CN111090090B - 一种室内定位系统中的特征指纹库构建方法 - Google Patents
一种室内定位系统中的特征指纹库构建方法 Download PDFInfo
- Publication number
- CN111090090B CN111090090B CN201911266233.5A CN201911266233A CN111090090B CN 111090090 B CN111090090 B CN 111090090B CN 201911266233 A CN201911266233 A CN 201911266233A CN 111090090 B CN111090090 B CN 111090090B
- Authority
- CN
- China
- Prior art keywords
- rssi
- fingerprint database
- reference point
- aps
- positioning
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于无线室内定位技术领域,涉及一种室内定位系统中的特征指纹库构建方法,步骤一,对待定位区域进行栅格化,根据定位精度和部署成本的要求设置参考点之间的间距,保证每个参考点周围接收到的大于最低信号强度阈值的AP个数不少于三个,并记录每个参考点的位置信息;步骤二,在每个参考点,利用信号采集终端对周围AP的MAC地址及其对应的RSSI值进行扫描,实时记录相应AP的RSSI值,并连同当前参考点的位置信息存储到原始位置指纹库中;等其他步骤。本发明提出对原始位置指纹库进行特征提取,构建特征位置指纹库,在线定位阶段经过相同的特征变化之后进行匹配定位,从而达到降低计算复杂度。
Description
技术领域
本发明属于无线室内定位技术领域,具体涉及一种室内定位系统中的特征指纹库构建方法。在指纹室内定位系统中离线建库阶段对多维位置指纹库进行特征提取构建特征指纹库,在定位系统的在线定位阶段采用相同的特征提取方法提取特征数据进行匹配定位。
背景技术
随着人类社会发展,人们对自身位置信息的需求越来越大,由此发展了诸多的导航定位系统。全球卫星导航系统(GNSS)为人们提供了高精度、全天候的定位服务,但是由于其测量信号不能穿透建筑物的特点,在高密集建筑群区和室内无法有效进行GNSS定位服务,不能满足人们对任意时间,任意位置的定位需求。
微软研究院于1999年提出的RADAR可视为位置指纹室内定位系统的先驱,它首次提出了位置指纹法以及传播模型法的室内定位概念。指纹室内定位系统就是基于位置指纹的方法实现室内定位。该方法利用离线阶段建立位置指纹库,在线阶段利用实时采集的RSSI序列和指纹库进行匹配,得出当前的位置信息。
然而,随着定位区域的增大,AP数目越来越多,导致指纹库的数据维度急剧增大,计算复杂度增加,从而降低定位结果的实时性和可靠性。为了提高该室内定位的鲁棒性,传统方法构建的织纹库已越来越大。因此本发明提出了一种特征指纹库的构建方法,在降低数据维度的同时又能提升整体的定位性能。
发明内容
本发明主要针对上述问题,发明了一种室内定位系统中的特征指纹库构建方法,提出对原始位置指纹库进行特征提取,构建特征位置指纹库,在线定位阶段经过相同的特征变化之后进行匹配定位,从而达到降低计算复杂度。本方法用以解决原始指纹库随着定位区域的增大,定位AP的增多导致的指纹库急剧增大、计算复杂度增加的问题,并且特征指纹库的定位精度要优于原始指纹库。本方法能够大大的减少指纹库的大小,降低匹配时的计算复杂度,并在一定程度上实现了原始指纹库的滤波,有效的提升了整体的定位精度。
本发明的上述技术问题是通过以下技术方案得以实施的:一种室内定位系统中的特征指纹库构建方法,其特征在于,包括以下步骤:
步骤一,对待定位区域进行栅格化,根据定位精度和部署成本的要求设置参考点之间的间距,保证每个参考点周围接收到的大于最低信号强度阈值的AP个数不少于三个,并记录每个参考点的位置信息。
步骤二,在每个参考点,利用信号采集终端对周围AP的MAC地址及其对应的RSSI值进行扫描,实时记录相应AP的RSSI值,并连同当前参考点的位置信息存储到原始位置指纹库中。
步骤三,当所有的参考点都扫描完成后,对建立的原始位置指纹库进行非线性变换,以增大指纹之间的差异性;尤其是,对于在某些参考点未扫描到部分AP信号造成的缺失值以及RSSI低于最低阈值的AP,进行缺失值处理以及相应的非线性变换,将原始的信号强度域变换到变换域,提升指纹间的差异性。
其中,缺失值处理是指在参考点上未扫描到某些AP信号时,将该参考点下接收这些AP的RSSI统一赋予缺失值;非线性变换是指对采集的RSSI进行非线性处理,以提升指纹间的差异性,有利于提升整体的定位精度。
步骤四,对经过缺失值处理和非线性变换之后的原始指纹库进行低维嵌入,计算相应的特征变换矩阵,得到相应的特征位置指纹库。
其中,低维嵌入是指将高维的RSSI矩阵进行降维,该方法是提取原始指纹库中RSSI矩阵的主成分作为特征RSSI矩阵,连同参考点的位置信息构成特征位置指纹库;特征变换矩阵是指将原始指纹库RSSI矩阵变换成特征RSSI矩阵的变换矩阵。
步骤五,对于在线定位阶段采集的周围AP的RSSI值也要经过相应的缺失值处理和非线性变换,再通过变换矩阵将处理后RSSI向量变换成特征RSSI向量,再与特征指纹库进行匹配定位。
作为优选,所述步骤一的栅格化,是指将待定位区域分成很多个小区域,在每个小区域内设置一个参考点;在每个参考点采集的周围AP的RSSI值连同该参考点的位置信息构成位置指纹库中一条指纹。
作为优选,所述步骤一中,最低信号强度阈值,是用于滤除信号低于阈值的AP,选取信号强度较强的AP用于定位。
作为优选,所述步骤二的信号采集终端,是应用于室内无线信号的采集设备;具体采用Android智能手机。
作为优选,所述步骤二的原始位置指纹库,包含每个参考点的位置信息和在该参考点采集周围AP的MAC地址及其对应的信号强度值列表。
作为优选,所述步骤三的非线性变换,操作步骤为:
步骤3-1:对原始指纹库中出现的缺失值以及低于最低阈值-90的RSSI统一赋予-100,再利用如下的线性变换公式将原始的信号强度域变换到变换域中:
RSSInew=A(RSSIpre+B)C
其中A、B、C为常数,采用的是常用的二次项非线性变换模型,即A=1,B=100,C=2;
RSSInew为变换后RSSI值;RSSIpre为原始的RSSI值。
作为优选,所述步骤四的低维嵌入,具体的实现步骤为:
步骤4-1:
首先对输入数据集安如下方式进行去中心化处理,生成新的数据集合:
步骤4-2:计算去中心化的数据集协方差矩阵,协方差矩阵如下所示:
之后对协方差矩阵进行特征值分解,得到相应的特征值及特征向量:
CVi=εiVi,i=1,2,3,...,M
其中,εi为矩阵C的第i个特征值,Vi即为该特征值对应的特征向量。
步骤4-3:选取最大的前d个特征值对应的d个特征向量;其中这d个特征向量是指能够表示指纹库数据集中的绝大多数定位信息的最小维度,通过这d个特征值占全部特征值的比重来选取,该比值选取为90%-95%;
步骤4.4:选取的前d个最大特征值对应的特征向量V=[V1,V2,...,Vd]即为特征转换矩
阵,因此原位置指纹库的低维嵌入为:
φd=φ*V;其中φ*为去中心之后的位置指纹库。
作为优选,所述步骤五,在线定位阶段,对实时采集的RSSI向量进行缺失值处理和相同的非线性变换后,与特征变换矩阵相乘,即可与特征位置指纹库中的指纹进行匹配运算;采用的匹配算法为KNN算法。
综上所述,本发明与现有技术相比具有如下优点:
本发明通过缺失值处理和非线性变换,提升原始位置指纹库指纹间的差异性,有利于提升定位精度;本发明通过低维嵌入提取处理后的位置指纹库主成分,降低RSSI数据维度,降低匹配过程中的计算复杂度。
附图说明
图1是本发明基于位置指纹的室内定位系统图;
图2是本发明典型室内定位场景栅格化示意图;
图3是本发明的流程图;
图4是基于本发明RSSI非线性变化流程图;
图5是非线性变换前后定位结果示意图;
图6是基于本发明的本征维度选取定位误差分析示意图;
图7是基于本发明构建方法的定位误差示意图。
图中标号为:
图中符号、代号说明如下:
AP Access Point无线接入点;
RP Reference Point参考点;
RSSI Received signal strength index接收信号强度指示。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1:
如图1所示,基于本发明的指纹室内定位系统包括AP、RP和Android智能手机。
在离线阶段,首先将区域进行栅格化,分成很多个小区域,在每个小区域设置一个参考点,构建原始数据指纹库并存储下来。
在线阶段,将Android智能手机测量到周围AP的信号矢量与指纹库进行匹配计算解算出当前时刻的位置。
如图2所示,为典型的蓝牙室内走廊场景栅格化后的示意图,其中包括部署的AP以及设置的RP。整个区域为两个连通的环形走廊,整个区域部署了20个蓝牙AP、111个RP,其中三角形(蓝色)代表AP,圆圈(红色)代表RP。
如图3所示,本发明的流程图,无线室内定位系统中的特征指纹库构建方法,它包含下述步骤:
步骤一:根据定位精度和部署成本的需求对待定位区域栅格化,设置参考点,并存储参考点的位置信息在指纹库中。
步骤二:参考点设置完成后,在每个参考点上按照一定的扫描频率扫描周围AP的MAC地址及其对应的RSSI值一段时间,将实时的RSSI存入指纹库中相对应参考点的相对应参考点AP MAC中。
步骤三:当所有的参考点都扫描完成后,对建立的原始位置指纹库利用非线性变换,以此增大指纹之间的差异性,如图4所示的非线性变换流程图。
其中,所述的非线性变换,具体操作步骤为:
步骤3-1:对原始指纹库中出现的缺失值以及低于最低阈值-90的RSSI统一赋予-100,再利用如下的线性变换公式将原始的信号强度域变换到变换域中。
RSSInew=A(RSSIpre+B)C
其中A、B、C为常数,本发明采用的是常用的二次项非线性变换模型,即A=1,B=100,C=2。RSSInew为变换后RSSI值,RSSIpre原始的RSSI值。
步骤四:对非线性变换后的位置指纹库数据集进行低维嵌入,提取相应的特征位置指纹库和特征变换矩阵。
其中上述的低维嵌入是对非线性变换后的指纹数据集基于PCA算法的低维嵌入,提取中指纹库数据集中的主成分作为特征指纹库,并计算相应的特征变换矩阵,具体的实现步骤为:
首先对输入数据集安如下方式进行去中心化处理,生成新的数据集合;
步骤4-2:计算去中心化的数据集协方差矩阵,协方差矩阵如下所示;
之后对协方差矩阵进行特征值分解,得到相应的特征值及特征向量:
CVi=εiVi,i=1,2,3,...,M
其中,εi为矩阵C的第i个特征值,Vi即为该特征值对应的特征向量。
步骤4-3:选取最大的前d个特征值对应的d个特征向量。其中这d个特征向量是指能够表示指纹库数据集中的绝大多数定位信息的最小维度,本发明是通过这d个特征值占全部特征值的比重来选取的,该比值一般选取为90%-95%。
步骤4-4:选取的前d个最大特征值对应的特征向量即为特征转换矩阵,因此原位置指纹库的低维嵌入为:
φd=φ*V;其中φ*为去中心之后的位置指纹库。
步骤五:在线定位阶段,对实时采集的RSSI向量进行缺失值处理和相同的非线性变换后,与特征变换矩阵相乘,即可与特征位置指纹库中的指纹进行匹配运算,本发明的采用的匹配算法为KNN算法。
如图5所示,定位误差CDF曲线,虚线代表非线性变换前,实线代表变非线性变换后,变换前后均采用KNN的匹配算法,从下述的表1可以看出非线性变换前后定位精度在不同的K值下定位精度提升在30%-55%之间。
如图6所示,依照本发明的本征维度的选取方法,对比原始维度和本征维度的定位误差,发现二者的定位误差CDF曲线很逼近,从而也验证本发明所采用的本征维度选取的正确性。
其中,上述“本征维度”即为低维嵌入后的维度,即上述的步骤4-3中的d。
表1非线性变换前后平均定位误差
如图7所示,依照本发明的方法构建流程进行了实际精度测试,图中的实线代表采用本发明方法构建的特征指纹库进行定位测试的定位误差CDF曲线,虚线代表传统的指纹库进行定位测试的定位误差CDF曲线,结果表明,采用本发明的构建方法可有效的提升定位精度和降低指纹库的数据维度。表2位是这两种指纹库的平均定位误差,可以发现,相比于传统的指纹库,特征指纹库在定位精度上提升了20.3%。
表2两种指纹库的平均定位误差
文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种室内定位系统中的特征指纹库构建方法,其特征在于,包括以下步骤:
步骤一,对待定位区域进行栅格化,根据定位精度和部署成本的要求设置参考点之间的间距,保证每个参考点周围接收到的大于最低信号强度阈值的AP个数不少于三个,并记录每个参考点的位置信息;
步骤二,在每个参考点,利用信号采集终端对周围AP的MAC地址及其对应的RSSI值进行扫描,实时记录相应AP的RSSI值,并连同当前参考点的位置信息存储到原始位置指纹库中;
步骤三,当所有的参考点都扫描完成后,对建立的原始位置指纹库进行非线性变换,以增大指纹之间的差异性;对于在某些参考点未扫描到部分AP信号造成的缺失值以及RSSI低于最低阈值的AP,进行缺失值.处理以及相应的非线性变换,将原始的信号强度域变换到变换域,提升指纹间的差异性;
所述步骤三的非线性变换,操作步骤为:
步骤3-1:
对原始指纹库中出现的缺失值以及低于最低阈值-90的RSSI统一赋予-100,再利用如下的线性变换公式将原始的信号强度域变换到变换域中:
其中A、B、C为常数,采用的是常用的二次项非线性变换模型,即A=1,B=100,C=2;
步骤四,对经过缺失值处理和非线性变换之后的原始指纹库进行低维嵌入,计算相应的特征变换矩阵,得到相应的特征位置指纹库;
所述步骤四的低维嵌入,具体的实现步骤为:
步骤4-1:
首先对输入数据集按如下方式进行去中心化处理,生成新的数据集合;
步骤4-2:计算去中心化的数据集协方差矩阵;
之后对协方差矩阵进行特征值分解,得到相应的特征值及特征向量;
步骤4-3:选取最大的前d个特征值对应的d个特征向量;其中这d个特征向量是指能够表示指纹库数据集中的绝大多数定位信息的最小维度,通过这d个特征值占全部特征值的比重来选取,该比重选取为90%-95% ;
步骤4-4:选取的前d个最大特征值对应的特征向量即为特征转换矩阵,因此原位置指纹库的低维嵌入为:
步骤五,对于在线定位阶段采集的周围AP的RSSI值也要经过相应的缺失值处理和非线性变换,再通过变换矩阵将处理后RSSI向量变换成特征RSSI向量,再与特征指纹库进行匹配定位;
所述步骤五,在线定位阶段,对实时采集的RSSI向量进行缺失值处理和相同的非线性变换后,与特征变换矩阵相乘,即可与特征位置指纹库中的指纹进行匹配运算。
2.根据权利要求1所述的室内定位系统中的特征指纹库构建方法,其特征在于,所述步骤一的栅格化,是指将待定位区域分成很多个小区域,在每个小区域内设置一个参考点;在每个参考点采集的周围AP的RSSI值连同该参考点的位置信息构成位置指纹库中一条指纹。
3.根据权利要求1所述的室内定位系统中的特征指纹库构建方法,其特征在于,所述步骤一中,最低信号强度阈值,是用于滤除信号低于阈值的AP,选取信号强度较强的AP用于定位。
4.根据权利要求1所述的室内定位系统中的特征指纹库构建方法,其特征在于,所述步骤二的信号采集终端,是应用于室内无线信号的采集设备;具体采用Android智能手机。
5.根据权利要求1所述的室内定位系统中的特征指纹库构建方法,其特征在于,所述步骤二的原始位置指纹库,包含每个参考点的位置信息和在该参考点采集周围AP的MAC地址及其对应的信号强度值列表。
6.根据权利要求1所述的室内定位系统中的特征指纹库构建方法,其特征在于,步骤五采用的匹配算法为KNN算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266233.5A CN111090090B (zh) | 2019-12-11 | 2019-12-11 | 一种室内定位系统中的特征指纹库构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266233.5A CN111090090B (zh) | 2019-12-11 | 2019-12-11 | 一种室内定位系统中的特征指纹库构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111090090A CN111090090A (zh) | 2020-05-01 |
CN111090090B true CN111090090B (zh) | 2022-05-27 |
Family
ID=70395430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911266233.5A Active CN111090090B (zh) | 2019-12-11 | 2019-12-11 | 一种室内定位系统中的特征指纹库构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090090B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012016355A1 (en) * | 2010-08-05 | 2012-02-09 | Telefonakietolaget Lm Ericsson (Publ) | Method of and system for locating the position of user equipment |
CN104754735A (zh) * | 2015-03-19 | 2015-07-01 | 电子科技大学 | 位置指纹库的构建方法以及基于该位置指纹库的定位方法 |
CN104853317A (zh) * | 2014-11-24 | 2015-08-19 | 北京航空航天大学 | 一种WiFi室内定位中指纹库的构建及更新方法 |
CN107333238A (zh) * | 2017-07-03 | 2017-11-07 | 杭州电子科技大学 | 一种基于支持向量回归的室内指纹快速定位方法 |
CN107347181A (zh) * | 2017-07-11 | 2017-11-14 | 南开大学 | 一种基于双频Wi‑Fi信号的室内定位方法 |
CN107529222A (zh) * | 2017-09-15 | 2017-12-29 | 上海交通大学 | 一种基于深度学习的WiFi室内定位系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103096466B (zh) * | 2013-01-17 | 2015-04-08 | 哈尔滨工业大学 | Wi-Fi室内定位方法 |
CN103747519B (zh) * | 2013-12-11 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 一种室内定位指纹库的动态建立方法及系统 |
CN105282758A (zh) * | 2015-09-06 | 2016-01-27 | 华南理工大学 | WiFi室内定位系统指纹数据库自适应动态构建方法 |
CN105338498B (zh) * | 2015-09-29 | 2018-11-30 | 北京航空航天大学 | 一种WiFi室内定位系统中指纹库的构建方法 |
CN108225332B (zh) * | 2018-01-10 | 2020-10-02 | 内蒙古大学 | 基于监督的室内定位指纹地图降维方法 |
-
2019
- 2019-12-11 CN CN201911266233.5A patent/CN111090090B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012016355A1 (en) * | 2010-08-05 | 2012-02-09 | Telefonakietolaget Lm Ericsson (Publ) | Method of and system for locating the position of user equipment |
CN104853317A (zh) * | 2014-11-24 | 2015-08-19 | 北京航空航天大学 | 一种WiFi室内定位中指纹库的构建及更新方法 |
CN104754735A (zh) * | 2015-03-19 | 2015-07-01 | 电子科技大学 | 位置指纹库的构建方法以及基于该位置指纹库的定位方法 |
CN107333238A (zh) * | 2017-07-03 | 2017-11-07 | 杭州电子科技大学 | 一种基于支持向量回归的室内指纹快速定位方法 |
CN107347181A (zh) * | 2017-07-11 | 2017-11-14 | 南开大学 | 一种基于双频Wi‑Fi信号的室内定位方法 |
CN107529222A (zh) * | 2017-09-15 | 2017-12-29 | 上海交通大学 | 一种基于深度学习的WiFi室内定位系统 |
Non-Patent Citations (2)
Title |
---|
A fingerprint database reconstruction method based on ordinary Kriging algorithm;WANG Pu等;《2019 International Conference on Intelligent Transportation, Big Data & Smart City 》;20190321;224-227页 * |
基于KPCA-LSSVM回归算法的WLAN室内定位方法;王修平等;《激光杂志》;20180725;第39卷(第7期);121-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111090090A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107333238B (zh) | 一种基于支持向量回归的室内指纹快速定位方法 | |
CN107677989B (zh) | 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN108834047B (zh) | 一种路径损耗模型的ap选择室内定位方法 | |
CN110047133A (zh) | 一种面向点云数据的列车边界提取方法 | |
CN112135248A (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN111050282A (zh) | 一种多次模糊推理加权knn定位方法 | |
CN110366109B (zh) | 一种用于室内目标的定位方法及系统 | |
CN113259837A (zh) | 基于角度估计和指纹定位算法的室内定位方法 | |
CN111090090B (zh) | 一种室内定位系统中的特征指纹库构建方法 | |
CN111551893A (zh) | 一种深度学习与集成神经网络的室内定位方法 | |
CN113645565B (zh) | 一种基于六方最密堆积结构的室内定位方法 | |
CN112182062B (zh) | 一种多目标雷达组网测量数据匹配与编目方法 | |
CN111918211B (zh) | 一种基于kd树和改进加权knn的室内指纹定位方法 | |
CN112399366A (zh) | 基于Hankel矩阵及WKNN方差提取的室内定位法 | |
CN113316080A (zh) | 基于Wi-Fi与图像融合指纹的室内定位方法 | |
CN111629321A (zh) | 基于离群点剥离的中值卡尔曼滤波的定位方法 | |
CN113395653A (zh) | 基于DC-CGAN的指纹定位Radio Map扩充方法 | |
CN111935818B (zh) | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 | |
CN114364016B (zh) | 基于aoa和rssi加权指纹特征匹配室内定位方法、装置及系统 | |
CN115988634B (zh) | 一种室内定位方法及子空间特征提取方法 | |
CN113724305B (zh) | 一种林区点云快速配准方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |