CN111586605A - 基于邻近加权自适应k值的KNN的室内目标定位方法 - Google Patents
基于邻近加权自适应k值的KNN的室内目标定位方法 Download PDFInfo
- Publication number
- CN111586605A CN111586605A CN202010430421.3A CN202010430421A CN111586605A CN 111586605 A CN111586605 A CN 111586605A CN 202010430421 A CN202010430421 A CN 202010430421A CN 111586605 A CN111586605 A CN 111586605A
- Authority
- CN
- China
- Prior art keywords
- rss
- value
- fingerprint
- knn
- neighbor
- 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 37
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 101100356682 Caenorhabditis elegans rho-1 gene Proteins 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于邻近加权自适应k值的KNN的室内目标定位方法,包括如下步骤:步骤1:利用RFID设备采集的室内各个位置的RSS数据构建位置指纹数据库,位置指纹数据库包括位置集合P和信号强度值R;步骤2:利用RFID读卡天线对待定位目标采集相应信号强度值,然后利用KNN改进算法将该信号强度值和位置指纹数据库进行匹配,得到匹配程度最高的指纹,并将该指纹映射位置作为待定位目标当前位置。KNN改进算法通过计算在线测量RSS数据集与位置指纹数据库中指纹数据集的相关性得到待定位目标指纹信息对应的最优k值,并利用邻近加权的方法尽可能地减少匹配误差概率。仿真结果表示,相比于KNN和WKNN,改进的算法的匹配精度至少提升了7.1倍。
Description
技术领域
本发明涉及位置指纹定位技术,尤其涉及一种基于邻近加权自适应k值的KNN的室内目标定位方法。
背景技术
随着移动互联网的成熟,基于位置定位的移动应用服务在人们日常生活中也越来越普遍。在室外环境中,车联网、共享单车以及智慧物流等应用都是基于位置定位为人们提供服务。而在室内环境中,诸如室内导航,养老及人员看护等服务都极大的便利了人们日常的衣食住行。与此同时,相关文献表明,人们超过80%的时间都处于室内环境中,这使得人们对于室内定位服务的需求越来越高。因此,室内无线定位服务已经成为当下广泛研究的热点。
射频识别设备性能相比较于超声波、红外线、地磁定位以及超宽带这些设备,在成本上较有优势,便于推广,在定位精度上、抗干扰能力、技术要求这些因素上也有一定优势,综合起来其具有相对优势,所以本方法将以射频识别设备作为数据采集设备。而基于射频识别设备的室内定位技术主要可以分为三边测量定位法和位置指纹定位法。三边测量定位法复杂度较低,计算量不高,但受限于RFID本身设备性能,定位精度不高。而位置指纹定位法则利用信号强度值作为“指纹”数据,由于在不同位置处信号强度值并不一样,易于区分,并且在一段时间内信号强度值都比较稳定,这使得位置指纹定位法要比三边测量定位法的定位精度要高。
基于RFID的位置指纹定位方法在离线阶段构建位置-信号强度值数据库,接着在在线阶段中将采集的信号强度值与位置指纹数据库中数据进行匹配,可以映射得到待定位目标当前所处位置。位置指纹定位方法中一般采用k最近邻算法作为其匹配算法,但该算法在实际应用过程中存在由于k值固定,测距量度的选择等因素而引起无法适应数据样本特性的问题。
综上所述,如何在低廉的成本基础上,进一步提高移动目标的定位精度是目前亟待解决的问题。
发明内容
本发明的主要目的在于提供基于邻近加权自适应k值的KNN的室内目标定位方法(Weighted Aaptive K-KNN,WAK-KNN),能以相对低廉的成本准确地匹配移动目标的位置,为达到上述目的,具体由以下技术方案实现:
一种基于邻近加权自适应k值的KNN的室内目标定位方法,包括如下步骤:
步骤1:利用RFID设备采集的室内各个位置的RSS数据构建位置指纹数据库,位置指纹数据库包括位置集合P和信号强度值R;
步骤2:利用RFID读卡天线对待定位目标采集相应信号强度值,然后将该信号强度值和位置指纹数据库进行匹配,得到匹配程度最高的指纹,并将该指纹映射位置作为待定位目标当前位置。
进一步的,步骤2的具体步骤包括:
步骤2.1:使用离线位置指纹数据集RSS去重构每一个测量指纹数据rssi×d,构建离线位置指纹数据集RSS与测量指纹数据rssi×d之间残差的模型,i∈1,…,m,m表示测量指纹数据的指纹数量,d表示RFID读卡天线的数量;
步骤2.2:求解残差模型,得到重构系数W的最优解W*;
步骤2.3:求解W*的对应最佳k值集,k为临近数;
步骤2.4:获得k+1最近邻训练样本集RSSneighbor;
步骤2.5:对前k个近邻样本集到测试数据的距离进行标准化;
步骤2.6:计算rss为Y的后验概率PPosterior,Pposterior=[p(y1|rssi),…,p(yh|rssi)],
h∈1,…,ki,最大p(yh|rssi)值所对应的yh就被判定为第i行测量位置指纹数据rssi的标签值,其集合为Yrss。
进一步的,步骤2.1中残差模型为:
R2(W)=Tr(WTRSSTL*RSS*W) (3)
其中,||·||F是Frobenius矩阵范数,即Tr(.)表示矩阵的迹,W=[ω1,…,ωn]T∈Rn×1表示RSS和rss之间的重构系数,的闭式解为(RSSTRSS)-1RSSTrss,n表示离线位置指纹数据集的指纹数量;ρ1和ρ2表示调整参数;L∈Rn×n是一个拉普拉斯矩阵,是用来表示离线位置数据样本集之间的相关性信息;
L=S-D (4)
其中,S为特征相关性矩阵,是用来表示特征向量之间的关系,S=[sij];
进一步的,步骤2.2的具体步骤包括:
进一步的,步骤2.3的具体步骤包括:
假设最优解W*∈R3×2如下:
得:
根据式(7)的W*与k值的对应转换关系,得到测量位置指纹数据集rssm×d相对于离线位置指纹数据集RSSn×d的最优k值集Km×1,K=[k1,k2,…,km]T。
进一步的,步骤2.4的具体步骤包括:
步骤2.4.1:计算第i行测量位置指纹数据rssi到离线位置指纹数据集RSS的距离dij=[d(rssi,RSS1),…,d(rssi,RSSj)]T,j∈[1,2,…,n],距离度量d(rssi,RSSj)用欧式距离量度,即:
进一步的,步骤2.5的具体步骤包括:
进一步的,步骤2.6的具体步骤包括:
根据概率P求出rssi为标签yh∈Yneighbor,,h∈(1,…,ki)的后验概率PPosterior,Pposterior=[p(y1|rssi),…,p(yh|rssi)],h∈1,…,ki;
p(yh|rssi)定义为:
本发明的有益效果是:本发明通过计算在线测量RSS数据集与位置指纹数据库中指纹数据集的相关性得到待定位目标指纹信息对应的最优k值,并利用邻近加权的方法尽可能地减少匹配误差概率。仿真结果表示,相比于KNN和WKNN,改进的算法的匹配精度至少提升了7.1倍。
本发明的方法可应用与:(1)智慧建筑,当访客进入大楼后可以利用实时定位技术精准定位大楼内的访客位置,实现全面的位置追踪。(2)工厂中利用RFID卡可以精准定位作业人员的运动轨迹,进行高效地管理。
附图说明
图1为基于RFID的位置指纹定位原理;
图2为移动目标位置特征提取单位均方误差图;
图3为不同类型比较下特征提取的均方根误差;
图4为不同读卡天线数量下的误差相对系数。
具体实施方式
下面结合实施例和附图对本发明作进一步的的说明。
如图1所示,基于RFID的位置指纹定位技术原理图,该定位方法一般分为两个阶段,分别是离线阶段和在线阶段。
离线阶段主要是利用RFID设备采集的RSS数据构建位置指纹数据库,具体而言就是记录定位区域中特定位置的RSS值,每个AP接收定位区域中所有位置点处的RSS值,并以位置-信号强度值的形式存入到位置指纹数据库中。为减少室内复杂环境对采集的RSS值的影响,本文在同一位置会多次采集RSS值,然后通过求取均值的方式得到该位置处RSS值,这种方法可以避免采集到幅度波动较大的RSS值。如图1所示,在定位区域中,存在n个特定位置点的集合有m个放置的RFID阅读器分别记录定位区域中所有位置点处的信号强度值,即 RSSij表示第j个阅读器获取的位置点(xi,yi)处RSS值。位置集合P和信号强度值R两者的集合就构成离线阶段的位置指纹数据库,之后再将该数据库存储在远程服务器中。
在线定位阶段,RFID读卡天线对待定位目标采集相应信号强度值,然后将该信号强度值和位置指纹数据库进行匹配,得到匹配程度最高也就是最相似的指纹,并将该指纹映射位置作为待定位目标当前位置。为了对待定位目标运动位置进行跟踪定位并且减少复杂室内环境对RSS值的干扰,将特征匹配得到的位置作为输入值,通过降噪跟踪算法输出下一时刻的预测位置,得到的连续运动位置被视为待定位目标的运动轨迹。
所述移动目标定位方法的进一步设计在于,所述特征匹配算法改进如下:
KNN算法还存在选择距离过近的邻近样本的缺陷,为解决该问题以及k值固定而引起的无法适应数据样本特性的问题,提出一种KNN改进算法,即下面的邻近加权自适应k值的KNN优化算法。
离线位置指纹数据集(即位置指纹数据库中指纹信息)RSS∈Rn×d=[RSS1×d,…,RSSn×d]T,该指纹数据集对应的坐标标签值为Y∈Rn×1=[y1,y2,…,yn]T,测量指纹数据(即待定位目标指纹信息)rss∈Rm×d=[rss1×d,…,rssm×d]T,其中n表示离线位置指纹数据集的指纹数量,m表示测量指纹数据的指纹数量,d表示RFID读卡天线的数量。
此处使用离线位置指纹数据集RSS去重构每一个测量指纹数据rssi×d,ωi×d是重构系数,目标是使得RSSωi×d和rssi×d(rssi×d表示第i个实测指纹数据样本)之间的残差尽量小。本文参考文献[1]构建最终目标函数,定义如下:
式(1)中,目标函数分别由最小二乘损失函数,稀疏学习函数和局部保留投影(Locality Preserving Projections,LPP)组成,接下来会一一介绍。
最小二乘损失函数用来表示RSS*W和rss之间的残差和,如式(1)中所示:
但是式(2)不会产生稀疏结果,为生成稀疏的重构系数W,以便于可以选择使用RSS中的一部分来表示rss,可以在式(2)中添加l21-范数正则项,即:
一般来说,如果离线位置指纹数据集RSS中的第i行特征向量RSSi和第j行特征向量RSSj是相关的,则其对应的测量指纹数据(rssi=RSSi*W和rssj=RSSj*W)也应该存在相应的相关性,此时在式(2)中加入一个正则项,即:
R3(W)=Tr(WTRSSTL*RSS*W) (4)
式(4)中L∈Rn×n是一个拉普拉斯矩阵,是用来表示离线位置数据样本集之间的相关性信息。
L=S-D (5)
式(5)中S为特征相关性矩阵,是用来表示特征向量之间的关系,S=[sij]∈Rn×n对于离线位置指纹数据集RSS中的第i行特征向量RSSi和第j行特征向量rssj之间的相似性,可以使用以下高斯核函数来度量,即:
表1中ρ1和ρ2都是调整参数。W中的元素值ωij表示第i行离线位置指纹数据RSSi和第j行测量位置指纹数据rssj之间的相关性。正权重(即ωij>0)表示两者之间正相关,负权重(即ωij<0)表示两者之间负相关,零权重(即ωij=0)表示两者之间不相关,此时RSSi并不用来预测rssj,也就是说只使用ωij≠0的i行离线位置指纹数据来预测第j行测量位置指纹数据。
为更好地理解最优解W*与KNN中k值的关系,假设最优解W*∈R3×2如下:
W*中第一列中只有ω11一个非零值,所以第一行测量位置指纹数据的最优k值为1,同理可得第一行测量位置指纹数据的最优k值为2,最终可得:
根据式(8)的W*与k值的对应转换关系,可以得到测量位置指纹数据集rssm×d相对于离线位置指纹数据集RSSn×d的最优k值集Km×1,K=[k1,k2,…,km]T。
表1目标函数的求解过程
计算第i行测量位置指纹数据rssi到离线位置指纹数据集RSS的距离dij=[d(rssi,RSS1),…,d(rssi,RSSj)]T,j∈[1,2,…,n],这里的距离度量d(rssi,RSSj)可以用欧式距离量度,即:
表示的是离线位置指纹近邻样本数据和测量位置指纹数据之间的距离,可以对于ki个邻近样本赋予不同的权值表征其相似程度。相似程度越大,赋予的权值越大。相似程度越小,赋予的权值越小。若两者不相似,则权值为0。这里采用邻近加权计算后验概率的方法计算不同邻近样本的权重。
利用RSSneighbor中第ki+1个离线位置指纹近邻样本数据和测量位置指纹数据之间rssi的距离对于RSSneighbor中前ki+1个数据到rssi的距离进行标准化得到Dstand,其中定义为:
由于RSSneighbor和标签值Yneighbor是一一映射的关系,所以可以根据概率P求出rssi为标签yh∈Yneighbor,h∈(1,…,ki)的后验概率PPosterior,
Pposterior=[p(y1|rssi),…,p(yh|rssi)]h∈1,…,ki。p(yh|rssi)定义为:
式(12)中最大p(yh|rssi)值所对应的yi就被判定为rssi的标签值,即:
基于邻近加权自适应k值的改进KNN算法流程如表2所示。
表2邻近加权自适应k值的KNN优化算法
参考文献
[1]:Zhang S C,Li,et al.Efficient kNN Classification With DifferentNumbers of Nearest Neighbors[J].IEEE Transactions on Neural Networks andLearning Systems,2018,5(29):1774-1785.
[2]:Zhang S,Zong M,Sun K,et al.Efficient kNN Algorithm Based on GraphSparse Reconstruction[J].Lecture Notes in Computer Science,2014,8(9):33-46.
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,包括如下步骤:
步骤1:利用RFID设备采集的室内各个位置的RSS数据构建位置指纹数据库,位置指纹数据库包括位置集合P和信号强度值R;
步骤2:利用RFID读卡天线对待定位目标采集相应信号强度值,然后将该信号强度值和位置指纹数据库进行匹配,得到匹配程度最高的指纹,并将该指纹映射位置作为待定位目标当前位置。
2.根据权利要求1所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2的具体步骤包括:
步骤2.1:使用离线位置指纹数据集RSS去重构每一个测量指纹数据rssi×d,构建离线位置指纹数据集RSS与测量指纹数据rssi×d之间残差的模型,i∈1,…,m,m表示测量指纹数据的指纹数量,d表示RFID读卡天线的数量;
步骤2.2:求解残差模型,得到重构系数W的最优解W*;
步骤2.3:求解W*的对应最佳k值集,k为临近数;
步骤2.4:获得k+1最近邻训练样本集RSSneighbor;
步骤2.5:对前k个近邻样本集到测试数据的距离进行标准化;
步骤2.6:计算rss为Y的后验概率PPosterior,Pposterior=[p(y1|rssi),…,p(yh|rssi)],
h∈1,…,ki,最大p(yh|rssi)值所对应的yh就被判定为第i行测量位置指纹数据rssi的标签值,其集合为Yrss。
3.根据权利要求2所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.1中残差模型为:
R2(W)=Tr(WTRSSTL*RSS*W) (3)
其中,||·||F是Frobenius矩阵范数,即Tr(.)表示矩阵的迹,W=[ω1,…,ωn]T∈Rn×1表示RSS和rss之间的重构系数,的闭式解为(RSSTRSS)-1RSSTrss,n表示离线位置指纹数据集的指纹数量;ρ1和ρ2表示调整参数;L∈Rn ×n是一个拉普拉斯矩阵,是用来表示离线位置数据样本集之间的相关性信息;
L=S-D (4)
其中,S为特征相关性矩阵,是用来表示特征向量之间的关系,S=[sij];
6.根据权利要求5所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.4的具体步骤包括:
步骤2.4.1:计算第i行测量位置指纹数据rssi到离线位置指纹数据集RSS的距离dij=[d(rssi,RSS1),…,d(rssi,RSSj)]T,j∈[1,2,…,n],距离度量d(rssi,RSSj)用欧式距离量度,即:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430421.3A CN111586605B (zh) | 2020-05-20 | 2020-05-20 | 基于邻近加权自适应k值的KNN的室内目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430421.3A CN111586605B (zh) | 2020-05-20 | 2020-05-20 | 基于邻近加权自适应k值的KNN的室内目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111586605A true CN111586605A (zh) | 2020-08-25 |
CN111586605B CN111586605B (zh) | 2021-11-26 |
Family
ID=72125157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010430421.3A Active CN111586605B (zh) | 2020-05-20 | 2020-05-20 | 基于邻近加权自适应k值的KNN的室内目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111586605B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112566055A (zh) * | 2020-11-27 | 2021-03-26 | 巢湖学院 | 一种基于射频指纹匹配的室内定位算法 |
CN112947451A (zh) * | 2021-02-22 | 2021-06-11 | 浙江纳特智能网络工程有限公司 | 基于无线通信定位的智慧社区人员监管系统 |
CN113453148A (zh) * | 2021-06-25 | 2021-09-28 | 南通大学 | 联合深度学习与加权k邻近算法的室内位置指纹定位方法 |
CN114710831A (zh) * | 2022-03-10 | 2022-07-05 | 南京市地铁交通设施保护办公室 | 一种基于深度学习的rfid标签定位系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102131290A (zh) * | 2011-04-26 | 2011-07-20 | 哈尔滨工业大学 | 基于自相关滤波的wlan室内邻近匹配定位方法 |
CN104581644A (zh) * | 2015-01-08 | 2015-04-29 | 重庆邮电大学 | 基于径向基插值的室内wlan指纹数据库多点自适应更新方法 |
CN105916201A (zh) * | 2016-06-07 | 2016-08-31 | 天津大学 | 一种基于rss欧氏距离拟合的knn指纹定位方法 |
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 |
US20180070212A1 (en) * | 2016-09-02 | 2018-03-08 | Athentek Innovations, Inc. | Systems and methods to track movement of a device in an indoor environment |
US10117064B1 (en) * | 2017-06-01 | 2018-10-30 | Athentek Innovations, Inc. | Systems and methods for learning wireless transceiver locations and updating a spatially-dependent path-loss model |
CN109061616A (zh) * | 2018-08-31 | 2018-12-21 | 南通大学 | 一种移动目标定位方法 |
-
2020
- 2020-05-20 CN CN202010430421.3A patent/CN111586605B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102131290A (zh) * | 2011-04-26 | 2011-07-20 | 哈尔滨工业大学 | 基于自相关滤波的wlan室内邻近匹配定位方法 |
CN104581644A (zh) * | 2015-01-08 | 2015-04-29 | 重庆邮电大学 | 基于径向基插值的室内wlan指纹数据库多点自适应更新方法 |
CN105916201A (zh) * | 2016-06-07 | 2016-08-31 | 天津大学 | 一种基于rss欧氏距离拟合的knn指纹定位方法 |
US20180070212A1 (en) * | 2016-09-02 | 2018-03-08 | Athentek Innovations, Inc. | Systems and methods to track movement of a device in an indoor environment |
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 |
US10117064B1 (en) * | 2017-06-01 | 2018-10-30 | Athentek Innovations, Inc. | Systems and methods for learning wireless transceiver locations and updating a spatially-dependent path-loss model |
CN109061616A (zh) * | 2018-08-31 | 2018-12-21 | 南通大学 | 一种移动目标定位方法 |
Non-Patent Citations (3)
Title |
---|
IEEE: "A Novel Weighted KNN Algorithm Based on RSS Similarity and Position Distance for Wi-Fi Fingerprint Positioning", 《IEEE ACCESS 》 * |
夷立华等: "利用时变噪声贝叶斯卡尔曼滤波的室内移动目标定位*", 《电讯技术》 * |
胡久松等: "一种基于压缩感知与最近邻的联合定位方法", 《电子测量与仪器学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112566055A (zh) * | 2020-11-27 | 2021-03-26 | 巢湖学院 | 一种基于射频指纹匹配的室内定位算法 |
CN112566055B (zh) * | 2020-11-27 | 2022-06-10 | 巢湖学院 | 一种基于射频指纹匹配的室内定位算法 |
CN112947451A (zh) * | 2021-02-22 | 2021-06-11 | 浙江纳特智能网络工程有限公司 | 基于无线通信定位的智慧社区人员监管系统 |
CN112947451B (zh) * | 2021-02-22 | 2022-09-27 | 浙江纳特智能网络工程有限公司 | 基于无线通信定位的智慧社区人员监管系统 |
CN113453148A (zh) * | 2021-06-25 | 2021-09-28 | 南通大学 | 联合深度学习与加权k邻近算法的室内位置指纹定位方法 |
CN113453148B (zh) * | 2021-06-25 | 2022-05-13 | 南通大学 | 联合深度学习与加权k邻近算法的室内位置指纹定位方法 |
CN114710831A (zh) * | 2022-03-10 | 2022-07-05 | 南京市地铁交通设施保护办公室 | 一种基于深度学习的rfid标签定位系统 |
CN114710831B (zh) * | 2022-03-10 | 2023-12-08 | 南京市地铁交通设施保护办公室 | 一种基于深度学习的rfid标签定位系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111586605B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111586605B (zh) | 基于邻近加权自适应k值的KNN的室内目标定位方法 | |
Zhang et al. | Deep neural networks for wireless localization in indoor and outdoor environments | |
CN109444813B (zh) | 一种基于bp和dnn双神经网络的rfid室内定位方法 | |
CN109115205A (zh) | 一种基于地磁传感器阵列的室内指纹定位方法及系统 | |
CN105657823B (zh) | 基于核函数主特征提取的wifi室内加权k近邻定位算法 | |
CN109151995B (zh) | 一种基于信号强度的深度学习回归融合定位方法 | |
CN110049549B (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN108495263B (zh) | 一种基于广义多核函数的室内定位方法 | |
CN111726765A (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN106199500A (zh) | 指纹特征定位方法及装置 | |
CN105718971A (zh) | 一种基于rfid的多目标被动式室内活动识别方法 | |
CN110536257A (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN107290714B (zh) | 一种基于多标识指纹定位的定位方法 | |
CN110366109B (zh) | 一种用于室内目标的定位方法及系统 | |
CN111465093A (zh) | 指纹定位方法、装置、电子设备及计算机存储介质 | |
Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
CN109121081B (zh) | 一种基于位置候选集与em算法的室内定位方法 | |
CN113132931B (zh) | 一种基于参数预测的深度迁移室内定位方法 | |
CN108919182B (zh) | 一种wifi环境下基于支撑集及期望最大化的目标定位方法 | |
Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
CN105357647A (zh) | 一种在线性不稳定环境下的wifi室内定位方法 | |
CN109766969B (zh) | 基于异步优势动作评价的rfid室内定位算法 | |
CN110717930B (zh) | 一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法 | |
CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
CN109803234B (zh) | 基于权值重要度约束的无监督融合定位方法 |
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 |