CN112312541A - 一种无线定位方法及系统 - Google Patents
一种无线定位方法及系统 Download PDFInfo
- Publication number
- CN112312541A CN112312541A CN202011073388.XA CN202011073388A CN112312541A CN 112312541 A CN112312541 A CN 112312541A CN 202011073388 A CN202011073388 A CN 202011073388A CN 112312541 A CN112312541 A CN 112312541A
- Authority
- CN
- China
- Prior art keywords
- domain
- fingerprint image
- fingerprint
- neural network
- network model
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- 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
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例提供一种无线定位方法及系统,包括:在待测点处采集所有Wi‑Fi接入点的接收信号强度数据;根据接收信号强度数据,构建指纹向量;根据指纹向量,确定指纹图像;将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置。本发明实施例提供的无线定位方法及系统,以广泛部署的Wi‑Fi设备为载体,使用深度学习方法充分挖掘指纹图像中的本质定位信息,在传统RSS指纹基础上,提取能够克服设备异质性、时间波动性的鲁棒特征,从而提升定位精度与鲁棒性,可实现室内高精度的定位,同时能够自动更新,长期保持定位的准确性,且降低了设备及维护成本。
Description
技术领域
本发明涉及定位导航技术领域,尤其涉及一种无线定位方法及系统。
背景技术
基于准确而稳定的室内位置的服务(ILBS)是许多应用广泛部署的关键推动力。为了提供ILBS,现今提出了各种无线室内定位技术,例如Wi-Fi,RFID,声信号等。其中,由于WiFi基础架构的广泛部署和可用性,致使基于W-iFi指纹的室内定位已成为最具吸引力的解决方案之一。基于Wi-Fi指纹的定位技术主要包括线下和线上段两个阶段,其中线下阶段包括收集Wi-Fi接入点(Access Point,简称AP)接收信号强度(Received SignalStrength,简称RSS)的空间分布信息,构建指纹数据库;线上阶段包括定位系统根据指纹数据库提供定位服务。用户在未知位置采集RSS指纹,并将其上传到定位服务器,定位系统将RSS指纹与指纹数据库进行匹配来定位用户。基于这种Wi-Fi指纹的定位算法是目前室内定位领域的核心方法。
尽管许多工作已经进行了广泛深入的研究,但是基于指纹的室内定位经常会产生较大的定位误差,导致其尚未得到全面部署。引起定位误差的主要原因是:时间波动性与设备异构性以及数据库退化。一方面,在同一地点,不同的设备在不同的时间采集到的RSS可能不同,导致查询指纹与数据库的不匹配,其定位误差有时甚至可达十余米;另一方面,考虑到不可预知的环境变化(如装修导致的室内结构变动等),致使初始指纹数据库会逐渐退化,从而导致定位性能严重下降。
目前,通过借助深度学习提取的深层特征或者借助额外信息(如惯性感知、图像匹配、甚至物理层通道状态信息)来提升定位的准确率与鲁棒性的研究方向已被提出,包括利用上述技术提供的几何约束或用户的运动模式来更新指纹数据库,以降低维护成本。
上述方法虽然取得了一定的成果,但是指纹定位仍面临着严重的局限性:首先,由于时间波动性与设备异质性,定位精度与鲁棒性依然很低;其次,由于大部分数据库更新技术依赖于定位系统的高准确率,而定位系统的准确率又依赖于数据库的质量,这导致更新方法实质上并不能降低指纹数据库维护成本;最后,虽然一些工作借助额外设备或约束提升了定位的准确性,但是指纹定位的普适性因此也大大下降。
所以,目前的定位系统都难以同时解决上述问题,并实现定位精度高、维护成本低、普适性高的目标。
发明内容
本发明实施例提供一种无线定位方法及系统,用以解决现有技术定位精度与鲁棒性低或需要借助额外设备的缺陷,以实现室内目标的快速精准定位。
第一方面,本发明实施例提供一种无线定位方法,主要包括:在待测点处采集所有Wi-Fi接入点的接收信号强度数据;根据接收信号强度数据,构建指纹向量;根据指纹向量,确定指纹图像;将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置。
可选地,所述根据指纹向量,确定指纹图像,具体包括:
定义所述指纹向量为F,F={f1,f2,...fN};根据所述指纹向量确定所述指纹图像x;
可选地,在将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置之后,还包括:利用指纹图像作为输入,以与每个指纹图像相对应的由域对抗神经网络模型输出的与待测点相对应的预测位置作为位置标签,对域对抗神经网络模型进行训练。
可选地,域对抗神经网络模型至少包括特征提取器和位置预测器;上述将指纹图像输入至训练好的域对抗神经网络模型中,以获取由所述域对抗神经网络模型输出的与所述待测点相对应的预测位置,主要包括:
利用特征提取器对指纹图像进行浅层特征的提取,获取与指纹图像相对应的浅层特征,所述浅层特征的表达式为:
Z=ME(x;ΘME);
位置预测器至少包括第一卷积网络层、激活层和全连接层;利用第一卷积网络层获取所述浅层特征的第一分类视图,第一分类视图的表达式为:
利用激活层将所述第一分类视图映射至定位场景中的位置空间;利用全连接层中的Softmax输出层,获取位置空间对应的位置概率向量,以确定预测位置;位置概率向量的表达式为:
利用交叉熵函数定义所述位置预测器的损失函数为:
上述对域对抗神经网络模型进行预训练具体为:最小化位置预测器的损失函数;
其中,Z为所述潜层特征,x为所述指纹图像,ME为所述特征提取器中的卷积模块,为ME中的待训练参数;为所述第一分类视图,Mk为所述第一卷积网络层的卷积模块,k为所述第一卷积网络层中卷积模块的序号,i为所述指纹图像的序号,是卷积模块Mk中的待学习参数,Zi为第i个指纹图像所对应的潜层特征;为Mk预测的针对指纹图像xi的位置标签,和均为卷积模块Mk中待学习的参数;La为所述位置预测器的损失函数,|X|为训练集中所述指纹图像的数量,yi为所述指纹图像xi的真实位置;yic为yi中xi属于定位场景中位置c的概率值,若所述指纹图像属于位置c,则yic=1,否则yic=0。
可选地,域对抗神经网络模型还包括域判别器,域判别器至少包括第二卷积网络层;
利用第二卷积网络层获取所述浅层特征的第二分类视图,第二分类视图的表达式为:
将第二分类视图映射至所述指纹图像的信息域,获取域预测向量,域预测向量的表达式为:
利用交叉熵函数定义所述域判别器的损失函数为:
其中,MD为所述第二卷积网络层中的卷积模块,为卷积模块MD的待学习参数,Ui为所述第二分类视图,Wu与bu为所述域预测向量的待学习参数,为所述域预测向量;Ld为所述域判别器的损失函数,为所有信息域的域数量;为所述域预测向量中xi属于第j类域的概率值,若指纹属于域j,那么否则
可选地,上述对域对抗神经网络模型进行训练,主要包括:根据位置预测器的损失函数和所述域判别器的损失函数,确定域对抗神经网络模型的目标函数;通过最小化域对抗神经网络模型的目标函数对域对抗神经网络模型进行训练;域对抗神经网络模型的目标函数为:
L=La-λLd
其中,L为所述域对抗神经网络模型的目标函数,λ为可调整的超参数,且λ>0。
可选地,在确定域对抗神经网络模型的目标函数之后,还可以包括:
确定空间约束损失函数,以对预测位置施加空间约束,使得在预测位置与真实位置不一致且距离大于预设距离阈值时,对预测位置进行惩罚;根据空间约束损失函数,重新确定域对抗神经网络模型的目标函数,具体为:
L=La+γLs-λLd;
空间约束损失函数的表达式为:
可选地,位置预测器至少包括三个不同的卷积模块;上述对所述域对抗神经网络模型进行训练,具体为:
在利用所述特征提取器对无位置标签的指纹图像样本进行特征提取后,获取与无位置标签的指纹图像样本相对应的浅层特征;分别利用任意两个卷积模块分别对浅层特征进行位置预测,获取第一位置标签和第二位置标签;判断第一预测位置与第二预测位置的平均最大后验概率大于预设阈值,则将无位置标签的指纹图像作为样本,将第一位置标签和第二位置标签作为与无位置标签的指纹图像对应的位置标签加入至预先构建的训练集,获取增强训练集;利用增强训练集对余下的一个卷积模块进行训练。
可选地,在所述判断所述第一预测位置与第二预测位置的平均最大后验概率大于预设阈值之后,还包括:基于Dropout方法,利用任意两个卷积模块多次对浅层特征进行位置预测,并根据每次的位置预测结果,确定第一位置标签和所述第二位置标签的有效性。
可选地,在所述获取增强训练集之后,还可以包括:基于Output Smearing技术对增强训练集进行处理,获取包含噪声的增强训练集;利用包含噪声的增强训练集对余下的一个卷积模块进行训练。
第二方面,本发明实施例还提供一种无线定位系统,主要包括:信号强度数据采集单元、指纹向量转换单元、指纹图像转换单元和位置预测单元;其中,信号强度数据采集单元主要用于在待测点处采集所有Wi-Fi接入点的接收信号强度数据;指纹向量转换单元主要用于根据所述接收信号强度数据,构建指纹向量;指纹图像转换单元主要用于根据指纹向量,确定指纹图像;预存储有域对抗神经网络模型的位置预测单元主要用于根据输入的指纹图像,输出与待测点相对应的预测位置。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述无线定位方法的步骤。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述无线定位方法的步骤。
本发明实施例提供的无线定位方法及系统,以广泛部署的Wi-Fi设备为载体,使用深度学习方法充分挖掘指纹图像中的本质定位信息,在传统RSS指纹基础上,提取能够克服设备异质性、时间波动性的鲁棒特征,从而提升定位精度与鲁棒性,可实现室内高精度的定位,同时能够自动更新,长期保持定位的准确性,且降低了设备及维护成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1是本发明实施例提供的一种无线定位方法的流程示意图;
图2是本发明实施例提供的一种域对抗神经网络模型的结构示意图;
图3为本发明实施例提供的一种对域对抗神经网络模型进行训练的流程示意图;
图4为本发明实施例提供的另一种无线定位方法的流程示意图;
图5为本发明实施例提供的另一种无线定位系统的结构示意图;
图6为采用本发明实施例提供的无线定位方法与现有的其他定位方法分别进行长期定位的准确率比较示意图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种无线定位方法,如图1所示,主要包括但不限于以下步骤:
步骤S1,在待测点处采集所有Wi-Fi接入点的接收信号强度数据;
步骤S2,根据所述接收信号强度数据,构建指纹向量;
步骤S3,根据所述指纹向量,确定指纹图像;
步骤S4,将所述指纹图像输入至训练好的域对抗神经网络模型中,以获取由所述域对抗神经网络模型输出的与所述待测点相对应的预测位置。
具体地,所述步骤S1的具体实现方式可以是:
首先综合考虑室内环境的大小以及定位精度的要求,以待测点为中心将整个室内环境划分为诸多大小基本相同的网格,并将每个网格的中心作为参考点。然后,在每个参考点处采集来自所有Wi-Fi接入点的接收信号强度数据。
进一步地,所述步骤S2的具体实现方式可以是:假设待测点处相邻近的N个AP接收RSS,则可以将指纹向量f定义为:
f={f1,f2,…,fN};
其中,fi代表从第i个AP处(即APi)接收到的RSS值。
由于直接使用f作为域对抗神经网络模型的输入,无法实现网络模型的预训练,主要表现在:首先,为了平衡对抗训练,特征提取器一般具有较少的层数;此外,卷积神经网络(Convolutional Neural Network,CNN)中的卷积核主要是借助图像中相邻元素的空间相关性提升分类性能。然而,原始的指纹向量f仅含有互不相关的RSS,其表达能力有限,致使对抗网络难以从中提取鲁棒特征,故在本发明实施例中,设计了指纹图像转换器,以将指纹向量f转换成指纹图像x,来增强原始指纹的表达能力。
作为可选地实施例,步骤S3中所述的根据所述指纹向量所获取的指纹图像x可以是:
其中,为所述指纹图像x中第j行第k列的元素,fj为所述指纹图像x中第j行元素,fk为所述指纹图像x中第k列元素,N为Wi-Fi接入点的个数。本发明实施例通过将整个室内环境模拟划分为诸多大小基本相同的网格,并按照网格的排布方式,将指纹向量f转换成对应的指纹图像x,为后期利用域对抗神经网络对指纹信息进行分析提供了基础。
进一步地,在步骤S4中,将与待测点处获取的接收信号强度数据相对应的指纹图像x输入至预先训练好的域对抗神经网络模型(以下简称模型)中,以获取由所述模型输出的该待测点的预测位置,实现对待测点的精准定位。
本发明实施例所提供的无线定位方法,其核心是域对抗神经网络(DomainAdversarial Neural Network,简称DANN),作为可选地,所述DANN可以包含以下几个部分:指纹图像转换器,特征提取器,位置预测器,以及域判别器。其中,指纹图像转换器主要负责将原始的一维指纹向量转换为表达能力更强的二维指纹图像并作为后续模型的输入;特征提取器负责将输入的指纹图像转换为潜层特征;位置预测器则利用获取潜层特征,确定预测的位置并最大化定位的准确率。
进一步地,在本发明实施例中,为了去除与定位无关的域信息,还可以利用域判别器负责对指纹中的域信息(所述域信息定义为“指纹使用何种设备在何时被采集”)进行预测,为了学习到不包含域信息的鲁棒特征,将特征提取器与域判别器进行对抗,以在降低域判别器的预测准确率的同时,最大化位置预测器的定位准确率。通过上述对抗学习,特征提取器最终能够提取不包含特定域信息的特征。
本发明实施例提供的无线定位方法,以广泛部署的Wi-Fi设备为载体,使用深度学习方法充分挖掘指纹图像中的本质定位信息,在传统RSS指纹基础上,提取能够克服设备异质性、时间波动性的鲁棒特征,从而提升定位精度与鲁棒性,可实现室内高精度的定位,同时能够自动更新,长期保持定位的准确性,且降低了设备及维护成本。
基于上述实施例的内容,作为一种可选实施例,上述根据指纹向量,确定指纹图像,包括:定义指纹向量为F,F={f1,f2,...fN};根据指纹向量确定指纹图像x,指纹图像x的表达式如公式1所示,其中:
本发明实施例通过将整个室内环境模拟划分为诸多大小基本相同的网格,并按照网格的排布方式,将指纹向量f转换成对应的指纹图像x,为后期利用域对抗神经网络模型对指纹信息进行分析以及合理的对构建的网络模型训练提供了基础。
进一步地,在将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置之后,还包括:利用所述指纹图像作为输入,以与每个指纹图像相对应的由域对抗神经网络模型输出的与待测点相对应的预测位置作为位置标签,对域对抗神经网络模型进行训练。
具体地,在本发明实施例提供的无线定位方法中,借助用户被动采集的无标签指纹,自动更新所构建的域对抗神经网络模型,从而实现能够提供长期服务的高精度的定位系统。即在本发明实施例中,无需预先收集大量带标签的样本创建带标签的训练集,以实现对域对抗神经网络模型的预训练,只需要对预先创建的模型进行一次训练,则可以自主的在后期的检测过程中,将待检测的指纹图像作为样本,将域对抗神经网络模型输出的预测位置作为标签,实现模型的训练,而这一训练过程可以视作无标签训练。
本发明实施例提供的无线定位方法,其特征在于,在将所述指纹图像输入至训练好的域对抗神经网络模型,只需要训练一次,即可在任意时间为任何人进行高精度的定位,同时能够自动更新,长期保持定位的准确性,降低维护成本。
基于上述实施例的内容,作为一种可选实施例,其中域对抗神经网络模型至少包括特征提取器和位置预测器。上述将指纹图像输入至训练好的域对抗神经网络模型中,以获取由所述域对抗神经网络模型输出的与所述待测点相对应的预测位置,具体包括:
利用特征提取器对所述指纹图像进行浅层特征的提取,获取与指纹图像相对应的浅层特征,浅层特征的表达式为:
位置预测器至少包括第一卷积网络层、激活层和全连接层;
利用第一卷积网络层获取所述浅层特征的第一分类视图,第一分类视图的表达式为:
利用激活层将第一分类视图映射至定位场景中的位置空间;
利用所述全连接层中的Softmax输出层,获取所述位置空间对应的位置概率向量,以确定预测位置;位置概率向量的表达式为:
利用交叉熵函数定义所述位置预测器的损失函数为:
对域对抗神经网络模型进行预训练则具体为:最小化位置预测器的损失函数;
其中,Z为所述潜层特征,x为所述指纹图像,ME为所述特征提取器中的卷积模块,为ME中的待训练参数;为所述第一分类视图,Mk为所述第一卷积网络层的卷积模块,k为所述第一卷积网络层中卷积模块的序号,i为所述指纹图像的序号,是卷积模块Mk中的待学习参数,Zi为第i个指纹图像所对应的潜层特征;为Mk预测的针对指纹图像xi的位置标签,和均为卷积模块Mk中待学习的参数;La为所述位置预测器的损失函数,|X|为训练集中所述指纹图像的数量,yi为所述指纹图像xi的真实位置;yic为yi中xi属于定位场景中位置c的概率值,若所述指纹图像属于位置c,则yic=1,否则yic=0。
图2是本发明实施例提供的一种域对抗神经网络模型的结构示意图,如图2所示,基于输入的指纹图像x,在本发明实施例所提供的特征提取器中,可以通过一个两层的CNN模块ME对输入的指纹图像进行特征提取,获取到对应的潜层特征Z,所述潜层特征Z的表达式如公式2所示,其中x为指纹图像转换器提取的图像,为CNN模块ME中的待训练参数。
进一步地,作为一种可选的实施例,位置预测器可以集成有多个不同的CNN模块,如:可以包含三个不同的CNN模块,分别记为:M1,M2,M3,则三个模块基于特定的图像输入xi的潜层特征Zi学习三个不同的分类视图
然后,利用Softmax分类器进行位置概率向量预测,所述位置概率向量的计算方法如公式4所示,其中与均为CNN模型Mk中待学习的参数,为Mk预测的针对输入指纹图像xi的位置标签,k为预测器中所集成的卷积模块的序号,可以取值1、2、3。
进一步地,本发明实施例中所提供的位置预测器的损失函数La则可以定义如公式5所示。其中,|X|代表训练集中指纹的数量,yi代表输入图像xi的真实标签,yic为yi向量中xi属于位置c的概率值,yi=(yi1,yi2,…,yiC),如果指纹属于位置c,那么yic=1,否则yic=0。代表Mk预测的针对输入图像xi的位置标签,且
在模型的训练的过程中,特征提取器与位置预测器合作以实现La的最小化。
基于上述实施例的内容,作为一种可选实施例,如图2所示,域对抗神经网络模型还包括域判别器,所述域判别器至少包括第二卷积网络层;主要执行以下操作:
利用第二卷积网络层获取浅层特征的第二分类视图,其中第二分类视图的表达式为:
将所述第二分类视图映射至所述指纹图像的信息域,获取域预测向量,所述域预测向量的表达式为:
利用交叉熵函数定义所述域判别器的损失函数为:
其中,MD为所述第二卷积网络层中的卷积模块,为卷积模块MD的待学习参数,Ui为所述第二分类视图,Wu与bu为所述域预测向量的待学习参数,为所述域预测向量;Ld为所述域判别器的损失函数,为所有信息域的域数量;为所述域预测向量中xi属于第j类域的概率值,若指纹属于域j,那么否则
具体地,在本发明实施例中,指纹中的特定域信息可以被定义为指纹采集设备与采集时间的组合。一方面,移动设备的无线网卡通常各不相同,其感知Wi-Fi信号的能力也不同,将设备的多样性作为域信息有助于对抗网络学习不受设备异质性影响的定位特征;另一方面,由于受到多径效应以及信号衰减的影响,RSS的分布随时间不同变化很大,但很难直接刻画这种环境动态以及RSS偏移。因此,在本发明实施例中将时间作为域信息的另一个属性,有助于对抗网络提取克服时间波动性的特征。
进一步地,为了让域判别器能够分辨出每个指纹的域信息。本发明实施例在域判别器中设计了一个CNN模块MD(以示区别,将简称第二卷积网络层),用于学习潜层特征Zi的视图Ui(以示区别,将其简称第二分类视图)。所述第二分类视图的表达式可以如公式6所示,其中,为CNN模块MD的待学习参数。
其中,Wu与bu为待学习的参数,域判别器的损失函数Ld定义如公式8所示。
其中,|X|代表训练集中指纹的数量,di是真实域标签的独热向量;dij为di向量中xi属于第j类域的概率值,di=(di1,di2,…,dij),如果指纹属于域j,那么dij=1,否则dij=0。为域判别器预测的针对输入图像xi的域标签,且
基于上述实施例的内容,本发明实施例提供的无线定位方法,对域对抗神经网络模型进行训练,主要包括以下步骤:
根据位置预测器的损失函数和域判别器的损失函数,确定域对抗神经网络模型的目标函数;通过最小化域对抗神经网络模型的目标函数对所述域对抗神经网络模型进行训练;所述域对抗神经网络模型的目标函数为:
L=La-λLd 公式9
其中,L为所述域对抗神经网络模型的目标函数,λ为可调整的超参数,且λ>0。
由于域判别器的目的是最小化Ld,并且最大化域标签的预测准确率,但其与本发明是的初衷恰好相反。为了解决这个冲突,在本发明实施例中,通过在Ld前取负,则在最终的目标函数中可以最大化Ld,所构建的域对抗神经网络模型的目标函数如公式9所示。则通过上述的对抗学习,本发明实施例能够从指纹中提取不包含特定域信息的鲁棒特征。
进一步地,在确定域对抗神经网络模型的目标函数之后,还可以包括:确定空间约束损失函数,以对预测位置施加空间约束,使得在预测位置与真实位置不一致且距离大于预设距离阈值时,对预测位置进行惩罚;根据空间约束损失函数,重新确定域对抗神经网络模型的目标函数,具体为:
L=La+γLs-λLd 公式10
空间约束损失函数的表达式为:
本发明实施例提供的无线定位方法,为了减小显著的定位误差,对预估位置施加空间约束,当与真实位置不一致且距离相差较大时,对其进行惩罚。其中,空间约束的损失函数Ls定义如公式11所示。在绝大多数的定位应用中,待测点各采样点的物理坐标在指纹采集阶段都会被仔细记录,因此,使用不会引入任何额外的消耗。
最终,所获取到的整体的域对抗神经网络模型的损失函数如公式10所示。其中,γ与λ为可调整的超参数。在具体训练过程中,通过迭代训练网络模型,令Ω={Δ,Γ}为网络的全部参数,其中Δ代表域判别器的参数。首先固定Δ,并更新除域判别器外剩下的参数部分Γ=Ω-Δ;然后固定Γ,更新Δ,即可获取训练好的域对抗神经网络模型。
基于上述实施例的内容,作为一种可选实施例,位置预测器至少包括三个不同的卷积模块;上述对域对抗神经网络模型进行训练,具体为:
在利用特征提取器对无位置标签的指纹图像样本进行特征提取后,获取与无位置标签的指纹图像样本相对应的浅层特征;分别利用任意两个卷积模块分别对浅层特征进行位置预测,获取第一位置标签和第二位置标签;判断第一预测位置与第二预测位置的平均最大后验概率大于预设阈值,则将无位置标签的指纹图像作为样本,将第一位置标签和第二位置标签作为与无位置标签的指纹图像对应的位置标签加入至预先构建的训练集,获取增强训练集;利用增强训练集对余下的一个卷积模块进行训练。
为了降低系统的维护成本,本发明实施例设计了一个模型训练的方法,利用在定位过程中被动采集的无标签指纹图像,结合半监督学习中协同训练的思想,实现可靠的自动更新。
图3是本发明实施例提供的一种对域对抗神经网络模型进行训练的流程示意图,如图3所示,在本发明实施例提供的DANN中的位置预测器由三个不同的卷积模块组成。当接收到无标签指纹时,三个卷积模块共同决定定位结果并且协同更新模型。模型更新的训练过程如图3所示,ME代表训练好的鲁棒特征提取器,M1,M2,M3代表位置预测器中的三个卷积模块。
在模型更新过程中,一部分无标签的指纹将会被打上标签并加入到训练集中。如果M1,M2,M3的其中任意两个卷积模块对无标签指纹的预测一致,且预测是可靠且稳定的,那么这个指纹及其被两个模块预测的标签会被组合并加入到第三个卷积模块的训练集中,以利用其对该卷积模块进行训练。
本发明实施例提供的模型训练方法,可在任意时间为任何人进行高精度的定位,同时能够自动更新,长期保持定位的准确性,降低了维护成本。
基于上述实施例的内容,在所述判断所述第一预测位置与第二预测位置的平均最大后验概率大于预设阈值之后,还包括:基于Dropout方法,利用所述任意两个卷积模块多次对所述浅层特征进行位置预测,并根据每次的位置预测结果,确定第一位置标签和所述第二位置标签的有效性。
随着位置预测器中的三个模块相互增加彼此的训练集,由于分类的视图会越来越相似,从而导致模型训练过拟合的现象发生。为了解决这个问题,本发明实施例构建三个不同数据集,并采用Dropout方法在特定的训练轮次对模型进行微调,以增强它们的多样性,有效的缓解过拟合的发生,在一定程度上达到正则化的效果。
进一步地,由于无标签指纹的预测有可能是错误的,而选取错误的标签会使模型的性能下降,因此必须保证选取到可靠且稳定的指纹。一般认为如果两个卷积模块对指纹图像的预测一致,且预测的平均最大后验概率大于阈值σ,那么这个指纹图像就是可靠的;且当模型进行多次重复预测时,如果结果不会改变,那么这个指纹就是稳定的。
结合图4所示的内容,本发明实施例可以借助神经网络中的Dropout方法来实现指纹图像稳定性判断。Dropout通常有训练和测试两种模式,在训练模式下,每个训练轮次的预测中网络的连接方式都是不同的;而在测试模式下,网络的连接方式固定不变。也就是说,当Dropout在训练模式时,模型的预测结果可能是不同的。对每个(xi为输入图像,表示在测试模式下得到的预测结果),那么在Dropout训练模式下,通过对xi预测K次,并记录预测结果与不同的次数k,若则可以认为xi的预测标签是稳定的。
基于上述实施例的内容,作为一种可选实施例,在获取增强训练集之后,还可以包括:基于输出调制法(Output Smearing)对增强训练集进行处理,获取包含噪声的增强训练集;利用包含噪声的增强训练集对所述余下的一个卷积模块进行训练。
进一步地,本发明实施例提供的无线定位方法在所述获取增强训练集之后,采用Output Smearing技术以增强训练集中的视图多样性。
其中,Output Smearing是一种转化输出表示,造成其扰动的方法,常被用于增加学习器的多样性,可将分类输出转化为回归输出后构建个体学习器。输出表示的扰动思路经过一些操作,对输出表示实现操纵以达到增加多样性的目的。
如图4所示,在本发明实施例中,三个模型之间的多样性在模型更新过程中起关键作用,尽管我们使用了不同的网络结构以增强分类视图的多样性,但随着三个模块对未标记数据进行标记以并增加彼此的训练集时,它们之间的相似性越来越大。为了维持多样性,我们使用Output Smearing技术根据原始数据集D生成三个不同的数据集(D1,D2,D3)。Output Smearing是通过向数据集中添加不同的噪声构建不同的数据集,不同的模块进一步使用不同的数据集进行训练,增强分类视图的多样性。例如:对有标签指纹(xi,yi),其中yi=(yi1,yi2,…,yic),如果指纹图像属于位置c,那么yic=1,否则yic=0。其中,使用OutputSmearing对yi添加噪声:
y′ic=yic+ReLU(zic×std)
其中,zic的采样独立于标准正态分布,std为标准差,函数ReLU用来保证y′ic非负。然后,将y′ic标准化:
y′i=(y′i1,y′i2,…,y′ic)/∑′c=1y′ic;
本发明实施例提供一种无线定位系统,如图5所示,主要包括信号强度数据采集单元1、指纹向量转换单元2、指纹图像转换单元3和位置预测单元4,其中:
信号强度数据采集单元1主要用于在待测点处采集所有Wi-Fi接入点的接收信号强度数据;指纹向量转换单元2主要用于根据接收信号强度数据,构建指纹向量;指纹图像转换单元3主要用于根据指纹向量,确定指纹图像;预存储有域对抗神经网络模型的位置预测单元4主要用于根据输入的指纹图像,输出与待测点相对应的预测位置。
具体地,本发明实施例提供的无线定位系统,利用信号强度数据采集单元1以待测点为中心将整个室内环境划分为诸多大小基本相同的网格,并将每个网格的中心作为参考点。然后,在每个参考点处采集来自所有Wi-Fi接入点的接收信号强度数据。
进一步地,利用指纹向量转换单元2将指纹向量f定义为:
f={f1,f2,…,fN};
其中,fi代表从第i个AP处(即APi)接收到的RSS值。
进一步地,利用指纹图像转换单元3根据所述指纹向量所获取的指纹图像x,其中x的表达式为:
最后,将指纹图像转换单元3所生成的指纹图像x发送至位置预测单元4中的预先训练好的域对抗神经网络模型力,以预测获取由所述模型输出的该待测点的预测位置,实现对待测点的精准定位。
进一步地,在本发明实施例中,将指纹图像中的特定域信息定义为指纹采集设备与采集时间的组合。一方面,移动设备的无线网卡通常各不相同,其感知Wi-Fi信号的能力也不同,故将设备的多样性作为域信息有助于对抗网络学习不受设备异质性影响的定位特征;另一方面,由于受到多径效应以及信号衰减的影响,RSS的分布随时间不同变化很大,然而现实中很难直接刻画这种环境动态以及RSS偏移,因此,在本发明实施例中将时间作为域信息的另一个属性有助于对抗网络提取克服时间波动性的特征。
有鉴于此,本发明实施例提供的无线定位系统位置预测单元4中除了包括位置预测器还包括域判别器,域判别器的目的是最小化Ld,并且最大化域标签的预测准确率。因此,通过在最终的目标函数中最大化Ld能够从指纹图像中提取不包含特定域信息的鲁棒特征。
进一步地,为了降低系统的维护成本,我们设计了一个模型更新的框架,利用用户在定位过程中被动采集的无标签指纹,结合半监督学习中协同训练的思想,实现可靠的自动更新,主要体现在:
首先,选取可信指纹,由于无标签指纹的预测有可能是错误的,而选取错误的标签会使模型的性能下降,因此我们必须小心的选取可靠且稳定的指纹。这里我们认为如果两个模块对指纹的预测一致,且预测的平均最大后验概率大于阈值σ,那么这个指纹就是可靠的。当模型进行多次重复预测时,如果结果不会改变,那么这个指纹就是稳定的。
其次,进行视图多样性的增强。由于位置预测器中的各个卷积模块之间的多样性在模型更新过程中起关键作用,尽管本发明实施例中使用了不同的网络结构以增强分类视图的多样性,但随着各个卷积模块对未标记数据进行标记以并增加彼此的训练集时,它们之间的相似性越来越大。为了维持多样性,本实施例使用Output Smearing技术根据原始数据集D生成三个不同的数据集(D1,D2,D3)。Output Smearing是通过向数据集中添加不同的噪声构建不同的数据集,不同的模块进一步使用不同的数据集进行训练,增强分类视图的多样性。
如图6所示,是采用本发明实施例提供的无线定位系统与现有的其他定位系统分别进行长期定位的准确率进行比较的示意图,由图6可以明显的获知:采用本发明实施例提供的基于深度学习的无线定位系统,能保持稳定的识别率(97%以上),且不具有因指纹数据库退化造成定位性能下降的缺陷。
综上所述,本发明实施例提供的无线定位方法及系统,是以广泛部署的商业Wi-Fi设备为载体,使用深度学习方法充分挖掘原始指纹中的本质定位信息,在传统RSS指纹基础上,提取能够克服设备异质性、时间波动性的鲁棒特征,从而提升定位精度与鲁棒性;同时借助用户被动采集的无标签指纹,自动更新定位模型,从而实现能够提供长期服务的高精度的定位。
需要说明的是,本发明实施例提供的无线定位系统,在具体执行时,可以基于上述任一实施例所述的无线定位方法来实现,对此本实施例不作赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(communication interface)720、存储器(memory)730和通信总线(bus)740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行无线定位方法,主要包括:在待测点处采集所有Wi-Fi接入点的接收信号强度数据;根据接收信号强度数据,构建指纹向量;根据指纹向量,确定指纹图像;将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的无线定位方法,主要包括:在待测点处采集所有Wi-Fi接入点的接收信号强度数据;根据接收信号强度数据,构建指纹向量;根据指纹向量,确定指纹图像;将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行无线定位方法,主要包括:在待测点处采集所有Wi-Fi接入点的接收信号强度数据;根据接收信号强度数据,构建指纹向量;根据指纹向量,确定指纹图像;将指纹图像输入至训练好的域对抗神经网络模型中,以获取由域对抗神经网络模型输出的与待测点相对应的预测位置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种无线定位方法,其特征在于,包括:
在待测点处采集所有Wi-Fi接入点的接收信号强度数据;
根据所述接收信号强度数据,构建指纹向量;
根据所述指纹向量,确定指纹图像;
将所述指纹图像输入至训练好的域对抗神经网络模型中,以获取由所述域对抗神经网络模型输出的与所述待测点相对应的预测位置。
3.根据权利要求2所述的无线定位方法,其特征在于,在将所述指纹图像输入至训练好的域对抗神经网络模型中,以获取由所述域对抗神经网络模型输出的与所述待测点相对应的预测位置之后,还包括:
利用所述指纹图像作为输入,以与每个所述指纹图像相对应的由所述域对抗神经网络模型输出的与所述待测点相对应的所述预测位置作为位置标签,对所述域对抗神经网络模型进行训练。
4.根据权利要求3所述的无线定位方法,其特征在于,所述域对抗神经网络模型至少包括特征提取器和位置预测器;
所述将所述指纹图像输入至训练好的域对抗神经网络模型中,以获取由所述域对抗神经网络模型输出的与所述待测点相对应的预测位置,包括:
利用所述特征提取器对所述指纹图像进行浅层特征的提取,获取与所述指纹图像相对应的浅层特征,所述浅层特征的表达式为:
所述位置预测器至少包括第一卷积网络层、激活层和全连接层;
利用所述第一卷积网络层获取所述浅层特征的第一分类视图,所述第一分类视图的表达式为:
利用所述激活层将所述第一分类视图映射至定位场景中的位置空间;
利用所述全连接层中的Softmax输出层,获取所述位置空间对应的位置概率向量,以确定所述预测位置;所述位置概率向量的表达式为:
利用交叉熵函数定义所述位置预测器的损失函数为:
所述对所述域对抗神经网络模型进行预训练为最小化所述位置预测器的损失函数;
5.根据权利要求4所述的无线定位方法,其特征在于,所述域对抗神经网络模型还包括域判别器,所述域判别器至少包括第二卷积网络层;
利用所述第二卷积网络层获取所述浅层特征的第二分类视图,所述第二分类视图的表达式为:
将所述第二分类视图映射至所述指纹图像的信息域,获取域预测向量,所述域预测向量的表达式为:
利用交叉熵函数定义所述域判别器的损失函数为:
6.根据权利要求5所述的无线定位方法,其特征在于,所述对所述域对抗神经网络模型进行训练,包括:
根据所述位置预测器的损失函数和所述域判别器的损失函数,确定所述域对抗神经网络模型的目标函数;
通过最小化所述域对抗神经网络模型的目标函数对所述域对抗神经网络模型进行训练;
所述域对抗神经网络模型的目标函数为:
L=La-λLd
其中,L为所述域对抗神经网络模型的目标函数,λ为可调整的超参数,且λ>0。
8.根据权利要求4所述的无线定位方法,其特征在于,所述位置预测器至少包括三个不同的卷积模块;
所述对所述域对抗神经网络模型进行训练,具体为:
在利用所述特征提取器对无位置标签的指纹图像样本进行特征提取后,获取与所述无位置标签的指纹图像样本相对应的浅层特征;
分别利用任意两个卷积模块分别对所述浅层特征进行位置预测,获取第一位置标签和第二位置标签;
判断所述第一预测位置与第二预测位置的平均最大后验概率大于预设阈值,则将所述无位置标签的指纹图像作为样本,将所述第一位置标签和第二位置标签作为与所述无位置标签的指纹图像对应的位置标签加入至预先构建的训练集,获取增强训练集;
利用所述增强训练集对余下的一个卷积模块进行训练。
9.根据权利要求8所述的无线定位方法,其特征在于,在所述判断所述第一预测位置与第二预测位置的平均最大后验概率大于预设阈值之后,还包括:
基于Dropout方法,利用所述任意两个卷积模块多次对所述浅层特征进行位置预测,并根据每次的位置预测结果,确定所述第一位置标签和所述第二位置标签的有效性。
10.根据权利要求8所述的无线定位方法,其特征在于,在所述获取增强训练集之后,还包括:
基于Output Smearing技术对所述增强训练集进行处理,获取包含噪声的增强训练集;
利用所述包含噪声的增强训练集对所述余下的一个卷积模块进行训练。
11.一种无线定位系统,其特征在于,包括:
信号强度数据采集单元,用于在待测点处采集所有Wi-Fi接入点的接收信号强度数据;
指纹向量转换单元,用于根据所述接收信号强度数据,构建指纹向量;
指纹图像转换单元,用于根据所述指纹向量,确定指纹图像;
预存储有域对抗神经网络模型的位置预测单元,用于根据输入的所述指纹图像,输出与所述待测点相对应的预测位置。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至10任一项所述无线定位方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至10任一项所述无线定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073388.XA CN112312541B (zh) | 2020-10-09 | 2020-10-09 | 一种无线定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073388.XA CN112312541B (zh) | 2020-10-09 | 2020-10-09 | 一种无线定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112312541A true CN112312541A (zh) | 2021-02-02 |
CN112312541B CN112312541B (zh) | 2022-01-18 |
Family
ID=74488272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073388.XA Active CN112312541B (zh) | 2020-10-09 | 2020-10-09 | 一种无线定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112312541B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194401A (zh) * | 2021-03-31 | 2021-07-30 | 西安交通大学 | 一种基于生成式对抗网络的毫米波室内定位方法及系统 |
CN113628272A (zh) * | 2021-07-12 | 2021-11-09 | 中国科学院自动化研究所 | 室内定位方法、装置、电子设备及存储介质 |
CN113916231A (zh) * | 2021-09-28 | 2022-01-11 | 上海浦东发展银行股份有限公司 | 移动设备定位导航方法、装置、移动设备及存储介质 |
CN114254275A (zh) * | 2021-11-16 | 2022-03-29 | 浙江大学 | 一种基于对抗样本指纹的黑盒深度学习模型版权保护方法 |
CN114758364A (zh) * | 2022-02-09 | 2022-07-15 | 四川大学 | 基于深度学习的工业物联网场景融合定位方法及系统 |
CN114885294A (zh) * | 2022-05-31 | 2022-08-09 | 武汉工程大学 | 抵御恶意AP攻击的Wi-Fi室内定位方法及装置 |
CN116743286A (zh) * | 2023-06-12 | 2023-09-12 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
CN116801192A (zh) * | 2023-05-30 | 2023-09-22 | 山东建筑大学 | 一种端云协同的室内电磁指纹更新方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106412839A (zh) * | 2016-09-12 | 2017-02-15 | 南京邮电大学 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
CN106529501A (zh) * | 2016-11-29 | 2017-03-22 | 黑龙江大学 | 基于加权融合与分层串行结构的指纹与指静脉图像融合方法 |
CN111046760A (zh) * | 2019-11-29 | 2020-04-21 | 山东浪潮人工智能研究院有限公司 | 一种基于域对抗网络的笔迹鉴定方法 |
CN111126464A (zh) * | 2019-12-13 | 2020-05-08 | 南京邮电大学 | 一种基于无监督域对抗领域适应的图像分类方法 |
US20200202507A1 (en) * | 2018-12-19 | 2020-06-25 | Siemens Healthcare Gmbh | Method, learning apparatus, and medical imaging apparatus for registration of images |
-
2020
- 2020-10-09 CN CN202011073388.XA patent/CN112312541B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106412839A (zh) * | 2016-09-12 | 2017-02-15 | 南京邮电大学 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
CN106529501A (zh) * | 2016-11-29 | 2017-03-22 | 黑龙江大学 | 基于加权融合与分层串行结构的指纹与指静脉图像融合方法 |
US20200202507A1 (en) * | 2018-12-19 | 2020-06-25 | Siemens Healthcare Gmbh | Method, learning apparatus, and medical imaging apparatus for registration of images |
CN111046760A (zh) * | 2019-11-29 | 2020-04-21 | 山东浪潮人工智能研究院有限公司 | 一种基于域对抗网络的笔迹鉴定方法 |
CN111126464A (zh) * | 2019-12-13 | 2020-05-08 | 南京邮电大学 | 一种基于无监督域对抗领域适应的图像分类方法 |
Non-Patent Citations (4)
Title |
---|
JINGAO XU: "Embracing Spatial Awareness For Reliable", 《2018 IEEE 15TH INTERNATIONAL CONFERENCE ON MOBILE AD-HOC AND SENSOR SYSTEMS》 * |
WENHUA SHAO: "Indoor Positioning Based on Fingerprint-Image and Deep Learning", 《IEEE ACCESS 》 * |
杨铮: "室内定位:挑战与机遇", 《西北大学学报(自然科学版)》 * |
毛威: "基于深度学习的城市街景图像语义分割研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194401B (zh) * | 2021-03-31 | 2022-08-09 | 西安交通大学 | 一种基于生成式对抗网络的毫米波室内定位方法及系统 |
CN113194401A (zh) * | 2021-03-31 | 2021-07-30 | 西安交通大学 | 一种基于生成式对抗网络的毫米波室内定位方法及系统 |
CN113628272A (zh) * | 2021-07-12 | 2021-11-09 | 中国科学院自动化研究所 | 室内定位方法、装置、电子设备及存储介质 |
CN113916231A (zh) * | 2021-09-28 | 2022-01-11 | 上海浦东发展银行股份有限公司 | 移动设备定位导航方法、装置、移动设备及存储介质 |
CN114254275A (zh) * | 2021-11-16 | 2022-03-29 | 浙江大学 | 一种基于对抗样本指纹的黑盒深度学习模型版权保护方法 |
CN114254275B (zh) * | 2021-11-16 | 2024-05-28 | 浙江大学 | 一种基于对抗样本指纹的黑盒深度学习模型版权保护方法 |
CN114758364A (zh) * | 2022-02-09 | 2022-07-15 | 四川大学 | 基于深度学习的工业物联网场景融合定位方法及系统 |
CN114758364B (zh) * | 2022-02-09 | 2022-09-23 | 四川大学 | 基于深度学习的工业物联网场景融合定位方法及系统 |
CN114885294A (zh) * | 2022-05-31 | 2022-08-09 | 武汉工程大学 | 抵御恶意AP攻击的Wi-Fi室内定位方法及装置 |
CN114885294B (zh) * | 2022-05-31 | 2024-04-26 | 武汉工程大学 | 抵御恶意AP攻击的Wi-Fi室内定位方法及装置 |
CN116801192A (zh) * | 2023-05-30 | 2023-09-22 | 山东建筑大学 | 一种端云协同的室内电磁指纹更新方法和系统 |
CN116801192B (zh) * | 2023-05-30 | 2024-03-12 | 山东建筑大学 | 一种端云协同的室内电磁指纹更新方法和系统 |
CN116743286A (zh) * | 2023-06-12 | 2023-09-12 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
CN116743286B (zh) * | 2023-06-12 | 2024-01-30 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112312541B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112312541B (zh) | 一种无线定位方法及系统 | |
US10891524B2 (en) | Method and an apparatus for evaluating generative machine learning model | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN109697435B (zh) | 人流量监测方法、装置、存储介质及设备 | |
Li et al. | Chaotic time series prediction based on a novel robust echo state network | |
Song et al. | Hilbert space embeddings of hidden Markov models | |
Mak et al. | Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning | |
CN109151995B (zh) | 一种基于信号强度的深度学习回归融合定位方法 | |
US20200134455A1 (en) | Apparatus and method for training deep learning model | |
US20230222647A1 (en) | Method and system for detecting change to structure by using drone | |
CN103268607A (zh) | 一种弱监督条件下的共同对象检测方法 | |
Khosravi et al. | Crowd emotion prediction for human-vehicle interaction through modified transfer learning and fuzzy logic ranking | |
Duan et al. | Multi-scale convolutional neural network for SAR image semantic segmentation | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
Qu et al. | Improving the reliability for confidence estimation | |
CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
US20220156519A1 (en) | Methods and systems for efficient batch active learning of a deep neural network | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
CN116630694A (zh) | 一种偏多标记图像的目标分类方法、系统及电子设备 | |
Deluigi et al. | PERMAL: a machine learning approach for alpine permafrost distribution modeling | |
CN116824583A (zh) | 弱监督视频场景图生成方法、装置及电子设备 | |
Zhao et al. | Mapping local climate zones with circled similarity propagation based domain adaptation | |
CN114943344B (zh) | 联合svm和hmm的导航场景感知通用模型构建方法 | |
Wei et al. | Accretionary Learning With Deep Neural Networks With Applications |
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 |