CN112533136A - 一种基于深度学习的wlan指纹定位方法 - Google Patents

一种基于深度学习的wlan指纹定位方法 Download PDF

Info

Publication number
CN112533136A
CN112533136A CN202011349650.9A CN202011349650A CN112533136A CN 112533136 A CN112533136 A CN 112533136A CN 202011349650 A CN202011349650 A CN 202011349650A CN 112533136 A CN112533136 A CN 112533136A
Authority
CN
China
Prior art keywords
hidden layer
automatic encoder
sparse automatic
moment
neural 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.)
Granted
Application number
CN202011349650.9A
Other languages
English (en)
Other versions
CN112533136B (zh
Inventor
孙永亮
柏君航
张权
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202011349650.9A priority Critical patent/CN112533136B/zh
Publication of CN112533136A publication Critical patent/CN112533136A/zh
Application granted granted Critical
Publication of CN112533136B publication Critical patent/CN112533136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H04W4/029—Location-based management or tracking services
    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

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

Abstract

本发明公开了一种基于深度学习的WLAN指纹定位方法，在离线阶段，首先利用各参考点和轨迹各点处测量得到的接收信号强度建立指纹数据库，再利用指纹数据库训练堆叠改进稀疏自动编码器，最后利用指纹数据库和堆叠改进稀疏自动编码器建立循环神经网络；在在线阶段，利用离线阶段训练好的堆叠改进稀疏自动编码器和循环神经网络实现移动用户定位。本发明融合了堆叠改进稀疏自动编码器指纹算法和循环神经网络跟踪算法，具有很高的定位精度。

Description

一种基于深度学习的WLAN指纹定位方法
技术领域
本发明属于室内定位技术领域，特别涉及了一种WLAN指纹定位方法。
背景技术
随着无线通信和移动计算的发展，人们对于基于位置的服务(location basedservice,LBS)的需求增长迅速。尽管卫星定位导航系统，例如全球定位系统(globalpositioning system,GPS)和北斗卫星导航系统(BeiDou navigation satellite system,BDS)可以满足大部分室外LBS需求，然而由于建筑物的阻隔导致的信号衰减使得这些室外定位和导航系统并不适合室内场景。同时，人们每天绝大部分时间都是在室内度过的。因此，室内定位在过去的几年中因其应用和商业潜力被广泛研究。
目前为止，人们已经开发出许多室内定位方法包括红外线、超声波、射频识别(radio frequency identification,RFID)、ZigBee、蓝牙、超宽带(ultra wideband,UWB)和WLAN。其中，基于WLAN的室内定位方法由于其成本低、部署范围广等优势而成为了研究热点。与使用到达时间(time of arrival,TOA)、到达时差(time difference of arrival,TDOA)、到达角(angle of arrival,AOA)的WLAN定位相比，使用接收信号强度(receivedsignal strength,RSS)的室内定位系统由于其无需额外硬件设备，并且在非视距(non-line-of-sight,NLOS)场景下具有较高的定位精度而备受喜爱。
总的说来，一个基于WLAN指纹的定位系统一般可分为两个阶段：离线阶段和在线阶段。离线阶段，在位置已知的一些参考点(reference points,RPs)处，将部署的多个WLAN接入点(access points,APs)的RSS向量被记录作为指纹以建立指纹数据库，即无线电地图。在线阶段，在用户的终端设备测量到在线RSS向量之后，在线RSS向量和无线地图中各RSS向量之间的相似度可以被计算出来以选择合适的参考点进行定位，或者在线RSS向量被输入到离线阶段由无线电地图训练好的基于机器学习的定位算法中，以计算移动用户的位置。然而，室内无线电传播是时变的且很容易被多径效应、阴影效应或是动态环境所影响，从而降低WLAN指纹定位的性能，更不要说是只有少量可获得的RSS数据的移动用户定位了。因此，基于WLAN指纹的室内移动用户高精度定位成了一个严峻的挑战。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种基于深度学习的WLAN指纹定位方法。
为了实现上述技术目的，本发明的技术方案为：
一种基于深度学习的WLAN指纹定位方法，包括以下步骤：
(1)离线阶段，在室内待定位区域建立位置坐标系，在该区域内选择若干参考点和模拟用户移动的由多个点组成的一段训练轨迹，并记录下各参考点和轨迹各点的位置坐标；
(2)在各参考点和轨迹各点处利用终端设备测量来自多个接入点的接收信号强度，然后利用各参考点和轨迹各点处测量得到的接收信号强度向量与对应的位置坐标分别建立指纹数据库1和指纹数据库2，用于离线阶段的网络训练；
(3)利用步骤(2)中建立好的指纹数据库1，依次采用无监督特征学习和有监督微调的方式构建并训练堆叠改进稀疏自动编码器作为指纹定位算法；
(4)利用步骤(2)中建立好的指纹数据库2和步骤(3)中训练好的堆叠改进稀疏自动编码器构建并训练循环神经网络作为追踪算法；
(5)在线阶段，首先，将用户终端设备t时刻接收到的来自多个接入点的接收信号强度向量输入到步骤(3)中训练好的堆叠改进稀疏自动编码器中计算出用户t时刻坐标信息作为下一时刻训练好的循环神经网络的额外输入；然后，以t-1时刻堆叠改进稀疏自动编码器计算得到的坐标信息作为t时刻循环神经网络额外的输入计算出用户t时刻的定位坐标；当用户首次进入待定位区域时，则以堆叠改进稀疏自动编码器计算得到的定位坐标作为最终定位坐标。
进一步地，在步骤(3)中，所述堆叠改进稀疏自动编码器的损失函数JSISAE如下：
JSISAE＝JLOSS+λA
上式中，JLOSS为稀疏自动编码器的损失函数，JLOSS＝JAE+αJKL+βW，其中JKL是稀疏自动编码器的稀疏惩罚项，W是稀疏自动编码器的权重衰减项，α和β分别是JKL和W的权重因子；A为活跃惩罚项，
Figure BDA0002800893760000031
其中hkj是稀疏自动编码器第k组输入下的隐藏层第j个神经元输出，n为输入的组数，m为隐藏层神经元个数；λ是活跃惩罚项A的权重因子；
进一步地，在步骤(3)中，无监督特征学习阶段，以指纹数据库1中的接收信号强度向量作为输入训练改进稀疏自动编码器1，并以训练好的改进稀疏自动编码器1的隐藏层作为改进稀疏自动编码器2的输入层进行训练，并以训练好的改进稀疏自动编码器2的隐藏层作为改进稀疏自动编码器3的输入层进行训练，最后将这3个改进稀疏自动编码器堆叠起来得到接收信号强度的高阶特征表示；
有监督微调阶段，在堆叠的3个改进稀疏自动编码器的输出端加一个输出层构建堆叠改进稀疏自动编码器，该编码器依次包含隐藏层1、隐藏层2和隐藏层3，最后以指纹数据库1中对应的参考点实际坐标为期望输出微调堆叠改进稀疏自动编码器。
进一步地，在步骤(4)中，构建并训练循环神经网络作为追踪算法的过程如下：
(4a)采用训练好的堆叠改进稀疏自动编码器的网络结构和参数，并在隐藏层3的计算式中增加用户上一时刻位置坐标作为额外输入，构建循环神经网络，循环神经网络t时刻隐藏层3第j个神经元
Figure BDA0002800893760000041
的计算式如下：
Figure BDA0002800893760000042
上式中，
Figure BDA0002800893760000043
是t时刻循环神经网络隐藏层2第i个神经元的输出；st-1,o是t时刻的额外输入，即t-1时刻用户位置坐标向量st-1的第o个元素；
Figure BDA0002800893760000044
是隐藏层2第i个神经元和隐藏层3第j个神经元之间的权值；uoj是额外输入第o个神经元和隐藏层3第j个神经元之间的权值；
Figure BDA0002800893760000045
是隐藏层3第j个神经元的偏置；m2为隐藏层3的神经元个数；f表示映射关系；
(4b)以指纹数据库2中用户t-1时刻真实位置坐标作为t时刻循环神经网络的额外输入st，保持其他权值和偏置不变，只训练st对应的权值矩阵。
采用上述技术方案带来的有益效果：
本发明将深度学习应用于WLAN指纹定位方法，该方法采用了堆叠改进稀疏自动编码器指纹算法，可以自由地设置其隐藏层维度而不受输入维度限制，在只有少量已配备的接入点的场所中依然具备良好的定位性能。同时，该方法采用了循环神经网络跟踪算法，用以提高指纹算法定位精度，并适用于移动用户定位。本发明融合了堆叠改进稀疏自动编码器指纹算法和循环神经网络跟踪算法，具有很高的定位精度。
附图说明
图1是本发明的方法流程图；
图2是本发明中堆叠改进稀疏自动编码器的构建图；
图3是本发明中堆叠改进稀疏自动编码器融合循环神经网络定位算法的结构图；
图4是实施例中的实验环境平面图；
图5是实施例中本发明的堆叠改进稀疏自动编码器指纹算法与其他指纹算法的误差累积概率对比图；
图6是实施例中本发明的堆叠改进稀疏自动编码器指纹算法与其他指纹算法分别融合了循环神经网络追踪算法后的误差累积概率对比图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了一种基于深度学习的WLAN指纹定位方法，如图1所示，步骤如下：
步骤1：离线阶段，在室内待定位区域建立位置坐标系，在该区域内选择若干参考点和模拟用户移动的由多个点组成的一段训练轨迹，并记录下各参考点和轨迹各点的位置坐标。
步骤2：在各参考点和轨迹各点处利用终端设备测量来自多个接入点的接收信号强度，然后利用各参考点和轨迹各点处测量得到的接收信号强度向量与对应的位置坐标分别建立指纹数据库1和指纹数据库2，用于离线阶段的网络训练。
步骤3：利用步骤2中建立好的指纹数据库1，依次采用无监督特征学习和有监督微调的方式构建并训练堆叠改进稀疏自动编码器作为指纹定位算法。
在本实施例中，如图2所示，上述步骤3可以采用如下优选方案实现：
一个稀疏自动编码器的损失函数JLOSS计算公式如下：
JLOSS＝JAE+αJKL+βW
上式中，JAE是稀疏自动编码器的重构误差，JKL是稀疏自动编码器的稀疏惩罚项，W是稀疏自动编码器的权重衰减项，α和β分别是稀疏惩罚项JKL和权重衰减项W的权重因子。
本发明在其原损失函数中加入了一个新的活跃惩罚项A，以改进堆叠稀疏自动编码器的性能，A的计算公式如下：
Figure BDA0002800893760000061
上式中，hkj是稀疏自动编码器第k组输入下的隐藏层第j个神经元输出，n为输入的组数，m为隐藏层神经元个数。
改进稀疏自动编码器的损失函数JSISAE计算公式如下：
JSISAE＝JLOSS+λA
上式中，λ是活跃惩罚项A的权重因子。
无监督特征学习阶段，以指纹数据库1中的接收信号强度向量作为输入训练改进稀疏自动编码器1，并以训练好的改进稀疏自动编码器1的隐藏层作为改进稀疏自动编码器2的输入层进行训练，并以训练好的改进稀疏自动编码器2的隐藏层作为改进稀疏自动编码器3的输入层进行训练，最后将这3个改进稀疏自动编码器堆叠起来得到接收信号强度的高阶特征表示。
有监督微调阶段，在堆叠的3个改进稀疏自动编码器的输出端加一个输出层构建堆叠改进稀疏自动编码器，该编码器依次包含隐藏层1、隐藏层2和隐藏层3，最后以指纹数据库1中对应的参考点实际坐标为期望输出微调堆叠改进稀疏自动编码器。
步骤4：利用步骤2中建立好的指纹数据库2和步骤3中训练好的堆叠改进稀疏自动编码器构建并训练循环神经网络作为追踪算法。
在本实施例中，如图2所示，上述步骤4可以采用如下优选方案实现：
4a、采用训练好的堆叠改进稀疏自动编码器的网络结构和参数，并在隐藏层3的计算式中增加用户上一时刻位置坐标作为额外输入，构建循环神经网络，循环神经网络t时刻隐藏层3第j个神经元
Figure BDA0002800893760000071
的计算式如下：
Figure BDA0002800893760000072
上式中，
Figure BDA0002800893760000073
是t时刻循环神经网络隐藏层2第i个神经元的输出；st-1,o是t时刻的额外输入，即t-1时刻用户位置坐标向量st-1的第o个元素；
Figure BDA0002800893760000074
是隐藏层2第i个神经元和隐藏层3第j个神经元之间的权值；uoj是额外输入第o个神经元和隐藏层3第j个神经元之间的权值；
Figure BDA0002800893760000075
是隐藏层3第j个神经元的偏置；m2为隐藏层3的神经元个数；f表示映射关系；
4b、以指纹数据库2中用户t-1时刻真实位置坐标作为t时刻循环神经网络的额外输入st，保持其他权值和偏置不变，只训练st对应的权值矩阵。
步骤5：在线阶段，首先，将用户终端设备t时刻接收到的来自多个接入点的接收信号强度向量输入到步骤3中训练好的堆叠改进稀疏自动编码器中计算出用户t时刻坐标信息作为下一时刻训练好的循环神经网络的额外输入；然后，以t-1时刻堆叠改进稀疏自动编码器计算得到的坐标信息作为t时刻循环神经网络额外的输入计算出用户t时刻的定位坐标；当用户首次进入待定位区域时，则以堆叠改进稀疏自动编码器计算得到的定位坐标作为最终定位坐标。在线阶段的定位结构如图3所示。
下文通过一个实例对本发明进行分析。实验环境为一个大小51.6米×20.4米的矩形办公区域，如图4所示。在实验场景中布置了7个TP-LINK TL-WR845N的WLAN的接入点，安置在2.2米的高度以提供无线通信服务。在走廊、616房间和620房间共选择了116个参考点，每个参考点采集了120组接收信号强度向量以建立指纹数据库1。同时，还在616房间选择了一段相邻点间隔0.6米共19个点组成的训练轨迹，并采集了60组数据以建立指纹数据库2。同样地，在走廊和620房间选择了一段相邻点间隔为0.6米共90个测试点组成的测试轨迹，并采集了60组数据。采样频率为每秒一次，以模拟移动用户以0.6米每秒的速度沿着轨迹行走的场景。采用放在高度为1.2米的三脚架上的手机采集了所有的RSS样本，采样速率为每秒1个RSS样本。
本发明提出的堆叠改进稀疏自动编码器指纹算法的实验结果如表1和图5所示，本发明提出的指纹算法融合循环神经网络跟踪算法的实验结果如表2和图6所示。基于深度学习的WLAN指纹定位方法有着很高的定位精度，利用本发明提出的方法平均定位误差可降低至1.60米。本发明提出的方法不仅适用于较少AP部署的场景，而且适用于移动用户定位的场景，还有着很高的定位精度。具有较高的理论价值和实际意义。
表1
Figure BDA0002800893760000081
表2
Figure BDA0002800893760000082
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于深度学习的WLAN指纹定位方法，其特征在于，包括以下步骤：
(1)离线阶段，在室内待定位区域建立位置坐标系，在该区域内选择若干参考点和模拟用户移动的由多个点组成的一段训练轨迹，并记录下各参考点和轨迹各点的位置坐标；
(2)在各参考点和轨迹各点处利用终端设备测量来自多个接入点的接收信号强度，然后利用各参考点和轨迹各点处测量得到的接收信号强度向量与对应的位置坐标分别建立指纹数据库1和指纹数据库2，用于离线阶段的网络训练；
(3)利用步骤(2)中建立好的指纹数据库1，依次采用无监督特征学习和有监督微调的方式构建并训练堆叠改进稀疏自动编码器作为指纹定位算法；
(4)利用步骤(2)中建立好的指纹数据库2和步骤(3)中训练好的堆叠改进稀疏自动编码器构建并训练循环神经网络作为追踪算法；
(5)在线阶段，首先，将用户终端设备t时刻接收到的来自多个接入点的接收信号强度向量输入到步骤(3)中训练好的堆叠改进稀疏自动编码器中计算出用户t时刻坐标信息作为下一时刻训练好的循环神经网络的额外输入；然后，以t-1时刻堆叠改进稀疏自动编码器计算得到的坐标信息作为t时刻循环神经网络额外的输入计算出用户t时刻的定位坐标；当用户首次进入待定位区域时，则以堆叠改进稀疏自动编码器计算得到的定位坐标作为最终定位坐标。
2.根据权利要求1所述基于深度学习的WLAN指纹定位方法，其特征在于，在步骤(3)中，所述堆叠改进稀疏自动编码器的损失函数JSISAE如下：
JSISAE＝JLOSS+λA
上式中，JLOSS为稀疏自动编码器的损失函数，JLOSS＝JAE+αJKL+βW，其中JKL是稀疏自动编码器的稀疏惩罚项，W是稀疏自动编码器的权重衰减项，α和β分别是JKL和W的权重因子；A为活跃惩罚项，
Figure FDA0002800893750000011
其中hkj是稀疏自动编码器第k组输入下的隐藏层第j个神经元输出，n为输入的组数，m为隐藏层神经元个数；λ是活跃惩罚项A的权重因子。
3.根据权利要求1所述基于深度学习的WLAN指纹定位方法，其特征在于，在步骤(3)中，无监督特征学习阶段，以指纹数据库1中的接收信号强度向量作为输入训练改进稀疏自动编码器1，并以训练好的改进稀疏自动编码器1的隐藏层作为改进稀疏自动编码器2的输入层进行训练，并以训练好的改进稀疏自动编码器2的隐藏层作为改进稀疏自动编码器3的输入层进行训练，最后将这3个改进稀疏自动编码器堆叠起来得到接收信号强度的高阶特征表示；
有监督微调阶段，在堆叠的3个改进稀疏自动编码器的输出端加一个输出层构建堆叠改进稀疏自动编码器，该编码器依次包含隐藏层1、隐藏层2和隐藏层3，最后以指纹数据库1中对应的参考点实际坐标为期望输出微调堆叠改进稀疏自动编码器。
4.根据权利要求3所述基于深度学习的WLAN指纹定位方法，其特征在于，在步骤(4)中，构建并训练循环神经网络作为追踪算法的过程如下：
(4a)采用训练好的堆叠改进稀疏自动编码器的网络结构和参数，并在隐藏层3的计算式中增加用户上一时刻位置坐标作为额外输入，构建循环神经网络，循环神经网络t时刻隐藏层3第j个神经元
Figure FDA0002800893750000021
的计算式如下：
Figure FDA0002800893750000022
上式中，
Figure FDA0002800893750000023
是t时刻循环神经网络隐藏层2第i个神经元的输出；st-1,o是t时刻的额外输入，即t-1时刻用户位置坐标向量st-1的第o个元素；
Figure FDA0002800893750000024
是隐藏层2第i个神经元和隐藏层3第j个神经元之间的权值；uoj是额外输入第o个神经元和隐藏层3第j个神经元之间的权值；
Figure FDA0002800893750000025
是隐藏层3第j个神经元的偏置；m2为隐藏层3的神经元个数；f表示映射关系；
(4b)以指纹数据库2中用户t-1时刻真实位置坐标作为t时刻循环神经网络的额外输入st，保持其他权值和偏置不变，只训练st对应的权值矩阵。
CN202011349650.9A 2020-11-26 2020-11-26 一种基于深度学习的wlan指纹定位方法 Active CN112533136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011349650.9A CN112533136B (zh) 2020-11-26 2020-11-26 一种基于深度学习的wlan指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011349650.9A CN112533136B (zh) 2020-11-26 2020-11-26 一种基于深度学习的wlan指纹定位方法

Publications (2)

Publication Number Publication Date
CN112533136A true CN112533136A (zh) 2021-03-19
CN112533136B CN112533136B (zh) 2021-12-07

Family

ID=74993852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011349650.9A Active CN112533136B (zh) 2020-11-26 2020-11-26 一种基于深度学习的wlan指纹定位方法

Country Status (1)

Country Link
CN (1) CN112533136B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411741A (zh) * 2020-10-23 2021-09-17 湖南国天电子科技有限公司 一种基于WiFi和地磁指纹的分区融合定位方法
CN113469110A (zh) * 2021-07-15 2021-10-01 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN114095863A (zh) * 2021-10-18 2022-02-25 西安邮电大学 一种基于稀疏自动编码器的wifi指纹库更新方法
CN115103299A (zh) * 2022-06-15 2022-09-23 河南工程学院 一种基于rfid的多传感器融合定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106658422A (zh) * 2017-01-09 2017-05-10 深圳市智开科技有限公司 针对高度稀疏WiFi数据的网络侧定位方法与系统
CN106875511A (zh) * 2017-03-03 2017-06-20 深圳市唯特视科技有限公司 一种基于自编码正则化网络学习驾驶风格的方法
CN109040957A (zh) * 2018-08-14 2018-12-18 广东小天才科技有限公司 一种基于wifi的室内定位方法及装置
US10641610B1 (en) * 2019-06-03 2020-05-05 Mapsted Corp. Neural network—instantiated lightweight calibration of RSS fingerprint dataset
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
CN111428819A (zh) * 2020-04-27 2020-07-17 北京工业大学 一种基于堆叠自编码网络和svm的csi室内定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106658422A (zh) * 2017-01-09 2017-05-10 深圳市智开科技有限公司 针对高度稀疏WiFi数据的网络侧定位方法与系统
CN106875511A (zh) * 2017-03-03 2017-06-20 深圳市唯特视科技有限公司 一种基于自编码正则化网络学习驾驶风格的方法
CN109040957A (zh) * 2018-08-14 2018-12-18 广东小天才科技有限公司 一种基于wifi的室内定位方法及装置
US10641610B1 (en) * 2019-06-03 2020-05-05 Mapsted Corp. Neural network—instantiated lightweight calibration of RSS fingerprint dataset
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
CN111428819A (zh) * 2020-04-27 2020-07-17 北京工业大学 一种基于堆叠自编码网络和svm的csi室内定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUDONG SONG: "CNNLoc: Deep-Learning Based Indoor Localization with WiFi Fingerprinting", 《 (SMARTWORLD/SCALCOM/UIC/ATC/CBDCOM/IOP/SCI)》 *
刘斌: "基于深度学习的WLAN指纹定位数据库构建技术", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
干建勇: "基于ZigBee位置指纹匹配法的室内定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411741A (zh) * 2020-10-23 2021-09-17 湖南国天电子科技有限公司 一种基于WiFi和地磁指纹的分区融合定位方法
CN113469110A (zh) * 2021-07-15 2021-10-01 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN113469110B (zh) * 2021-07-15 2024-05-07 北京邮电大学 一种基于深度学习的uwb非视距信号识别方法
CN114095863A (zh) * 2021-10-18 2022-02-25 西安邮电大学 一种基于稀疏自动编码器的wifi指纹库更新方法
CN114095863B (zh) * 2021-10-18 2023-12-19 西安邮电大学 一种基于稀疏自动编码器的wifi指纹库更新方法
CN115103299A (zh) * 2022-06-15 2022-09-23 河南工程学院 一种基于rfid的多传感器融合定位方法
CN115103299B (zh) * 2022-06-15 2024-04-09 河南工程学院 一种基于rfid的多传感器融合定位方法

Also Published As

Publication number Publication date
CN112533136B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN112533136B (zh) 一种基于深度学习的wlan指纹定位方法
Zhu et al. Adapted error map based mobile robot UWB indoor positioning
Shao et al. Indoor positioning based on fingerprint-image and deep learning
Laoudias et al. Localization using radial basis function networks and signal strength fingerprints in WLAN
Roos et al. A probabilistic approach to WLAN user location estimation
CN101778399B (zh) 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法
Bae et al. Large-scale indoor positioning using geomagnetic field with deep neural networks
CN104394588B (zh) 基于Wi‑Fi指纹和多维尺度分析的室内定位方法
Cengiz Comprehensive analysis on least-squares lateration for indoor positioning systems
Yu et al. An accurate WiFi indoor positioning algorithm for complex pedestrian environments
CN109511085B (zh) 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法
Lakshmi et al. Improved Chan algorithm based optimum UWB sensor node localization using hybrid particle swarm optimization
CN111722180A (zh) 一种基于卡尔曼滤波的室内行人定位方法、装置及系统
CN107071902A (zh) 一种基于混合滤波和幂指数映射wifi室内定位方法
Dashti et al. Rssi localization with gaussian processes and tracking
CN112367614A (zh) 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
Hou et al. An improved convolutional neural network based indoor localization by using Jenks natural breaks algorithm
CN104581945A (zh) 基于距离约束的半监督apc聚类算法的wlan室内定位方法
Xu et al. Neural network-based accuracy enhancement method for WLAN indoor positioning
Wang et al. Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model
CN106197418B (zh) 一种基于滑动窗口的指纹法与传感器融合的室内定位方法
Yuan et al. Efficient WiFi fingerprint training using semi-supervised learning
Ai et al. Robust low-latency indoor localization using Bluetooth low energy
CN105960011B (zh) 基于传感网和贝叶斯方法的室内目标定位方法

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