CN111428819A - 一种基于堆叠自编码网络和svm的csi室内定位方法 - Google Patents
一种基于堆叠自编码网络和svm的csi室内定位方法 Download PDFInfo
- Publication number
- CN111428819A CN111428819A CN202010344773.7A CN202010344773A CN111428819A CN 111428819 A CN111428819 A CN 111428819A CN 202010344773 A CN202010344773 A CN 202010344773A CN 111428819 A CN111428819 A CN 111428819A
- Authority
- CN
- China
- Prior art keywords
- csi
- fingerprint
- coding
- sparse
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 29
- 239000010410 layer Substances 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000011229 interlayer Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005562 fading Methods 0.000 abstract description 3
- 238000013145 classification model Methods 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种基于堆叠稀疏自编码网络和SVM的CSI室内定位方法，解决复杂环境下信道的不确定衰落影响了数据稳定性；Wi‑Fi多天线结构使CSI数据维度高，占用存储空间大等问题。本发明将指纹定位方案中融入表示学习思想，压缩指纹库体积的同时进一步提升CSI室内定位系统的运行效率与精确度。在指纹定位离线阶段，搭建并训练SSAE特征提取网络，尽量保证CSI初始指纹数据无损的同时提取深层有效特征，保留编码模型后建立离线指纹数据库，训练SVM分类模型；在线阶段，通过保存的SSAE编码模型对实时采集的CSI数据进行稀疏编码，使用SVM分类器对目标位置完成实时估计。分类器输出定位结果取加权平均后，解得目标实时位置。
Description
技术领域
本发明涉及室内定位领域，具体涉及一种基于堆叠自编码网络(Stacked SparseAuto-encoder,SSAE)特征提取和支持向量机(Support Vector Machine,SVM)的无线信道状态信息(Channel State Information,CSI)室内定位方法。通过SSAE提取参考点CSI数据深层有效特征，建立稀疏定位指纹数据库，随后构建核支持向量机分类器实现物理位置确定。
背景技术
随着近年来通信技术与信息化产业的飞速发展，移动互联网的衍生服务在人们的日常生活中扮演着越来越重要的角色。其中，基于位置的信息服务(Location-BasedService,LBS)最早通过卫星信号射频与距离解算等方式，实现了对用户智能终端的在线实时位置获取。LBS逐渐普及，为人们的日常生活带来极大的便利。
由于人们生活环境中Wi-Fi信号的覆盖率极广，设备搭建简易，成本低廉，接入无线局域网也已成为智能设备的基础功能，Wi-Fi室内定位技术具有广阔的发展前景。CSI是物理层通信链路的信道属性，描述了信号在每条传输路径上的衰弱因子，能够用于表达信号散射、功率衰减等信息，较信号强度信息具有更好的细粒度，更适用于作为用于定位服务的位置指纹。但非视距效应、多径传播、信道随机性衰落导致基于CSI的Wi-Fi室内定位方案在复杂环境中，定位精度、稳定性不足，且细粒度的信号传播描述导致定位指纹数据库体积庞大，算法复杂度高，系统实时性难以保证。
发明内容
本发明提出基于SSAE-SVM的CSI室内定位方法：通过SSAE提取参考点CSI数据深层有效特征，生成稀疏定位指纹数据库，随后构建核SVM分类器实现目标位置确定。本发明通过SSAE获得CSI指纹的稀疏编码，有效改善指纹室内定位算法中CSI时变性对定位精度的影响，减少冗余特征与噪声，通过稀疏指纹库与核SVM分类器获得精确目标位置。
参考图1，本发明所采取的技术方案包括：
离线阶段：在室内参考点位置采集CSI数据并进行预处理，联合CSI幅值与相位信息生成初始指纹数据。参考图2使用初始指纹数据训练堆叠自编码网络进行指纹特征提取，生成CSI稀疏指纹编码，得到所有参考点处CSI稀疏指纹后结合参考点物理坐标建立指纹数据库，并保存编码网络模型。随后使用指纹库内数据训练核SVM分类器，保存模型。
在线阶段：通过采集设备实时采集CSI并进行预处理，使用保存的SSAE编码器模型转换为实时CSI稀疏编码，随后通过核SVM分类器进行实时物理坐标解算，完成定位任务。
离线建库与模型训练模块中包括：
(1)CSI采集与预处理
用于在参考点采集CSI数据。以50ms为间隔，使用采集设备将收发设备间CSI数据包以二进制文件形式保存在本地。
CSI矩阵形式近似为：
i为子载波序号。其中幅值信息|Hi|为功率衰减的映射，相位信息∠Hi为相位偏移。
解析CSI幅值信息与相位信息，对CSI幅值使用Hampel滤波算法进行异常值处理，将每秒采集的数据包为间隔设置滑动窗口，当数据与窗口中位数相差大于2倍中值绝对误差时，判为异常值并替换为窗口中位数。对相位信息通过线性变换进行校正，假设在当前标准协议下OFDM系统将信道划分为S个子载波，设第i个子载波的采集相位为
则线性变换后第个子载波相位
表示为：
幅值滤波与相位校正后，初始指纹进行归一化：
式中fps,d为第d个指纹特征的第s个数据点，max(fpd)、min(fpd)分别为第d个指纹特征的全局最大、最小值。
(2)SSAE特征提取与建库：
参考图3搭建SSAE网络。确定至少一个隐层的深度神经网络层数，随后使用粒子群优化算法确定各层神经元个数，适应度函数设置为样本重构误差，搭建全连接的神经网络结构；将初始CSI定位指纹输入网络，当前隐层建立编码-解码结构，参考图4生成临时稀疏自动编码器。设置激活函数为sigmoid函数。使用绝对均方误差体现指纹向量编码前、后的重构误差，选择KL散度(Kullback-Leibler Divergence)稀疏度评价标准，结合生成临时稀疏自动编码器的损失函数JSAE(W,b)，表示为：
式中x(i)为第i个训练样本，y(i)为第i个解码输出，m为指纹样本总数，β为稀疏项系数。DKL为KL散度函数，p为稀疏常数，用于代表期望的稀疏分布；qj表示编码器输出值中第j个特征的平均激活度。
使用反向传播迭代优化权重矩阵，当重构误差收敛至全局最小时结束训练，舍弃解码结构，保留权值矩阵，保留编码部分输出特征向量作为下一隐层输入。
进入下一隐层，重复为当前隐层建立稀疏自编码结构，直到所有隐层对应的稀疏自动编码器全部训练完毕。
将已生成网络的权重矩阵作为初始化值，在网络末尾添加相反结构的解码网络，权值矩阵为编码网络的转置，重新训练深度网络，对网络整体进行权值微调。当指纹解码数据与输入数据的重构误差收敛至全局最小值时结束训练。
舍弃解码网络，保存编码网络模型。取编码网络尾层输出数据作为CSI稀疏编码，结合对应参考点坐标存入数据库，生成稀疏指纹库。
(3)SVM定位模型构建
使用稀疏指纹库内指纹数据训练SVM分类器。寻找超平面，最大化异类支持向量与超平面的间隔。训练采用网格搜索和交叉验证，找到使分类误差最小的SVM关键参数松弛参数C、核函数k。训练完成后保留分类器模型。
在线实时定位阶段包括：
1)CSI实时采集与预处理
对实时CSI进行采集，使用与离线阶段相同的幅值滤波、相位校正的方法进行预处理，随后二者联立生成CSI实时初始指纹。
2)SSAE实时编码
将CSI实时初始指纹输入离线阶段训练完成的SSAE编码网络结构，输出得到实时CSI指纹的稀疏编码。
3)SVM实时定位
使用离线阶段训练完成的SVM分类器对实时CSI稀疏编码进行分类，取得分类结果后通过加权平均的形式取得目标定位坐标。
本发明提出基于SSAE-SVM的CSI室内定位方法，在指纹定位离线阶段进行CSI采集与预处理模块、SSAE特征提取与建库、SVM定位模型构建，在线阶段及进行CSI实时采集与预处理、SSAE实时编码、SVM实时定位。利用Wi-Fi信道状态信息实现室内定位，并通过SSAE-SVM的定位算法减少了信道随机衰落、多径效应的影响，提高定位系统精度与稳定性，同时本发明大幅减少了定位指纹库体积，有效解决传统基于Wi-Fi信号的室内定位算法精度、稳定性不足的问题。
附图说明
图1是定位系统原理框图
图2为离线阶段本发明SSAE结合SVM定位算法流程图
图3是SSAE网络基本结构图
图4是稀疏自编码器基本结构图
图5是室内定位场景图
具体实施方式
参考图5，为布置了单一WLAN接入点的室内定位场景，面积为96平方米。
本发明定位系统原理框图参见图1。离线阶段，在参考点采集CSI数据并进行预处理，联合CSI幅值与相位信息生成初始指纹数据。随后使用初始指纹数据训练堆叠自编码网络并进行指纹特征提取，输出C稀疏指纹编码，结合参考点物理坐标建立指纹数据库，保存编码网络部分模型。随后使用指纹库内数据训练核SVM分类器并保存。在线阶段，实时采集CSI并进行预处理，使用保存的SSAE编码网络转换为实时CSI稀疏编码，随后通过核SVM分类器进行实时目标位置估计。具体实施步骤如下：
(1)为待定位区域建立室内坐标系，以一定间隔设置参考点，记录每个参考点坐标。同时在室内设置WLAN信号源。
(2)进入指纹定位离线阶段，在每个参考点处采集CSI数据包，保存至本地，进行CSI数据预处理。
其中所述的“CSI数据预处理”具体操作步骤为：
1)分别解析各天线对子载波的幅值、相位信息|Hi|与∠Hi
2)对CSI幅值进行Hampel滤波，对CSI幅值以一定间隔设置滑动窗口，当数据与窗口中位数相差大于一定倍数的中值绝对误差时，替换为窗口中位数。
3)对CSI相位进行线性变换，对IEEE 802.11n协议下OFDM系统信道的30个子载波，设第i个子载波的采集相位为
则线性变换后第i个子载波相位
可表示为：
4)预处理后幅值与相位信息联立生成一条位置指纹，进行归一化处理：
fps,d为第d个指纹特征的第s个数据点，max(fpd)、min(fpd)为第d个指纹特征的全局最大最小值。取得CSI初始指纹形式为fp＝[a11,a12,...,acr,p11,p12,...,pcr]。其中a为天线对幅值，p为天线对相位，c、r分别为收发设备天线数量。由于每个天线对对应30个子载波数据，故初始指纹特征空间维度为c×r×30维。
(3)SSAE模型训练并对初始指纹进行特征提取。
其中SSAE特征提取算法如下所示：
1)建立全连接的深度神经网络结构，设置网络深度至少为1，使用粒子群优化算法确定各层神经元个数，适应度函数为样本重构误差；
2)传入初始CSI指纹数据；
3)为当前隐层建立编码-解码结构，生成临时稀疏自动编码器。设置编码器、解码器激活函数为sigmoid函数；
4)结构确定后开始进行无监督预训练，更新层间权值、偏置矩阵。网络权值更新采用反向传播法，更新表达式为：
其中JSAE(W,b)为稀疏自编码器损失函数，
代表第l层网络中第n个神经元连接到第l+1层网络中第m个神经元的权重，偏置
同理。预训练进行至重构误差舍弃解码结构，保留隐层输出特征向量作为下层稀疏自编码结构输入；
5)进入下一隐层，重复步骤3)、4)，直到所有隐层对应SAE全部训练完毕；
6)将已生成网络的权重矩阵作为初始化值，在网络末尾添加相反结构的解码网络，权值矩阵为编码网络的转置，重新训练深度网络并对网络整体进行权值微调，直至误差收敛。
7)舍弃解码网络，保存编码网络模型。取编码网络尾层输出数据作为最终CSI指纹，生成稀疏指纹库。
(4)通过指纹库内指纹数据训练SVM分类器，将分类问题的求解转化为在特征空间搜索最优划分超平面的过程，优化目标为最大化超平面与最邻近样本距离。寻找超平面，最大化异类支持向量与超平面的间隔。训练采用网格搜索和交叉验证，找到使分类误差最小化的松弛参数C、核函数k。训练完成后保留最优分类器模型。
(5)在线阶段，通过步骤1)的方式对实时采集的CSI数据进行采集与预处理，生成实时CSI树池指纹。
(6)输入保存的SSAE编码网络模型，输出得到CSI稀疏编码指纹，供后续机器学习分类器完成目标位置解算使用。
(7)SVM模型的输入为CSI实时稀疏编码，最终定位结果取为SVM输出定位结果的加权均值。假设分类器在某参考点共输出N个分类结果，每个分类器输出为(xloc,yloc)，loc∈[1,N]，则最终定位结果
计算方式为：
Claims (5)
1.一种基于堆叠自编码网络和SVM的CSI室内定位方法，其特征在于，包括：
指纹定位离线阶段，在室内参考点处采集CSI数据并进行预处理，联合CSI幅值与相位信息生成初始指纹数据；
使用初始指纹数据训练SSAE进行指纹特征提取，生成CSI稀疏指纹编码，得到所有参考点处CSI稀疏指纹后结合参考点物理坐标建立指纹数据库，并保存编码网络模型；
训练SVM分类器，进行参数调优，并保存分类器模型；
指纹定位在线阶段，通过采集设备实时采集CSI并进行预处理，使用保存的SSAE编码器模型转换为实时CSI稀疏编码，随后通过核SVM分类器进行实时物理坐标解算。
2.根据权利要求1所述的一种基于SSAE特征提取的CSI室内定位方法，其特征在于，所述离线阶段的CSI数据采集与预处理，包括：
在每个室内参考点，以50ms为间隔，使用采集设备将收发设备间CSI数据包以二进制文件形式保存在本地；
解析CSI幅值信息与相位信息，对CSI幅值使用Hampel滤波算法进行异常值处理，将每秒采集的数据包为间隔设置滑动窗口，当数据与窗口中位数相差大于2倍中值绝对误差时，判为异常值并替换为窗口中位数；随后对相位信息通过线性变换进行校正，假设在当前标准协议下OFDM系统将信道划分为S个子载波，设第i个子载波的采集相位为
则线性变换后第个子载波相位
表示为：
预处理后幅值与相位信息经归一化，联立成CSI初始指纹，形式为fp＝[a11,a12,...,acr,p11,p12,...,pcr]；其中a为天线对幅值，p为天线对相位，c、r分别为收发设备天线数量；初始指纹库特征空间维度为c×r×S。
3.根据权利要求1所述的一种基于堆叠自编码网络特征提取的无线信道状态信息室内定位方法，其特征在于，所述训练SSAE进行指纹提取所用方法为：
(1)贪心逐层预训练
确定至少一个隐层的深度神经网络层数，随后使用粒子群优化算法确定各层神经元个数，适应度函数设置为样本重构误差，进而搭建全连接的神经网络结构；将初始CSI定位指纹输入网络，当前隐层建立编码-解码结构，生成临时稀疏自动编码器；设置激活函数为sigmoid函数；对临时稀疏自编码器的损失函数，使用绝对均方误差体现指纹向量编码前、后的重构误差，选择KL散度(Kullback-Leibler Divergence)稀疏度评价标准；则最终损失函数JSAE(W,b)表示为：
x(i)为第i个训练样本，y(i)为第i个解码输出，m为指纹样本总数，DKL为KL散度函数，β为稀疏项系数；p为稀疏常数，用于代表期望的稀疏分布；qj表示编码器输出值中第j个特征的平均激活度；
使用反向传播算法训练临时稀疏自编码器，当重构误差收敛至全局最小值时结束训练，保留编码部分的权值矩阵，保留编码部分输出向量作为SSAE下一隐层的输入；
重复上述步骤，直到SSAE各隐层全部预训练完成；
(2)微调
建立与编码网络呈镜像结构的解码网络，层间权值设置为预训练阶段编码网络各全连接层权值矩阵转置，作为初始化参数；随后直接对整体深度网络进行反向传播迭代训练，当指纹解码数据与输入数据的重构误差收敛至全局最小值结束该阶段；
训练后舍弃解码网络结构，保留SSAE编码网络部分。
4.根据权利要求1所述的一种基于堆叠自编码网络特征提取的无线信道状态信息室内定位方法，其特征在于，所述训练SVM分类器所用方法为：
使用稀疏指纹库内指纹数据训练SVM分类器；寻找超平面，最大化异类支持向量与超平面的间隔；训练采用网格搜索和交叉验证，找到使分类误差最小的SVM关键参数松弛参数C、核函数k；训练完成后保留分类器模型。
5.根据权利要求1所述的一种基于堆叠自编码网络特征提取的无线信道状态信息室内定位方法，其特征在于，所述指纹定位在线阶段包括：CSI实时采集与预处理，SSAE实时稀疏编码输出，SVM实时目标位置解算；所用方法为：
确保与离线状态使用相同的无线接入点，使用采集设备在室内范围内实时采集信号收发设备间的CSI数据包；幅值滤波与相位校正的方法与离线阶段一致；经过归一化后，指纹形式同样为fp＝[a11,a12,...,acr,p11,p12,...,pcr]；
实时CSI初始指纹输入离线状态保存的SSAE编码网络，得到实时CSI的稀疏编码；
最后将上述处理好的数据使用离线阶段保存的SVM分类器模型进行坐标匹配，匹配结果经加权平均后输出目标位置物理坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010344773.7A CN111428819B (zh) | 2020-04-27 | 2020-04-27 | 一种基于堆叠自编码网络和svm的csi室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010344773.7A CN111428819B (zh) | 2020-04-27 | 2020-04-27 | 一种基于堆叠自编码网络和svm的csi室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111428819A true CN111428819A (zh) | 2020-07-17 |
| CN111428819B CN111428819B (zh) | 2024-07-05 |
Family
ID=71556972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010344773.7A Active CN111428819B (zh) | 2020-04-27 | 2020-04-27 | 一种基于堆叠自编码网络和svm的csi室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428819B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111854732A (zh) * | 2020-07-27 | 2020-10-30 | 天津大学 | 一种基于数据融合和宽度学习的室内指纹定位方法 |
| CN112533136A (zh) * | 2020-11-26 | 2021-03-19 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
| CN112867021A (zh) * | 2021-01-13 | 2021-05-28 | 合肥工业大学 | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
| CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN113743537A (zh) * | 2021-09-26 | 2021-12-03 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
| CN114125702A (zh) * | 2021-11-12 | 2022-03-01 | 东南大学 | 一种基于蒙特卡罗算法的位置信息指纹化保护方法 |
| WO2023133886A1 (zh) * | 2022-01-17 | 2023-07-20 | Oppo广东移动通信有限公司 | 信道信息反馈的方法、发端设备和收端设备 |
| WO2024050701A1 (zh) * | 2022-09-06 | 2024-03-14 | 华为技术有限公司 | 定位方法、电子设备、计算机可读存储介质及芯片系统 |
| CN118118855A (zh) * | 2024-04-28 | 2024-05-31 | 南京信息工程大学 | 一种基于多模态融合和深度学习的无线室内定位方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110012428A (zh) * | 2019-05-22 | 2019-07-12 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
| CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
| CN110636466A (zh) * | 2019-09-06 | 2019-12-31 | 联泰集群（北京）科技有限责任公司 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
-
2020
- 2020-04-27 CN CN202010344773.7A patent/CN111428819B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110012428A (zh) * | 2019-05-22 | 2019-07-12 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
| CN110381440A (zh) * | 2019-06-16 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的联合rss与csi的指纹室内定位方法 |
| CN110636466A (zh) * | 2019-09-06 | 2019-12-31 | 联泰集群（北京）科技有限责任公司 | 一种机器学习下基于信道状态信息的WiFi室内定位系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111854732A (zh) * | 2020-07-27 | 2020-10-30 | 天津大学 | 一种基于数据融合和宽度学习的室内指纹定位方法 |
| CN111854732B (zh) * | 2020-07-27 | 2024-02-13 | 天津大学 | 一种基于数据融合和宽度学习的室内指纹定位方法 |
| CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN112533136A (zh) * | 2020-11-26 | 2021-03-19 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
| CN112867021A (zh) * | 2021-01-13 | 2021-05-28 | 合肥工业大学 | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
| CN113743537A (zh) * | 2021-09-26 | 2021-12-03 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
| CN113743537B (zh) * | 2021-09-26 | 2024-07-09 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
| CN114125702A (zh) * | 2021-11-12 | 2022-03-01 | 东南大学 | 一种基于蒙特卡罗算法的位置信息指纹化保护方法 |
| CN114125702B (zh) * | 2021-11-12 | 2024-03-01 | 东南大学 | 一种基于蒙特卡罗算法的位置信息指纹化保护方法 |
| WO2023133886A1 (zh) * | 2022-01-17 | 2023-07-20 | Oppo广东移动通信有限公司 | 信道信息反馈的方法、发端设备和收端设备 |
| WO2024050701A1 (zh) * | 2022-09-06 | 2024-03-14 | 华为技术有限公司 | 定位方法、电子设备、计算机可读存储介质及芯片系统 |
| CN118118855A (zh) * | 2024-04-28 | 2024-05-31 | 南京信息工程大学 | 一种基于多模态融合和深度学习的无线室内定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111428819B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428819A (zh) | 一种基于堆叠自编码网络和svm的csi室内定位方法 | |
| Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
| CN111160108B (zh) | 一种无锚点的人脸检测方法及系统 | |
| CN106941718B (zh) | 一种基于信号子空间指纹库的混合室内定位方法 | |
| CN111556431A (zh) | 一种基于信号子空间的指纹室内定位方法 | |
| CN113259288A (zh) | 基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法 | |
| CN110933633A (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
| CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
| Tsai et al. | Refined autoencoder-based CSI hidden feature extraction for indoor spot localization | |
| CN113271539A (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
| CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
| CN117650861B (zh) | 无线环境预测方法和装置、电子设备及存储介质 | |
| Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
| CN118018367A (zh) | 面向大规模mimo的模型驱动s-csi估计方法、设备及基站 | |
| CN117221816A (zh) | 一种基于Wavelet-CNN的多建筑楼层定位方法 | |
| Chen et al. | Indoor location method of interference source based on deep learning of spectrum fingerprint features in Smart Cyber-Physical systems | |
| CN117295090A (zh) | 一种面向无人机通感一体化系统的资源分配方法 | |
| Fang et al. | A lightweight deep learning-based algorithm for array imperfection correction and doa estimation | |
| Tarekegn et al. | SRCLoc: Synthetic radio map construction method for fingerprinting outdoor localization in hybrid networks | |
| Tarekegn et al. | Reduce fingerprint construction for positioning IoT devices based on generative adversarial nets | |
| CN115426713A (zh) | 一种基于图-时间卷积网络的室内定位方法及系统 | |
| CN115062754A (zh) | 一种基于优化胶囊的雷达目标识别方法 | |
| Zhang et al. | Indoor Wi-Fi fingerprint localization based on SDAE and MLP with self-attention mechanism | |
| An et al. | Channel estimation for one-bit massive MIMO based on improved cGAN | |
| Wang et al. | Graph Neural Network-Based WiFi Indoor Localization System With Access Point Selection |
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 |