CN112235816A - 一种基于随机森林的wifi信号csi特征提取方法 - Google Patents
一种基于随机森林的wifi信号csi特征提取方法 Download PDFInfo
- Publication number
- CN112235816A CN112235816A CN202011108873.6A CN202011108873A CN112235816A CN 112235816 A CN112235816 A CN 112235816A CN 202011108873 A CN202011108873 A CN 202011108873A CN 112235816 A CN112235816 A CN 112235816A
- Authority
- CN
- China
- Prior art keywords
- sapfdc
- value
- csi
- random forest
- fingerprint
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于基于WIFI的定位技术领域,具体涉及一种基于随机森林的WIFI信号CSI特征提取方法。本发明旨在提取出在复杂环境下受环境影响较小、更为稳定的WIFI的CSI信号子载波,解决家具等室内布局以及人员走动对室内定位准确性影响较大的问题。采用本发明中基于随机森林的WIFI信号CSI特征提取方法对WIFI的CSI数据进行特征提取,得到筛选后的CSI信号子载波,由于筛选出的子载波受环境影响较小、更为稳定,如果通过这些子载波进行定位,在复杂环境下受到人、物等干扰较小,可以提高定位的准确度。
Description
技术领域
本发明属于基于WIFI的定位技术领域,具体涉及一种基于随机森林的WIFI信号CSI特征提取方法。
背景技术
基于WIFI定位方式是一种常见的室内定位手段,具有成本低、易部署的特点。传统的基于接收信号强度指示(Received Signal Strength Indicator,RSSI)的定位方式受多径效应和阴影效应的环境影响较大,定位精度仅能达到5-10米。而使用信道状态信息(channel state information,CSI)进行WIFI指纹定位替代RSSI已成为一种趋势。CSI的细粒度与稳定的特征能够在一定程度上弥补RSSI的不足。使用CSI作为参考信息可以提高室内定位的准确性。
然而,基于CSI的WIFI指纹定位也具有一定的不足。复杂的建筑结构以及建筑内的家具布置及人员走动都会降低定位的准确性。在复杂环境下,物体的遮挡会使每个子载波的值产生不同程度的变化,每个子载波的值可以被视为其中的一个特征。如果能通过特征提取的方式,在众多特征中选取对定位最有帮助的特征,能在一定程度上缓解因幅度值波动而引起的定位精度的下降。研究人员尝试对收集到的CSI信息进行特征提取处理,GAO等人在无设备条件下提出了主成分分析(Principal Components Analysis,PCA)方法,使用减少维数后的CSI数据建立指纹数据库,该方法提高了人体行为识别的准确率。但使用PCA进行降维处理虽然可以减少总体匹配数据量,但是需要保存协方差矩阵,并需要对在线阶段采集的数据做相同的运算处理,增加了对待测数据的处理流程,会导致运算时间的增加以及存储数据量的增加,并且PCA进行特征提取时,部分信息可能只是在训练集上看似冗余,实际会对结果产生一定的增益作用,使用PCA可能在一定程度上加剧了过拟合。
发明内容
本发明的目的在于提供可获得受环境影响较小、更为稳定的WIFI的CSI信号子载波,从而实现更为精准的室内定位的一种基于随机森林的WIFI信号CSI特征提取方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:获取待特征提取的WIFI信号的发射端信息、CSI信息以及各发射端中天线的数量;采集每个指纹点的WIFI指纹信息,获取需要进行特征提取的CSI信息,初始时CSI信息中特征数量为FR;
步骤2:初始化随机森林的系数,设置随机森林中决策树的数量TN、决策树的最大深度TD、随机森林划分时保留特征数F以及每次去除的特征数D;
步骤3:构建决策树;对于整个随机森林系统,总共进行TN次装袋法Bagging采样,每次采样构建一棵独特的决策树;
步骤4:对随机森林中的每个特征使用OOB加噪法获取特征分数,并根据特征分数SF进行排序;
步骤4.1:获取在构建决策树过程中未被采样的袋外数据OOB;
步骤4.2:未加入噪声前,使用OOB数据集进行测试,获得错误数据数量W;其中,错误数据是指使用随机森林对OOB数据集进行分类,分类结果与数据集中对应数值误差超过误差阈值的数据;
步骤4.3:向OOB样本的当前特征中增加噪声,生成测试干扰;
步骤4.4:再次使用OOB数据集进行测量,得到加入噪声后的错误数据数量WN;
步骤4.5:计算特征分数SF;
步骤5:若FR-D>F,则筛除CSI信息中特征分数最低的D个特征,更新剩余特征数量FR=FR-D,返回步骤4;否则,筛除CSI信息中特征分数最低的FR-F个特征,将特征数量去除至保留特征数F,结束计算,完成对WIFI信号CSI特征的提取。
本发明还可以包括:
所述的步骤2中设置随机森林划分时保留特征数F的方法具体为:采用接入点指纹数据一致性辅助特征选取法设置随机森林划分时保留特征数F,将每个天线的每个子载波看作CSI信息的一个特征,对于保留特征数以及选取的特征通过定义一个辅助因子接入点指纹数据一致性进行特征的选取;具体步骤如下:
步骤2.1:计算待特征提取的WIFI信号的每个发射端中、每个指纹点处、每个天线的sAPFDC值;
步骤2.2:对于每一个指纹点,判断是否满足以下条件:
2*(sAPFDCmax-sAPFDCsecond)<(sAPFDCsecond-sAPFDCmin)
其中,sAPFDCmax表示该指纹点sAPFDC值最大的一个天线对应的sAPFDC值;sAPFDCsecond表示该指纹点sAPFDC值第二大的天线对应的sAPFDC值;sAPFDCmin表示该位置点sAPFDC值最小的天线对应的sAPFDC值;
若指纹点满足上式,则舍弃sAPFDCmin数据;
步骤2.3:对于每一个指纹点,计算该指纹点中所有非零sAPFDC值的均值作为该指纹点的APFDC值;
步骤2.4:设定阈值SAPFDC,汇总所有大于阈值SAPFDC的APFDC值对应的发射端中的指纹点,其数量即为保留特征数F。
所述的步骤2.1中计算待特征提取的WIFI信号的每个发射端中、每个指纹点处、每个天线的sAPFDC值的方法具体为:
步骤2.1.1:初始化波动和sum与加和数sumc为0;
步骤2.1.2:计算当前发射端、当前指纹点处各子载波概率密度函数最高点幅度值mvalue;
步骤2.1.3:选取一个未计算的子载波,计算当前子载波的波动值SM,SM=abs(VALUE-mvalue);其中,VALUE为当前子载波数据值;
步骤2.1.4:判断当前子载波的SM值是否大于min(mvalue,VALUE)*α,α因子设为0.1;若当前子载波的SM值大于min(mvalue,VALUE)*α,则执行步骤2.1.5;否则,直接执行步骤2.1.6;
步骤2.1.5:更新加和数sumc=sumc+1;
步骤2.1.6:更新波动和sum=sum+SM;
步骤2.1.7:判断是否完成所有子载波的计算;若未完成,则返回步骤2.1.3;否则,执行步骤2.1.8;
步骤2.1.8:计算当前发射端、当前指纹点处当前天线的sAPFDC的值;
sAPFDC=(1-sumc/30*CSI)*(1-sum/30*CSI*mvalue)。
本发明的有益效果在于:
本发明旨在提取出在复杂环境下受环境影响较小、更为稳定的WIFI的CSI信号子载波,解决家具等室内布局以及人员走动对室内定位准确性影响较大的问题。采用本发明中基于随机森林的WIFI信号CSI特征提取方法对WIFI的CSI数据进行特征提取,得到筛选后的CSI信号子载波,由于筛选出的子载波受环境影响较小、更为稳定,如果通过这些子载波进行定位,在复杂环境下受到人、物等干扰较小,可以提高定位的准确度。
附图说明
图1本发明的一种基于随机森林的WIFI信号CSI特征提取方法的流程图。
图2本发明中sAPFDC计算的流程图。
图3本发明中OOB加噪法的流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于定位领域,具体涉及一种基于随机森林的WIFI信号CSI特征提取方法,筛选出在复杂环境下受环境影响较小、更为稳定的WIFI的CSI信号子载波,以提高定位的准确性。
为了应对在复杂环境下CSI数据收到干扰时的误差增大,尝试在CSI数据中提取几个更为有效的子载波数据进行匹配,以提高定位的准确性,本发明提出了一种基于随机森林的WIFI信号CSI特征提取方法,以使其获得受环境影响较小、更为稳定的WIFI的CSI信号子载波,从而实现更为精准的室内定位。
本发明旨在提取出在复杂环境下受环境影响较小、更为稳定的WIFI的CSI信号子载波,解决家具等室内布局以及人员走动对室内定位准确性影响较大的问题。
一种基于随机森林的WIFI信号CSI特征提取方法,具体实现流程如下:
(1)初始化随机森林的系数。对随机森林中决策树的数量TN、决策树的最大深度TD以及随机森林划分时保留特征数F进行参数设置,其中采用接入点指纹数据一致性(AccessPoint Fingerprint Data Consistency,APFDC)辅助特征选取法设置随机森林划分时保留特征数F;
(2)采集每个待定位点的WIFI指纹(后简称为指纹)信息,获取需要进行特征提取的CSI信息;
(3)构建决策树。假设随机森林的决策树数量总共为n,n是自然数。对于整个随机森林系统,总共进行n次装袋法Bagging采样,每次采样构建一棵独特的决策树;
(4)检测剩余特征数量FR是否大于保留特征数F,判断是否仍需要进行特征提取,若大于,则跳转到步骤(5);若不大于,则流程结束;
(5)对随机森林中的每个特征使用OOB加噪法获取特征分数,并根据特征分数进行排序;
(6)判断剩余特征数量FR-每次去除特征数D是否大于保留特征数F,若大于,则跳转到步骤(7);否则,跳转到步骤(8);
(7)根据(5)获得的特征分数排序,去除掉特征分数最低的D个特征,跳转到步骤(4);
(8)根据(5)获得的特征分数排序,去除掉特征分数最低的FR-F个特征,将特征数量去除至保留特征数F,结束流程;
前述的步骤(1)中,接入点指纹数据一致性APFDC辅助特征选取法具体内容为:
可以将每个天线的每个子载波看作CSI信息的一个特征,对于保留特征数以及选取的特征可以通过定义一个辅助因子接入点指纹数据一致性(Access Point FingerprintData Consistency,APFDC)进行特征的选取,每个AP(Access Point,AP)以该AP的每个天线计算一组子数据sAPFDC,计算方法如下:
(1.1)初始化波动和sum与加和数sumc为0
(1.2)计算当前AP当前位置点各子载波概率密度函数最高点幅度值mvalue
(1.3)选取某一个未计算子载波,计算当前波动值SM=abs(VALUE-mvalue),其中VALUE为当前子载波数据值
(1.4)判断当前子载波的SM值是否大于min(mvalue,VALUE)*α,其中α因子设为0.1,若大于,则跳转到步骤(1.5);否则,跳转到步骤(1.6);
(1.5)更新加和数sumc=sumc+1;
(1.6)更新sum值sum=sum+SM;
(1.7)判断所有子载波是否都计算完,若是,则跳转到步骤(1.8);否则,跳转到步骤(1.3)
(1.8)计算sAPFDC的值
sAPFDC=(1-sumc/30*CSI)*(1-sum/30*CSI*mvalue)
对于计算后的数据如果存在单一天线相对于其他天线效果不佳时,将其sAPFDC置为0,其判断条件如式:
2*(sAPFDCmax-sAPFDCsecond)<(sAPFDCsecond-sAPFDCmin)
其中sAPFDCmax表示该指纹点sAPFDC最大的一个天线对应sAPFDC值,sAPFDCsecond表示该位置点sAPFDC第二大的天线对应sAPFDC值,sAPFDCmin表示该位置点sAPFDC最小的天线对应sAPFDC值,如果上式成立则舍弃sAPFDCmin数据。
之后计算非零sAPFDC的均值作为指纹点的APFDC,汇总的APFDC如式
其中u表示AP数量,v表示指纹点数量。
APFDC在一定程度上反映了数据的有效性,即越稳定的子载波数据会越趋近于1,可以设定一个阈值SAPFDC=0.75对保留的特征进行限定,若大于该阈值则保留,否则不保留,保留的数量即为最终保留特征数。
前述的步骤(5)中,OOB加噪法具体方法为:
(5.1)准备袋外数据OOB:
由于数据提取阶段使用方式为袋装法,袋装法的一个特点为随机取样,即随机对训练集的样本总数Total采集一定次数,使用的方式为放回采样,对于样本的总数Total,其中的每一个样本,在Total次随机采样中,没有被采样到的概率如式
当Total趋近于正无穷时,该概率约为36.8%。这类数据被称为袋外数据(Out OfBand,OOB);
(5.2)未加入噪声前,使用OOB数据集进行测试,获得错误数据数量W,其中错误数据是指使用随机森林对OOB数据集进行分类,分类结果与数据集中对应数值误差超过1米的数据;
(5.3)向OOB样本的当前特征中增加噪声,即赋予一随机数,生成测试干扰;
(5.4)再次使用OOB数据集进行测量,得到加入噪声后的错误数据数量WN;
(5.5)计算获得特征分数SF,具体公式为:
采用本发明中基于随机森林的WIFI信号CSI特征提取方法对WIFI的CSI数据进行特征提取,得到筛选后的CSI信号子载波,由于筛选出的子载波受环境影响较小、更为稳定,如果通过这些子载波进行定位,在复杂环境下受到人、物等干扰较小,可以提高定位的准确度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于随机森林的WIFI信号CSI特征提取方法,其特征在于,包括以下步骤:
步骤1:获取待特征提取的WIFI信号的发射端信息、CSI信息以及各发射端中天线的数量;采集每个指纹点的WIFI指纹信息,获取需要进行特征提取的CSI信息,初始时CSI信息中特征数量为FR;
步骤2:初始化随机森林的系数,设置随机森林中决策树的数量TN、决策树的最大深度TD、随机森林划分时保留特征数F以及每次去除的特征数D;
步骤3:构建决策树;对于整个随机森林系统,总共进行TN次装袋法Bagging采样,每次采样构建一棵独特的决策树;
步骤4:对随机森林中的每个特征使用OOB加噪法获取特征分数,并根据特征分数SF进行排序;
步骤4.1:获取在构建决策树过程中未被采样的袋外数据OOB;
步骤4.2:未加入噪声前,使用OOB数据集进行测试,获得错误数据数量W;其中,错误数据是指使用随机森林对OOB数据集进行分类,分类结果与数据集中对应数值误差超过误差阈值的数据;
步骤4.3:向OOB样本的当前特征中增加噪声,生成测试干扰;
步骤4.4:再次使用OOB数据集进行测量,得到加入噪声后的错误数据数量WN;
步骤4.5:计算特征分数SF;
步骤5:若FR-D>F,则筛除CSI信息中特征分数最低的D个特征,更新剩余特征数量FR=FR-D,返回步骤4;否则,筛除CSI信息中特征分数最低的FR-F个特征,将特征数量去除至保留特征数F,结束计算,完成对WIFI信号CSI特征的提取。
2.根据权利要求1所述的一种基于随机森林的WIFI信号CSI特征提取方法,其特征在于:所述的步骤2中设置随机森林划分时保留特征数F的方法具体为:采用接入点指纹数据一致性辅助特征选取法设置随机森林划分时保留特征数F,将每个天线的每个子载波看作CSI信息的一个特征,对于保留特征数以及选取的特征通过定义一个辅助因子接入点指纹数据一致性进行特征的选取;具体步骤如下:
步骤2.1:计算待特征提取的WIFI信号的每个发射端中、每个指纹点处、每个天线的sAPFDC值;
步骤2.2:对于每一个指纹点,判断是否满足以下条件:
2*(sAPFDCmax-sAPFDCsecond)<(sAPFDCsecond-sAPFDCmin)
其中,sAPFDCmax表示该指纹点sAPFDC值最大的一个天线对应的sAPFDC值;sAPFDCsecond表示该指纹点sAPFDC值第二大的天线对应的sAPFDC值;sAPFDCmin表示该位置点sAPFDC值最小的天线对应的sAPFDC值;
若指纹点满足上式,则舍弃sAPFDCmin数据;
步骤2.3:对于每一个指纹点,计算该指纹点中所有非零sAPFDC值的均值作为该指纹点的APFDC值;
步骤2.4:设定阈值SAPFDC,汇总所有大于阈值SAPFDC的APFDC值对应的发射端中的指纹点,其数量即为保留特征数F。
3.根据权利要求2所述的一种基于随机森林的WIFI信号CSI特征提取方法,其特征在于:所述的步骤2.1中计算待特征提取的WIFI信号的每个发射端中、每个指纹点处、每个天线的sAPFDC值的方法具体为:
步骤2.1.1:初始化波动和sum与加和数sumc为0;
步骤2.1.2:计算当前发射端、当前指纹点处各子载波概率密度函数最高点幅度值mvalue;
步骤2.1.3:选取一个未计算的子载波,计算当前子载波的波动值SM,SM=abs(VALUE-mvalue);其中,VALUE为当前子载波数据值;
步骤2.1.4:判断当前子载波的SM值是否大于min(mvalue,VALUE)*α,α因子设为0.1;若当前子载波的SM值大于min(mvalue,VALUE)*α,则执行步骤2.1.5;否则,直接执行步骤2.1.6;
步骤2.1.5:更新加和数sumc=sumc+1;
步骤2.1.6:更新波动和sum=sum+SM;
步骤2.1.7:判断是否完成所有子载波的计算;若未完成,则返回步骤2.1.3;否则,执行步骤2.1.8;
步骤2.1.8:计算当前发射端、当前指纹点处当前天线的sAPFDC的值;
sAPFDC=(1-sumc/30*CSI)*(1-sum/30*CSI*mvalue)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108873.6A CN112235816B (zh) | 2020-10-16 | 2020-10-16 | 一种基于随机森林的wifi信号csi特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108873.6A CN112235816B (zh) | 2020-10-16 | 2020-10-16 | 一种基于随机森林的wifi信号csi特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112235816A true CN112235816A (zh) | 2021-01-15 |
CN112235816B CN112235816B (zh) | 2023-03-17 |
Family
ID=74117655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108873.6A Active CN112235816B (zh) | 2020-10-16 | 2020-10-16 | 一种基于随机森林的wifi信号csi特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112235816B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954791A (zh) * | 2021-01-26 | 2021-06-11 | 电子科技大学 | 一种基于子载波筛选的信道状态信息csi定位方法 |
CN115586581A (zh) * | 2022-12-02 | 2023-01-10 | 荣耀终端有限公司 | 一种人员检测的方法和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108631890A (zh) * | 2018-02-08 | 2018-10-09 | 中国矿业大学 | 一种基于信道状态信息和随机森林的煤矿井下闯入检测方法 |
CN110213710A (zh) * | 2019-04-19 | 2019-09-06 | 西安电子科技大学 | 一种基于随机森林的高性能室内定位方法、室内定位系统 |
CN111209960A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
US20200311559A1 (en) * | 2017-06-20 | 2020-10-01 | Rita Chattopadhyay | Optimized decision tree machine learning for resource-constrained devices |
-
2020
- 2020-10-16 CN CN202011108873.6A patent/CN112235816B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
US20200311559A1 (en) * | 2017-06-20 | 2020-10-01 | Rita Chattopadhyay | Optimized decision tree machine learning for resource-constrained devices |
CN108631890A (zh) * | 2018-02-08 | 2018-10-09 | 中国矿业大学 | 一种基于信道状态信息和随机森林的煤矿井下闯入检测方法 |
CN110213710A (zh) * | 2019-04-19 | 2019-09-06 | 西安电子科技大学 | 一种基于随机森林的高性能室内定位方法、室内定位系统 |
CN111209960A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
Non-Patent Citations (1)
Title |
---|
MD. NAFIUL ALAM NIPU: "Human Identification Using WIFI Signal", 《IEEE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954791A (zh) * | 2021-01-26 | 2021-06-11 | 电子科技大学 | 一种基于子载波筛选的信道状态信息csi定位方法 |
CN112954791B (zh) * | 2021-01-26 | 2022-04-22 | 电子科技大学 | 一种基于子载波筛选的信道状态信息csi定位方法 |
CN115586581A (zh) * | 2022-12-02 | 2023-01-10 | 荣耀终端有限公司 | 一种人员检测的方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112235816B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112235816B (zh) | 一种基于随机森林的wifi信号csi特征提取方法 | |
CN107948930A (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN107527016B (zh) | 室内WiFi环境下基于动作序列检测的用户身份识别方法 | |
CN112347894B (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN111929548B (zh) | 放电和干扰信号样本生成方法、计算机设备和存储介质 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN109490838A (zh) | 一种面向数据库残缺的雷达辐射源识别方法 | |
CN110222708A (zh) | 一种基于集成决策树的跌倒检测方法和系统 | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN109829494A (zh) | 一种基于加权相似性度量的聚类集成方法 | |
CN110811578A (zh) | 计步装置及其计步方法、控制器和可读存储介质 | |
CN110147493A (zh) | 活跃因子的确定方法、装置、计算机设备及存储介质 | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
CN116980824B (zh) | 一种轻量化的加权集成学习室内csi定位方法 | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
CN108712222A (zh) | 一种协作频谱感知方法及相关装置 | |
CN114626412B (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN109508350B (zh) | 一种对数据进行采样的方法和装置 | |
CN111551893A (zh) | 一种深度学习与集成神经网络的室内定位方法 | |
CN108846407B (zh) | 基于独立成分高序不确定脑网络的磁共振影像分类方法 | |
CN111199209A (zh) | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 | |
US20220147777A1 (en) | Automatic Partial Discharge and Noise Signals Separation using Arithmetic Coding in Time Domain and Magnitude Distributions in Frequency Domain | |
CN112949592B (zh) | 高光谱图像的分类方法、装置和电子设备 | |
CN110517326B (zh) | 一种基于权重蜻蜓算法的比色传感器阵列优化方法 |
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 |