 信道状态信息,并将参考点位置信息和参考点离线信道状态信息传入指纹库建 立模块。
离线数据采集模块包括:
参考点位置记录模块,用于记录参考点所在的地理位置坐标;
离线信道状态信息采集模块,用于采集位于参考点处的离线信道状态信息 数据,其中离线信道状态信息具体为:
一个参考点对应n个CSI数据包,一个CSI数据包有一个p×q×30的复数 矩阵HMIMO,其中p为发射天线数,q为接收天线数,p×q为天线对个数
离线数据输出模块,用于将参考点的位置数据和离线信道状态信息数据输 入到指纹库建立模块。
参考图2,指纹库建立模块包括离线数据处理模块、指纹库生成模块和指 纹库输出模块。
其中离线数据处理模块的方法为:
对IEEE802.11n中OFDM的30个子载波的信道频率响应进行采样:
Hij=[h1,h2,h3,...,h30]
其中,Hij为天线对,|hj|为幅值,∠hi为相位;
Hamp=[|h1|,|h2|,|h3|,...,|h30|];
采用Kmeans算法对同一参考点的n个数据包在同一个天线对下的CSI幅 值进行处理,Kmeans算法能使类聚域中所有的CSI幅值向量到类聚中心距离的 平方和最小,从n个数据包的值中得到k个具有代表性的CSI幅值作为位置指 纹fin:
fin=[Hamp1,Hamp2,...,Hampk]
无线天线在室内存在多径传播的情况,CSI幅值也受其影响,存在着成簇 分布的情况,根据现有文献的实验观测表明,超过80%的CSI幅值向量存在四 个以内的分簇,为了提高定位精准度,Kmeans算法中设置分簇个数k=10。
采用Kmeans算法对m=p×q个天线对进行处理,得到向量:
FIN=[fin1,fin2,...,finm]
将二维空间第k个参考点:{(xk,yk),FINk}归一化后传给指纹库生成模块 形成了指纹库;其中,xk为参考点所在位置的横坐标,yk为参考点所在位置的 纵坐标。
指纹库生成模块,用于遍历所有的预处理过得指纹信息,打包并保存为指 纹库。
指纹库输出模块,用于将指纹库数据递交给指纹特征训练模块。
参考图3,指纹库训练模块包括PCA降维模块、支持向量机模块、和定位模 型输出模块。
其中PCA降维模块处理方法为:
输入:n维样本集D=(x(1),x(2),...,x(m)),其中,x(m)为第m个样本,要降维 到的维数n'其中样本集D为:(FIN1,FIN2,...,FINm),为了保证精度,同时降低训 练时间,n'取值为30;
输出:降维后的样本集D′;
求出样本协方差矩阵:XXT;
对矩阵XXT进行特征值分解;
取出最大的n'个特征值对应的特征向量(w1,w2,...,wn'),将所有的特征向量标准化后,组成特征向量矩阵W;
对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i);
得到输出样本集D′=(z(1),z(2),...,z(m))。
其中支持向量机模块的方法为:
将PCA降维模块处理后的数据,结合其对应的位置坐标,输入到支持向量 机,进行训练,训练过程采用网格搜索法和k-折交叉验证,以找到支持向量机 的参数C和gamma的最优值,确保得到最优的模型。
其中定位模型输出模块,用于将支持向量机模块训练得到的模型封装成 API,递交给在线定位模块使用。
参考图4,在线定位模块包括:
实时数据预处理模块,用于对实时采集的信道状态信息进行类聚、归一化以 及降维处理。特别地,该模块使用的K-means方法中的K值和归一化方法应当 同离线数据处理模块中的一致,降维方法应当同PCA降维模块中的一致;
预测模块,利用指纹特征训练模块训练好的模型对预处理后的数据进行预 测;
预测数据输出模块,将预测结果递交给目标位置输出模块。
目标位置输出模块,用于可视化目标地理位置并输出,实现对目标的定位。
本发明利用信道状态信息实现定位,减少了信道衰减、多径效应以及阴影 效应的影响,提高了定位的精确度,有效地解决传统的WiFi室内定位由于多径 效应导致定位不准的问题。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对 本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不 经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (10)
1.一种机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于,包括:
离线数据采集模块,用于获取参考点位置信息,采集参考点离线信道状态信息,并将所述参考点位置信息和参考点离线信道状态信息传入指纹库建立模块;
指纹库建立模块,用于根据离线数据采集模块传入的信息,遍历所有参考点的位置信息和信道状态信息,并且聚类然后归一化处理,形成参考点位置坐标与信道状态信息相对应的指纹数据库,递交给指纹特征训练模块;
指纹特征训练模块,用于获取指纹库数据,将所述获取的数据进行PCA降维,然后用支持向量机(SVM)进行训练,得到定位模型,并将定位模型提交给在线定位模块;
在线定位模块,用于获取实时信道状态信息数据并对其进行聚类和归一化处理,将所述处理后的数据进行PCA降维,然后利用定位模型进行预测,得到实时信道状态数据对应的地理位置坐标,并递交给目标位置输出模块;
目标位置输出模块,用于可视化目标地理位置并输出,实现对目标的定位。
3.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于:所述指纹库建立模块包括离线数据处理模块、指纹库生成模块和指纹库输出模块。
4.根据权利要求3所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于,所述离线数据处理模块所用方法为:
对IEEE802.11n中OFDM的30个子载波的信道频率响应进行采样:
Hij=[h1,h2,h3,...,h30]
Hamp=[|h1|,|h2|,|h3|,...,|h30|];
采用K-means算法对同一参考点的n个数据包在同一个天线对下的CSI幅值进行处理,从n个数据包的值中得到k个具有代表性的CSI幅值作为特征指纹fin:
fin=[Hamp1,Hamp2,...,Hampk]
采用K-means算法对m=p×q个天线对进行处理,得到向量:
FIN=[fin1,fin2,...,finm]
将二维空间第k个参考点:{(xk,yk),FINk}归一化后传给指纹库生成模块形成了指纹库。
5.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于:所述指纹特征训练模块包括PCA降维模块、支持向量机模块、和定位模型输出模块。
6.根据权利要求5所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于:所述PCA降维模块,其步骤为:
输入:n维样本集D=(x(1),x(2),...,x(m)),要降维到的维数n',其中样本集D为:(FIN1,FIN2,...,FINm);
输出:降维后的样本集D′;
求出样本协方差矩阵:XXT;
对矩阵XXT进行特征值分解;
取出最大的n'个特征值对应的特征向量(w1,w2,...,wn'),将所有的特征向量标准化后,组成特征向量矩阵W;
对样本集中的每一个样本x(i),转化为新的样本z(i)=WTx(i);
得到输出样本集D′=(z(1),z(2),...,z(m))。
7.根据权利要求5所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于:所述支持向量机模块,其步骤为:
将上述PCA降维模块处理后的数据,结合其对应的位置坐标,输入到支持向量机,进行训练,训练过程采用网格搜索法和k-折交叉验证,以找到支持向量机的参数C和gamma的最优值,确保得到最优的模型。
8.根据权利要求1所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于:所述在线定位模块包括实时数据预处理模块、预测模块以及预测数据输出模块。
9.根据权利要8求所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于:所述在线定位模块,其方法为:
获取实时的信道状态信息,同样地把幅值作为指纹:
Hamp=[|h1|,|h2|,|h3|,...,|h30|]
用K-means方法和归一化方法进行处理;
紧接用PCA降维方法进行降维;
最后将上述处理后的数据用训练好的支持向量机模型进行预测,输出可能性最大的目标所在位置,并把结果递交给目标位置输出模块。
10.根据权利要求9所述的机器学习下基于信道状态信息的WiFi室内定位系统,其特征在于,所述的实时数据预处理模块应当具有如下特征:
K-means方法中的K值和归一化方法应当同离线数据处理模块中的一致,降维方法应当同PCA降维模块中的一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840379.XA CN110636466A (zh) | 2019-09-06 | 2019-09-06 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840379.XA CN110636466A (zh) | 2019-09-06 | 2019-09-06 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110636466A true CN110636466A (zh) | 2019-12-31 |
Family
ID=68970919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910840379.XA Pending CN110636466A (zh) | 2019-09-06 | 2019-09-06 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110636466A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209960A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
CN111428819A (zh) * | 2020-04-27 | 2020-07-17 | 北京工业大学 | 一种基于堆叠自编码网络和svm的csi室内定位方法 |
CN112135344A (zh) * | 2020-09-11 | 2020-12-25 | 南京邮电大学 | 一种基于csi和dcnn的无设备目标定位方法 |
CN112804650A (zh) * | 2021-01-29 | 2021-05-14 | 南京邮电大学 | 一种信道状态信息数据降维方法及智能室内定位方法 |
CN113111778A (zh) * | 2021-04-12 | 2021-07-13 | 内蒙古大学 | 一种视频和无线融合的大规模人群分析方法 |
CN113419212A (zh) * | 2021-06-16 | 2021-09-21 | 南京邮电大学 | 基于灰度共生矩阵和因子分析特征提取的无设备定位方法 |
WO2022247598A1 (zh) * | 2021-05-26 | 2022-12-01 | 中兴通讯股份有限公司 | 信道信息处理方法、移动通信设备及存储介质 |
WO2023151657A1 (zh) * | 2022-02-10 | 2023-08-17 | 维沃移动通信有限公司 | 信息处理方法及通信设备 |
CN116761249A (zh) * | 2022-09-23 | 2023-09-15 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010082144A1 (en) * | 2009-01-14 | 2010-07-22 | Koninklijke Philips Electronics, N.V. | Ceramic gas discharge metal halide lamp with high color temperature |
CN103987118A (zh) * | 2014-05-19 | 2014-08-13 | 浙江师范大学 | 基于接收信号强度信号ZCA白化的接入点k-means聚类方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN106685590A (zh) * | 2016-12-08 | 2017-05-17 | 浙江工业大学 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
CN108062587A (zh) * | 2017-12-15 | 2018-05-22 | 清华大学 | 一种无监督机器学习的超参数自动优化方法及系统 |
US20190007256A1 (en) * | 2012-12-05 | 2019-01-03 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for vital signs detection and monitoring |
CN110072186A (zh) * | 2019-04-15 | 2019-07-30 | 哈尔滨工程大学 | 基于属性独立的加权朴素贝叶斯室内定位方法 |
-
2019
- 2019-09-06 CN CN201910840379.XA patent/CN110636466A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010082144A1 (en) * | 2009-01-14 | 2010-07-22 | Koninklijke Philips Electronics, N.V. | Ceramic gas discharge metal halide lamp with high color temperature |
US20190007256A1 (en) * | 2012-12-05 | 2019-01-03 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for vital signs detection and monitoring |
CN103987118A (zh) * | 2014-05-19 | 2014-08-13 | 浙江师范大学 | 基于接收信号强度信号ZCA白化的接入点k-means聚类方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN106685590A (zh) * | 2016-12-08 | 2017-05-17 | 浙江工业大学 | 一种基于信道状态信息和knn的室内人体朝向识别方法 |
CN107769828A (zh) * | 2017-09-27 | 2018-03-06 | 中国电子科技集团公司第五十四研究所 | 一种基于特征值提取的csi‑mimo室内定位方法及系统 |
CN108062587A (zh) * | 2017-12-15 | 2018-05-22 | 清华大学 | 一种无监督机器学习的超参数自动优化方法及系统 |
CN110072186A (zh) * | 2019-04-15 | 2019-07-30 | 哈尔滨工程大学 | 基于属性独立的加权朴素贝叶斯室内定位方法 |
Non-Patent Citations (1)
Title |
---|
王泽: "《基于CSI特征的辅助身份认证技术研究》", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209960A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
CN111209960B (zh) * | 2020-01-06 | 2024-01-05 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
CN111428819A (zh) * | 2020-04-27 | 2020-07-17 | 北京工业大学 | 一种基于堆叠自编码网络和svm的csi室内定位方法 |
CN111428819B (zh) * | 2020-04-27 | 2024-07-05 | 北京工业大学 | 一种基于堆叠自编码网络和svm的csi室内定位方法 |
CN112135344A (zh) * | 2020-09-11 | 2020-12-25 | 南京邮电大学 | 一种基于csi和dcnn的无设备目标定位方法 |
CN112804650B (zh) * | 2021-01-29 | 2022-07-29 | 南京邮电大学 | 一种信道状态信息数据降维方法及智能室内定位方法 |
CN112804650A (zh) * | 2021-01-29 | 2021-05-14 | 南京邮电大学 | 一种信道状态信息数据降维方法及智能室内定位方法 |
CN113111778A (zh) * | 2021-04-12 | 2021-07-13 | 内蒙古大学 | 一种视频和无线融合的大规模人群分析方法 |
WO2022247598A1 (zh) * | 2021-05-26 | 2022-12-01 | 中兴通讯股份有限公司 | 信道信息处理方法、移动通信设备及存储介质 |
CN113419212A (zh) * | 2021-06-16 | 2021-09-21 | 南京邮电大学 | 基于灰度共生矩阵和因子分析特征提取的无设备定位方法 |
CN113419212B (zh) * | 2021-06-16 | 2022-08-23 | 南京邮电大学 | 基于灰度共生矩阵和因子分析特征提取的无设备定位方法 |
WO2023151657A1 (zh) * | 2022-02-10 | 2023-08-17 | 维沃移动通信有限公司 | 信息处理方法及通信设备 |
CN116761249A (zh) * | 2022-09-23 | 2023-09-15 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
CN116761249B (zh) * | 2022-09-23 | 2024-04-12 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110636466A (zh) | 一种机器学习下基于信道状态信息的WiFi室内定位系统 | |
CN107769828B (zh) | 一种基于特征值提取的csi-mimo室内定位方法及系统 | |
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
Li et al. | Indoor localization based on CSI fingerprint by siamese convolution neural network | |
CN106941718B (zh) | 一种基于信号子空间指纹库的混合室内定位方法 | |
CN103945332B (zh) | 一种接收信号强度和多径信息联合神经网络室内定位方法 | |
CN109951807A (zh) | 基于WiFi信号的融合RSS和CSI室内定位方法 | |
CN114189809B (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN104023395B (zh) | 大规模mimo中基于波束空间转换的散射信源定位方法 | |
CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
CN112040400B (zh) | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN109029429B (zh) | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 | |
CN112910578A (zh) | 一种针对毫米波3d mimo信道的路径参数提取方法 | |
CN110045322B (zh) | 一种基于高分辨测向语图智能识别的短波自动测向方法 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN112040397A (zh) | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 | |
CN109375154A (zh) | 一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN115150744A (zh) | 一种大型会议场馆室内信号干扰源定位方法 | |
Ying et al. | A new vision-aided beam prediction scheme for mmwave wireless communications | |
Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
CN113271539B (zh) | 一种基于改进的cnn模型的室内目标定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |
|
RJ01 | Rejection of invention patent application after publication |