CN111239715B - 一种联合灰色关联和神经网络的指纹定位方法 - Google Patents

一种联合灰色关联和神经网络的指纹定位方法 Download PDF

Info

Publication number
CN111239715B
CN111239715B CN202010031996.8A CN202010031996A CN111239715B CN 111239715 B CN111239715 B CN 111239715B CN 202010031996 A CN202010031996 A CN 202010031996A CN 111239715 B CN111239715 B CN 111239715B
Authority
CN
China
Prior art keywords
matrix
rss
correlation
neural network
comparison
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
Application number
CN202010031996.8A
Other languages
English (en)
Other versions
CN111239715A (zh
Inventor
马琳
董赫
谭学治
王孝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010031996.8A priority Critical patent/CN111239715B/zh
Publication of CN111239715A publication Critical patent/CN111239715A/zh
Application granted granted Critical
Publication of CN111239715B publication Critical patent/CN111239715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种联合灰色关联和神经网络的指纹定位方法。步骤1：得到比较序列，并根据比较序列得到新的均值矩阵；步骤2：从均值矩阵得到关联矩阵；步骤3：得到关联系数矩阵；步骤4：根据关联系数矩阵计算关联度，选择关联度最小的5个参考点形成圆将此圆所包含的所有参考点都作为BP神经网络的训练集；步骤5：将当前时刻值放入已经训练好的BP神经网络中，得到的结果为该测试点的位置坐标；步骤6：计算该位置距离该区域内圆心的距离d；步骤7：若d＜r说明所得到的位置坐标是正确的。灰色关联度对系统的发展态势进行了分析和比较，通过参考序列与比较序列各点之间的距离分析来确定各序列之间的接近性和差异性。

Description

一种联合灰色关联和神经网络的指纹定位方法
技术领域
本发明属于信号处理技术领域；具体涉及一种联合灰色关联和神经网络的指纹定位方法。
背景技术
指纹定位方法是根据预先存储在数据库中的待测区域内测量的一系列参考点的位置信息以及相应的信号强度信息来进行定位。在进行位置指纹定位时首先要通过在离线阶段在待测区域内选择一些参考点，这些参考点较均匀地分布在待测区域中，记录这些参考点的位置信息并测量在这些点上接收来自各个无线信号发送设备(AP)的信号强度，将测量得到的信号强度信息以及位置进行记录并存储到指纹数据库中，也就是所谓的RadioMap。然后在在线阶段对测试点进行定位时，首先需要获取该测试点获取到来自各个AP的信号强度，然后把信号强度值与指纹库中的数据进行对比和匹配，最终得到测试点的定位结果。
目前指纹定位在进行参考点匹配时所采用的最常用的算法为KNN算法和WKNN算法，这两种算法都需要利用欧式距离找到与测试点最近邻的几个参考点。但是由于AP设备发送无线信号的不稳定性，会导致测试点接收到的信号强度值(RSS)有较大的波动，因此在进行最近邻点的选取时往往与实际测试点的位置偏差较大，导致最终的定位结果有较大的误差。此外，如果在离线阶段需要将大量的参考点的位置信息及信号强度信息存入到RadioMap中，那么在线阶段在数据库中进行数据匹配时会花销较长的时间，会出现测试点的位置已经改变但是在线阶段还在解算前一时刻所在位置的情况，造成获取测试点定位结果的不实时性。因此，基于以上背景提出联合灰色关联和神经网络的指纹定位方法。
灰色关联的思想是根据因素之间发展趋势的相似或相异的程度，来进行因素间关联程度的衡量。在指纹定位中引入灰色关联的目的是把测试点采集到的RSS值与参考点上的RSS值的相似度转换为计算它们之间关联度的问题。在计算关联度时对每个AP的关联系数进行加权平均以削弱由于接收RSS值的不稳定对匹配结果造成的影响，相比于传统的KNN算法和WKNN算法，采用灰色关联的思想得到更高的位置匹配精度。此外，利用关联度较大的几个参考点所构成的区域进行神经网络的训练，那么当测试点在该区域中时，利用训练出的神经网络求出此时测试点的位置坐标，而不需要对所有的参考点进行匹配，缩短匹配的时间，实现实时定位。
发明内容
本发明采用联合灰色关联度以及神经网络的方法，灰色关联度对系统的发展态势进行了分析和比较，通过参考序列与比较序列各点之间的距离分析来确定各序列之间的接近性和差异性。
本发明通过以下技术方案实现：
一种联合灰色关联和神经网络的指纹定位方法，所述方法包括如下步骤：
步骤1：将在离线阶段从参考点i上采集到的来自各个AP的RSS值记为比较序列，将在在线阶段从测试点采集到的来自各个AP的RSS值记为待比较序列，将待比较序列与所有参考点上的比较序列构成比较矩阵，对比较矩阵中到的所有元素进行均值化处理，即把每一个元素除以该元素所在列的均值，处理后保留各变量取值差异后的信息，得到新的均值矩阵；
步骤2：将从步骤1得到的均值矩阵中从第二列开始每一列的元素分别减去第一列对应的元素后取绝对值，得到关联矩阵；
步骤3：将处理结果进行更新得到关联系数矩阵；
步骤4：根据关联系数矩阵计算关联度，将求出的关联度进行由小到大的排序，选择关联度最小的5个参考点分别记做d1(x1,y1,z1)、d2(x2,y2,z2)、d3(x3,y3,z3)、d4(x4,y4,z4)、d5(x5,y5,z5)，以d1作为圆点，该圆的半径r为d1到其余4个点距离的最大值，将此圆所包含的所有参考点都作为BP神经网络的训练集；
步骤5：训练好的神经网络适用于在区域内所有测试点的位置解算，将当前时刻在测试点处接收到来自各个AP的RSS值放入已经训练好的BP神经网络中，得到的结果即为计算出的该测试点的位置坐标；
步骤6：当测试点改变时，首先利用新测试点获取到的RSS值带入到上面训练好的神经网络中去，得到新的位置坐标，计算该位置距离该区域内圆心的距离d；
步骤7：若d＜r说明此时测试点仍在该区域内，所得到的位置坐标是正确的；若d＞r说明此时测试点已经离开该区域，需要重复步骤1到步骤5进行新的坐标位置解算。
进一步的，所述步骤1中，将在离线阶段从参考点i上采集到的来自各个AP的RSS值记为比较序列：
Figure GDA0002424152030000021
其中，
Figure GDA0002424152030000022
代表在参考点i上接收到来自第j个AP的RSS值，
将在在线阶段从测试点采集到的来自各个AP的RSS值记为待比较序列：
S0＝[RSS1,RSS2,...,RSSm]T
其中，RSSj(j＝1,...,m)代表在测试点上接收到来自第j个AP的RSS值，
将待比较序列与所有参考点上的比较序列构成比较矩阵：
S＝[S0,S1,S2,...,Sn]
对比较矩阵中到的所有元素进行均值化处理，即把每一个元素除以该元素所在列的均值，处理后保留各变量取值差异后的信息，得到新的均值矩阵：
Figure GDA0002424152030000023
进一步的，所述步骤2中，将均值矩阵中从第二列开始每一列的元素分别减去第一列对应的元素后取绝对值，得到关联矩阵：
H＝[H1,H2,...,Hn]
其中，
Figure GDA0002424152030000031
Figure GDA0002424152030000032
为关联矩阵H中的第j行第i列元素；
找出所有hi j中的最大值hmax和hmin，将关联矩阵中的每一个元素进行如下处理：
Figure GDA0002424152030000033
其中，ρ为分辨系数，用来调整比较环境的大小。
进一步的，所述步骤3中，将处理结果进行更新得到关联系数矩阵：
δ＝[δ1,δ2,....,δn]
其中，
Figure GDA0002424152030000034
为关联系数矩阵，每一个元素
Figure GDA0002424152030000035
称为关联系数；
计算关联度：
Figure GDA0002424152030000036
其中，ωi表示第i个参考点的权值，为第i个参考点关联系数的均值占所有参考点关联系数的均值的比例：
Figure GDA0002424152030000037
进一步的，所述步骤4中，将求出的关联度进行由小到大的排序，选择关联度最小的5个参考点分别记做d1(x1,y1,z1)、d2(x2,y2,z2)、d3(x3,y3,z3)、d4(x4,y4,z4)、d5(x5,y5,z5)；则d2、d3、d4、d5与d1的距离为：
Figure GDA0002424152030000038
以d1作为圆点，该圆的半径r为d1到其余4个点距离的最大值：
r＝max{r21,r31,r41,r51}
将此圆所包含的所有参考点都作为BP神经网络的训练集，训练集的RSS是输入层，相对应的位置坐标是输出层，最终经过训练后得到神经网络输入层与输出层的关系：
y＝w·x+b
其中，x＝[RSS1,RSS2,...,RSSm]T为测试点收到来自各个AP的RSS矩阵，矩阵维数为m×1，w为权值矩阵，维数为3×m，b为偏置矩阵，维数为3×1，y为输出的坐标矩阵，维数为3×1。
本发明的有益效果是：
本发明在对测试点进行匹配的精度和速度上都进行了相应的改进。在进行指纹定位时，有m个无线信号发送设备(AP)，有n个参考点。参考点的位置已知且经测量得到了来自每个AP的信号强度值，将每个测试点对应的位置信息和信号强度信息存入到指纹库中。在对测试点进行定位时，首先获取测试点上的RSS值，并与指纹库中的RSS值进行匹配，从而得到测试点的位置，指纹定位流程图如图1所示。在将测试点的RSS值与指纹库进行匹配时，本发明采用联合灰色关联度以及神经网络的方法。其中灰色关联度对系统的发展态势进行了分析和比较，通过参考序列与比较序列各点之间的距离分析来确定各序列之间的接近性和差异性。
附图说明
图1本发明指纹定位流程图。
图2本发明位置解算流程图。
图3本发明寻找BP神经网络训练集示意图。
图4本发明定位误差仿真图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种联合灰色关联和神经网络的指纹定位方法，所述方法包括如下步骤：
步骤1：将在离线阶段从参考点i上采集到的来自各个AP的RSS值记为比较序列，将在在线阶段从测试点采集到的来自各个AP的RSS值记为待比较序列，将待比较序列与所有参考点上的比较序列构成比较矩阵，对比较矩阵中到的所有元素进行均值化处理，即把每一个元素除以该元素所在列的均值，处理后保留各变量取值差异后的信息，得到新的均值矩阵；
步骤2：将从步骤1得到的均值矩阵中从第二列开始每一列的元素分别减去第一列对应的元素后取绝对值，得到关联矩阵；
步骤3：将处理结果进行更新得到关联系数矩阵；
步骤4：根据关联系数矩阵计算关联度，将求出的关联度进行由小到大的排序，选择关联度最小的5个参考点分别记做d1(x1,y1,z1)、d2(x2,y2,z2)、d3(x3,y3,z3)、d4(x4,y4,z4)、d5(x5,y5,z5)，以d1作为圆点，该圆的半径r为d1到其余4个点距离的最大值，将此圆所包含的所有参考点都作为BP神经网络的训练集；
步骤5：训练好的神经网络适用于在区域内所有测试点的位置解算，将当前时刻在测试点处接收到来自各个AP的RSS值放入已经训练好的BP神经网络中，得到的结果即为计算出的该测试点的位置坐标；
步骤6：当测试点改变时，首先利用新测试点获取到的RSS值带入到上面训练好的神经网络中去，得到新的位置坐标，计算该位置距离该区域内圆心的距离d；
步骤7：若d＜r说明此时测试点仍在该区域内，所得到的位置坐标是正确的；若d＞r说明此时测试点已经离开该区域，需要重复步骤1到步骤5进行新的坐标位置解算。
进一步的，所述步骤1中，将在离线阶段从参考点i上采集到的来自各个AP的RSS值记为比较序列：
Figure GDA0002424152030000051
其中，
Figure GDA0002424152030000052
代表在参考点i上接收到来自第j个AP的RSS值，
将在在线阶段从测试点采集到的来自各个AP的RSS值记为待比较序列：
S0＝[RSS1,RSS2,...,RSSm]T
其中，RSSj(j＝1,...,m)代表在测试点上接收到来自第j个AP的RSS值，
将待比较序列与所有参考点上的比较序列构成比较矩阵：
S＝[S0,S1,S2,...,Sn]
对比较矩阵中到的所有元素进行均值化处理，即把每一个元素除以该元素所在列的均值，处理后保留各变量取值差异后的信息，得到新的均值矩阵：
Figure GDA0002424152030000053
进一步的，所述步骤2中，将均值矩阵中从第二列开始每一列的元素分别减去第一列对应的元素后取绝对值，得到关联矩阵：
H＝[H1,H2,...,Hn]
其中，
Figure GDA0002424152030000054
Figure GDA0002424152030000055
为关联矩阵H中的第j行第i列元素；
找出所有
Figure GDA0002424152030000056
中的最大值hmax和hmin，将关联矩阵中的每一个元素进行如下处理：
Figure GDA0002424152030000057
其中，ρ为分辨系数，用来调整比较环境的大小；优选的ρ＝0.5。
进一步的，所述步骤3中，将处理结果进行更新得到关联系数矩阵：
δ＝[δ1,δ2,....,δn]
其中，
Figure GDA0002424152030000061
为关联系数矩阵，每一个元素
Figure GDA0002424152030000062
称为关联系数；
计算关联度：
Figure GDA0002424152030000063
其中，ωi表示第i个参考点的权值，为第i个参考点关联系数的均值占所有参考点关联系数的均值的比例：
Figure GDA0002424152030000064
进一步的，所述步骤4中，将求出的关联度进行由小到大的排序，选择关联度最小的5个参考点分别记做d1(x1,y1,z1)、d2(x2,y2,z2)、d3(x3,y3,z3)、d4(x4,y4,z4)、d5(x5,y5,z5)；则d2、d3、d4、d5与d1的距离为：
Figure GDA0002424152030000065
以d1作为圆点，该圆的半径r为d1到其余4个点距离的最大值：
r＝max{r21,r31,r41,r51}
将此圆所包含的所有参考点都作为BP神经网络的训练集，示意图如图3所示，它们的RSS是输入层，相对应的位置坐标是输出层。最终经过训练后得到神经网络输入层与输出层的关系：
y＝w·x+b
其中，x＝[RSS1,RSS2,...,RSSm]T为测试点收到来自各个AP的RSS矩阵，矩阵维数为m×1，w为权值矩阵，维数为3×m，b为偏置矩阵，维数为3×1，y为输出的坐标矩阵，维数为3×1。
实施例2
为了对比本发明提出的定位方法与传统的KNN方法在进行指纹定位时的定位效果，进行了MATLAB仿真实验，首先验证定位精度指标，仿真结果如图4所示，由图中看到使用本发明提出的方法在进行指纹定位时定位误差控制在2m以内，而传统的KNN方法的最大定位误差达到了10m，因此说明本发明提出的定位方法相比于传统的KNN方法做到更精准的定位。其次验证定位一次目标所需要的时间，仿真结果如图4所示，左侧的时间为本发明提出的方法定位一次目标所需的时间，为0.001351s；右侧的时间为传统KNN方法定位一次目标所需要的时间，为0.002942s。由此看到本发明提出的方法在进行目标定位时耗时更短。因此，通过对比仿真发现，本发明提出的位置指纹定位方法做到精准实时的定位，具有一定的应用性和价值。
定位耗时结果为：时间已过0.001351秒，时间已过0.002942秒。

Claims (4)

1.一种联合灰色关联和神经网络的指纹定位方法，其特征在于，所述方法包括如下步骤：
步骤1：将在离线阶段从参考点i上采集到的来自各个AP的RSS值记为比较序列，将在在线阶段从测试点采集到的来自各个AP的RSS值记为待比较序列，将待比较序列与所有参考点上的比较序列构成比较矩阵，对比较矩阵中到的所有元素进行均值化处理，即把每一个元素除以该元素所在列的均值，处理后保留各变量取值差异后的信息，得到新的均值矩阵；
步骤2：将从步骤1得到的均值矩阵中从第二列开始每一列的元素分别减去第一列对应的元素后取绝对值，得到关联矩阵；
步骤3：将处理结果进行更新得到关联系数矩阵；
关联矩阵H＝[H1,H2,...,Hn]
其中，
Figure FDA0004079766190000011
为关联矩阵H中的第j行第i列元素；
找出所有
Figure FDA0004079766190000012
中的最大值hmax和hmin，将关联矩阵中的每一个元素进行如下处理：
Figure FDA0004079766190000013
其中，ρ为分辨系数，用来调整比较环境的大小，
Figure FDA0004079766190000014
称为关联系数；
步骤4：根据关联系数矩阵计算关联度，将求出的关联度进行由小到大的排序，选择关联度最小的5个参考点分别记做d1(x1,y1,z1)、d2(x2,y2,z2)、d3(x3,y3,z3)、d4(x4,y4,z4)、d5(x5,y5,z5)，以d1作为圆点，该圆的半径r为d1到其余4个点距离的最大值，将此圆所包含的所有参考点都作为BP神经网络的训练集；
步骤5：训练好的神经网络适用于在区域内所有测试点的位置解算，将当前时刻在测试点处接收到来自各个AP的RSS值放入已经训练好的BP神经网络中，得到的结果即为计算出的该测试点的位置坐标；
步骤6：当测试点改变时，首先利用新测试点获取到的RSS值带入到上面训练好的神经网络中去，得到新的位置坐标，计算该位置距离该区域内圆心的距离d；
步骤7：若d＜r说明此时测试点仍在该区域内，所得到的位置坐标是正确的；若d＞r说明此时测试点已经离开该区域，需要重复步骤1到步骤5进行新的坐标位置解算。
2.根据权利要求1所述一种联合灰色关联和神经网络的指纹定位方法，其特征在于，所述步骤1中，将在离线阶段从参考点i上采集到的来自各个AP的RSS值记为比较序列：
Figure FDA0004079766190000021
其中，RSSi j,j＝1,...,m代表在参考点i上接收到来自第j个AP的RSS值，
将在在线阶段从测试点采集到的来自各个AP的RSS值记为待比较序列：
S0＝[RSS1,RSS2,...,RSSm]T
其中，RSSj,j＝1,...,m代表在测试点上接收到来自第j个AP的RSS值，
将待比较序列与所有参考点上的比较序列构成比较矩阵：
S＝[S0,S1,S2,...,Sn]
对比较矩阵中到的所有元素进行均值化处理，即把每一个元素除以该元素所在列的均值，处理后保留各变量取值差异后的信息，得到新的均值矩阵：
Figure FDA0004079766190000022
3.根据权利要求1所述一种联合灰色关联和神经网络的指纹定位方法，其特征在于，所述步骤3中，将处理结果进行更新得到关联系数矩阵：
δ＝[δ1,δ2,....,δn]
其中，
Figure FDA0004079766190000023
为关联系数矩阵，每一个元素δi j称为关联系数；
计算关联度：
Figure FDA0004079766190000024
其中，ωi表示第i个参考点的权值，为第i个参考点关联系数的均值占所有参考点关联系数的均值的比例：
Figure FDA0004079766190000025
4.根据权利要求1所述一种联合灰色关联和神经网络的指纹定位方法，其特征在于，所述步骤4中，将求出的关联度进行由小到大的排序，选择关联度最小的5个参考点分别记做d1(x1,y1,z1)、d2(x2,y2,z2)、d3(x3,y3,z3)、d4(x4,y4,z4)、d5(x5,y5,z5)；则d2、d3、d4、d5与d1的距离为：
Figure FDA0004079766190000026
以d1作为圆点，该圆的半径r为d1到其余4个点距离的最大值：
r＝max{r21,r31,r41,r51}
将此圆所包含的所有参考点都作为BP神经网络的训练集，训练集的RSS是输入层，相对应的位置坐标是输出层，最终经过训练后得到神经网络输入层与输出层的关系：
y＝w·x+b
其中，x＝[RSS1,RSS2,...,RSSm]T为测试点收到来自各个AP的RSS矩阵，矩阵维数为m×1，w为权值矩阵，维数为3×m，b为偏置矩阵，维数为3×1，y为输出的坐标矩阵，维数为3×1。
CN202010031996.8A 2020-01-13 2020-01-13 一种联合灰色关联和神经网络的指纹定位方法 Active CN111239715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010031996.8A CN111239715B (zh) 2020-01-13 2020-01-13 一种联合灰色关联和神经网络的指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010031996.8A CN111239715B (zh) 2020-01-13 2020-01-13 一种联合灰色关联和神经网络的指纹定位方法

Publications (2)

Publication Number Publication Date
CN111239715A CN111239715A (zh) 2020-06-05
CN111239715B true CN111239715B (zh) 2023-04-04

Family

ID=70870958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010031996.8A Active CN111239715B (zh) 2020-01-13 2020-01-13 一种联合灰色关联和神经网络的指纹定位方法

Country Status (1)

Country Link
CN (1) CN111239715B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721254B (zh) * 2021-08-11 2023-10-17 武汉理工大学 一种基于道路指纹空间关联矩阵的车辆定位方法
CN114222347B (zh) * 2021-12-01 2024-04-02 南京航空航天大学 一个基于灰色关联和距离分析的低功耗安全路由控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10422854B1 (en) * 2019-05-01 2019-09-24 Mapsted Corp. Neural network training for mobile device RSS fingerprint-based indoor navigation

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101815308B (zh) * 2009-11-20 2012-07-25 哈尔滨工业大学 神经网络区域训练的wlan室内定位方法
CN102802260B (zh) * 2012-08-15 2015-05-13 哈尔滨工业大学 基于矩阵相关的wlan室内定位方法
CN102821465B (zh) * 2012-09-07 2014-11-26 哈尔滨工业大学 基于分区信息熵增益的wlan室内定位方法
CN105120517B (zh) * 2015-07-29 2018-05-11 重庆邮电大学 基于多维尺度mds分析的室内wlan信号平面图构建与定位方法
CN106950535A (zh) * 2017-03-10 2017-07-14 南京龙渊微电子科技有限公司 一种基于landmarc的室内定位优化系统及方法
CN109417767B (zh) * 2017-04-27 2020-09-18 北京嘀嘀无限科技发展有限公司 用于确定预估到达时间的系统和方法
CN108303672B (zh) * 2017-12-26 2021-12-24 武汉创驰蓝天信息科技有限公司 基于位置指纹的wlan室内定位误差修正方法及系统
EP3749975A1 (en) * 2018-02-08 2020-12-16 Sony Corporation Position estimation device and communication device
CN108540929B (zh) * 2018-03-29 2020-07-31 马梓翔 基于rssi信号强度排序的室内指纹定位方法
CN110196409B (zh) * 2019-05-30 2022-08-19 中国人民解放军海军航空大学 一种基于区域集合相对距离的抗差异步航迹关联方法
CN110648183A (zh) * 2019-09-30 2020-01-03 福州大学 基于灰色关联及qgnn的居民消费价格指数预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10422854B1 (en) * 2019-05-01 2019-09-24 Mapsted Corp. Neural network training for mobile device RSS fingerprint-based indoor navigation

Also Published As

Publication number Publication date
CN111239715A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN109800648B (zh) 基于人脸关键点校正的人脸检测识别方法及装置
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN111239715B (zh) 一种联合灰色关联和神经网络的指纹定位方法
CN111768000A (zh) 在线自适应微调深度学习的工业过程数据建模方法
CN114449452B (zh) 一种基于CNN-RNN的Wi-Fi室内定位方法
CN111050282A (zh) 一种多次模糊推理加权knn定位方法
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN110059625B (zh) 一种基于mixup的人脸训练与识别方法
CN111488946A (zh) 基于信息融合的雷达伺服系统故障诊断方法
CN114063056A (zh) 一种船舶航迹融合方法、系统、介质和设备
CN110503148B (zh) 一种具有尺度不变性的点云对象识别方法
CN117372877A (zh) 一种基于神经网络的星图识别方法、装置及相关介质
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN116437290A (zh) 一种基于csi指纹定位的模型融合方法
CN113516766B (zh) 一种基于神经网络算法的独立坐标系参数分析方法及系统
CN115146742A (zh) 适用于场群控制的海上风电场机组分组与旗舰机选取方法
CN110572875B (zh) 一种基于改进的机器学习算法的无线定位方法
CN114584230A (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
CN115081487A (zh) 一种基于多域迁移学习的跨时间辐射源个体识别方法
KR20220104368A (ko) 유사도를 기반으로 한 시계열 데이터 분류를 위한 전이 학습 방법
CN111239682B (zh) 一种电磁发射源定位系统及方法
CN113269217A (zh) 基于Fisher准则的雷达目标分类方法
CN115238800B (zh) 一种基于ocsvm的矢量面状要素匹配方法
CN114268919B (zh) 一种基于加权k近邻的信道状态信息指纹定位方法

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
GR01 Patent grant
GR01 Patent grant