CN112188613A - 一种基于深度学习的多天线室内定位方法及装置 - Google Patents

一种基于深度学习的多天线室内定位方法及装置 Download PDF

Info

Publication number
CN112188613A
CN112188613A CN202010940769.7A CN202010940769A CN112188613A CN 112188613 A CN112188613 A CN 112188613A CN 202010940769 A CN202010940769 A CN 202010940769A CN 112188613 A CN112188613 A CN 112188613A
Authority
CN
China
Prior art keywords
indoor positioning
deep learning
antenna
model
network
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
CN202010940769.7A
Other languages
English (en)
Inventor
李正光
毛琳明
陈刚
冯朝力
储建新
干玉成
陆建琴
李豹
潘炫霖
张依辰
顾卫华
曹志勇
叶宇清
张泰山
杨春环
龚书能
徐笛
雷健新
冯裕卿
孙帅
吴亚洲
徐张健
赵一帆
胡燕伟
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 Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Haiyan Power Supply Co of State Grid Zhejiang Electric Power 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 Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Haiyan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010940769.7A priority Critical patent/CN112188613A/zh
Publication of CN112188613A publication Critical patent/CN112188613A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于深度学习的多天线室内定位方法及装置，旨在克服现有技术的在大规模数据下运行速度慢室内定位延时长、效果差的问题，包括：模型离线训练阶段和多天线在线定位阶段，其中模型离线训练阶段为基站或者其他无线发射端收集用户多个天线的信道状态信息，设计合适的深度学习算法；根据所述的收集得到的不同天线的信道状态信息制作训练数据样本，进行数据预处理后，训练得到多天线室内定位模型；其中多天线在线定位阶段为用户实时测量得到不同天线所在信道信息，运行深度学习算法，得到最终的室内定位结果，本发明能够有效地利用多天线的特点，解决室内定位实现复杂，定位结果不准确的问题。

Description

一种基于深度学习的多天线室内定位方法及装置
技术领域
本发明涉及无线通信室内定位技术领域，尤其涉及一种基于深度学习的多天线室内定位方法及装置。
背景技术
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。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，都需要提前部署无线发射终端，且都依赖单一的数据信息，很难完全地刻画出地理位置信息。随着无线技术的发展，多天线技术在无线系统中逐渐得到应用。基站等发射端和接收端一般会装置多根天线，天线间距较大时，天线间的衰落相关性是较低的，因此恰当地设计发送方式可以获得空间发射分集。多天线带来的另外的好处是无线信道的多样性，不同天线所处的无线信道状态信息不同，因此对于一个用户来说，可以用多个无线信道状态信息来刻画该位置信息。相比单一信息相比，多天线更能有效地实现室内定位。
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。这些传统的算法虽然能够实现简单的室内定位，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，再将传统的算法简单加设在无线网路上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“一种基于BoVW算法的快速室内定位方法”，其公告号CN107193965A，将图像特征和图像对应的地理位置存贮在数据库中，完成数据库建立，应用SVM算法对数据库中训练图像的BoVW直方图和图像标签进行有监督训练，获得最优分类函数，求得用户查询图像BoVW直方图，利用最优分类函数判断用户查询图像所属类别，只在该类别区域内进行图像遍历检索求匹配图像，应用对极几何原理，根据匹配的图像，求得用户查询图像位置并将查询图像位置坐标返回用户。该方案使用SVW算法进行室内定位，将处理过程氛围离线阶段和在现阶段，处理数据时延很大，在大数据环境下，信道时延会被增大，影响室内定位效果。
发明内容
本发明是为了克服现有技术的在大规模数据下运行速度慢室内定位延时长、效果差的问题，提供一种基于深度学习的多天线室内定位方法及装置，本发明能够有效解决室内定位问题，在大规模数据下保持高速运行和低时延。
为了实现上述目的，本发明采用以下技术方案：
一种基于深度学习的多天线室内定位方法，包括以下步骤：
S1、模型离线网络训练阶段，具有多个接收天线的终端接入具有多个发射天线的基站或其他无线发射装置，采集多个接收天线对应多个发射天线的无线信道状态信息并记录对应的位置信息，组成数据集；
S2、模型离线网络训练阶段，利用收集的数据集，对预先设计的深度学习网络模型进行训练，直至模型收敛；
S3、在线室内定位阶段，终端实时采集多天线接到的无线信道状态信息，并输入到预先设计的模型中，运行算法，得到最终定位结果。
本发明包括模型离线训练阶段和多天线在线定位阶段，其中模型离线训练阶段为基站或者其他无线发射端收集用户多个天线的信道状态信息，设计合适的深度学习算法；根据所述的收集得到的不同天线的信道状态信息制作训练数据样本，进行数据预处理后，训练得到多天线室内定位模型；其中多天线在线定位阶段为用户实时测量得到不同天线所在信道信息，运行深度学习算法，得到最终的室内定位结果，在复杂状况能够实现准确定位。
作为优选，所述S3中无线信道状态信息每个天线在每个子载波上幅度与相位信息。
为了提高室内定位准确性，方法采用多天线技术，利用多个天线的无线信道特性，增加信息多样性，在幅频特性上对子载波进行记录，保证信息多样性及完整性。
作为优选，所述S1中采集无线信道状态信息包括对无线信道状态信息进行平均滤波处理，即在一个周期时间内采集多次无线信道状态信息取平均值；
所述信息位置包括二维空间位置，记为二维坐标信息。
室内定位精度与坐标采集的密集程度有关，采集的数量越多，定位效果越好。
最终的训练数据集包括位置坐标与多天线无线信道状态信息对，数据集需要尽可能地多，且均匀地分布在目标定位区域，才能保证最后定位的效果。
设计的深度学习网络需要一定的规模，由一定数量的隐藏层以及神经元组成，采用的激活函数为ReLU函数，模型可以归类为回归问题，网络最后一层的输出为两个坐标，第一层神经元的个数是终端在该区域可以测量得到的多天线无线信道状态信息的个数。
作为优选，所述S2包括以下步骤：
S21、将收集到的数据集的个数用N表示，数据集表示为{Xn,yn},n∈N；
S22、确定网络的规模，神经网络的层数，每一层神经元的个数，并对网络模型的参数w,b进行初始化；
S23、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；
S24、使用反向传播算法，计算出各个参数的梯度；
S25、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，判断是否到达设定的训练步数，若未达到返回S3，若达到则完成模型收敛。
作为优选，损失函数的表达式为：
Figure BDA0002673568230000031
其中，λ||W||2为正则化约束项，L(x(n),y(n)；w,b)表示数据n的损失函数，表达式为：
Figure BDA0002673568230000032
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；模型后续根据梯度下降方法进行参数更新。
作为优选，梯度下降的表达式为：
Figure BDA0002673568230000033
Figure BDA0002673568230000034
其中，x,y为数据集的位置信息。
一种基于深度学习的多天线室内定位装置，采用基于深度学习的多天线室内定位方法，装置包括配有多个天线的终端和配有多个天线的基站，所述终端配有无线网络接入并具有存储和计算能力，室内包括无线网络覆盖，所述无线网络包括蜂窝网络和无线局域网。
在线定位过程为室内定位的实际应用过程，终端需要实时采集多天线的无线信道状态信息，并运行训练好的模型，得到的输出结果便是最终的室内定位结果。
室内定位方法与根据单一天线接收到的无线信道状态信息进行定位的方法，具有更高的准确度，其利用了多天线所处的无线信道可能不同的特点，增加了数据特征的多样性，充分发挥了深度学习算法的性能，提高室内定位效果。
该室内定位方法无需加入额外的硬件设备，使用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，所述终端具有计算单元、存储单元和通信单元。
多个天线之间的无线信道状态信息需要能够轻易被终端获取。
作为优选，所述无线网络均匀分布与室内。网络均匀分布能够保证室内定位的准确性。
作为优选，还包括可运行机器学习算法的计算机。计算机用来训练和更新定位模型。
因此，本发明具有如下有益效果：
1.本发明包括模型离线训练阶段和多天线在线定位阶段，其中模型离线训练阶段为基站或者其他无线发射端收集用户多个天线的信道状态信息，设计合适的深度学习算法；根据所述的收集得到的不同天线的信道状态信息制作训练数据样本，进行数据预处理后，训练得到多天线室内定位模型；其中多天线在线定位阶段为用户实时测量得到不同天线所在信道信息，运行深度学习算法，得到最终的室内定位结果，在复杂状况能够实现准确定位；
2.为了提高室内定位准确性，方法采用多天线技术，利用多个天线的无线信道特性，增加信息多样性，在幅频特性上对子载波进行记录，保证信息多样性及完整性；
3.本发明无需加入额外的硬件设备，使用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。
附图说明
图1是本实施例的室内定位场景示意图。
图2是本实施例数据存储形式示意图。
图3是本实施例模型离线训练阶段的流程图。
图4是本实施例在线室内定位阶段的流程图。
图5是本实施例室内定位装置的结构框图。
图中：1、终端11、存储单元12、通信单元13、计算单元2、无线热点3、计算机。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
本实施例考虑的场景是一种常见的室内定位场景，环境中覆盖了蜂窝网络但不局限于蜂窝网络，该网络工作于多天线模式，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。如图1所示，是本发明实施例提供的一种定位场景示意图。
本实施例提供一种基于深度学习的多天线室内定位方法，如图2-4所示，包括以下步骤包括以下步骤：
S1、模型离线网络训练阶段，具有多个接收天线的终端接入具有多个发射天线的基站或其他无线发射装置，采集多个接收天线对应多个发射天线的无线信道状态信息并记录对应的位置信息，组成数据集；
采集无线信道状态信息包括对无线信道状态信息进行平均滤波处理，即在一个周期时间内采集多次无线信道状态信息取平均值；
所述信息位置包括二维空间位置，记为二维坐标信息。
室内定位精度与坐标采集的密集程度有关，采集的数量越多，定位效果越好。
最终的训练数据集包括位置坐标与多天线无线信道状态信息对，数据集需要尽可能地多，且均匀地分布在目标定位区域，才能保证最后定位的效果。
设计的深度学习网络需要一定的规模，由一定数量的隐藏层以及神经元组成，采用的激活函数为ReLU函数，模型可以归类为回归问题，网络最后一层的输出为两个坐标，第一层神经元的个数是终端在该区域可以测量得到的多天线无线信道状态信息的个数。
S2、模型离线网络训练阶段，利用收集的数据集，对预先设计的深度学习网络模型进行训练，直至模型收敛；
其中S2包括以下步骤：
S21、将收集到的数据集的个数用N表示，数据集表示为{Xn,yn},n∈N；
S22、确定网络的规模，神经网络的层数，每一层神经元的个数，并对网络模型的参数w,b进行初始化；
S23、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；
S24、使用反向传播算法，计算出各个参数的梯度；
S25、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，判断是否到达设定的训练步数，若未达到返回S3，若达到则完成模型收敛。
损失函数的表达式为：
Figure BDA0002673568230000051
其中，λ||W||2为正则化约束项，L(x(n),y(n)；w,b)表示数据n的损失函数，表达式为：
Figure BDA0002673568230000061
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；模型后续根据梯度下降方法进行参数更新。
梯度下降的表达式为：
Figure BDA0002673568230000062
Figure BDA0002673568230000063
其中，x,y为数据集的位置信息。
S3、在线室内定位阶段，终端实时采集多天线接到的无线信道状态信息，并输入到预先设计的模型中，运行算法，得到最终定位结果。
无线信道状态信息每个天线在每个子载波上幅度与相位信息；为了提高室内定位准确性，方法采用多天线技术，利用多个天线的无线信道特性，增加信息多样性，在幅频特性上对子载波进行记录，保证信息多样性及完整性。
本实施例还相应的提供一种基于深度学习的多天线室内定位装置，如图5所示，采用基于深度学习的多天线室内定位方法，装置包括配有多个天线的终端1和配有多个天线的基站，所述终端配有无线网络接入并具有存储和计算能力，室内包括无线网络覆盖，所述无线网络包括蜂窝网络和无线局域网，多个天线之间的无线信道状态信息需要能够轻易被终端获取，终端具有计算单元13、存储单元11和通信单元12，无线热点2提供无线网络，无线网络均匀分布与室内。网络均匀分布能够保证室内定位的准确性，还包括可运行机器学习算法的计算机3。计算机3用来训练和更新定位模型。
在线定位过程为室内定位的实际应用过程，终端需要实时采集多天线的无线信道状态信息，并运行训练好的模型，得到的输出结果便是最终的室内定位结果。
室内定位方法与根据单一天线接收到的无线信道状态信息进行定位的方法，具有更高的准确度，其利用了多天线所处的无线信道可能不同的特点，增加了数据特征的多样性，充分发挥了深度学习算法的性能，提高室内定位效果。
该室内定位方法无需加入额外的硬件设备，使用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。
本实施例的终端可以存储及其学习网络模型并运行及其学习算法，在本发明实施例中，实现该计算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 Signal Processing，DSP)，集成电路(Application SpecificIntegrated 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。
本发明实施例中描述的物联网终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机，包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围内。

Claims (10)

1.一种基于深度学习的多天线室内定位方法，其特征是，包括以下步骤：
S1、模型离线网络训练阶段，具有多个接收天线的终端接入具有多个发射天线的基站或其他无线发射装置，采集多个接收天线对应多个发射天线的无线信道状态信息并记录对应的位置信息，组成数据集；
S2、模型离线网络训练阶段，利用收集的数据集，对预先设计的深度学习网络模型进行训练，直至模型收敛；
S3、在线室内定位阶段，终端实时采集多天线接到的无线信道状态信息，并输入到预先设计的模型中，运行算法，得到最终定位结果。
2.根据权利要求1所述的一种基于深度学习的多天线室内定位方法，其特征是，所述S3中无线信道状态信息每个天线在每个子载波上幅度与相位信息。
3.根据权利要求1所述的一种基于深度学习的多天线室内定位方法，其特征是，所述S1中采集无线信道状态信息包括对无线信道状态信息进行平均滤波处理，即在一个周期时间内采集多次无线信道状态信息取平均值；
所述信息位置包括二维空间位置，记为二维坐标信息。
4.根据权利要求1所述的一种基于深度学习的多天线室内定位方法，其特征是，所述S2包括以下步骤：
S21、将收集到的数据集的个数用N表示，数据集表示为{Xn,yn},n∈N；
S22、确定网络的规模，神经网络的层数，每一层神经元的个数，并对网络模型的参数w,b进行初始化；
S23、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；
S24、使用反向传播算法，计算出各个参数的梯度；
S25、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，判断是否到达设定的训练步数，若未达到返回S3，若达到则完成模型收敛。
5.根据权利要求4所述的一种基于深度学习的多天线室内定位方法，其特征是，损失函数的表达式为：
Figure FDA0002673568220000011
其中，λ||W||2为正则化约束项，L(x(n),y(n)；w,b)表示数据n的损失函数，表达式为：
Figure FDA0002673568220000021
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；模型后续根据梯度下降方法进行参数更新。
6.根据权利要求5所述的一种基于深度学习的多天线室内定位方法，其特征是，梯度下降的表达式为：
Figure FDA0002673568220000022
Figure FDA0002673568220000023
其中，x,y为数据集的位置信息。
7.一种基于深度学习的多天线室内定位装置，采用权利要求1-6任意一项所述的基于深度学习的多天线室内定位方法，其特征是，装置包括配有多个天线的终端和配有多个天线的基站，所述终端配有无线网络接入并具有存储和计算能力，室内包括无线网络覆盖，所述无线网络包括蜂窝网络和无线局域网。
8.根据权利要求7所述的一种基于深度学习的多天线室内定位方法及装置，其特征是，所述终端具有计算单元、存储单元和通信单元。
9.根据权利要求7所述的一种基于深度学习的多天线室内定位方法及装置，其特征是，所述无线网络均匀分布与室内。
10.根据权利要求7所述的一种基于深度学习的多天线室内定位方法及装置，其特征是，还包括可运行机器学习算法的计算机。
CN202010940769.7A 2020-09-09 2020-09-09 一种基于深度学习的多天线室内定位方法及装置 Pending CN112188613A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010940769.7A CN112188613A (zh) 2020-09-09 2020-09-09 一种基于深度学习的多天线室内定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010940769.7A CN112188613A (zh) 2020-09-09 2020-09-09 一种基于深度学习的多天线室内定位方法及装置

Publications (1)

Publication Number Publication Date
CN112188613A true CN112188613A (zh) 2021-01-05

Family

ID=73920974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010940769.7A Pending CN112188613A (zh) 2020-09-09 2020-09-09 一种基于深度学习的多天线室内定位方法及装置

Country Status (1)

Country Link
CN (1) CN112188613A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117062001A (zh) * 2023-08-01 2023-11-14 哈尔滨工程大学 一种基于可解释的深度学习的5g nr室内定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10217346B1 (en) * 2017-11-07 2019-02-26 Amazon Technologies, Inc. Presence detection with neural networks
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
CN110536245A (zh) * 2019-08-28 2019-12-03 杭州电子科技大学 一种基于深度学习的室内无线定位方法及系统
CN111556431A (zh) * 2020-04-21 2020-08-18 西安交通大学 一种基于信号子空间的指纹室内定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10217346B1 (en) * 2017-11-07 2019-02-26 Amazon Technologies, Inc. Presence detection with neural networks
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
CN110536245A (zh) * 2019-08-28 2019-12-03 杭州电子科技大学 一种基于深度学习的室内无线定位方法及系统
CN111556431A (zh) * 2020-04-21 2020-08-18 西安交通大学 一种基于信号子空间的指纹室内定位方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117062001A (zh) * 2023-08-01 2023-11-14 哈尔滨工程大学 一种基于可解释的深度学习的5g nr室内定位方法及系统

Similar Documents

Publication Publication Date Title
Ledlie et al. Molé: A scalable, user-generated WiFi positioning engine
Zhang et al. Multilayer probability extreme learning machine for device-free localization
Zhu et al. BLS-location: A wireless fingerprint localization algorithm based on broad learning
CN106912105A (zh) 基于pso_bp神经网络的三维定位方法
CN107703480A (zh) 基于机器学习的混合核函数室内定位方法
Li et al. TransLoc: A heterogeneous knowledge transfer framework for fingerprint-based indoor localization
CN109379711B (zh) 一种定位方法
Yang et al. Research on Wi-Fi indoor positioning in a smart exhibition hall based on received signal strength indication
CN111382278B (zh) 一种基于时空轨迹的社交网络构建方法及构建系统
Zhao et al. I-WKNN: Fast-speed and high-accuracy WIFI positioning for intelligent sports stadiums
Rao et al. Device-free passive wireless localization system with transfer deep learning method
Zhu et al. Intelligent fingerprint-based localization scheme using CSI images for internet of things
Zhao et al. Research on Crowdsourcing network indoor localization based on Co-Forest and Bayesian Compressed Sensing
Etiabi et al. Federated learning based hierarchical 3D indoor localization
CN112188613A (zh) 一种基于深度学习的多天线室内定位方法及装置
Feng et al. Wifi-based indoor navigation with mobile GIS and speech recognition
Guo et al. A hybrid indoor positioning algorithm for cellular and Wi-Fi networks
CN116071614A (zh) 样本数据处理方法、相关设备及存储介质
Lu et al. A study of indoor positioning systems using iBeacons with different transmission power levels
Wei et al. Novel indoor positioning system based on ultra-wide bandwidth
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
CN112188388A (zh) 一种基于机器学习的混合室内定位方法
CN111372211A (zh) 一种基于集成学习的智能手机WiFi室内定位方法
Sha et al. A type of localization method using mobile beacons based on spiral-like moving path for wireless sensor networks
WO2023005864A1 (zh) 一种位置语义指纹库构建方法以及相关装置

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

Application publication date: 20210105

RJ01 Rejection of invention patent application after publication