CN111770528B - 基于信道参数萃取方法的视距与非视距识别方法及装置 - Google Patents
基于信道参数萃取方法的视距与非视距识别方法及装置 Download PDFInfo
- Publication number
- CN111770528B CN111770528B CN202010587975.4A CN202010587975A CN111770528B CN 111770528 B CN111770528 B CN 111770528B CN 202010587975 A CN202010587975 A CN 202010587975A CN 111770528 B CN111770528 B CN 111770528B
- Authority
- CN
- China
- Prior art keywords
- channel
- line
- sight
- time delay
- parameter extraction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 title claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract 1
- 235000002020 sage Nutrition 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于信道参数萃取方法的视距与非视距识别方法及装置,方法具体为:对测量得到的信道信息,进行处理获得信道状态信息CSI;对信道状态信息进行傅里叶反变化,得到对应的信道冲击响应CIR;基于有限带宽信道冲击响应估计多径数目;使用高分辨率信道参数萃取算法估计得出每条路径的时延tau,复振幅amp;定义第一条路径功率和其他路径功率总和的比值为K‑值;根据萃取出的复振幅amp与时延tau计算RMS延迟扩展;根据K‑值和RMS延迟扩展2维散点图判别当前传播条件为可视距环境或者非可视距环境;使用SAGE/ESPRIT算法对信道的相关参数精准估计,采用两个特征来视距/非视距识别,相比较单一特征,增加了识别的准确率。
Description
技术领域
本发明属于无线通信技术领域,涉及位置服务应用领域,特别是一种基于信道参数萃取方法的视距与非视距识别方法及装置。
背景技术
现如今通信技术发展迅猛,无线通信技术的发展尤为突出,由于无线通信不受场地约束,方便人们交流并且深入到了人们的生活和工作当中,已然成为了最广泛的通信方式。其中无线网络,移动计算等技术的不断发展使得基于位置的服务和应用日益普及,而GPS定位系统在室内环境或者高层建筑密集的地区无法感测到卫星信号,难以满足人们对定位精度的要求,因此提高定位精度已成为基于位置服务(Indoor Location-basedServices,ILBS)的重点。
室内环境定位具有特殊性,比如地下车库、矿井、仓库等复杂的室内环境,定位信号就会被发射、折射、投射和绕射、形成多径和非视距(Non line-of-sight,NLOS)传输现象,对室内定位具有严重的干扰作用。
要提高室内定位的精度,首先要识别室内LOS/NLOS路径。在无线通信系统中,无线信道具有动态特性,所以在传播中参数变化快,会引起多径效应,要识别路径,就要预先对信道参数进行有效的预测,为此信道探测(Channel Sounding),是研究信道的技术基础,为了能系统的描述信道,必须从信道测量数据中提取准确描述信道特性的信道参数。目前,高精度估计算法,可以分为三类:谱估计,参数子空间估计和确定参数估计。第一类中比较常见的是MUSIC(Multiple Signal Classification)算法,它一般应用于对时延和方向角的估计。ESPRIT(Estimate of Signal Parameter via Rotational InvarianceTechniques)是参数子空间估计的典型,它一般用于时延和方位角的联合估计。第三类就是比较典型的期望最大算法(EM-Expectation Maximization)它常用来做时延和方位角的估计,而EM的扩展性算法SAGE(Space-Alternating Generalized EM)算法,可以估计不变系统中的时延和方位角以及时变系统中时延、方位角以及多普勒频移。近几年SAGE算法得到了非常广泛的应用,SAGE算法降低了运算量并加快了收敛速度,从而使得参数估计更加精确,提升系统信噪比。
发明内容
本发明旨在提供一种基于信道参数萃取方法的视距与非视距识别方法及装置,解决在复杂的室内环境中分辨视距/非视距路径的问题,提高定位精度,达到高精度位置服务质量的目的。
为达到上述目的,本发明所采用的技术方案是:基于高分辨率信道参数萃取方法的视距与非视距识别方法,包括以下步骤:
S1,对测量得到的信道信息,进行处理获得信道转移函数;
S2,基于信道转移函数,根据有限带宽信道转移函数估计多径数目;
S3,使用高分辨率信道参数萃取算法估计每条路径的时延和复振幅;
S4,定义最短时延路径的功率和其他路径功率总和的比值为K-值;
S5,根据S3所萃取出的复振幅与时延计算RMS延迟扩展;
S6,根据S4所得K-值和S5所得RMS延迟扩展二维散点分布判别当前传播条件为可视距环境或者非视距环境。
S2中,信道转移函数中每个子载波的振幅和相位为:
其中,表示当前频率/>的频域响应,/>和/>分别表示/>的振幅和相位信息。
S3的具体实现过程包括:
S31)用S1负f乘信号的采集个数记为时延;
S32)用S2的信道转移函数与S31所得时延计算振幅。
S4中K-值计算具体如下:
S41,对时延进行升序排列;
S42,找到时延最小的值,定义为第一条路经;
S43,取出除时延最小点以外所有点的功率值;
S44,计算S42)中功率P1和S43中所有点功率总和P2,P1/P2得到特征K-值。
S5具体计算过程如下:
基于S3所得复振幅与时延计算RMS延迟扩展计算式为
其中,为输入的复振幅,/>为输入时延,,/>。
S7中,可视距环境或者非可视距环境的判别条件为:
。
S7中计算阈值线系数时,先计算a,再基于a计算b。
本发明提供一种可视距与非可视距信道识别装置,包括信息接收装置、一个或多个处理器以及存储器,信息接收装置和存储器均与处理器通过I/O接口连接,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现本发明所述基于信道参数萃取方法的视距与非视距识别方法,存储器还用于存储信息接收装置所获取的信息数据。
一种计算机可读介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现本发明所述基于信道参数萃取方法的视距与非视距识别方法。
与现有技术相比,本发明至少具有以下优点:
本发明使用SAGE/ESPRIT算法对信道的相关参数精准估计,获得了每条路经的信号达到角、时延和振幅衰减等参数,产生了对可视与非可视环境识别有用的信息,并采用两个特征对视距/非视距识别,相比较单一特征,提高了识别的准确率,单一特征通过一个阈值对信号识别,出现在阈值周围的信号容易判决错误,而二维的特征判别刚好解决了这个难题,出现在阈值一周围的信号,可以通过阈值二进行判断,相反,出现在阈值二周围的信号,可以通过阈值一进行判断,双重判决可以准确提高识别的准确率。
附图说明
图1为使用本发明对训练集信号预处理后计算的不同场景下K-的概率密度函数。
图2为使用本发明对训练集信号预处理后计算的不同场景下RMS延迟扩展的概率密度函数。
图3为使用本发明对训练集信号预处理后计算的不同场景下K-和RMS延迟扩展。
其中x轴代表RMS延迟扩展,y轴代表K-;十字形点代表LOS场景,星形点代表NLOS场景。
图4为使用本发明对测试集信号预处理后计算的不同场景下K-和RMS延迟扩展。
其中x轴代表RMS延迟扩展,y轴代表K-;十字形点代表LOS场景,星形点代表NLOS场景,直线代表。
图5本发明一种可选实施例的流程图。
具体实施方式
下面结合具体说明书附图对本发明进行详细阐述。
基于信道参数萃取方法的视距与非视距识别方法,包括以下步骤:
S1,对测量得到的信道信息,进行处理获得信道转移函数;
S2,基于信道转移函数,根据有限带宽信道转移函数估计多径数目;
S3,使用高分辨率信道参数萃取算法估计每条路径的时延和复振幅;
S4,定义最短时延路径的功率和其他路径功率总和的比值为K-值;
S5,根据S3所萃取出的复振幅与时延计算RMS延迟扩展;
S6,根据S4所得K-值和S5所得RMS延迟扩展二维散点分布判别当前传播条件为可视距环境或者非视距环境;
S2所述信道转移函数中每个子载波的振幅和相位可表示为:
其中,表示当前频率/>的频域响应,/>和/>分别表示/>的振幅和相位信息。
S3的具体实现过程包括:
S31)用S1负f乘信号的采集个数记为时延;
S32)用S2的信道转移函数与S31所得时延计算振幅。
S4中K-值计算具体如下:
S41,对时延进行升序排列;
S42,找到时延最小的值,定义为第一条路经;
S43,取出除时延最小点以外所有点的功率值;
S44,计算S42)中功率P1和S43中所有点功率总和P2,P1/P2得到特征K-值。
S5具体计算过程如下:
基于S3所得复振幅与时延计算RMS延迟扩展计算式为
其中,为输入的复振幅,/>为输入时延,,/>。
一种可实施例:
(1)获取数据包
在一个 8*4 m 的会议室中搭建 2.4 GHz~5.4 GHz 信道测量平台,进行信道测量,首先在会议室内布置5个锚节点,作为发射天线位置,并在会议室间隔0.05m布置目标节点,作为接收天线位置。选3个锚节点作为视距(LOS)场景,剩余2个锚节点作为非视距(NLOS)场景。使用笔记本和支持IEEE 802.11n标准的无线路由器采集信道信息,对所接收到的数据包进行保存,在每个信道信息中都表示的是各个子载波的频率、振幅、相位、表示传输信号从发射端到接收端的信道信息,合成信道转移函数。
其中,表示当前频率/>的CSI信息,/>和/>分别表示/>的振幅和相位信息;
(3)负f乘信号的采集个数记为时延tau;
(4)用(2)的信道转移函数与时延计算振幅amp;
(5)计算K-,对tau升序排列,找到tau最小的点计算其功率P1,取出除tau最小点以外所有点的功率并求和记为P2,P1/P2得到特征K-;
(6)使用振幅amp与时延tau作为输入计算RMS延迟扩展
基于S3所得复振幅与时延计算RMS延迟扩展计算式为
其中,为输入的复振幅,/>为输入时延,,/>。
图1为使用本发明对训练集信号预处理后计算的不同场景下K-的概率密度函数,图2为使用本发明对训练集信号预处理后计算的不同场景下RMS延迟扩展的概率密度函数;根据用K-和RMS延迟扩展计算的线判断该数据包属于LOS环境还是NLOS环境。根据图3二维散点图,其中x轴代表RMS延迟扩展,y轴代表K-;十字形点,星形点;设直线为,先建立a的循环范围,再建立与每一个a对应b的循环范围,找到不同a对应b的所有直线作为待测阈值线,测试识别视距/非视距的准确率,取出准确率最高的一对a和b,其对应的阈值线为,本实施例中a为0.42,b为-0.55,对测试集进行测试。
图4为使用本发明对测试集信号预处理后计算的不同场景下K-和RMS延迟扩展;其中x轴代表RMS延迟扩展,y轴代表K-;十字形点代表LOS场景,星形点代表NLOS场景,直线代表。
在LOS/NLOS路径下,信号的K-与RMS延迟扩展的分布概率不同,当测量数据的K-与RMS延迟扩展的取值服从LOS环境下的概率密度,那么我们就认为此时为LOS路径,反之,如果测量数据属于NLOS路径下的概率密度分布,则该路径属于NLOS路径。
由于在训练过程中在NLOS环境下,信号的峰度与RMS延迟扩展小于LOS环境下,因此,通过找到合适的区分线,我们便可以将LOS数据与NLOS数据进行分类:
通过实验仿真训练,训练集282个数据包,其中LOS环境下141个数据包,NLOS环境下141个数据包,准确率为0.8760,测试集为199个数据包,其中LOS环境下为100个数据包,NLOS环境下为99个数据包,准确率为0.7487。
本发明还提供一种可视距与非可视距信道识别装置,包括信息接收装置、一个或多个处理器以及存储器,信息接收装置和存储器均与处理器通过I/O接口连接,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现本发明所述基于峰度和RMS延迟扩展的可视与非可视信道识别方法,存储器还用于存储信息接收装置所获取的信息数据。
所述信息接收装置采用矢量网络分析仪,矢量网络分析仪与处理器通过I/O接口连接。
进一步的,所述装置在执行步骤1时,可以是通过信息接收装置获取数据包信道信息,实时由处理器对所述数据包信道信息处理获得信道转移函数;并可以将所述信道转移函数存储至存储器。
本发明所述可视距与非可视距信道识别装置可以采用笔记本电脑、平板电脑、桌面型计算机、手机或工作站。
作为可选的,本发明所述处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或可编程逻辑器件(PLD)。
对于本发明所述存储器,可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元,如内存、硬盘;也可以采用外部存储单元,如移动硬盘或闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
Claims (6)
1.基于信道参数萃取方法的视距与非视距识别方法,其特征在于,包括以下步骤:
S1,对测量得到的信道信息,进行处理获得信道转移函数;
S2,基于信道转移函数估计多径数目;
S3,使用高分辨率信道参数萃取算法估计每条路径的时延和复振幅;
S4,定义最短时延路径的功率和其他路径功率总和的比值为K-值;
S5,根据S3所萃取出的复振幅与时延计算RMS延迟扩展;
S6,根据S4所得K-值和S5所得RMS延迟扩展二维散点分布判别当前传播条件为可视距环境或者非视距环境;
S3的具体实现过程包括:
S31)用S1中负f乘以信号的采集个数记为时延;
S32)用S1的信道转移函数与S31所得时延计算复振幅;
S4中K-值计算具体如下:
S41,对时延进行升序排列;
S42,找到时延最小的值,定义为第一条路经;
S43,取出除时延最小点以外所有点的功率值;
S44,计算S42)中功率P1和S43中所有点功率总和P2,P1/P2得到特征K-值;S7中,可视距环境或者非可视距环境的判别条件为:
,a和b为阈值线系数,/>为阈值线,x代表RMS延迟扩展。
2.根据权利要求1所述的基于信道参数萃取方法的视距与非视距识别方法,其特征在于,S2中,信道转移函数中每个子载波的振幅和相位为:
其中,表示当前频率/>的频域响应,/>和/>分别表示/>的振幅和相位信息。
3.根据权利要求1所述的基于信道参数萃取方法的视距与非视距识别方法,其特征在于,S5具体计算过程如下:
基于S3所得复振幅与时延计算RMS延迟扩展计算式为
其中,为输入的复振幅,/>为输入时延,/>,。
4.根据权利要求1所述的基于信道参数萃取方法的视距与非视距识别方法,其特征在于,S7中计算阈值线系数时,先计算a,再基于a计算b。
5.一种可视距与非可视距信道识别装置,其特征在于,包括信息接收装置、一个或多个处理器以及存储器,信息接收装置和存储器均与处理器通过I/O接口连接,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现权利要求1~4任一项所述基于信道参数萃取方法的视距与非视距识别方法,存储器还用于存储信息接收装置所获取的信息数据。
6.一种计算机可读介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-4中任一项所述基于信道参数萃取方法的视距与非视距识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010587975.4A CN111770528B (zh) | 2020-06-24 | 2020-06-24 | 基于信道参数萃取方法的视距与非视距识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010587975.4A CN111770528B (zh) | 2020-06-24 | 2020-06-24 | 基于信道参数萃取方法的视距与非视距识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111770528A CN111770528A (zh) | 2020-10-13 |
CN111770528B true CN111770528B (zh) | 2024-01-26 |
Family
ID=72722257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010587975.4A Active CN111770528B (zh) | 2020-06-24 | 2020-06-24 | 基于信道参数萃取方法的视距与非视距识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111770528B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640410B (zh) * | 2020-12-16 | 2023-12-08 | 大唐移动通信设备有限公司 | 无线信道类型检测方法及其装置 |
CN114978377B (zh) * | 2021-02-20 | 2023-09-26 | 大唐移动通信设备有限公司 | 信道场景识别方法、装置和接收装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430367A (zh) * | 2001-12-30 | 2003-07-16 | 华为技术有限公司 | Cdma移动通信系统中可视与非可视信道的识别方法 |
CN104994517A (zh) * | 2015-06-10 | 2015-10-21 | 哈尔滨工业大学 | 一种高空平台mimo通信系统三维信道建模方法 |
CN108418645A (zh) * | 2018-01-26 | 2018-08-17 | 南京航空航天大学 | 一种非平稳移动通信信道建模及参数平滑演进方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9207305B2 (en) * | 2012-09-05 | 2015-12-08 | Khalifa University Of Science, Technology And Research | Methods and devices for channel identification |
-
2020
- 2020-06-24 CN CN202010587975.4A patent/CN111770528B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430367A (zh) * | 2001-12-30 | 2003-07-16 | 华为技术有限公司 | Cdma移动通信系统中可视与非可视信道的识别方法 |
CN104994517A (zh) * | 2015-06-10 | 2015-10-21 | 哈尔滨工业大学 | 一种高空平台mimo通信系统三维信道建模方法 |
CN108418645A (zh) * | 2018-01-26 | 2018-08-17 | 南京航空航天大学 | 一种非平稳移动通信信道建模及参数平滑演进方法 |
Non-Patent Citations (3)
Title |
---|
Identification of NLOS Condition in Different Scenarios Based on Wireless Propagation Features;Jingli Xie 等;2014 IEEE 25th Annual International Symposium on Personal, Indoor, and Mobile Radio Communication (PIMRC);全文 * |
基于信道特征的超宽带非视距鉴别及定位算法;纪元法等;科学技术与工程;全文,尤其参见摘要,第1.1-1.2节 * |
高速铁路专用通信信道电波传播特性;单秦等;中 国 铁道 科学;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111770528A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sorour et al. | Joint indoor localization and radio map construction with limited deployment load | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
CN106912105B (zh) | 基于pso_bp神经网络的三维定位方法 | |
KR101213363B1 (ko) | 수신신호강도의 거리추정방식에 의거하여 4개 이상의 앵커노드를 이용한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체 | |
CN106851821B (zh) | 一种基于无线通信基站的室内三维定位方法 | |
CN111770528B (zh) | 基于信道参数萃取方法的视距与非视距识别方法及装置 | |
CN111157943B (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
WO2017201621A1 (en) | Determining a location of a wireless device using fingerprinting | |
Meissner et al. | Analysis of position-related information in measured UWB indoor channels | |
CN112630728A (zh) | 一种基于uwb的改进三边定位算法 | |
CN111866709A (zh) | 一种面向运动目标的室内Wi-Fi定位误差界估计方法 | |
Chen et al. | CSI-based probabilistic indoor position determination: An entropy solution | |
CN113194427B (zh) | 一种基于软判决可视与非可视信道的识别方法、系统及装置 | |
Costa et al. | Achieving high-accuracy distributed localization in sensor networks | |
Wu et al. | Weighted linear least square localization algorithms for received signal strength | |
Oliveira et al. | CentroidM: A Centroid-based localization algorithm for mobile sensor networks | |
Assayag et al. | Indoor positioning system using synthetic training and data fusion | |
Li et al. | Automatic indoor radio map construction and localization via multipath fingerprint extrapolation | |
Li et al. | Robust kernel-based machine learning localization using NLOS TOAs or TDOAs | |
Sretenović et al. | Experimental analysis of weight-compensated weighted centroid localization algorithm based on RSSI | |
Jiang et al. | NLOS mitigation method for TDOA measurement | |
CN108111440A (zh) | 一种ofdm的子信道估计测距方法 | |
Tian et al. | SAPIL: single access point based indoor localisation using Wi‐Fi L‐shaped antenna array | |
Naveed et al. | Smart indoor Positioning Model for Deterministic Environment | |
Ahriz et al. | Autoencoder Matrix Completion Based Indoor Localization |
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 |