CN111417066A - 定位方法、装置、电子设备和计算机可读存储介质 - Google Patents
定位方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111417066A CN111417066A CN202010148752.8A CN202010148752A CN111417066A CN 111417066 A CN111417066 A CN 111417066A CN 202010148752 A CN202010148752 A CN 202010148752A CN 111417066 A CN111417066 A CN 111417066A
- Authority
- CN
- China
- Prior art keywords
- base station
- information
- positioning
- feature
- input
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
本发明实施例公开了一种定位方法、装置、电子设备和计算机可读存储介质,根据定位请求中的基站信号对应的基站标识确定各基站分别对应的至少一个聚簇点,并根据各聚簇点确定指纹信息对应的中心点,根据中心点确定多个输入网格,根据各输入网格对应的特征信息确定多个特征图,将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息,其中,至少一种特征信息与所述指纹信息相关,由此,本发明实施例可以较为方便地扩展特征信息,减小特征信息的损失,提高定位的准确度。
Description
技术领域
本发明涉及计算机技术领域,更具体地,涉及一种定位方法、装置、电子设备和计算机可读存储介质。
背景技术
随着移动互联网的发展,出现了大量的基于位置的服务(LBS)。移动用户或终端的位置准确性对这些服务的效率至关重要。在相关技术中,通常采用GPS/GNSS定位或通过机器学习模型定位。但是,移动终端在某些情况下,例如在室内、或天气不好等,基于GPS/GNSS的定位可能不准确。
为了处理上述情况,通常采用构建网络位置定位NLP(Network LocationProvider)服务。NLP服务通过组合环境中的无线信号信息和保持在线的数据库信息来提供位置估计。在现有的机器学习模型定位方法中,将整个地理空间分割成大量的非常小的地理网格,并通过召回、排序、平滑等处理,得到最接近真实位置的网格作为用户或终端的位置。但是,这种方法不能描述网格在空间中的局部相关性,并且平滑过程的加入可能会导致优化目标与最终目标不一致的情况,从而可能导致定位不准确。
发明内容
有鉴于此,本发明实施例提供一种定位方法、装置、电子设备和计算机可读存储介质,以减小特征信息的损失,提高定位的准确度。
第一方面,本发明实施例提供一种定位方法,所述方法包括:
接收定位请求,所述定位请求包括当前位置对应的指纹信息,所述指纹信息包括在所述当前位置扫描到的至少一个基站信号对应的基站标识和信号强度;
根据所述基站标识确定基站对应的至少一个聚簇点,所述基站的聚簇点包括至少一个位置信息;
根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点;
根据所述中心点确定多个输入网格,所述输入网格为预先划分的地理区域;
根据各输入网格对应的特征信息确定多个特征图,所述特征图的各像素的值对应于所述各输入网格的特征信息,其中,至少一种特征信息与所述指纹信息相关;
将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。
可选的,根据所述基站标识确定基站对应的至少一个聚簇点包括:
获取所述基站标识对应的至少一个历史定位记录,所述历史定位记录包括所述基站标识和对应的位置信息;
根据所述至少一个历史定位记录确定所述基站的至少一个聚簇点。
可选的,根据所述基站标识确定基站对应的至少一个聚簇点包括:
根据所述基站标识查询基站聚簇点数据库,确定所述基站对应的至少一个聚簇点,所述基站聚簇点数据库根据预定时间段内的多个历史定位记录确定。
可选的,根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点包括:
将与各聚簇点的总距离最短的位置确定为所述中心点。
可选的,将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息包括:
将所述多个特征图输入至所述卷积神经网络模型进行特征处理,输出位置偏移,所述位置偏移为所述定位信息相对于所述中心点位置的偏移;
根据所述位置偏移和所述中心点位置获取所述定位信息。
可选的,所述特征信息包括各所述输入网格接收到的基站信号强度与所述定位请求中的基站信号强度的匹配概率。
可选的,所述指纹信息还包括当前扫描到的无线访问接入点AP的标识和信号强度;
所述特征信息包括各输入网格接收到的无线访问接入点AP的信号强度与定位请求中的AP的信号强度的匹配概率。
可选的,所述特征信息还包括各输入网格的热度信息、地理信息、各输入网格中扫描到最小信号强度、各输入网格中扫描到最大信号强度中的至少一项;
其中,所述热度信息用于表征对应的输入网格的可到达状态和预定时间段的到达次数。
可选的,所述方法还包括:
根据置信度网络模型获取所述定位信息的置信度。
可选的,根据置信度网络模型获取所述定位信息的置信度包括:
计算各所述特征图中的非空特征像素占比;
将所述非空特征像素占比输入至所述置信度网络模型以确定所述定位信息的置信度。
可选的,所述特征信息还包括各所述输入网格与主基站的通信关系、与所述主基站相邻的多个基站的信号强度匹配概率之和、各所述输入网格到前基站的中心的距离、各所述输入网格与所述前基站的通信关系以及前基站的热度信息之和中的至少一项;
其中,所述主基站为所述定位请求对应的终端当前所连接的基站,所述前基站为所述终端在连接所述主基站之前连接的基站。
第二方面,本发明实施例提供一种定位装置,所述装置包括:
请求接收单元,被配置为接收定位请求,所述定位请求包括当前位置对应的指纹信息,所述指纹信息包括在所述当前位置扫描到的至少一个基站信号对应的基站标识和信号强度;
聚簇点确定单元,被配置为根据所述基站标识确定基站对应的至少一个聚簇点,所述基站的聚簇点包括至少一个位置信息;
中心点确定单元,被配置为根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点;
输入网格确定单元,被配置为根据所述中心点确定多个输入网格,所述输入网格为预先划分的地理区域;
特征图确定单元,被配置为根据各输入网格对应的特征信息确定多个特征图,所述特征图的各像素的值对应于所述各输入网格的特征信息,其中,至少一种特征信息与所述指纹信息相关;
定位信息获取单元,被配置为将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时以实现如上所述的方法。
本发明实施例根据定位请求中的基站信号对应的基站标识确定各基站分别对应的至少一个聚簇点,并根据各聚簇点确定指纹信息对应的中心点,根据中心点确定多个输入网格,根据各输入网格对应的特征信息确定多个特征图,将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息,其中,至少一种特征信息与所述指纹信息相关,由此,本发明实施例可以较为方便地扩展特征信息,减小特征信息的损失,提高定位的准确度。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是相关技术的机器学习模型的示意图;
图2是本发明实施例的定位方法的流程图;
图3是本发明实施例的基站的聚簇点的示意图;
图4是本发明实施例的确定中心点的方法示意图;
图5是本发明实施例的一种输入网格的确定过程示意图;
图6是本发明实施例的另一种输入网格的确定过程示意图;
图7是本发明实施例的一个特征图的示意图;
图8是本发明实施例的卷积神经网络模型的训练方法的流程图;
图9是本发明实施例的获取多个特征图的过程示意图;
图10是本发明实施例的定位模型的示意图;
图11是本发明实施例的卷积神经网络模型的示意图;
图12是本发明实施例的定位装置的示意图;
图13是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
网络定位(NLP)是指不依赖于卫星定位系统GNSS,而是基于底面的通信网络的基础设施的信号来实现定位。网络定位具有速度快的特征。网络定位有两种方式,一种是基于WIFI定位,也即根据WIFI路由器所在位置进行定位,这种定位精度较高,但由于无法记录每个路由器的位置,因此可能会存在定位到其他地方、甚至其他省市的情况。另一种方式是基于基站定位,这种定位可靠,但由于依赖于基站的分布密度,因此,在城市的定位精度较高,在基站分布间距较大的偏远地区,定位精度较低,误差很大。
图1是相关技术的机器学习模型的示意图。如图1所示,在相关技术的基于NLP服务的机器学习模型中,在终端扫描GPS位置的同时,获取当前的指纹信息,指纹信息可以包括终端扫描到的无线访问接入点AP的唯一标识(SSID和/或MAC地址)、扫描到的信号强度、基站的唯一标识等,将GPS位置以及获取的指纹信息等通过网络11上传,以形成指纹数据库12。并且,可以根据指纹数据库12构建GPS位置与指纹信息之间的对应关系。具体地,以指纹信息为输入,GPS位置为输出构建样本,训练机器学习模型,如图1所示的机器学习模型13。在后续使用时,将终端侧上传的指纹信息输入机器学习模型13以预测当前的位置。
如图1所示,在相关技术中,机器学习模型13包括召回模块131、排序模块132和平滑模块133。其中,将一地区(例如一个市区)预先划分为多个地理区域,形成多个网格,每个网格大小为N*N米,N大于等于1。其中,每个网格可以记录丰富的指纹信息。在使用机器学习模型13预测当前位置时,将所有网格的指纹信息和当前终端上传的指纹信息输入至机器学习模型13中,通过召回模块131中的一些人工规则从所有网格中选取预定数量的候选网格输入至排序模块132,排序模块132对按照预定规则候选网格进行排序,以使得真值(准确位置)对应的网格排序靠前,由此,可以将定位问题转化为排序问题。由于在排序模块132的处理中,指纹信息及其它数据的偏差可能导致排序结果偏离真值较远,因此,设计平滑模块133以对排序结果进行修正。
其中,相关技术中使用的机器学习模型(例如机器学习模型13)主要是基于树的模型,在构建模型时需要进行特征工程,也即通过人为的方式将从扫描到的指纹信息转化为适合机器学习模型的高级特征,这一过程会导致特征的损失,从而会导致模型预测的准确度较低。具体来说,在相关技术中,在排序模块132的特征处理过程中,缺少对网格间的空间上的相互关系的刻画,例如缺少网格间特征的局部相关性和整体相关性,并且,通过添加平滑模块来对预测的位置进行修正,其并不是从特征层面对定位精度进行优化,而是对排序模块的排序结果进行平滑,因此预测结果与真值的偏差可能依旧存在,由此,相关技术中的采用机器学习模型来预测当前位置的准确度和精度较低。
由此,本发明实施例提供一种定位方法,以减小特征信息的损失,提高定位的准确度。
图2是本发明实施例的定位方法的流程图。如图2所示,本发明实施例的定位方法包括以下步骤:
步骤S110,接收定位请求。其中,定位请求包括当前位置对应的指纹信息,该指纹信息包括在当前位置扫描到的基站信号对应的基站标识和信号强度等信息。
步骤S120,根据基站标识确定该基站对应的至少一个聚簇点,基站的聚簇点包括至少一个位置信息。
在一种可选的实现方式中,步骤S120具体可以为:获取基站标识对应的至少一个历史定位记录,根据至少一个历史定位记录确定该基站的至少一个聚簇点。其中,历史定位记录包括基站标识和对应的位置信息。
图3是本发明实施例的基站的聚簇点的示意图。如图3所示,假设当前定位请求中的指纹信息包括基站31的信号,获取基站31对应的历史定位记录或者预定时间段内(例如1个月内)的历史定位记录,其中,历史定位记录为在过去利用基站31进行定位的记录。本实施例以获取到3条历史定位记录为例进行说明,在第1条历史定位记录中,终端设备32通过扫描到的基站31的信号强度、和/或其他基站的信号强度、和/或GPS信号等确定位置信息为位置a。在第2条历史定位记录中,终端设备33通过扫描到的基站31的信号强度、和/或其他基站的信号强度、和/或GPS信号等确定位置信息为位置b。在第3条历史定位记录中,终端设备34通过扫描到的基站31的信号强度、和/或其他基站的信号强度、和/或GPS信号等确定位置信息为位置c。其中,假设位置a和位置b的距离为15m,位置a与位置c的距离为100m,位置b与位置c的距离为112m。在本实施例中,聚簇点范围为一预定值,假设聚簇点范围为20m,则位置a和位置b形成了一个聚簇点A,位置c形成了另一个聚簇点,也即,基站31具有两个聚簇点A和B。
在另一种可选的实现方式中,步骤S120具体可以为:根据基站标识查询预先确定的基站聚簇点数据库,确定该基站对应的至少一个聚簇点。其中,基站聚簇点数据库根据多个历史定位记录预先确定。在本实施例中,可以预先根据预定时间段内(例如1个月)的一个区域内(例如一个市区内)的各基站对应的大量的历史定位记录,确定该区域内各基站的至少一个聚簇点,并存储至基站聚簇点数据库中。可选的,定期更新基站聚簇点数据库,例如一周更新一次。由此,可以在确定当前定位信息中的各基站标识后,根据各基站标识确定各基站分别对应的一个或多个聚簇点。
步骤S130,根据指纹信息中的各基站的聚簇点确定该指纹信息对应的中心点。在一种可选的实现方式中,将与各聚簇点的平均距离或总距离最短的位置确定为中心点。
图4是本发明实施例的确定中心点的方法示意图。如图4所示,终端设备44在位置x发送定位请求,其中,定位请求中的指纹信息包括基站41、基站43和基站43的基站信号。也即,终端设备44在位置x能够接收到基站41、基站43和基站43发射的基站信号。根据步骤S120可以得到基站41具有聚簇点C、基站42具有聚簇点D、基站43具有聚簇点E和F,则将与聚簇点C、D、E和F的总距离(或平均距离)最短的位置确定为中心点p。也即,求一个位置p,使得位置p到聚簇点C、D、E和F的总距离((LpC+LpD+LpE+LpF))最短。可选的,以聚簇点C、D、E和F的中心作为聚簇点C、D、E和F的坐标。
步骤S140,根据中心点确定多个输入网格。其中,网格为预先划分的地理区域。在本实施例中,将一个大的区域(例如一个市的区域)预先划分为多个网格,可选的,每个网格的大小为N*N,N大于或等于1米。
图5是本发明实施例的一种输入网格的确定过程示意图。图6是本发明实施例的另一种输入网格的确定过程示意图。在一种可选的实现方式中,以中心点为中心,扩展至M*M个网格作为输入网格,M大于1。可选的,在M为奇数时,如图5所示,以中心点p所在网格为中心网格Cg,扩展至M*M个网格作为输入网格Pin,图5中以M=5为例。可选的,在M为偶数时,以中心点为相对中心,使得中心点所靠近的边界一侧的输入网格多于另一侧,如图6所示,假设M为6,中心点p'靠近网格的左下边界,则在x轴的反方向和y轴的反方向上扩展的网格数为3,在x轴的正方向和y轴的正方向上扩展的网格数为2,以形成6*6个输入网格Pin'。应理解,其他扩展方式也可应用于本实施例中,例如,随机扩展使得中心点所在网格的一侧比另一侧多行或一列网格,以形成M*M个网格。
步骤S150,根据各输入网格对应的特征信息确定多个特征图。在本实施例中,特征图的各像素的值对应于各输入网格的特征信息的特征值,其中至少一种特征信息与定位请求中的指纹信息相关。由此,即使计算获得的中心点相同,但是由于定位请求中的指纹信息不同,则与指纹信息相关的特征信息也不同,最终获取的定位信息也不同。可选的,特征信息的特征值可以为数值,也可以为向量或其他表现形式,本实施例并不对此进行限制。
在一种可选的实现方式,定位请求中的指纹信息还包括当前扫描到的无线访问接入点AP的标识和信号强度,特征信息包括各输入网格接收到的基站信号强度与定位请求中的基站信号强度的匹配概率、和/或各输入网格接收到的无线访问接入点AP的信号强度与定位请求中的AP的信号强度的匹配概率,这些特征信息与定位请求中的指纹信息相关。由此,通过使得定位请求中的某些特征被引入卷积神经网络中进行处理,进一步减小了特征信息的损失,提高了定位的准确度。
在一种可选的实现方式中,将信号强度(基站信号强度或AP信号强度)分为S个级别,例如0-6这7个级别,各输入网格接收到的信号强度与定位请求中的信号强度的匹配概率满足以下公式:
其中,fp,i为所述匹配概率,S为信号强度的最高级别,hi,s为第i个输入网格接收信号强度为s的次数,t为所述定位请求中的信号强度,hi,t为第i个输入网格接收信号强度为t的次数,hi,t-1为第i个输入网格接收信号强度为t-1的次数,hi,t-1为第i个输入网格接收信号强度为t+1的次数,w1、w2和w3为对应的权重。
在一种可选的实现方式中,输入网格的特征信息包括各输入网格与主基站的通信关系、与主基站相邻的多个基站的信号强度匹配概率之和、各输入网格到前基站的中心的距离、各输入网格与前基站的通信关系以及前基站的热度信息之和中的至少一项。其中,主基站为所述定位请求对应的终端当前所连接的基站,前基站为所述终端在连接所述主基站之前连接的基站。其中,输入网格与主基站的通信关系用于表征该输入网格是否在主基站的覆盖范围内。由此,本实施例通过加入更多基站信息,能够进一步的提高定位的准确度。
在一种可选的实现方式中,特征信息还包括各输入网格的热度信息、地理信息、各网格中扫描到最小信号强度、各网格中扫描到最大信号强度中的至少一项。其中,热度信息用于表征对应的输入网格的可到达状态和预定时间段的到达次数。可选的,可到达状态用于表征该网格是否处于车辆可到达的地方,例如,该网格中具有十字路口,则该网格为可到达,若该网格为一绿化区域,例如草坪,则该网格处于不可到达状态。预定时间段可以为一天、一周、一月等,本实施例并不对此进行限制。输入网格的地理信息可以表征输入网格中的建筑物密度和/或绿化密度等。应理解,还可以包括其他的特征信息,例如人流密度等,本实施例并不对此进行限制。可选的,特征信息的个数与特征图的个数相对应。
图7是本发明实施例的一个特征图的示意图。如图7所示,特征图7中的特征信息用于表征各输入网格的热度信息。也就是说,在本实施例中,每个输入网格对应于特征图7中的一个像素,该输入网格对应的热度信息为该像素的像素值。其中,像素值为0表征在预定时间段内车辆到达该网格的次数为0,像素值为24表征在预定时间段内车辆到达该网格的次数为24。可选的,各输入网格的输入信息可以从指纹数据库中获取。其中,当各终端设备在网格中请求定位时,确定该网格对应的指纹信息并上传至指纹数据库,或者预先采用终端设备到多个网格进行扫描,以获取各网格的位置信息与在该网格中扫描的指纹信息之间的对应关系,并将各网格的位置信息和在该网格中扫描的指纹信息之间的对应关系上传至指纹数据库中。由此,通过将表征一类特征信息的特征值作为各输入网格对应的像素的值,得到各输入网格的该类特征信息对应的特征图。容易理解,特征信息的特征值可以为数值、向量、字符、或其他表现形式,本实施例并不对此进行限制。
步骤S160,将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。
在一种可选的实现方式中,将多个特征图输入至卷积神经网络模型进行特征处理,输出位置偏移,并根据所述位置偏移和所述中心点位置获取所述定位信息。其中,位置偏移为定位信息相对于中心点位置的偏移。
卷积神经网络CNN是一种前馈神经网络,由若干卷积层和池化层组成。CNN模型具有局部区域连接、权值共享、降采样等特征,通过权值共享减少了需要训练的权值个数,降低了网络的计算复杂度,同时使得网络对输入的局部变换具有一定的不变性,例如平移不变性、缩放不变性等,提升了网络的泛化能力。同时,CNN模型具有特征交叉提取、融合周边信息的特征,因此,本实施例采用CNN模型,无需做大量复杂的特征工作,可以较为方便地扩展特征信息,减小了输入模型的特征信息的损失,并且对于特征的添加更具灵活性。
在本实施例中,CNN模型计算定位请求对应的当前位置的位置偏移,可选的,位置偏移包括相对于中心点位置的经度偏移和纬度偏移,基于位置偏移和中心点的位置信息,就可以计算得到当前位置的位置信息。由此,可以将定位问题转化为回归问题,提高了定位的准确度。
CNN模型可以完成分类任务,也可以完成回归任务。如果将本实施例的定位问题转化为分类问题,则通过CNN模型只能确定每个网格是或者不是真值点所在的网格。在这种情况下,如果获得的M*M个网格没有覆盖真值点,则会出现无法定位的情况。因此,本实施例采用CNN模型将定位问题转化为回归问题,就始终可以输出位置偏移,提高了定位的准确度。
在一种可选的实现方式中,本实施例的卷积神经网络模型根据预定的损失函数进行训练。损失函数可以直接影响卷积神经网络模型的表现,可选的,本实施例采用的损失函数为:
其中,Δlon_pred和Δlat_pred为所述卷积神经网络模型的预测位置与中心点在经度和纬度上的偏移,Δlon_label和Δlat_label为样本的卫星定位位置与所述中心点在经度和纬度上的偏移。
由此,基于上述损失函数对卷积神经网络模型进行训练,直至最小化损失函数,也即最小化误差距离,得到训练好的卷积神经网络模型。
图8是本发明实施例的卷积神经网络模型的训练方法的流程图。如图8所示,在一种可选的实现方式中,本实施例的卷积神经网络模型的训练方法包括以下步骤:
步骤S210,获取训练数据。其中,训练数据包括多个样本数据,样本数据包括样本的卫星定位位置、样本的卫星定位位置所在网格对应的指纹信息,指纹信息包括对应网格所能扫描到的基站信号的基站标识。
步骤S220,根据各网格中能够扫描到的基站信号的基站标识确定各基站分别对应的至少一个聚簇点。
步骤S230,根据各基站对应的聚簇点确定各指纹信息对应的中心点。
步骤S240,根据各指纹信息对应的中心点确定多个输入网格。
步骤S250,根据各输入网格对应的特征信息确定多个特征图。
步骤S260,将多个特征图输入至卷积神经网络模型以预测各指纹信息对应的定位信息。
应理解,步骤S220-S260与上述实施例中的步骤S120-S160类似,在此不再赘述。
步骤S270,基于上述损失函数,根据预测的定位信息和对应样本的卫星定位位置计算损失。
步骤S280,根据损失调整卷积神经网络模型的参数直至最小化损失函数。
本发明实施例通过计算样本的卫星定位位置所在网格的指纹信息,并根据各指纹信息中的各基站对应的聚簇点确定各指纹信息对应的中心点,基于各中心点确定的多个输入网格确定多个特征图,将各样本数据对应的特征图作为输入,基于上述损失函数对卷积神经网络模型进行训练,由此,可以使得训练好的卷积神经网络模型能够较为准确地根据输入的特征图预测位置信息。
在一种可选的实现方式中,本发明实施例的定位方法还包括步骤:
根据置信度网络模型获取定位信息的置信度。可选的,计算特征图中的非空特征像素占比,将非空特征像素占比输入至置信度网络模型中进行特征处理,输出误差距离,进而根据映射公式得到定位信息的置信度。可选的,本实施例的置信度网络模型为梯度提升决策树网络模型GBDT。
在一种可选的实现方式中,本实施例的GBDT模型的映射公式(2)为:
其中,confidence为置信度,用于表征基于卷积神经网络模型的输出获取的定位信息的可信度。可选的,本实施例基于训练数据获得多个特征图,根据特征图中的非空特征像素占比训练GBDT模型,回归预测位置与样本的卫星定位位置之间的误差距离,并根据误差距离和上述映射公式获取置信度confidence。由此,本实施例可以在预测位置的同时,对得到的定位信息进行置信度评估,以作为其他业务的依据。
本发明实施例根据定位请求中的基站信号对应的基站标识确定各基站分别对应的至少一个聚簇点,并根据各聚簇点确定指纹信息对应的中心点,根据中心点确定多个输入网格,根据各输入网格对应的特征信息确定多个特征图,将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息,其中,至少一种特征信息与所述指纹信息相关,由此,本发明实施例可以较为方便地扩展特征信息,减小特征信息的损失,提高定位的准确度。
图9是本发明实施例的获取多个特征图的过程示意图。如图9所示,假设用户在位置Q处使用终端设备发送定位请求,定位请求包括指纹信息,指纹信息至少包括终端设备扫描到的基站信号对应的基站标识和基站信号强度。可选的,指纹信息还可以包括终端设备扫描到的无线访问接入点AP的标识(例如名称、MAC地址等)和AP信号强度。之后,根据基站标识确定各基站分别对应的聚簇点,并根据各聚簇点确定该定位请求中的指纹信息对应的中心点p1,以中心点p1所在网格为中心网格,向外扩展得到M*M个输入网格Pin1。根据各输入网格对应的特征信息,例如各输入网格与定位请求中额指纹信息的匹配概率fp,i、各输入网格中的最大信号强度RSSImax、最小信号强度RSSImin、各网格的热度信息heat、地理信息等,确定多个特征图。其中,将各输入网格对应的特征信息的特征值填入对应的特征图的各像素中,得到该特征信息对应的特征图。由此,假设各输入网格具有c个特征信息,则可以得到c个尺寸为M*M的特征图。
在本实施例中,输入网格的各特征信息中至少一种特征信息与定位请求中的指纹信息相关。由此,即使计算获得的中心点相同,但是由于定位请求中的指纹信息不同,则与指纹信息相关的特征信息也不同,最终获取的定位信息也不同。同时,通过使得定位请求中的某些特征被引入卷积神经网络中进行处理,进一步减小了特征信息的损失,提高了定位的准确度。
图10是本发明实施例的一种定位模型的示意图。如图10所示,在本实施例中,定位模型包括预先训练的CNN模型和GBDT模型。其中,CNN模型用于预测定位请求对应的当前位置信息,GBDT模型用于获得根据CNN模型获取的当前位置信息的置信度。
在本实施例中,将获取的c个尺寸为M*M特征图输入至预先训练的CNN模型中,输出相对于中心点的经度偏移Δlon和纬度偏移Δlat,根据中心点p1的位置坐标和CNN模型输出的经度偏移Δlon和纬度偏移Δlat计算获得当前位置L的定位信息。
通过计算各特征图对应的非空特征像素占比,将各特征图的非空特征像素占比作为特征(特征101)输入至GBDT模型中进行特征处理,获得误差距离,根据上述映射公式得到对应的置信度confidence。可选的,非空特征像素占比可以为特征图中像素值不为0的像素数与总像素数的比值,例如在图7所示的特征信息对应的特征图7,特征图的大小为12*12,其中像素值不为零的像素数为62个,则特征图7对应的非空特征像素占比为62/144。
本实施例通过定位请求中的指纹信息和指纹信息中的基站的聚簇点确定中心点,并根据中心点确定输入网格,根据输入网格的特征信息确定该定位请求对应的特征图,将多个特征图输入至预先训练的CNN模型中,输出相对于中心点位置坐标的位置偏移,根据位置偏移确定当前的定位信息,并将各特征图的非空特征像素占比作为特征输入至置信度网络模型中以获取预测的定位信息的置信度。由此,本实施例可以减小特征信息的损失,提高定位的准确度,同时,可以对得到的定位信息进行置信度评估,以作为其他业务的依据。
图11是本发明实施例的卷积神经网络模型的示意图。如图11所示,在本实施例中,卷积神经网络模型包括三个卷积层conv1-conv3以及三个全连接层connect1-connect3,其中,在第一个卷积层conv1,采用3*3、5*5和7*7三个尺寸的卷积核进行特征处理,在第二个卷积层和第三个卷积层均采用尺寸为5*5的卷积核进行特征处理,在每次卷积后,采用池化层Max_pooling进行处理。本实施例采用多种不同尺寸的卷积核能够有效的提取不同感受野上的特征,由此,可以进一步减小特征信息的损失。特征图经过三个卷积层conv1-conv3处理后得到对应的特征向量113,将特征向量113输入至第一个全连接层connect1。神经网络模型还包括全局特征提取层111,全局特征提取层111引入定位请求中对应的全局特征,例如发出定位请求的终端扫描到的基站信号强度等,将定位请求中对应的全局特征离散化后得到对应的特征向量112,将特征向量112输入至第一个全连接层connect1,特征向量112和特征向量113在经过全连接层connect1-connect3处理后输出位置偏移,也即相对于中心点的经度偏移Δlon和纬度偏移Δlat,可根据中心点的位置坐标、相对于中心点的经度偏移Δlon和纬度偏移Δlat计算本次定位请求对应的定位信息。应理解,本实施例并不限制卷积神经网络中的卷积层的层数、卷积核的尺寸,可根据实际应用场景进行适当调整。
本实施例通过卷积神经网络对获取的特征图进行卷积处理、池化处理和全连接处理以获取定位信息,其中,通过引入定位请求中对应的全局特征和经过卷积处理的特征图一起输入至全连接层进行处理,使得定位请求中的指纹信息进一步参与位置的预测,由此,可以进一步减小特征信息的丢失,提高定位的准确度。
图12是本发明实施例的定位装置的示意图。如图12所示,本发明实施例的定位装置12包括请求接收单元121、聚簇点确定单元122、中心点确定单元123、输入网格确定单元124、特征图确定单元125和定位信息获取单元126。
请求接收单元121被配置为接收定位请求,所述定位请求包括当前位置对应的指纹信息,所述指纹信息包括在所述当前位置扫描到的至少一个基站信号对应的基站标识和信号强度。聚簇点确定单元122被配置为根据所述基站标识确定基站对应的至少一个聚簇点,所述基站的聚簇点包括至少一个位置信息。中心点确定单元123被配置为根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点。输入网格确定单元124被配置为根据所述中心点确定多个输入网格,所述输入网格为预先划分的地理区域。特征图确定单元125被配置为根据各输入网格对应的特征信息确定多个特征图,所述特征图的各像素的值对应于所述各输入网格的特征信息,其中,至少一种特征信息与所述指纹信息相关。定位信息获取单元125被配置为将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。
本发明实施例根据定位请求中的基站信号对应的基站标识确定各基站分别对应的至少一个聚簇点,并根据各聚簇点确定指纹信息对应的中心点,根据中心点确定多个输入网格,根据各输入网格对应的特征信息确定多个特征图,将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息,其中,至少一种特征信息与所述指纹信息相关,由此,本发明实施例可以较为方便地扩展特征信息,减小特征信息的损失,提高定位的准确度。
图13是本发明实施例的电子设备的示意图。如图13所示,图13所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器131和存储器132。处理器131和存储器132通过总线133连接。存储器132适于存储处理器131可执行的指令或程序。处理器131可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器131通过执行存储器132所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线133将上述多个组件连接在一起,同时将上述组件连接到显示控制器134和显示装置以及输入/输出(I/O)装置135。输入/输出(I/O)装置135可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置135通过输入/输出(I/O)控制器136与系统相连。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种定位方法,其特征在于,所述方法包括:
接收定位请求,所述定位请求包括当前位置对应的指纹信息,所述指纹信息包括在所述当前位置扫描到的至少一个基站信号对应的基站标识和信号强度;
根据所述基站标识确定基站对应的至少一个聚簇点,所述基站的聚簇点包括至少一个位置信息;
根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点;
根据所述中心点确定多个输入网格,所述输入网格为预先划分的地理区域;
根据各输入网格对应的特征信息确定多个特征图,所述特征图的各像素的值对应于所述各输入网格的特征信息,其中,至少一种特征信息与所述指纹信息相关;
将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。
2.根据权利要求1所述的方法,其特征在于,根据所述基站标识确定基站对应的至少一个聚簇点包括:
获取所述基站标识对应的至少一个历史定位记录,所述历史定位记录包括所述基站标识和对应的位置信息;
根据所述至少一个历史定位记录确定所述基站的至少一个聚簇点。
3.根据权利要求1所述的方法,其特征在于,根据所述基站标识确定基站对应的至少一个聚簇点包括:
根据所述基站标识查询基站聚簇点数据库,确定所述基站对应的至少一个聚簇点,所述基站聚簇点数据库根据预定时间段内的多个历史定位记录确定。
4.根据权利要求1-3中任一项所述的方法,其特征在于,根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点包括:
将与各聚簇点的总距离最短的位置确定为所述中心点。
5.根据权利要求1所述的定位方法,其特征在于,将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息包括:
将所述多个特征图输入至所述卷积神经网络模型进行特征处理,输出位置偏移,所述位置偏移为所述定位信息相对于所述中心点位置的偏移;
根据所述位置偏移和所述中心点位置获取所述定位信息。
6.根据权利要求1所述的定位方法,其特征在于,所述特征信息包括各所述输入网格接收到的基站信号强度与所述定位请求中的基站信号强度的匹配概率。
7.根据权利要求1所述的定位方法,其特征在于,所述指纹信息还包括当前扫描到的无线访问接入点AP的标识和信号强度;
所述特征信息包括各输入网格接收到的无线访问接入点AP的信号强度与定位请求中的AP的信号强度的匹配概率。
8.根据权利要求1所述的定位方法,其特征在于,所述特征信息还包括各输入网格的热度信息、地理信息、各输入网格中扫描到最小信号强度、各输入网格中扫描到最大信号强度中的至少一项;
其中,所述热度信息用于表征对应的输入网格的可到达状态和预定时间段的到达次数。
9.根据权利要求1所述的定位方法,其特征在于,所述方法还包括:
根据置信度网络模型获取所述定位信息的置信度。
10.根据权利要求9所述的定位方法,其特征在于,根据置信度网络模型获取所述定位信息的置信度包括:
计算各所述特征图中的非空特征像素占比;
将所述非空特征像素占比输入至所述置信度网络模型以确定所述定位信息的置信度。
11.根据权利要求1所述的定位方法,其特征在于,所述特征信息还包括各所述输入网格与主基站的通信关系、与所述主基站相邻的多个基站的信号强度匹配概率之和、各所述输入网格到前基站的中心的距离、各所述输入网格与所述前基站的通信关系以及前基站的热度信息之和中的至少一项;
其中,所述主基站为所述定位请求对应的终端当前所连接的基站,所述前基站为所述终端在连接所述主基站之前连接的基站。
12.一种定位装置,其特征在于,所述装置包括:
请求接收单元,被配置为接收定位请求,所述定位请求包括当前位置对应的指纹信息,所述指纹信息包括在所述当前位置扫描到的至少一个基站信号对应的基站标识和信号强度;
聚簇点确定单元,被配置为根据所述基站标识确定基站对应的至少一个聚簇点,所述基站的聚簇点包括至少一个位置信息;
中心点确定单元,被配置为根据所述指纹信息中的各基站的聚簇点确定所述指纹信息对应的中心点;
输入网格确定单元,被配置为根据所述中心点确定多个输入网格,所述输入网格为预先划分的地理区域;
特征图确定单元,被配置为根据各输入网格对应的特征信息确定多个特征图,所述特征图的各像素的值对应于所述各输入网格的特征信息,其中,至少一种特征信息与所述指纹信息相关;
定位信息获取单元,被配置为将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。
13.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时以实现如权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148752.8A CN111417066B (zh) | 2020-03-05 | 2020-03-05 | 定位方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148752.8A CN111417066B (zh) | 2020-03-05 | 2020-03-05 | 定位方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111417066A true CN111417066A (zh) | 2020-07-14 |
CN111417066B CN111417066B (zh) | 2021-01-05 |
Family
ID=71494070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148752.8A Active CN111417066B (zh) | 2020-03-05 | 2020-03-05 | 定位方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111417066B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111954154A (zh) * | 2020-08-19 | 2020-11-17 | 北京京东振世信息技术有限公司 | 定位方法及装置、计算机可读存储介质以及电子设备 |
CN112469116A (zh) * | 2020-10-27 | 2021-03-09 | 北京嘀嘀无限科技发展有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
CN113676833A (zh) * | 2021-07-21 | 2021-11-19 | 北京三快在线科技有限公司 | 一种定位方法和装置 |
CN114269006A (zh) * | 2021-12-24 | 2022-04-01 | 河海大学 | 一种基于信息增益率的室内ap聚类选取方法和设备 |
CN114501618A (zh) * | 2022-04-06 | 2022-05-13 | 深圳依时货拉拉科技有限公司 | 定位模型训练方法、定位方法和计算机可读存储介质 |
GB2617546A (en) * | 2022-04-01 | 2023-10-18 | Vodafone Group Services Ltd | Methods and apparatus for determining a geographic location of an electronic device |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN108282743A (zh) * | 2018-03-05 | 2018-07-13 | 桂林理工大学 | 室内定位方法、装置及系统 |
CN109218983A (zh) * | 2018-06-28 | 2019-01-15 | 中国人民解放军国防科技大学 | 一种定位方法及定位系统 |
CN109640262A (zh) * | 2018-11-30 | 2019-04-16 | 哈尔滨工业大学(深圳) | 一种基于混合指纹的定位方法及系统、设备、存储介质 |
CN110166991A (zh) * | 2019-01-08 | 2019-08-23 | 腾讯大地通途(北京)科技有限公司 | 用于定位电子设备的方法、设备、装置以及存储介质 |
CN110650436A (zh) * | 2019-06-25 | 2020-01-03 | 北京航空航天大学 | 基于WiFi数据的位置指纹库建立与拟合方法 |
US20200015318A1 (en) * | 2013-10-08 | 2020-01-09 | Parallel Wireless, Inc. | Parameter Optimization and Event Prediction Based on Cell Heuristics |
CN110719568A (zh) * | 2018-07-13 | 2020-01-21 | 腾讯大地通途(北京)科技有限公司 | 一种室内定位方法、装置、介质以及设备 |
-
2020
- 2020-03-05 CN CN202010148752.8A patent/CN111417066B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200015318A1 (en) * | 2013-10-08 | 2020-01-09 | Parallel Wireless, Inc. | Parameter Optimization and Event Prediction Based on Cell Heuristics |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN108282743A (zh) * | 2018-03-05 | 2018-07-13 | 桂林理工大学 | 室内定位方法、装置及系统 |
CN109218983A (zh) * | 2018-06-28 | 2019-01-15 | 中国人民解放军国防科技大学 | 一种定位方法及定位系统 |
CN110719568A (zh) * | 2018-07-13 | 2020-01-21 | 腾讯大地通途(北京)科技有限公司 | 一种室内定位方法、装置、介质以及设备 |
CN109640262A (zh) * | 2018-11-30 | 2019-04-16 | 哈尔滨工业大学(深圳) | 一种基于混合指纹的定位方法及系统、设备、存储介质 |
CN110166991A (zh) * | 2019-01-08 | 2019-08-23 | 腾讯大地通途(北京)科技有限公司 | 用于定位电子设备的方法、设备、装置以及存储介质 |
CN110650436A (zh) * | 2019-06-25 | 2020-01-03 | 北京航空航天大学 | 基于WiFi数据的位置指纹库建立与拟合方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111954154A (zh) * | 2020-08-19 | 2020-11-17 | 北京京东振世信息技术有限公司 | 定位方法及装置、计算机可读存储介质以及电子设备 |
CN112469116A (zh) * | 2020-10-27 | 2021-03-09 | 北京嘀嘀无限科技发展有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
CN112469116B (zh) * | 2020-10-27 | 2023-06-16 | 北京嘀嘀无限科技发展有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
CN113676833A (zh) * | 2021-07-21 | 2021-11-19 | 北京三快在线科技有限公司 | 一种定位方法和装置 |
CN114269006A (zh) * | 2021-12-24 | 2022-04-01 | 河海大学 | 一种基于信息增益率的室内ap聚类选取方法和设备 |
GB2617546A (en) * | 2022-04-01 | 2023-10-18 | Vodafone Group Services Ltd | Methods and apparatus for determining a geographic location of an electronic device |
CN114501618A (zh) * | 2022-04-06 | 2022-05-13 | 深圳依时货拉拉科技有限公司 | 定位模型训练方法、定位方法和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111417066B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111836358B (zh) | 定位方法、电子设备和计算机可读存储介质 | |
CN111417066B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN111464938B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN106912105B (zh) | 基于pso_bp神经网络的三维定位方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN106912018A (zh) | 基于信令轨迹的地图匹配方法及系统 | |
CN108120436A (zh) | 一种iBeacon辅助地磁室内实景导航方法 | |
CN108828643B (zh) | 一种基于灰色预测模型的室内外无缝定位系统及方法 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN112218330A (zh) | 定位方法及通信装置 | |
CN107547598A (zh) | 一种定位方法、服务器及终端 | |
CN112469116B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN111488527B (zh) | 位置推荐方法、装置、电子设备和计算机可读存储介质 | |
CN112328728A (zh) | 挖掘出行者轨迹的聚类方法、装置、电子装置和存储介质 | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
Bal et al. | Regression of large-scale path loss parameters using deep neural networks | |
CN106658538B (zh) | 一种基于泰森多边形的手机基站信号覆盖范围模拟方法 | |
CN108924734B (zh) | 一种三维传感器节点定位方法及系统 | |
WO2021103027A1 (en) | Base station positioning based on convolutional neural networks | |
CN114599004B (zh) | 一种基站布局方法和装置 | |
CN112399555B (zh) | 一种位置定位的方法、装置、可读存储介质和电子设备 | |
CN112381078B (zh) | 基于高架的道路识别方法、装置、计算机设备和存储介质 | |
Khandker et al. | Positioning error prediction and training data evaluation in rf fingerprinting method | |
CN111694035A (zh) | 差分定位方法、装置、终端及存储介质 |
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 |