CN112437396A - 一种基于观测量降维的mlp室内定位方法 - Google Patents
一种基于观测量降维的mlp室内定位方法 Download PDFInfo
- Publication number
- CN112437396A CN112437396A CN202011189852.1A CN202011189852A CN112437396A CN 112437396 A CN112437396 A CN 112437396A CN 202011189852 A CN202011189852 A CN 202011189852A CN 112437396 A CN112437396 A CN 112437396A
- Authority
- CN
- China
- Prior art keywords
- matrix
- observation
- data
- mlp
- algorithm
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- H04W4/02—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
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于观测量降维的MLP室内定位方法,其特点是采用位置指纹库对移动中断接收的特征参数进行匹配算法,该方法根据用户设备在线所检测到的5G观测值构成观测值矩阵进行预处理,通过滑动平均法对缺失值进行填补,利用统计学中的箱型图对异常值进行剔除,接着采用PCA算法实现了对5G观测值的数据压缩,并利用特征矩阵和实际位置坐标建立离线定位指纹库,最后运用MLP定位算法进行在线匹配,得到最后的位置估计结果。本发明与现有技术相比具有方法简便,易于推广,定位精度得到进一步提升,在5G室内定位应用环境中具有较大优势和商业前景。
Description
技术领域
本发明涉及5G定位导航技术领域,尤其是一种基于观测量降维的MLP室内定位方法。
背景技术
人类平均有70~90%的时间在室内度过,基于位置的服务作为一种生活方式已经变得愈来愈重要,室外空旷环境下的位置信息可以通过全球导航定位系统实现高精度定位,但由于GPS信号在碰到障碍物时会发生大幅度衰减,故无法在室内环境下提供准确的位置信息,室内定位技术发展需求迫切增加。5G移动通信技术是目前为止移动通信技术中位于第一梯队的前沿技术,实现了频谱利用率的大幅度提升以及现代人们对于网络速度的要求以及对通信技术更高要求的体验,可以很大程度上改变和便利人们的生活。在我国城市化进程下,出现大量复杂室内环境和室外“城市峡谷”地带,时域空域连续覆盖的高精度位置服务系统成为亟需解决的问题。
现有技术如卫星定位系统(GNSS)受信号遮挡及多径影响,普遍存在轨迹中断、定位漂移等问题;WIFI、蓝牙、UWB基站等定位技术又只能做到局域覆盖;4G定位精度无法满足室内定位需求(10米级)。因此,借助5G高速率、低时延、大带宽等优势,研究面向5G基站的高精度室内定位技术,实现对人和物位置信息的精准获取(亚米级),支持智慧医疗(医院人员、患者和医疗设备)、智慧城市紧急情况响应(紧急服务和急救人员)、智慧工厂(资产和货运跟踪)和交通管控等众多应用场景。
发明内容
发明的目的是针对现有技术的不足而设计的一种基于观测量降维的MLP室内定位方法,采用位置指纹库对用户移动中断接收的无限特征参数进行匹配算法,求出最相似的数据,估计用户的位置信息,该方法将用户设备在线所检测到的5G观测值构成的观测值矩阵,通过滑动平均法对缺失值进行填补,利用统计学中的箱型图对异常值进行剔除,采用PCA(主成分分析)算法对5G观测值进行数据压缩,将高维度的5G观测值保留下最重要的特征,去除观测值中的噪声和不重要的特征,构建低维度特征矩阵,然后利用特征矩阵和实际位置坐标建立离线定位指纹库,运用MLP(多层感知器)算法进行在线匹配,得到精准的室内定位,位置指纹库工作流程主要分为离线勘测和在线定位两个部分,离线勘测主要工作是通过采集来自参考节点得无线信号,如WLAN的无线接入点,通过训练提取出特征参数(信号强度、时间等),然后连同该点位置信息一起作为一条指纹存入位置指纹库;在线定位是利用移动中断接收的无限特征参数采用匹配算法与指纹库中的各种数据进行匹配计算,求出最相似的数据,从而估计用户的位置信息。该方法在Wi-Fi定位技术中被广泛使用,考虑到5G网络的观测维度较多,因此选用指纹库定位算法作为5G室内定位的关键技术。方法简便,易于推广,基于软件形式即可实现,可以在现有的硬件设备基础上进行软件优化,无需额外铺设大量的硬件设备或对现有硬件设备做出更改,在5G室内定位应用环境中具有较大优势和商业前景。
本发明的目的是这样实现的:一种基于观测量降维的MLP室内定位方法,其特点是采用位置指纹库对用户移动中断接收的无限特征参数进行匹配算法,求出最相似的数据为用户的位置信息,具体的5G室内定位包括下述步骤;
步骤1:对定位区域进行二维平面的矩形网格划分,且由5G手机在每个网格点上依次观测,将5G基站发送到手机端的观测值矩阵U以及实际位置坐标(xi,yi)进行收集并进行存储。
步骤2:将收集的观测值矩阵U采用滑动平均法对缺失值进行填补,使用统计学中的箱型图进行检测,并将箱型图中检测到的异常值予以剔除,得到高维5G_NR观测值矩阵U′。
步骤3:将数据预处理过的高维5G_NR观测值矩阵U′输入到PCA算法中进行特征值和特征向量选择,提取能解释原数据的95%以上的方差部分并构建特征矩阵W。
步骤4:将特征矩阵W降维后与和实际位置(xi,yi)建立离线定位指纹库F。
步骤5:将所有测试点按步骤1~步骤4进行上述数据预处理和PCA数据降维操作,得到所有测试点的高维5G_NR观测值矩阵U′。
步骤6:对每个测试点分别运用MLP(多层感知机)算法进行在线匹配,得到室内定位。
所述观测值矩阵U由5G_NR的八维观测向量:'NR_SS_RSRP','NR_SS_SINR',NR_SS_RSRP_Ant0','NR_SS_RSRP_Ant1','NR_TA','NR_SS_RSRP_N1','NR_PUCCH_power','NR_PUSCH_Power'构成,其中NR_SS_RSRP为5G同步信号参考信号接收功率;
NR_SS_SINR为5G同步信号信噪比;NR_SS_RSRP_Ant0为天线0的5G同步信号参考信号接收功率;NR_SS_RSRP_Ant1为天线1的5G同步信号参考信号接收功率;NR_TA为5G信号接收时间;NR_SS_RSRP_N1为5G信号邻区参考信号接收功率;NR_PUCCH_power为PUCCH信道功率;NR_PUSCH_power为PUSCH信道功率;xi为以基站为原点,训练点i的真实x轴坐标位置;yi为以基站为原点,训练点i的真实y轴坐标位置。
所述滑动平均法对缺失值进行填补是在出现空值的情况下,使用该空值前后两个观测值的平均值进行填补。
所述PCA算法的具体步骤如下:
1)对观测值矩阵U′进行数据中心化,把U′中每一列的每个元素减去该列均值代替原有元素,得到中心化矩阵M;
2)计算中心化矩阵M的协方差矩阵C;
3)计算协方差矩阵C的特征值和特征向量,即:Cxi=λixi(i=1,2,3…p),其中λi为特征值,xi为λi对应的特征向量;
4)将特征值进行降序排序,如:λ1≥λ2≥…≥λp,取方差贡献率(特征值被用来描述特征向量方向上包含的信息量,而某一特征值除以所有特征值的和就是该特征向量的方差贡献率)为β(本实验中取β=95%)的前K个特征值λ1,λ2,…λK对应的特征向量构成特征矩阵B=[x1,x2,…,xK];
5)对观测值矩阵U′进行降维处理,即降维后的矩阵为W,W=U′B,矩阵W的列维数为K,其中N>K,实现数据降维,去除原有数据中不必要的数据及噪声干扰。
所述MLP算法的具体步骤如下:
1)将网格点数据经降维后的特征矩阵W作为神经网络的输入层,网格点实际位置(xi,yi)作为神经网络的输出层进行网络训练;
2)通过BP算法(后向传播算法)进行权重训练,直至找到使输出结果最接近于网格点实际位置时的权重,即训练完成;
3)将测试数据经降维后的矩阵T′输入到训练好的神经网络中进行预测,得到最终的预测位置坐标(xj′,yj′);
4)通过箱型图异常值检测对预测位置坐标(xj′,yj′)进行检测并剔除,得到最终的预测位置坐标(xj″,yj″)。
本发明与现有技术相比具有方法简便,易于推广,基于软件形式即可实现,可以在现有的硬件设备基础上进行软件优化,无需额外铺设大量的硬件设备或对现有硬件设备做出更改,在5G室内定位应用环境中具有较大优势和商业前景。
附图说明
图1为箱型图异常值检测示意图;
图2为本发明架构的定位系统示意图;
图3为室内定位区域的二维网格布局示意图;
图4为利用PCA算法降维处理后的定位结果示意图。
具体实施方式
本发明对定位区域以合适的分辨率进行网格划分,对每个网格点都进行5G观测值和真实位置坐标采集,采集的5G观测值为:'NR_SS_RSRP','NR_SS_SINR','NR_SS_RSRP_Ant0','NR_SS_RSRP_Ant1','NR_TA','NR_SS_RSRP_N1','NR_PUCCH_power','NR_PUSCH_Power'。
首先对网格点观测值进行数据预处理和PCA数据降维,降维后得到观测值特征矩阵,将该特征矩阵以及真实位置坐标作为离线指纹库进行MLP定位算法建模,最后,对每个测试点也进行数据预处理和降维处理,再对每个测试点分别运用MLP算法进行在线匹配,得到最后的位置估计结果,具体步骤如下:
步骤1:首先对定位区域进行二维平面的矩形网格划分,在每个网格点上依次放置5G手机进行预先观测,把由5G基站发送到手机端的观测值矩阵U以及实际位置坐标(xi,yi)存储起来以便建立离线指纹库F,其存储格式如下表1所示:
表1 观测值矩阵存储表格
其中:NR_SS_RSRP为5G同步信号参考信号接收功率;NR_SS_SINR为5G同步信号信噪比;NR_SS_RSRP_Ant0为天线0的5G同步信号参考信号接收功率;NR_SS_RSRP_Ant1为天线1的5G同步信号参考信号接收功率;NR_TA为5G信号接收时间;NR_SS_RSRP_N1为5G信号邻区参考信号接收功率;NR_PUCCH_power为PUCCH信道功率;NR_PUSCH_power:PUSCH信道功率;xi为以基站为原点,训练点i的真实x轴坐标位置;yi为以基站为原点,训练点i的真实y轴坐标位置。
步骤2:将收集到的观测值矩阵U进行数据预处理,缺失值通过滑动平均的方法进行填补,异常值可以通过统计学中的箱型图进行检测,并将箱型图中检测到的异常值加以剔除,所述滑动平均填补是在出现空值的情况下,使用该空值前后两个观测值的平均值进行填补。
参阅附图1,箱型图异常值检测是一种基于五位数摘要(第一四分位数(Q1),中位数,第三四分位数(Q3)、内限以及外限)显示数据分布的标准化方法。其中:
1)中位数(Q2):数据集的中间值;
2)第一个四分位数(Q1/25百分位数):将数据平均分成四份,使用(n+1)/4计算;
3)第三四分位数(Q3):将数据平均分成四份,使用((n+1)/4)*3计算;
4)四分位间距(IQR):第25至第75个百分点的距离,IQR=Q3-Q1;
5)内限:处于“Minimum”和“Maximum”之间的范围(图中蓝色范围),“Minimum”=Q1-1.5*IQR,“Maximum”=Q3+1.5*IQR;
6)外限:Q1-3*IQR和Q3+3*IQR组成的范围,内限和外限之间的数据属于温和的异常值(本方法将温和的异常值也算入异常值部分,因此不在图中进行显示)。
7)异常值(图中圆圈):内限之外的数据都视为异常值。
步骤3:上述经数据预处理之后得到观测值矩阵U′,利用PCA算法进行特征选择,将数据预处理过的高维5G数据观测值矩阵输入到PCA算法中,从PCA中取出主成分能解释原数据的95%以上的方差部分作为压缩后的数据。假设观测值矩阵U′是一个M*N维的矩阵,其中:M表示训练点的个数;N表示5G观测值的维数(8维5G_NR观测值),PCA算法具体步骤如下:
1)对观测值矩阵U′进行数据中心化,把U′中每一列的每个元素减去该列均值代替原有元素,得到中心化矩阵M;
2)计算中心化矩阵M的协方差矩阵C;
3)计算协方差矩阵C的特征值和特征向量,即:Cxi=λixi(i=1,2,3…p),其中λi为特征值,xi为λi对应的特征向量;
4)将特征值进行降序排序,如:λ1≥λ2≥…≥λp,取方差贡献率(特征值被用来描述特征向量方向上包含的信息量,而某一特征值除以所有特征值的和就是该特征向量的方差贡献率)为β(本实验中取β=95%)的前K个特征值λ1,λ2,…λK对应的特征向量构成特征矩阵B=[x1,x2,…,xK];
5)对观测值矩阵U′进行降维处理,即降维后的矩阵为W,W=U′B,矩阵W的列维数为K,其中N>K,实现数据降维,去除原有数据中不必要的数据及噪声干扰。
步骤4:将降维后的特征矩阵W和实际位置(xi,yi)构成指纹库F。
步骤5:将测试点的观测值矩阵T进行上述数据预处理和PCA数据降维操作,得到测试点观测矩阵T′。
步骤6:采用MLP算法匹配位置输出:MLP是神经网络算法中的一种,网络结构分为输入层、输出层和隐藏层,除了输入层外,每层的激活函数均采用sigmoid函数,输出层采用的softmax函数,具体步骤如下:
1)将网格点数据经降维后的特征矩阵W作为神经网络的输入层,网格点实际位置(xi,yi)作为神经网络的输出层进行网络训练;
2)通过BP算法(后向传播算法)进行权重训练,直至找到使输出结果最接近于网格点实际位置时的权重,即训练完成;
3)将测试数据经降维后的矩阵T′输入到训练好的神经网络中进行预测,得到最终的预测位置坐标(xj′,yj′)。
步骤7:通过步骤2中的箱型图异常值检测对预测位置坐标(xj′,yj′)进行检测并剔除,得到最终的预测位置坐标(xj″,yj″)。
步骤8:(xj″,yj″)即为最终预测位置坐标。
下面以某室内定位的具体实施例对本发明作进一步的详细说明。
实施例1
参阅附图2,本发明由服务器1、5G终端2和5G基站3架构而成的室内定位系统,所述5G基站3发送数据到移动终端2;所述移动终端2将收到的观测量上报到服务器1进行解算。
参阅附图3,室内定位为4m*1.5m的待测区域4,5G基站3基站高度为3.2m,首先在待测区域4以1.2m*1.2m的分辨率(即网格大小)建立网格布局。其中,白圆点为网格点5,黑圆点为测试点6,其采集高度为0.8m,对每个网格点5的位置进行多组5G观测值的采集,把每个网格点5的观测值及对应网格点5的真实坐标位置存储起来,选择若干个待测定位位置,记录测试点观测值及真实位置并存储。通过数据预处理、PCA数据降维、建立指纹库以及MLP定位算法匹配坐标后得到待测点的真实坐标。
参阅附图4,本实施例的实验次数为200次,在未进行PCA降维处理前的定位均方根误差为1.118m,经PCA降维后的定位均方根误差为0.563m,精度提升了55.5cm,可见本发明使用了PCA和MLP方法的5G室内定位系统能够使得定位结果更加精确,有效提高定位精度。
以上只是对本发明作进一步的说明,并非用以限制本专利,在不背离本发明构思的精神和范围下的等效实施,均应包含于本专利的权利要求范围之内。
Claims (5)
1.一种基于观测量降维的MLP室内定位方法,其特征在于采用位置指纹库对用户移动中断接收的无限特征参数进行匹配算法,求出最相似的数据为用户的位置信息,具体的5G室内定位包括下述步骤;
步骤1:对定位区域进行二维平面的矩形网格划分,且由5G手机在每个网格点上依次观测,将5G基站发送到手机端的观测值矩阵U以及实际位置坐标(xi,yi)进行收集并进行存储;
步骤2:将收集的观测值矩阵U采用滑动平均法对缺失值进行填补,使用统计学中的箱型图进行检测,并将箱型图中检测到的异常值予以剔除,得到高维5G_NR观测值矩阵U′;
步骤3:将数据预处理过的高维5G_NR观测值矩阵U′输入到PCA算法中进行特征值和特征向量选择,提取能解释原数据的95%以上的方差部分并构建特征矩阵W;
步骤4:将特征矩阵W降维后与和实际位置(xi,yi)建立离线定位指纹库F;
步骤5:将所有测试点按步骤1~步骤4进行上述数据预处理和PCA数据降维操作,得到所有测试点的高维5G_NR观测值矩阵U′;
步骤6:对每个测试点分别运用MLP(多层感知机)算法进行在线匹配,得到室内定位。
2.根据权利要求1所述基于观测量降维的MLP室内定位方法,其特征在于所述观测值矩阵U由5G_NR的八维观测向量:'NR_SS_RSRP','NR_SS_SINR',NR_SS_RSRP_Ant0','NR_SS_RSRP_Ant1','NR_TA','NR_SS_RSRP_N1','NR_PUCCH_power','NR_PUSCH_Power'构成,其中NR_SS_RSRP为5G同步信号参考信号接收功率;
NR_SS_SINR为5G同步信号信噪比;NR_SS_RSRP_Ant0为天线0的5G同步信号参考信号接收功率;NR_SS_RSRP_Ant1为天线1的5G同步信号参考信号接收功率;NR_TA为5G信号接收时间;NR_SS_RSRP_N1为5G信号邻区参考信号接收功率;NR_PUCCH_power为PUCCH信道功率;NR_PUSCH_power为PUSCH信道功率;
xi为以基站为原点,训练点i的真实x轴坐标位置;yi为以基站为原点,训练点i的真实y轴坐标位置。
3.根据权利要求1所述基于观测量降维的MLP室内定位方法,其特征在于所述滑动平均法对缺失值进行填补是在出现空值的情况下,使用该空值前后两个观测值的平均值进行填补。
4.根据权利要求1所述基于观测量降维的MLP室内定位方法,其特征在于所述PCA算法的具体步骤如下:
1)对观测值矩阵U′进行数据中心化,把U′中每一列的每个元素减去该列均值代替原有元素,得到中心化矩阵M;
2)计算中心化矩阵M的协方差矩阵C;
3)计算协方差矩阵C的特征值和特征向量,即:Cxi=λixi(i=1,2,3…p),其中λi为特征值,xi为λi对应的特征向量;
4)将特征值进行降序排序,如:λ1≥λ2≥…≥λp,取方差贡献率(特征值被用来描述特征向量方向上包含的信息量,而某一特征值除以所有特征值的和就是该特征向量的方差贡献率)为β(本实验中取β=95%)的前K个特征值λ1,λ2,…λK对应的特征向量构成特征矩阵B=[x1,x2,…,xK];
5)对观测值矩阵U′进行降维处理,即降维后的矩阵为W,W=U′B,矩阵W的列维数为K,其中N>K,实现数据降维,去除原有数据中不必要的数据及噪声干扰。
5.根据权利要求1所述基于观测量降维的MLP室内定位方法,其特征在于所述MLP算法的具体步骤如下:
1)将网格点数据经降维后的特征矩阵W作为神经网络的输入层,网格点实际位置(xi,yi)作为神经网络的输出层进行网络训练;
2)通过BP算法(后向传播算法)进行权重训练,直至找到使输出结果最接近于网格点实际位置时的权重,即训练完成;
3)将测试数据经降维后的矩阵T′输入到训练好的神经网络中进行预测,得到最终的预测位置坐标(xj′,yj′);
4)通过箱型图异常值检测对预测位置坐标(xj′,yj′)进行检测并剔除,得到最终的预测位置坐标(xj″,yj″)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189852.1A CN112437396A (zh) | 2020-10-30 | 2020-10-30 | 一种基于观测量降维的mlp室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189852.1A CN112437396A (zh) | 2020-10-30 | 2020-10-30 | 一种基于观测量降维的mlp室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112437396A true CN112437396A (zh) | 2021-03-02 |
Family
ID=74694817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189852.1A Pending CN112437396A (zh) | 2020-10-30 | 2020-10-30 | 一种基于观测量降维的mlp室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112437396A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189809A (zh) * | 2021-11-15 | 2022-03-15 | 华东师范大学 | 基于卷积神经网络与高维5g观测特征的室内定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682048A (zh) * | 2016-03-16 | 2016-06-15 | 重庆邮电大学 | 蜂窝网环境下基于pca的子空间匹配室内指纹定位方法 |
CN107576330A (zh) * | 2017-09-07 | 2018-01-12 | 西北大学 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
CN111414957A (zh) * | 2020-03-18 | 2020-07-14 | 南方电网科学研究院有限责任公司 | 一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法 |
-
2020
- 2020-10-30 CN CN202011189852.1A patent/CN112437396A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682048A (zh) * | 2016-03-16 | 2016-06-15 | 重庆邮电大学 | 蜂窝网环境下基于pca的子空间匹配室内指纹定位方法 |
CN107576330A (zh) * | 2017-09-07 | 2018-01-12 | 西北大学 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
CN111414957A (zh) * | 2020-03-18 | 2020-07-14 | 南方电网科学研究院有限责任公司 | 一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法 |
Non-Patent Citations (2)
Title |
---|
廖山河等: "《基于电信数据的室外定位技术》", 《计算机工程与科学》 * |
金百锁等: "基于稳健S估计的长江流域气象异常值检测", 《中国科学技术大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189809A (zh) * | 2021-11-15 | 2022-03-15 | 华东师范大学 | 基于卷积神经网络与高维5g观测特征的室内定位方法 |
CN114189809B (zh) * | 2021-11-15 | 2023-06-09 | 华东师范大学 | 基于卷积神经网络与高维5g观测特征的室内定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886552B (zh) | 位置指纹数据库更新方法及系统 | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
CN102480678B (zh) | 一种指纹定位方法和系统 | |
CN109672973B (zh) | 一种基于最强ap的室内定位融合方法 | |
CN109275095A (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
CN109511085B (zh) | 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 | |
CN102231912A (zh) | 一种基于rssi测距的室内无线传感器网络定位方法 | |
CN112533149A (zh) | 一种基于uwb移动节点的移动目标定位算法 | |
CN112526572B (zh) | 室内外无缝导航的网络切换方法与定位系统 | |
CN104038901A (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
Vashist et al. | Indoor wireless localization using consumer-grade 60 GHz equipment with machine learning for intelligent material handling | |
CN106793085A (zh) | 基于正态假设检验的指纹定位方法 | |
CN114189809A (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN109379711A (zh) | 一种定位方法 | |
Chai et al. | A new indoor positioning algorithm of cellular and Wi-Fi networks | |
CN112866904A (zh) | 基于波束索引地图的免信道训练大维通信波束对齐方法 | |
Khan et al. | Experimental testbed evaluation of cell level indoor localization algorithm using Wi-Fi and LoRa protocols | |
CN112437396A (zh) | 一种基于观测量降维的mlp室内定位方法 | |
Huan et al. | Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference | |
Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation | |
Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
Li et al. | A K-nearest neighbor indoor fingerprint location method based on coarse positioning circular domain and the highest similarity threshold | |
CN113645565B (zh) | 一种基于六方最密堆积结构的室内定位方法 | |
CN115397012A (zh) | 基于twr-tdoa估计和mpga布局优化的uwb定位跟踪系统的实现方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210302 |
|
WD01 | Invention patent application deemed withdrawn after publication |