CN112188388A - 一种基于机器学习的混合室内定位方法 - Google Patents

一种基于机器学习的混合室内定位方法 Download PDF

Info

Publication number
CN112188388A
CN112188388A CN202010868162.2A CN202010868162A CN112188388A CN 112188388 A CN112188388 A CN 112188388A CN 202010868162 A CN202010868162 A CN 202010868162A CN 112188388 A CN112188388 A CN 112188388A
Authority
CN
China
Prior art keywords
network
model
machine learning
positioning
wireless
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.)
Pending
Application number
CN202010868162.2A
Other languages
English (en)
Inventor
储建新
邓亮
赵燕波
潘克勤
朱伟刚
徐芸玲
徐奕洁
陈娇娇
姚鸣涛
徐峰
张水冰
沈斌
潘加平
田翔
杨纲
王斌
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.)
Haiyan Nanyuan Electric Power Engineering Co ltd
Original Assignee
Haiyan Nanyuan Electric Power Engineering 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 Haiyan Nanyuan Electric Power Engineering Co ltd filed Critical Haiyan Nanyuan Electric Power Engineering Co ltd
Priority to CN202010868162.2A priority Critical patent/CN112188388A/zh
Publication of CN112188388A publication Critical patent/CN112188388A/zh
Pending legal-status Critical Current

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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

Abstract

本发明公开了一种基于机器学习的混合室内定位方法。为了克服现有技术采用单一的网络制式进行定位，难以综合各种无线定位技术的优点的问题；本发明包括：A.离线网络训练阶段；电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；B.在线室内定位阶段；电力物联网终端实时采集多种制式无线网络信息；将无线网络信息输入到训练好的模型中；运行训练好的模型算法，得到最终定位结果。完成的模型能够利用多种无线网络制式的信号信息，实现混合无线室内定位，综合各种无线定位技术的优点。

Description

一种基于机器学习的混合室内定位方法
技术领域
本发明涉及一种无线通信室内定位领域，尤其涉及一种基于机器学习的混合室内定位方法。
背景技术
由于现代通信和网络技术的飞速发展，各种各样的通信和网络技术必将会被应用到智能电网以及泛在电力物联网的场景中，满足各类电力业务的需求。如常见的WiFi网络、ZigBee网络、Bluetooth网络、LoRa网络等，由于其具有容易部署，复杂度低，通信速率多样化，成本低等特点，这些电力无线专网早已部署在电力物联网中。
另一方面，随着互联网和无线技术的迅猛发展，以互联网为基础的智能化经济发展新形态改变了人们的生活方式，同时也带来了层出不穷的应用，其中包括定位技术。目前，人们已经可以借助全球定位系统、北斗等卫星定位技术在户外实现精度可达一米的精确定位。在高度发达的信息时代背景下，移动用户对位置信息的需求已经不仅仅局限于户外粗略定位，精确的实时定位需求与日俱增。但是，由于房屋墙壁建筑等建筑材料的遮挡，室内的卫星信号会大幅衰减，导致其定位严重失准，精度降低。目前还缺少可广泛使用的、较为成熟的、精度较高的室内定位技术。因此，室内定位技术的研究日渐成为当前的研究热点。
在电力物联网环境中，室内定位技术的应用需求更为迫切。由于电力物联网终端通常工作于室内环境。而实时获取电力物联网终端的位置变得尤为重要。依靠传统的卫星定位技术很难满足定位的需求，这就需要利用室内的无线信号，完成定位信息的获取。
现有的室内定位技术主要包括Bluetooth技术、ZigBee定位技术、RFID技术、以及WiFi技术等。在上述室内定位技术中，Bluetooth技术所需设备体积小，但是它具有传输距离短；RFID技术定位精度高，但是容易受到干扰的影响，ZigBee定位与WiFi定位技术相似，覆盖范围比较大。这些定位技术都是利用无线信号的强度信息，寻找位置与信号强度的表达式。但是在应用时，都是利用单一的网络制式进行定位，很难综合各种无线定位技术的优点。
传统的无线室内定位算法主要包括：K近邻法和SVM算法等传统的机器学习算法。这些传统的算法具有复杂度低，运行速度快，易于实现等优点。但随着无线网路的增多，收集到的无线信号强度信息也在增大，这将会导致室内定位延时增加，影响室内定位的效果。
例如，一种在中国专利文献上公开的“基于室内RFID、室外GPS定位的监控通信系统”，其公告号CN103630922A，包括定位监控通信系统和监控服务中心，所述定位监控通信系统包括GPS室外定位通信模块和RFID室内定位模块，所述RFID室内定位模块、GPS室外定位通信模块、监控服务中心依次连接，还包括不少于三个、设置于室内的不同地方的RFID室内定位标签。该方案无法结合多种定位技术的优点。
发明内容
本发明主要解决现有技术采用单一的网络制式进行定位，难以综合各种无线定位技术的优点的问题；提供一种基于机器学习的混合室内定位方法，利用多种无线网络制式的信号信息，在大规模数据下快速运行面向电力物联网的混合无线室内定位，综合各种无线定位技术的优点。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于机器学习的混合室内定位方法，包括：
A.离线网络训练阶段；
电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；
利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；
B.在线室内定位阶段；
电力物联网终端实时采集多种制式无线网络信息；
将无线网络信息输入到训练好的模型中；
运行训练好的模型算法，得到最终定位结果。
利用该室内定位方法与根据单一的网络无线信号强度进行定位的方法，具有更高的准确度，其利用了不同的无线网络制式的信号传播特点，充分发挥了机器学习算法的性能，室内定位效果好。另外，该室内定位方法不需要加入额外的硬件设备，使用电力物联网终端即可以实现定位，弥补GPS、北斗等卫星定位在室内定位应用中的不足。
作为优选，所述的训练过程包括以下步骤：
S1：准备M个训练数据集，表示为{Xm，ym}，m∈M；
其中，Xm为第m个训练数据；ym为第m个训练数据对应的标签；
S2：设计机器学习网络结构，网络结构的输入层和输出层根据实际的环境中的无线信号的个数以及网格点的个数确定；
S3：对收集得到的无线信号通过平均滤波法进行预处理；
S4：确定网络结构的规模、神经网络的层数和每一层神经元的个数，对网络结构模型的参数w，b进行初始化，其中w为权重，b为偏置；
S5：遍历每一个样本，对每一个样本进行正向传播，计算得到损失函数的值；
S6：使用反向传播算法，计算出各个参数的梯度；根据梯度下降方法，以最小化损失函数为目标，更新模型的参数，完成一次参数更新；
S7：判断模型是否收敛，若是，则结束训练，得到室内混合定位的模型，若否，则跳转到步骤S4。
利用不同无线网络制式的信号，能够充分结合不同无线网络的优点。
作为优选，所述的损失函数为：
Figure BDA0002649112160000031
其中，λ||W||2为正则化约束项；
L[x(m)，y(m)；w，b]表示数据m的损失函数，表达式为：
Figure BDA0002649112160000032
其中，函数h表示该模型的假设空间。
函数h表示该模型的假设空间，即代表了该模型的正向传播。
作为优选，所述的梯度下降的表达式为：
Figure BDA0002649112160000033
Figure BDA0002649112160000034
其中，其中，wt+1为第t+1步的网络模型权重；bt+1为第t+1步网络模型偏置；wt为第t步的网络模型权重；bt为第t步网络模型偏置；α为训练的学习率；
Figure BDA0002649112160000035
为模型的梯度。
根据梯度下降方法，以最小化损失函数为目标，更新模型的参数。
作为优选，所述的网格点个数为室内定位位置模型的网格点个数，室内定位位置模型为将定位区域划分为一定精度的网格，每一个网格被标记为不同的标号，由网格中心位置的坐标表示该网格的位置。室内定位的准确度与网格的精度有关，网格精度越高则室内定位的准确度越高。
作为优选，进行训练的数据集包括网格标号与混合网络信号强度的信息对，数据集均匀覆盖每一个网络。数据集至少是网络个数的一百倍以上，保证最后的定位效果。
作为优选，所述的多种制式无线网络为在电力系统中工作在免许可频段的专网，包括WiFi网络、ZigBee网路或Bluetooth网络。充分利用不同网络的优点，且适应不同无线网络制式信号。
作为优选，所述的无线网络信息包括网络的RSSI信息、SSID以及设备的物理地址。进行网络信息采集时，需要进行平均滤波处理，即在一定时间内采集多次RSSI信息，记录下平均值。
作为优选，所述的机器学习网络为深度神经网络，机器学习网络由一定数量的隐藏层以及神经元组成；机器学习网络采用的激活函数为sigmod函数，机器学习网络最后一层的神经元的个数是网格的个数，第一层神经元的个数是电力物联网终端在该区域能够测量得到的混合无线信号强度的个数。保证学习的效果。
本发明的有益效果是：
1.通过对含有混合无线信号强度信息的数据集训练，使得完成的模型能够利用多种无线网络制式的信号信息，实现混合无线室内定位，综合各种无线定位技术的优点。
2.不需要加入额外的硬件设备，使用电力物联网终端即可以实现定位，弥补GPS、北斗等卫星定位在室内定位应用中的不足，改造成本低，使用方便。
附图说明
图1是本发明的一种混合室内定位方法的流程图。
图2是本发明的一种区域划分示意图。
图3是发明的一种数据库数据存储形式示意图。
图4是发明的一种神经网络结构示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例考虑的场景是一种常见的电力物联网场景，环境中覆盖了包括但限于WiFi网络、ZigBee网络和Bluetooth网络等。在该环境下，通过制作数据集，训练定位网络模型，最后应用等过程，完成室内定位。
本实施例的一种基于机器学习的混合室内定位方法，如图1所示，包括
A.离线网络训练阶段；
电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集。
多种制式无线网络为在电力系统中工作在免许可频段的专网，包括WiFi网络、ZigBee网路或Bluetooth网络等。
用户采集的无线网络信息包括网络的RSSI信息、SSID以及设备的物理地址。进行网络信息采集时，需要进行平均滤波处理，即在一定时间内采集多次RSSI信息，记录下平均值。
利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛。
使用该方式时，需要对室内定位位置建模，即将定位区域划分为一定精度的网格。网格的精度与定位的准确性有关，精度越高，代表室内定位的准确度越高；精度越差，定位的准确度也就越差。
如图2是本发明实施例提供的一种区域划分示意图。每一个网格被标记为不同的标号，由网格中心位置的坐标表示该网格的位置，也就是最后定位在该网格的终端的位置。终端需要记录的位置信息是其所在网格的标号，如图3是发明实施例提供的一种数据库数据存储形式示意图。
进行训练的数据集包括网格标号与混合网络信号强度的信息对，数据集均匀覆盖每一个网络，数据集至少是网络个数的一百倍以上，才能保证最后定位的效果。
机器学习网络为深度神经网络，机器学习网络由一定数量的隐藏层以及神经元组成；机器学习网络采用的激活函数为sigmod函数，机器学习网络最后一层的神经元的个数是网格的个数，第一层神经元的个数是电力物联网终端在该区域能够测量得到的混合无线信号强度的个数。如图4是发明实施例提供的一种神经网络结构示意图。
离线训练过程包括以下步骤：
S1：准备M个训练数据集，表示为{Xm，ym}，m∈M；
其中，Xm为第m个训练数据；ym为第m个训练数据对应的标签；
S2：设计机器学习网络结构，网络结构的输入层和输出层根据实际的环境中的无线信号的个数以及网格点的个数确定。
S3：对收集得到的无线信号通过平均滤波法进行预处理。减小不必要的误差。
S4：确定网络结构的规模、神经网络的层数和每一层神经元的个数，对网络结构模型的参数w，b进行初始化，其中w为权重，b为偏置。
S5：遍历每一个样本，对每一个样本进行正向传播，计算得到损失函数的值。
损失函数为：
Figure BDA0002649112160000051
其中，λ||W||2为正则化约束项；
L[x(m)，y(m)；w，b]表示数据m的损失函数，表达式为：
Figure BDA0002649112160000061
其中，函数h表示该模型的假设空间，即代表了该模型的正向传播。
S6：使用反向传播算法，计算出各个参数的梯度；根据梯度下降方法，以最小化损失函数为目标，更新模型的参数，完成一次参数更新。
梯度下降的表达式为：
Figure BDA0002649112160000062
Figure BDA0002649112160000063
其中，其中，wt+1为第t+1步的网络模型权重；bt+1为第t+1步网络模型偏置；wt为第t步的网络模型权重；bt为第t步网络模型偏置；α为训练的学习率；
Figure BDA0002649112160000064
为模型的梯度。
S7：判断模型是否收敛，若是，则结束训练，得到室内混合定位的模型，若否，则跳转到步骤S4。
训练好的模型参数将会被保存下来，存储至电力物联网终端中，用于在线训练。
B.在线室内定位阶段；
电力物联网终端实时采集多种制式无线网络信息。
将无线网络信息输入到训练好的模型中。
运行训练好的模型算法，得到最终定位结果。
利用该室内定位方法与根据单一的网络无线信号强度进行定位的方法，具有更高的准确度，其利用了不同的无线网络制式的信号传播特点，充分发挥了机器学习算法的性能，室内定位效果好。另外，该室内定位方法不需要加入额外的硬件设备，使用电力物联网终端即可以实现定位，弥补GPS、北斗等卫星定位在室内定位应用中的不足。
本发明方法采用的一种面向电力物联网的基于机器学习的混合室内定位装置包括：电力物联网终端、不同无线网络制式热点以及计算机设备。
电力物联网终端能够工作在多种模式下，具有无线网络接入和无线网络信号测量的功能，并且具有一定的存储和计算能力。
不同无线网络制式热点为室内的至少两种以上的电力无线专网制式，如WiFi、ZigBee、Bluetooth等无线热点。
计算机设备运行机器学习算法，用来训练和更新定位模型。
具体的，电力物联网终端具有计算单元和存储单元，能够存储机器学习网络模型并且运行机器学习算法。
应当理解，在本发明实施例中，实现该计算单元功能的可以是中央处理器(Central Processing Unit，CPU)，通用处理器，数字信号处理(Digital SignalProcessing，DSP)，集成电路(Application Specific Integrated Circuit，ASIC)，现场可编程逻辑门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。
还应当理解，存储单元可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
另外，电力物联网终端具有通信单元，能够长时间接入室内环境中的电力无线专网，如WiFi、ZigBee、Bluetooth等。该通信单元能够获取无线网络信号信息。
不同无线网络制式热点代表一种普通的无线热点，其可以是WiFi热点，也可以是ZigBee热点，更可以是Bluetooth热点等。这些混合无线专网的热点，需要均匀分布在室内环境中，以提高室内定位的性能。
计算机设备是一款普通的计算机，其具有计算和存储功能，具体的计算和存储功能与物联网终端相似，这里不再赘述。不同的是，其计算和存储功能一般比较强大，可以存储大规模的数据信息，以及进行机器学习算法训练。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于机器学习的混合室内定位方法，其特征在于，包括：
A.离线网络训练阶段；
电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；
利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；
B.在线室内定位阶段；
电力物联网终端实时采集多种制式无线网络信息；
将无线网络信息输入到训练好的模型中；
运行训练好的模型算法，得到最终定位结果。
2.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的训练过程包括以下步骤：
S1：准备M个训练数据集，表示为{Xm，ym}，m∈M；
其中，Xm为第m个训练数据；ym为第m个训练数据对应的标签；
S2：设计机器学习网络结构，网络结构的输入层和输出层根据实际的环境中的无线信号的个数以及网格点的个数确定；
S3：对收集得到的无线信号通过平均滤波法进行预处理；
S4：确定网络结构的规模、神经网络的层数和每一层神经元的个数，对网络结构模型的参数w，b进行初始化，其中w为权重，b为偏置；
S5：遍历每一个样本，对每一个样本进行正向传播，计算得到损失函数的值；
S6：使用反向传播算法，计算出各个参数的梯度；根据梯度下降方法，以最小化损失函数为目标，更新模型的参数，完成一次参数更新；
S7：判断模型是否收敛，若是，则结束训练，得到室内混合定位的模型，若否，则跳转到步骤S4。
3.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的损失函数为：
Figure FDA0002649112150000011
其中，λ||W||2为正则化约束项；
L[x(m)，y(m)；w，b]表示数据m的损失函数，表达式为：
Figure FDA0002649112150000021
其中，函数h表示该模型的假设空间。
4.根据权利要求2或3所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的梯度下降的表达式为：
Figure FDA0002649112150000022
Figure FDA0002649112150000023
其中，wt+1为第t+1步的网络模型权重；bt+1为第t+1步网络模型偏置；wt为第t步的网络模型权重；bt为第t步网络模型偏置；α为训练的学习率；
Figure FDA0002649112150000024
为模型的梯度。
5.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的网格点个数为室内定位位置模型的网格点个数，室内定位位置模型为将定位区域划分为一定精度的网格，每一个网格被标记为不同的标号，由网格中心位置的坐标表示该网格的位置。
6.根据权利要求5所述的一种基于机器学习的混合室内定位方法，其特征在于，进行训练的数据集包括网格标号与混合网络信号强度的信息对，数据集均匀覆盖每一个网络。
7.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的多种制式无线网络为在电力系统中工作在免许可频段的专网，包括WiFi网络、ZigBee网路或Bluetooth网络。
8.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的无线网络信息包括网络的RSSI信息、SSID以及设备的物理地址。
9.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的机器学习网络为深度神经网络，机器学习网络由一定数量的隐藏层以及神经元组成；机器学习网络采用的激活函数为sigmod函数，机器学习网络最后一层的神经元的个数是网格的个数，第一层神经元的个数是电力物联网终端在该区域能够测量得到的混合无线信号强度的个数。
CN202010868162.2A 2020-08-25 2020-08-25 一种基于机器学习的混合室内定位方法 Pending CN112188388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010868162.2A CN112188388A (zh) 2020-08-25 2020-08-25 一种基于机器学习的混合室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010868162.2A CN112188388A (zh) 2020-08-25 2020-08-25 一种基于机器学习的混合室内定位方法

Publications (1)

Publication Number Publication Date
CN112188388A true CN112188388A (zh) 2021-01-05

Family

ID=73924509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010868162.2A Pending CN112188388A (zh) 2020-08-25 2020-08-25 一种基于机器学习的混合室内定位方法

Country Status (1)

Country Link
CN (1) CN112188388A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177573A (zh) * 2021-03-12 2021-07-27 国网河北省电力有限公司检修分公司 一种基于人工智能算法的传感器网空间定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170171718A1 (en) * 2015-12-09 2017-06-15 Research & Business Foundation Of Sungkyunkwan University Location estimation method for indoor device
CN110035384A (zh) * 2019-05-09 2019-07-19 桂林电子科技大学 一种融合多传感器信号滤波优化的室内定位方法
CN110225460A (zh) * 2019-06-05 2019-09-10 三维通信股份有限公司 一种基于深度神经网络的室内定位方法及装置
CN110334788A (zh) * 2019-07-08 2019-10-15 北京信息科技大学 基于深度学习的分布式多天线阅读器定位系统及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170171718A1 (en) * 2015-12-09 2017-06-15 Research & Business Foundation Of Sungkyunkwan University Location estimation method for indoor device
CN110035384A (zh) * 2019-05-09 2019-07-19 桂林电子科技大学 一种融合多传感器信号滤波优化的室内定位方法
CN110225460A (zh) * 2019-06-05 2019-09-10 三维通信股份有限公司 一种基于深度神经网络的室内定位方法及装置
CN110334788A (zh) * 2019-07-08 2019-10-15 北京信息科技大学 基于深度学习的分布式多天线阅读器定位系统及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177573A (zh) * 2021-03-12 2021-07-27 国网河北省电力有限公司检修分公司 一种基于人工智能算法的传感器网空间定位方法

Similar Documents

Publication Publication Date Title
CN111867049B (zh) 定位方法、装置及存储介质
CN111352069B (zh) 一种室内定位方法、服务器、存储介质及程序产品
CN112218330B (zh) 定位方法及通信装置
CN107302793B (zh) 一种基于无线信号的定位方法、服务器、终端和系统
CN109379711B (zh) 一种定位方法
CN111935820B (zh) 基于无线网络的定位实现方法及相关设备
CN104239453B (zh) 数据处理方法及装置
CN111726765A (zh) 一种面向大规模复杂场景的wifi室内定位方法及系统
CN108966120A (zh) 一种用于动态集群网络改进的组合三边定位方法及系统
CN112188388A (zh) 一种基于机器学习的混合室内定位方法
CN113438733A (zh) 基于5g和wifi实现室内定位的系统、方法及电子设备
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
Zhang et al. Regional Double-Layer, High-Precision Indoor Positioning System Based on iBeacon Network.
CN108521631A (zh) 一种面向室内定位的移动ap识别方法
CN105813182A (zh) 一种低功耗定位方法和装置
CN106998528A (zh) 指纹定位数据的采集方法及装置
CN108519579B (zh) 基于区间重叠度分析优选AP的WiFi指纹定位方法
CN110662167A (zh) 一种室内异构网络间协同定位方法、系统及可读存储介质
CN113759311B (zh) 一种定位方法、装置及存储介质
CN108495262B (zh) 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法
CN115942231A (zh) 一种基于rss的5g室外定位方法
Urwan et al. Position estimation in mixed indoor-outdoor environment using signals of opportunity and deep learning approach
CN112188613A (zh) 一种基于深度学习的多天线室内定位方法及装置
CN112995902A (zh) 一种远距离广域网定位方法、装置、设备及存储介质
CN113395762A (zh) 超宽带定位网络中位置校正方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210105