CN111050294A - 一种基于深度神经网络的室内定位系统及方法 - Google Patents
一种基于深度神经网络的室内定位系统及方法 Download PDFInfo
- Publication number
- CN111050294A CN111050294A CN202010112009.7A CN202010112009A CN111050294A CN 111050294 A CN111050294 A CN 111050294A CN 202010112009 A CN202010112009 A CN 202010112009A CN 111050294 A CN111050294 A CN 111050294A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- router
- indoor positioning
- layer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 58
- 230000004913 activation Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度神经网络的室内定位系统及方法，涉及人工智能技术领域，本发明以神经网络芯片为核心，利用摄像头，温度传感器，湿度传感器，与移动终端进行所需数据收集；通过互联网，路由器传输所需数据；使用定位服务器进行数据预处理，数据存储；最后由神经网络芯片完成神经网络模型训练，寻找最优权重值，生成指纹信息以及确定定位点等任务。本发明相较于传统室内定位系统及方法，可适用于更复杂环境并可实现更精准定位，具有较高实用价值。
Description
技术领域
本发明涉及人工智能技术领域，具体地说是一种基于深度神经网络的室内定位系统及方法。
背景技术
随着无线通信网络的迅猛发展，移动用户对基于位置的定位服务提出了更高的要求。 在基于位置的服务中，室内定位始终是一个难题。由于非视距传输路径，多径效应，延迟失真等问题，室内定位精度一直相对较低。近年来，神经网络成为了人工智能领域的热点，神经网络在诸如图像识别，语音翻译，自动驾驶等领域都取得了巨大的成功。越来越多的科研人员开始试图利用神经网络来实现室内定位精度上的突破。其中基于神经网络指纹定位算法的室内定位方法取得了较为明显的成效。该算法通过Wi-Fi,蓝牙或地磁信号等无线电波来接收信号发射点的信号到达强度(Received Signal Strength, RSS)或信道信息(Channel State Information, CSI)等无线电波信息，并利用深度神经网络处理以上信息并生成信号发射点的指纹数据，再将实时指纹数据与室内环境中各点的指纹数据相比对进而实现室内定位。
传统的基于神经网络的指纹算法室内定位系统和定位方法存在一定的弊端，例如收集的数据不够全面，计算结果容易受室内温湿度变化、障碍物、人员移动因素影响等，本专利基于此现状，提供了一种基于深度神经网络的室内定位系统及方法。
发明内容
本发明的目的是提供一种基于深度神经网络的室内定位系统及方法，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明的技术方案为：
第一方面，提供了一种基于深度神经网络的室内定位系统，包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片。
所述移动终端与所述路由器双向连接；所述温度传感器的输出连接所述路由器的输入；所述湿度传感器的输出连接所述路由器的输入；所述摄像头的输出连接所述路由器的输入；所述路由器与所述定位服务器双向连接；所述定位服务器与所述神经网络芯片双向连接；所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。
进一步地，所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。
进一步地，所述神经网络芯片可以做成计算机板卡形式，插入个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。
第二方面，提供了一种基于深度神经网络的室内定位方法，所述基于深度神经网络的室内定位方法包括离线训练阶段和在线定位阶段。
所述离线训练阶段包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并进行分类，将分类后的特征向量分别储存，并记录非监督卷积神经网络的权重值；
步骤三，向分类储存的特征向量中添加对应的温度与湿度信息，得到最终的标签向量；
步骤四，通过路由器接收训练用移动终端发出信道信息数据，将信道信息数据根据对应的标签分类，将每一类信道信息数据分别输入监督深度神经网络中，反复训练得到多组指纹向量与对应的最佳深度神经网络权重值。
所述在线定位阶段包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并借助卷积神经网络权重值进行计算，得出特征向量；
步骤三，向计算得出的特征向量中添加对应的温度与湿度信息，得到最终的特征向量，将特征向量与标签向量比对，选择对应的最佳深度神经网络权重值；
步骤四，通过路由器接收室内定位目标用户持有的移动终端发出的信道信息数据，将信道信息数据输入监督深度神经网络中，并与对应的最佳深度神经网络权重值进行计算，得出用户持有的移动终端所处室内位置的指纹向量；
步骤五，将得出的指纹向量与离线训练阶段得出的多组指纹向量比对，选出最接近的指纹向量，并确定对应的定位位置，通过互联网将位置反馈给用户。
进一步地，所述离线训练阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为数据增强、去均值或归一化；所述在线定位阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为去均值或归一化。
进一步地，预处理后的图像数据输入非监督卷积神经网络后，依次通过二维卷积层、激活函数层、规范层与池化层，重复三轮，再用铺平层将数据转化为特征向量，最后使用激活层进行分类。
进一步地，所述激活函数层的激活函数为带泄露线性整流函数，所述池化层使用的池化方法为最大池化法。
进一步地，所述信道信息数据输入监督卷积神经网络后，依次通过全连接层、激活函数层与规范层，重复四轮，最后使用激活层进行分类。
进一步地，所述激活函数层的激活函数为带泄露线性整流函数。
相对于现有技术，本发明的有益效果为：
提供了一种基于深度神经网络的室内定位系统及方法，相较于传统的基于神经网络的指纹算法室内定位系统及方法，本发明包含两个神经网络模块，其一为卷积神经网络模块，该模块用于处理摄像头获得的图片信息，其二为深度神经网络模块，该模块用于处理全部输入数据并实现最终的室内定位。
本发明工作过程分为两个阶段，离线训练阶段与在线定位阶段。离线训练阶段负责收集室内无线电波数据及与无线电波数据一一对应的温度，湿度，障碍物及人员移动照片信息，并将上述信息通过数据预处理，卷积神经网络训练与深度神经网络训练得到室内的指纹数据与针对各种环境的标签及神经网络权重值。在线定位阶段负责收集实时环境数据与无线电波数据，并将上述数据处理后输入卷积神经网络与深度神经网络模块中实现室内定位。
本发明通过将更多的环境信息参数作为标签引入神经网络的训练中，通过温度传感器获取室内温度，通过湿度传感器获取室内湿度，通过摄像头获取室内障碍物及人员移动情况。室内温度湿度的变化均会改变无线电波反射与折射所遵循的物理规则，室内障碍物及人员移动情况更会直接影响无线电波反射与折射。本发明利用更多的数据标签进一步细分了训练数据，使得神经网络可以生成更为贴近具体实际情况的权重值，进而提升了室内定位的精度。
本发明增加了一个独立的卷积神经网络模块，该模块用于处理摄像头获得的室内照片，提取照片中隐藏的特征。该卷积神经网络模块属于非监督神经网络，并设定神经网络输出为一组向量，并将该向量作为室内障碍物及人员移动情况的标签引入深度神经网络训练中。从而对不同室内情况进行有针对性的分类训练，使我们的神经网络模块可以获得更精准的权重值。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，不应视为对本申请的不当限定。
图1是本申请中一种基于深度神经网络的室内定位系统的结构示意图。
图2是本申请中离线训练阶段的结构框图。
图3是本申请中在线定位阶段的结构框图。
图4是本申请中卷积神经网络模块网络结构图。
图5是本申请中深度神经网络模块网络结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面参考图1说明本发明提供的室内定位系统。
实施例1：
一种基于深度神经网络的室内定位系统，包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片，所述移动终端与所述路由器双向连接；所述温度传感器的输出连接所述路由器的输入；所述湿度传感器的输出连接所述路由器的输入；所述摄像头的输出连接所述路由器的输入；所述路由器与所述定位服务器双向连接；所述定位服务器与所述神经网络芯片双向连接；所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备；也可以做成计算机板卡形式，插入个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。
下面参考图2-图5说明本发明提供的室内定位方法。
实施例2：
一种基于深度神经网络的室内定位方法，所述基于深度神经网络的室内定位方法包括离线训练阶段和在线定位阶段；
所述离线训练阶段如图2所示，包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并进行分类，将分类后的特征向量分别储存，该框图中假设非监督卷积神经网络最终将图片分为M组，并记录非监督卷积神经网络的权重值；
步骤三，向分类储存的特征向量中添加对应的温度与湿度信息，得到最终的标签向量，假设共有I种温度值与J种湿度值，最终的标签向量种类N为M，I，J三者的积；
步骤四，通过路由器接收训练用移动终端发出信道信息数据，将信道信息数据根据对应的标签分类，将每一类信道信息数据分别输入监督深度神经网络中，反复训练得到N组指纹向量与对应的最佳深度神经网络权重值；
所述在线定位阶段如图3所示，包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并借助卷积神经网络权重值进行计算，得出特征向量；
步骤三，向计算得出的特征向量中添加对应的温度与湿度信息，得到最终的特征向量，将特征向量与标签向量比对，选择对应的最佳深度神经网络权重值；
步骤四，通过路由器接收室内定位目标用户持有的移动终端发出的信道信息数据，将信道信息数据输入监督深度神经网络中，并与对应的最佳深度神经网络权重值进行计算，得出用户持有的移动终端所处室内位置的指纹向量；
步骤五，将得出的指纹向量与离线训练阶段得出的多组指纹向量比对，选出最接近的指纹向量，并确定对应的定位位置，通过互联网将位置反馈给用户。
所述离线训练阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为数据增强（Data Augmentation）、去均值（Mean Subtraction）或归一化（Normalization）；所述在线定位阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为去均值或归一化。
如图4所示，预处理后的图像数据输入非监督卷积神经网络后，依次通过二维卷积层、激活函数层、规范层（BatchNormalization）与池化层，重复三轮，再用铺平层（Flatten）将数据转化为特征向量，最后使用激活层（SoftMax）进行分类。所述激活函数层的激活函数为带泄露线性整流函数（Leaky-Relu），所述池化层使用的池化方法为最大池化法（Max-Pooling）。
如图5所示，所述信道信息数据输入监督卷积神经网络后，依次通过全连接层（Dense）、激活函数层与规范层，重复四轮，最后使用激活层进行分类。所述激活函数层的激活函数为带泄露线性整流函数。
实施例3：
若用户为连续使用定位功能，则将在线定位阶段得出的指纹向量与离线训练阶段得到的所有位置的指纹向量进行比对，选出若干个最接近的指纹向量，并确定若干个对应的定位位置。将所有选定位置中与上一定位时刻最接近的位置选择为当前定位位置，并通过互联网将此位置反馈给用户。
实施例4：
若该用户为间断使用定位功能，则将在线定位阶段得出的指纹向量与离线训练阶段得到的所有位置的指纹向量进行比对，选出最接近的指纹向量，并确定对应的定位位置，最后通过互联网将此位置反馈给用户。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种基于深度神经网络的室内定位系统，其特征在于：包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片，
所述移动终端与所述路由器双向连接；
所述温度传感器的输出连接所述路由器的输入；
所述湿度传感器的输出连接所述路由器的输入；
所述摄像头的输出连接所述路由器的输入；
所述路由器与所述定位服务器双向连接；
所述定位服务器与所述神经网络芯片双向连接；
所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。
2.根据权利要求1所述的一种基于深度神经网络的室内定位系统，其特征在于：所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。
3.根据权利要求1所述的一种基于深度神经网络的室内定位系统，其特征在于：所述神经网络芯片可以做成计算机板卡形式，插入个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。
4.一种基于深度神经网络的室内定位方法，其特征在于：所述基于深度神经网络的室内定位方法包括离线训练阶段和在线定位阶段；
所述离线训练阶段包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并进行分类，将分类后的特征向量分别储存，并记录非监督卷积神经网络的权重值；
步骤三，向分类储存的特征向量中添加对应的温度与湿度信息，得到最终的标签向量；
步骤四，通过路由器接收训练用移动终端发出信道信息数据，将信道信息数据根据对应的标签分类，将每一类信道信息数据分别输入监督深度神经网络中，反复训练得到多组指纹向量与对应的最佳深度神经网络权重值；
所述在线定位阶段包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并借助卷积神经网络权重值进行计算，得出特征向量；
步骤三，向计算得出的特征向量中添加对应的温度与湿度信息，得到最终的特征向量，将特征向量与标签向量比对，选择对应的最佳深度神经网络权重值；
步骤四，通过路由器接收室内定位目标用户持有的移动终端发出的信道信息数据，将信道信息数据输入监督深度神经网络中，并与对应的最佳深度神经网络权重值进行计算，得出用户持有的移动终端所处室内位置的指纹向量；
步骤五，将得出的指纹向量与离线训练阶段得出的多组指纹向量比对，选出最接近的指纹向量，并确定对应的定位位置，通过互联网将位置反馈给用户。
5.根据权利要求4所述的一种基于深度神经网络的室内定位方法，其特征在于：所述离线训练阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为数据增强、去均值或归一化；所述在线定位阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为去均值或归一化。
6.根据权利要求4所述的一种基于深度神经网络的室内定位方法，其特征在于：预处理后的图像数据输入非监督卷积神经网络后，依次通过二维卷积层、激活函数层、规范层与池化层，重复三轮，再用铺平层将数据转化为特征向量，最后使用激活层进行分类。
7.根据权利要求6所述的一种基于深度神经网络的室内定位方法，其特征在于：所述激活函数层的激活函数为带泄露线性整流函数，所述池化层使用的池化方法为最大池化法。
8.根据权利要求4所述的一种基于深度神经网络的室内定位方法，其特征在于：所述信道信息数据输入监督卷积神经网络后，依次通过全连接层、激活函数层与规范层，重复四轮，最后使用激活层进行分类。
9.根据权利要求8所述的一种基于深度神经网络的室内定位方法，其特征在于：所述激活函数层的激活函数为带泄露线性整流函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010112009.7A CN111050294A (zh) | 2020-02-24 | 2020-02-24 | 一种基于深度神经网络的室内定位系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010112009.7A CN111050294A (zh) | 2020-02-24 | 2020-02-24 | 一种基于深度神经网络的室内定位系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111050294A true CN111050294A (zh) | 2020-04-21 |
Family
ID=70231045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010112009.7A Pending CN111050294A (zh) | 2020-02-24 | 2020-02-24 | 一种基于深度神经网络的室内定位系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111050294A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111669820A (zh) * | 2020-05-27 | 2020-09-15 | 南京邮电大学 | 一种密度峰值异常检测方法及智能无源室内定位方法 |
| CN112804633A (zh) * | 2020-12-28 | 2021-05-14 | 华南理工大学 | 一种时间反演高精度室内定位方法与系统 |
| CN113177573A (zh) * | 2021-03-12 | 2021-07-27 | 国网河北省电力有限公司检修分公司 | 一种基于人工智能算法的传感器网空间定位方法 |
| CN113720333A (zh) * | 2021-08-16 | 2021-11-30 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
| CN113822935A (zh) * | 2021-09-14 | 2021-12-21 | 南京邮电大学 | 基于pix2pix的多图像定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106714302A (zh) * | 2017-01-23 | 2017-05-24 | 吉林大学 | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 |
| CN110136175A (zh) * | 2019-05-21 | 2019-08-16 | 杭州电子科技大学 | 一种基于神经网络的室内典型场景匹配定位方法 |
| KR20190122423A (ko) * | 2018-04-20 | 2019-10-30 | 한국정보공학 주식회사 | 머신러닝 기반의 실내 측위 방법 및 시스템 |
| CN210899633U (zh) * | 2020-02-24 | 2020-06-30 | 张早 | 一种基于深度神经网络的室内定位系统 |
-
2020
- 2020-02-24 CN CN202010112009.7A patent/CN111050294A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106714302A (zh) * | 2017-01-23 | 2017-05-24 | 吉林大学 | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 |
| KR20190122423A (ko) * | 2018-04-20 | 2019-10-30 | 한국정보공학 주식회사 | 머신러닝 기반의 실내 측위 방법 및 시스템 |
| CN110136175A (zh) * | 2019-05-21 | 2019-08-16 | 杭州电子科技大学 | 一种基于神经网络的室内典型场景匹配定位方法 |
| CN210899633U (zh) * | 2020-02-24 | 2020-06-30 | 张早 | 一种基于深度神经网络的室内定位系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111669820A (zh) * | 2020-05-27 | 2020-09-15 | 南京邮电大学 | 一种密度峰值异常检测方法及智能无源室内定位方法 |
| CN112804633A (zh) * | 2020-12-28 | 2021-05-14 | 华南理工大学 | 一种时间反演高精度室内定位方法与系统 |
| CN113177573A (zh) * | 2021-03-12 | 2021-07-27 | 国网河北省电力有限公司检修分公司 | 一种基于人工智能算法的传感器网空间定位方法 |
| CN113720333A (zh) * | 2021-08-16 | 2021-11-30 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
| CN113720333B (zh) * | 2021-08-16 | 2023-04-28 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
| CN113822935A (zh) * | 2021-09-14 | 2021-12-21 | 南京邮电大学 | 基于pix2pix的多图像定位方法 |
| CN113822935B (zh) * | 2021-09-14 | 2024-02-06 | 南京邮电大学 | 基于pix2pix的多图像定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111050294A (zh) | 一种基于深度神经网络的室内定位系统及方法 | |
| 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 | |
| Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
| CN107529222B (zh) | 一种基于深度学习的WiFi室内定位系统 | |
| CN107064913A (zh) | 一种基于深度学习的无线定位方法及系统 | |
| CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
| Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
| CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
| CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别系统及方法 | |
| Yang et al. | Autofi: Toward automatic wi-fi human sensing via geometric self-supervised learning | |
| BelMannoubi et al. | Deep neural networks for indoor localization using WiFi fingerprints | |
| CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
| CN108495263B (zh) | 一种基于广义多核函数的室内定位方法 | |
| Hsu et al. | An adaptive Wi-Fi indoor localisation scheme using deep learning | |
| CN210899633U (zh) | 一种基于深度神经网络的室内定位系统 | |
| CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
| Huan et al. | Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference | |
| CN107124761B (zh) | 融合pso和ss-elm的蜂窝网无线定位方法 | |
| Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
| CN113271539A (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
| Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
| CN115801152B (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
| CN109379713B (zh) | 基于集成极限学习机和主成分分析的楼层预测方法 | |
| CN116311357A (zh) | 基于MBN-Transformer模型的不平衡牛身数据的双边识别方法 | |
| CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 |
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 |