CN111259146A - 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法 - Google Patents

一种基于Wi-Fi指纹库文本分类的室内房间级定位方法 Download PDF

Info

Publication number
CN111259146A
CN111259146A CN202010050102.XA CN202010050102A CN111259146A CN 111259146 A CN111259146 A CN 111259146A CN 202010050102 A CN202010050102 A CN 202010050102A CN 111259146 A CN111259146 A CN 111259146A
Authority
CN
China
Prior art keywords
word
frequency
rssi
data
short
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.)
Granted
Application number
CN202010050102.XA
Other languages
English (en)
Other versions
CN111259146B (zh
Inventor
郑增威
汪振
陈垣毅
陈丹
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.)
Hongfujin Precision Industry Shenzhen Co Ltd
Original Assignee
Hongfujin Precision Industry Shenzhen Co Ltd
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 Hongfujin Precision Industry Shenzhen Co Ltd filed Critical Hongfujin Precision Industry Shenzhen Co Ltd
Priority to CN202010050102.XA priority Critical patent/CN111259146B/zh
Publication of CN111259146A publication Critical patent/CN111259146A/zh
Application granted granted Critical
Publication of CN111259146B publication Critical patent/CN111259146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于Wi‑Fi指纹库文本分类的室内房间级定位方法，包括步骤：首先采集商场室内环境中的Wi‑Fi信号强度以及基本服务集标识符；将Wi‑Fi指纹库转换成短文本数据；进行特征选择和单词权重计算；使用Crammer‑Singer支持向量分类器；计算分类精度。本发明的有益效果是：本发明将Wi‑Fi的信号强度转换成短文本单词直接忽略其信号强度大小的影响，不再考虑其信号强度的大小的特征，缩减了Wi‑Fi指纹库；本发明将Wi‑Fi指纹库转换成短文本数据集，缩减了数据维度，同时文本分类器时基于线性核SVM分类器，其训练和测试的效率极高，并能大幅度地降低定位时间和提高定位精度。

Description

一种基于Wi-Fi指纹库文本分类的室内房间级定位方法
技术领域
本发明涉及一种基于Wi-Fi指纹库文本分类的室内房间级定位方法，主要是使用文本分 类的方法对Wi-Fi指纹库进行室内房间级定位。
背景技术
随着移动通信和普适计算技术的飞速发展，各种应用都在广泛尝试各种技术进行室内定 位。
目前技术如基于GPS的室外定位、基于地磁、RFID、ZigBee网络、蓝牙等的室内定位技术。基于Wi-Fi的定位主要分为两类：基于位置指纹的方法和基于信号传播模型的方法。其中基于指纹的室内定位系统采用由多个接入点(APs)及其信号强度(RSSI)组成Wi-Fi指纹。但是Wi-Fi信号容易受到环境因素的影响如墙壁、门、家具甚至人。此外，它可能来自 个人访问点或临时热点。因此，智能手机接收到的Wi-Fi信号强度，即RSSI，并不是恒定和 稳定的。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于Wi-Fi指纹库文本分类的室内房 间级定位方法。
这种基于Wi-Fi指纹库文本分类的室内房间级定位方法，包括以下步骤：
步骤1、首先采集商场室内环境中的Wi-Fi信号强度以及基本服务集标识符；统计基本 服务集标识符出现的次数，将基本服务集标识符出现次数小于5次的数据剔除；构建Wi-Fi 指纹库；所述Wi-Fi指纹库中有标签S＝{s1,…,sr}，si为商场中第i编号的商铺标签；
将剔除后的基本服务集标识符替换成接入点APs＝{AP1,…,APn}，Wi-Fi指纹库的Wi-Fi 信号强度为f＝{f1,…,fn}，其中n为特征个数；fi为接入点APi的信号强度值，i的范围为 [1,n],fi的范围为(-100,0)；
步骤2、将Wi-Fi指纹库转换成短文本数据：将Wi-Fi信号强度大小和接入点Aps的标 签结合生成短文本单词，多个短文本单词构成一句短句作为特征；将参数α设定为α＝10，按照 RSSI的大小范围进行转换：
如果RSSI(APn)>-50,转换成单词为AP_n_1；
如果-60<RSSI(APn)<＝-50,转成单词为AP_n_2；
如果-70<RSSI(APn)<＝-60,转换成单词为AP_n_3；
如果-80<RSSI(APn)<＝-70,转换成单词为AP_n_4；
如果-90<RSSI(APn)<＝-80,转换成单词为AP_n_5；
如果-100<RSSI(APn)<＝-90,转换成单词为AP_n_6；
如果RSSI(APn)<-100,转换成单词为AP_n_7；
所述RSSI为信号强度；n对应APn的下标值；得到短文本数据{Sr|AP_k_X}，其中 X＝1,2,3,4,5,6；X的值由上述转换方式得到，k∈n；
从短文本数据中剔除单词AP_n_7，将短文本数据划分成训练集和测试集；
步骤3、进行特征选择和单词权重计算：
步骤3.1、将文档频率DF低于阈值的样本特征作为低频特征，将低频特征直接去除；所 述文档频率DF为样本特征在训练集中出现的次数；
步骤3.2、使用TF-IDF函数计算权重：
Weight＝TF×IDF (1)
Figure BDA0002370814560000021
上式(1)中，Weigt为权重，TF为词频，所述词频为单个短文本单词在每行中出现的概率；IDF为倒排文档频率，所述倒排文档频率为单个短文本单词在整个列表数据集中出现频数的倒数；上式(2)中，n为包含该特征项的短句个数，N表示整个训练集中短句的个数，用来修正该特征项的偏差；
步骤4、使用Crammer-Singer支持向量分类器：将一个测试集数据内的测试样本x划分 到第r类，使得矩阵M的第r行与测试样本x的内积最大：
HM(x)＝argmaxr＝1,..,k{Mr·x} (3)
上式(3)中，x为测试样本；Mr为矩阵的第r行；
将训练集数据输入到文本分类器中，进行训练生成模型；
步骤5、计算分类精度:使用步骤4中产生的模型来对测试集数据进行预测分类，将与实 际商铺标签相同的测试集数据作为正例，将与实际商铺标签不同的测试集数据作为负例；计 算分类精度：
Figure BDA0002370814560000031
上式(4)中，TP为正确划分为正例的个数，FP为错误划分为正例的个数，TN为正确划 分负例的个数，FN为错误划分为负例的个数。
作为优选，步骤1所述接入点APi的信号强度值fi呈正态分布。
作为优选，步骤2所述RSSI的值不等于-100，-100对应空信号强度
Figure BDA0002370814560000032
将空信号强度
Figure BDA0002370814560000033
表 示为没有检测到Wi-Fi信号。
作为优选，步骤2所述单词AP_n_7对应的信号强度为-100，表示没有检测到Wi-Fi信号。
作为优选，步骤3.1所述阈值经由实验确定为三次。
作为优选，步骤3.2所述TF-IDF函数用于衡量每个特征项权重：若单词在每句短句中出 现频率很高，但其他类别短句中出现频率很低，则该特征项区分度高。
本发明的有益效果是：本发明将Wi-Fi的信号强度转换成短文本单词直接忽略其信号强 度大小的影响，不再考虑其信号强度的大小的特征，缩减了Wi-Fi指纹库；本发明将Wi-Fi 指纹库转换成短文本数据集，缩减了数据维度，同时文本分类器时基于线性核SVM分类器， 其训练和测试的效率极高，并能大幅度地降低定位时间和提高定位精度。
附图说明
图1为Wi-Fi室内房间级定位的流程图；
图2为本发明分类精度与参数α的柱状图；
图3为本发明房间级定位的分类精度图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。 应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发 明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明提出了一种基于Wi-Fi指纹库文本分类的房间级定位方法，对于Wi-Fi的信号强 度的大小构建短文本数据，通过分析信号强度的特征对每个特征与接入点进行结合构成单词， 最终，每个标签的特征就是多个单词构成的短文本。将Wi-Fi的信号强度以及接入点(Aps) 进行结合生成短文本单词，将基于Wi-Fi指纹库转换成短文本数据集，使用文本分类的方法 进行室内房间级室内定位的方法，降低定位时间并能提高定位精度。
这种基于Wi-Fi指纹库文本分类的室内房间级定位方法，包括以下步骤：
步骤1、首先采集商场室内环境中的Wi-Fi信号强度以及基本服务集标识符；由于商场环 境中存在大量的个人热点，因此需要将其剔除，减少指纹库的维度；统计基本服务集标识符 出现的次数，将基本服务集标识符出现次数小于5次的数据剔除；构建Wi-Fi指纹库；所述 Wi-Fi指纹库中有标签S＝{s1,…,sr}，si为商场中第i编号的商铺标签；原始Wi-Fi数据集如 下表1所示：
表1原始Wi-Fi数据集
Figure BDA0002370814560000041
将剔除后的基本服务集标识符替换成接入点APs＝{AP1,…,APn}，Wi-Fi指纹库的Wi-Fi 信号强度为f＝{f1,…,fn}，其中n为特征个数；fi为接入点APi的信号强度值，i的范围为[1,n],fi的范围为(-100,0)；构建的Wi-Fi指纹库如下表2所示：
表2剔除移动热点的Wi-Fi指纹库
Figure BDA0002370814560000042
步骤2、将Wi-Fi指纹库转换成短文本数据：将Wi-Fi信号强度大小和接入点Aps的标签 结合生成短文本单词，多个短文本单词构成一句短句作为特征；如何选取合适的信号强度范 围，使得分类精度最大，如图2所示，经多次调整α值进行实验，当范围α＝10时，分类精度 最高为97％；将参数α设定为α＝10，按照RSSI的大小范围进行转换：
如果RSSI(APn)>-50,转换成单词为AP_n_1；
如果-60<RSSI(APn)<＝-50,转成单词为AP_n_2；
如果-70<RSSI(APn)<＝-60,转换成单词为AP_n_3；
如果-80<RSSI(APn)<＝-70,转换成单词为AP_n_4；
如果-90<RSSI(APn)<＝-80,转换成单词为AP_n_5；
如果-100<RSSI(APn)<＝-90,转换成单词为AP_n_6；
如果RSSI(APn)<-100,转换成单词为AP_n_7；
所述RSSI为信号强度；n对应APn的下标值；得到短文本数据{Sr|AP_k_X}，其中 X＝1,2,3,4,5,6；X的值由上述转换方式得到，k∈n；Wi-Fi的信号强度转换成单词表的情况如下表3所示：
表3 Wi-Fi的信号强度转换成单词表
Figure BDA0002370814560000051
从短文本数据中剔除单词AP_n_7，将短文本数据划分成训练集和测试集；剔除无效数据 的短文本数据情况如下表4所示：
表4剔除无效数据的短文本数据表
Figure BDA0002370814560000052
步骤3、进行特征选择和单词权重计算：
步骤3.1、将文档频率DF低于阈值的样本特征作为低频特征，将低频特征直接去除；所 述文档频率DF为样本特征在训练集中出现的次数；
步骤3.2、使用TF-IDF函数计算权重：
Weight＝TF×IDF (1)
Figure BDA0002370814560000061
上式(1)中，Weight为权重，TF为词频，所述词频为单个短文本单词在每行中出现的概率；IDF为倒排文档频率，所述倒排文档频率为单个短文本单词在整个列表数据集中出现频数的倒数；上式(2)中，n为包含该特征项的短句个数，N表示整个训练集中短句的个数，用来修正该特征项的偏差；使用TF-IDF计算特征权重的情况如下表5：
表5使用TF-IDF计算特征权重表
Figure BDA0002370814560000062
步骤4、使用Crammer-Singer支持向量分类器：该分类器目的是使得对一个测试集进行 分类是的错误概率尽可能小。将一个测试集数据内的测试样本x划分到第r类，使得矩阵M 的第r行与测试样本x的内积最大：
HM(x)＝argmaxr＝1,..,k{Mr·x} (3)
上式(3)中，x为测试样本；Mr为矩阵的第r行；
将训练集数据输入到文本分类器中，进行训练生成模型；
步骤5、计算分类精度:使用步骤4中产生的模型来对测试集数据进行预测分类，将与实 际商铺标签相同的测试集数据作为正例，将与实际商铺标签不同的测试集数据作为负例；计 算分类精度：
Figure BDA0002370814560000063
上式(4)中，TP为正确划分为正例的个数，FP为错误划分为正例的个数，TN为正确划分负例的个数，FN为错误划分为负例的个数。
步骤1所述接入点APi的信号强度值fi呈正态分布。
步骤2所述RSSI的值不等于-100，-100对应空信号强度
Figure BDA0002370814560000071
将空信号强度
Figure BDA0002370814560000072
表示为没有 检测到Wi-Fi信号。
步骤2所述单词AP_n_7对应的信号强度为-100，表示没有检测到Wi-Fi信号；剔除这些 数据减少了数据量，却不影响数据的特征。
步骤3.1所述阈值经由实验确定为三次；即对分类有较少的特征信息量，将这些较少的 特征直接去除，能够提高分类速度，降低了特征空间维度。
步骤3.2所述TF-IDF函数用于衡量每个特征项权重：若单词在每句短句中出现频率很高， 但其他类别短句中出现频率很低，则该特征项区分度高。
实施例：
为了验证该方法定位的效果，本发明使用2017年天池竞赛商铺定位数据集，使用4个商 铺(m_615，m_622，m_623,m_625)合并的Wi-Fi数据进行验证本发明。首先对4个商铺数据剔除移动热点和通信商的热点，构建Wi-Fi信号强度指纹库，并按照图2所示的方式，将信号强度和APs的编号进行结合构成短文本的单词。短文本数据由商铺名称作为标签，多个单词构成一句短句作为特征。
通过对这短文本数据进行划分，训练集和测试集按照(50％，60％，70％，80％，90％) 比例进行实验，输入到文本分类器中计算分类精度。如图3所示，在这商铺数据集中，在不 同训练集下与KNN，朴素贝叶斯以及随机森林进行对比。从分类精度结果图中可以看出本发 明可以基于Wi-Fi的室内房间级室内分类精度达到97％。

Claims (6)

1.一种基于Wi-Fi指纹库文本分类的室内房间级定位方法，其特征在于，包括以下步骤：
步骤1、首先采集商场室内环境中的Wi-Fi信号强度以及基本服务集标识符；统计基本服务集标识符出现的次数，将基本服务集标识符出现次数小于5次的数据剔除；构建Wi-Fi指纹库；所述Wi-Fi指纹库中有标签S＝{s1,…,sr}，si为商场中第i编号的商铺标签；
将剔除后的基本服务集标识符替换成接入点APs＝{AP1,…,APn}，Wi-Fi指纹库的Wi-Fi信号强度为f＝{f1,…,fn}，其中n为特征个数；fi为接入点APi的信号强度值，i的范围为[1,n],fi的范围为(-100,0)；
步骤2、将Wi-Fi指纹库转换成短文本数据：将Wi-Fi信号强度大小和接入点Aps的标签结合生成短文本单词，多个短文本单词构成一句短句作为特征；将参数α设定为α＝10，按照RSSI的大小范围进行转换：
如果RSSI(APn)>-50,转换成单词为AP_n_1；
如果-60<RSSI(APn)<＝-50,转成单词为AP_n_2；
如果-70<RSSI(APn)<＝-60,转换成单词为AP_n_3；
如果-80<RSSI(APn)<＝-70,转换成单词为AP_n_4；
如果-90<RSSI(APn)<＝-80,转换成单词为AP_n_5；
如果-100<RSSI(APn)<＝-90,转换成单词为AP_n_6；
如果RSSI(APn)<-100,转换成单词为AP_n_7；
所述RSSI为信号强度；n对应APn的下标值；得到短文本数据{Sr|AP_k_X}，其中X＝1,2,3,4,5,6；X的值由上述转换方式得到，k∈n；
从短文本数据中剔除单词AP_n_7，将短文本数据划分成训练集和测试集；
步骤3、进行特征选择和单词权重计算：
步骤3.1、将文档频率DF低于阈值的样本特征作为低频特征，将低频特征直接去除；所述文档频率DF为样本特征在训练集中出现的次数；
步骤3.2、使用TF-IDF函数计算权重：
Weight＝TF×IDF (1)
Figure FDA0002370814550000011
上式(1)中，Weight为权重，TF为词频，所述词频为单个短文本单词在每行中出现的概率；IDF为倒排文档频率，所述倒排文档频率为单个短文本单词在整个列表数据集中出现频数的倒数；上式(2)中，n为包含该特征项的短句个数，N表示整个训练集中短句的个数，用来修正该特征项的偏差；
步骤4、使用Crammer-Singer支持向量分类器：将一个测试集数据内的测试样本x划分到第r类，使得矩阵M的第r行与测试样本x的内积最大：
HM(x)＝arg maxr＝1,..,k{Mr·x} (3)
上式(3)中，x为测试样本；Mr为矩阵的第r行；
将训练集数据输入到文本分类器中，进行训练生成模型；
步骤5、计算分类精度:使用步骤4中产生的模型来对测试集数据进行预测分类，将与实际商铺标签相同的测试集数据作为正例，将与实际商铺标签不同的测试集数据作为负例；计算分类精度：
Figure FDA0002370814550000021
上式(4)中，TP为正确划分为正例的个数，FP为错误划分为正例的个数，TN为正确划分负例的个数，FN为错误划分为负例的个数。
2.根据权利要求1所述的基于Wi-Fi指纹库文本分类的室内房间级定位方法，其特征在于：步骤1所述接入点APi的信号强度值fi呈正态分布。
3.根据权利要求1所述的基于Wi-Fi指纹库文本分类的室内房间级定位方法，其特征在于：步骤2所述RSSI的值不等于-100，-100对应空信号强度
Figure FDA0002370814550000022
将空信号强度
Figure FDA0002370814550000023
表示为没有检测到Wi-Fi信号。
4.根据权利要求1所述的基于Wi-Fi指纹库文本分类的室内房间级定位方法，其特征在于：步骤2所述单词AP_n_7对应的信号强度为-100，表示没有检测到Wi-Fi信号。
5.根据权利要求1所述的基于Wi-Fi指纹库文本分类的室内房间级定位方法，其特征在于：步骤3.1所述阈值经由实验确定为三次。
6.根据权利要求1所述的基于Wi-Fi指纹库文本分类的室内房间级定位方法，其特征在于，步骤3.2所述TF-IDF函数用于衡量每个特征项权重：若单词在每句短句中出现频率很高，但其他类别短句中出现频率很低，则该特征项区分度高。
CN202010050102.XA 2020-01-17 2020-01-17 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法 Active CN111259146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010050102.XA CN111259146B (zh) 2020-01-17 2020-01-17 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010050102.XA CN111259146B (zh) 2020-01-17 2020-01-17 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法

Publications (2)

Publication Number Publication Date
CN111259146A true CN111259146A (zh) 2020-06-09
CN111259146B CN111259146B (zh) 2022-04-19

Family

ID=70947577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010050102.XA Active CN111259146B (zh) 2020-01-17 2020-01-17 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法

Country Status (1)

Country Link
CN (1) CN111259146B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111988844A (zh) * 2020-08-31 2020-11-24 广东技术师范大学 一种基于区块链和移动群智感知的室内房间级定位方法
CN113079468A (zh) * 2021-03-23 2021-07-06 西安交通大学 一种基于Wifi信号RSSI特征的室内定位方法、系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103281777A (zh) * 2013-04-25 2013-09-04 浙江大学 一种基于WiFi的差分定位方法
CN103796305A (zh) * 2014-02-11 2014-05-14 上海交通大学 一种基于Wi-Fi位置指纹的室内定位方法
WO2018167500A1 (en) * 2017-03-16 2018-09-20 Ranplan Wireless Network Design Ltd Wifi multi-band fingerprint-based indoor positioning
CN109246608A (zh) * 2018-11-16 2019-01-18 重庆小富农康农业科技服务有限公司 一种基于wifi位置指纹大数据分析的室内点对点定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103281777A (zh) * 2013-04-25 2013-09-04 浙江大学 一种基于WiFi的差分定位方法
CN103796305A (zh) * 2014-02-11 2014-05-14 上海交通大学 一种基于Wi-Fi位置指纹的室内定位方法
WO2018167500A1 (en) * 2017-03-16 2018-09-20 Ranplan Wireless Network Design Ltd Wifi multi-band fingerprint-based indoor positioning
CN109246608A (zh) * 2018-11-16 2019-01-18 重庆小富农康农业科技服务有限公司 一种基于wifi位置指纹大数据分析的室内点对点定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUANYI CHEN等: ""Learning Sequence-Based Fingerprint for Magnetic Indoor Positioning System"", 《IEEE ACCESS》 *
张文学: ""基于WiFi的RSSI指纹定位算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111988844A (zh) * 2020-08-31 2020-11-24 广东技术师范大学 一种基于区块链和移动群智感知的室内房间级定位方法
CN113079468A (zh) * 2021-03-23 2021-07-06 西安交通大学 一种基于Wifi信号RSSI特征的室内定位方法、系统
CN113079468B (zh) * 2021-03-23 2022-12-09 西安交通大学 一种基于Wifi信号RSSI特征的室内定位方法、系统

Also Published As

Publication number Publication date
CN111259146B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
US10884112B2 (en) Fingerprint positioning method and system in smart classroom
Bhatti et al. Outlier detection in indoor localization and Internet of Things (IoT) using machine learning
CN104408095B (zh) 一种基于改进的knn文本分类方法
CN105608179B (zh) 确定用户标识的关联性的方法和装置
CN111259146B (zh) 一种基于Wi-Fi指纹库文本分类的室内房间级定位方法
US20030061213A1 (en) Method for building space-splitting decision tree
Huang et al. An accurate and efficient device-free localization approach based on sparse coding in subspace
Wang et al. Survey on nlos identification and error mitigation for uwb indoor positioning
CN114844840A (zh) 一种基于计算似然比的分布外网络流量数据检测方法
CN111368862A (zh) 室内外标记的区分方法、分类器的训练方法及设备和介质
Li et al. A two-level WiFi fingerprint-based indoor localization method for dangerous area monitoring
CN108495263A (zh) 一种基于广义多核函数的室内定位方法
CN110781961A (zh) 一种基于决策树分类算法的精确行为识别方法
Singh et al. Xgbloc: Xgboost-based indoor localization in multi-building multi-floor environments
CN106778859A (zh) 一种基于数据密度峰值的自标记半监督分类方法及装置
Salamah et al. Comprehensive investigation on principle component large-scale Wi-Fi indoor localization
Mo et al. A spatial division clustering method and low dimensional feature extraction technique based indoor positioning system
US10812934B2 (en) System and method for identifying associated subjects from location histories
Abdullah Convex optimization via symmetrical hölder divergence for a WLAN indoor positioning system
CN113221995B (zh) 基于半监督深度分类算法的数据分类方法、设备及装置
CN106095733B (zh) 一种改进的基于深度学习的自然语言特征精确提取方法
Wu et al. Optimization and improvement based on K-Means Cluster algorithm
CN112579783B (zh) 基于拉普拉斯图谱的短文本聚类方法
Wang et al. Indoor positioning with cnn and path-loss model based on multivariable fingerprints in 5g mobile communication system
Deng et al. Localized local fisher discriminant analysis for indoor positioning in wireless local area network

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