CN112543428B - 基于ELM-AdaBoost分类学习的室内定位方法 - Google Patents
基于ELM-AdaBoost分类学习的室内定位方法 Download PDFInfo
- Publication number
- CN112543428B CN112543428B CN202011386669.0A CN202011386669A CN112543428B CN 112543428 B CN112543428 B CN 112543428B CN 202011386669 A CN202011386669 A CN 202011386669A CN 112543428 B CN112543428 B CN 112543428B
- Authority
- CN
- China
- Prior art keywords
- elm
- value
- positioning
- csi
- adaboost
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明揭示了一种基于ELM‑AdaBoost分类学习的室内定位方法,由离线建模阶段和在线定位阶段两部分构成,离线建模阶段为,对定位区域进行划分,接收来自定位区域内的信号、提取CSI值与RSSI值,通过统计特征提取及信息整合、得到指纹数据库,再对指纹数据库进行分类训练、得到基于位置的分类模型;在线定位阶段为,接收信号并提取CSI值与RSSI值,提取CSI值的统计特征,最后将结果带入模型中、实现对目标位置的估计。本发明将测量过程中的定位问题表述为机器学习问题,利用ELM‑AdaBoost技术加以解决,有效地降低了训练存储需求和算法复杂性,提升了定位性能。
Description
技术领域
本发明为一种室内目标定位方法,具体而言,是一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法,属于定位导航技术领域。
背景技术
室内定位是指在室内环境中实现位置定位,其主要是以将无线通讯、基站定位、惯导定位、动作捕捉等多种技术集成的方式,形成一套完整的室内位置定位体系,进而实现对人员、物体等在室内空间中的位置监控。
目前,业内研究人员针对室内定位、特别是基于指纹的室内定位技术,已经提出了多种机器学习方法作为其匹配算法,包括神经网络、支持向量机、朴素贝叶斯分类器等。但是这些匹配算法的普遍缺点就是计算量大,导致运行速度较慢。经过机器学习技术和神经网络算法的发展、迭代后,ELM(Extreme Learning Machine, 极限学习机)作为一种针对广义单隐含层的前馈神经网络的学习算法被提出,相较于神经网络和支持向量机等技术而言,其运行速度更快且泛化性更好。
就室内定位技术的现有研究而言,也已经有不少业内研究人员提出利用原始CSI(Channel State Information, 信道状态信息)和RSSI(Received Signal StrengthIndication,接收信号强度指示)测量值实现目标定位。相关文献相继提出利用主成分分析法(PCA)提取CSI特征;利用CSI子载波幅度的平均值和标准偏差值作为训练数据的指纹;将ELM用于分类学习等多种研究观点。但随着研究的不断深入,以上几种研究观点的缺陷也逐步显露。
在IEEE802.11n标准中,CSI可以使用某个OFDM子载波上的一对天线之间的CFR(Channel Frequency Response,信道频率响应)来表示。如果选择许多数据包,则CSI测量值的维度很高,导致许多存储空间。对于基于机器学习的定位算法,高维度的数据可能会导致算法性能问题。因此,训练的复杂度将会增加,甚至可以预测结果变差。而PCA降维是在数据收集之后发生的,它将无法节省存储空间。ELM的主要问题则是其权重以随机方式生成,这可能导致分类器的性能不稳定、产生实质性的分类性能差异。此外,采用集成ELM的方法也不能确保其性能在实际应用中比单个ELM更好。
正因如此,如果能够设计出一种全新的室内目标定位方法,以克服上述现有技术中的缺陷,那么势必可以为定位导航技术的后续发展提供巨大的帮助。
发明内容
鉴于现有技术存在上述缺陷,本发明的目的是提出一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法,具体如下。
一种基于ELM-AdaBoost分类学习的室内定位方法,由离线建模阶段和在线定位阶段两部分构成,其中,
所述离线建模阶段包括,对定位区域进行划分,接收来自定位区域内的信号,提取信号中所包含的CSI值与RSSI值,结合参考点位置、形成指纹数据库,再通过统计特征提取及信息整合的方式、重组得到新的指纹数据库,随后利用ELM-AdaBoost算法对新的指纹数据库进行分类训练、得到基于位置的分类模型;
所述在线定位阶段包括,接收来自定位区域内的信号,提取信号中所包含的CSI值与RSSI值,提取CSI值的统计特征,最后将CSI值的统计特征与RSSI值带入基于位置的分类模型中、实现对目标位置的估计。
优选地,所述离线建模阶段具体包括如下步骤:
S11、对定位区域进行划分、使其包含若干参考点,标记好每个参考点的位置信息,随后假定目标位于参考点上,利用接收机接收来自定位区域内WIFI发射机的信号;
S12、提取S11中所接收信号内包含的CSI值与RSSI值,结合相应的参考点的位置,形成包含有CSI值、RSSI值及坐标位置的指纹数据库;
S13、对CSI值进行统计特征提取,将所提取的CSI值的统计特征与RSSI值及坐标位置相结合、重组形成包含有以上三者的新的指纹数据库;
S14、将S13中所得到的新的指纹数据库作为训练集,利用ELM-AdaBoost算法进行基于位置的分类训练、得到基于位置的分类模型。
优选地,所述在线定位阶段具体包括如下步骤:
S21、利用接收机接收来自定位区域内、与目标所在位置相对应的WIFI发射机的信号;
S22、提取S21中所接收信号内包含的CSI值与RSSI值;
S23、对S22中所提取的CSI值进行统计特征提取;
S24、将S23中所提取的CSI值的统计特征与S22中所提取的RSSI值带入S14中所得到的基于位置的分类模型中,实现对目标位置的估计。
优选地,所述CSI值的统计特征包括:四分位数、峰度、最大子载波幅度值、最小子载波幅度值、最大子载波与最小子载波间的幅度差、标准偏差、中位数绝对偏差、偏度以及信息熵。
本发明的优点在于:
本发明所提出的一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法,将使用CSI和RSSI进行测量过程中的定位问题表述为机器学习问题,再利用ELM-AdaBoost技术加以解决。本发明的方法能够有效降低训练数据的存储需求和算法复杂性,并提供较高的定位性能。
同时,本发明的方法利用RSSI测量和CSI测量的统计特征来构造指纹,相较于现有技术中仅利用均值和标准差的方案大幅提高了指纹的准确性,而且与PCA特征提取方案相比,本发明的方法所需的训练数据存储空间要少得多,有助于实现存储资源的最大化利用。
此外,本发明的方法通过ELM-AdaBoost算法的运用,还解决了ELM因其随机权重而导致的性能变化问题,显著提高了单个ELM的学习能力和泛化能力。
本领域内的技术人员还可以以本发明的技术思路为依据,将类似的方法应用于对其他与室内目标定位相关的方案中,方法整体的应用前景十分广阔。
以下便结合附图,对本发明的具体实施方式作进一步的详述,以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的操作流程示意图;
图2为本发明所使用的ELM-AdaBoost算法的模型示意图;
图3为本发明的实验场景平面图;
图4为不同迭代次数下的本发明算法性能图;
图5为不同训练样本下的本发明算法性能图。
具体实施方式
本发明提出了一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法,具体方案如下。
一种基于ELM-AdaBoost分类学习的室内定位方法,大致流程如图1所示,由离线建模阶段和在线定位阶段两部分构成,其中:
所述离线建模阶段包括,对定位区域进行划分,接收来自定位区域内的信号,提取信号中所包含的CSI值与RSSI值,结合参考点位置、形成指纹数据库,再通过统计特征提取及信息整合的方式、重组得到新的指纹数据库,随后利用ELM-AdaBoost算法对新的指纹数据库进行分类训练、得到基于位置的分类模型。
进一步而言,所述离线建模阶段具体包括如下步骤:
S11、对定位区域进行划分、使其包含若干参考点,标记好每个参考点的位置信息,随后假定目标位于参考点上,利用接收机接收来自定位区域内WIFI发射机的信号;
S12、提取S11中所接收信号内包含的CSI值与RSSI值,结合相应的参考点的位置,形成包含有CSI值、RSSI值及坐标位置的指纹数据库;
S13、对CSI值进行统计特征提取,将所提取的CSI值的统计特征与RSSI值及坐标位置相结合、重组形成包含有以上三者的新的指纹数据库;
S14、将S13中所得到的新的指纹数据库作为训练集,利用ELM-AdaBoost算法进行基于位置的分类训练,从而提高了单个ELM的学习能力和泛化能力、进而得到基于位置的分类模型。
所述在线定位阶段包括,接收来自定位区域内的信号,提取信号中所包含的CSI值与RSSI值,提取CSI值的统计特征,最后将CSI值的统计特征与RSSI值带入基于位置的分类模型中、实现对目标位置的估计。
进一步而言,所述在线定位阶段具体包括如下步骤:
S21、利用接收机接收来自定位区域内、与目标所在位置相对应的WIFI发射机的信号;
S22、提取S21中所接收信号内包含的CSI值与RSSI值;
S23、对S22中所提取的CSI值进行统计特征提取;
S24、将S23中所提取的CSI值的统计特征与S22中所提取的RSSI值带入S14中所得到的基于位置的分类模型中,实现对目标位置的估计。
需要说明的是,在本发明的方案中,提取了CSI值的9个相关特征作为所述CSI值的统计特征,分别为:四分位数、峰度、最大子载波幅度值、最小子载波幅度值、最大子载波与最小子载波间的幅度差、标准偏差、中位数绝对偏差、偏度以及信息熵。
针对本发明中所应用的ELM-AdaBoost算法,其基本框架如图2所示。本发明采用ELM作为弱分类器,通过集成学习AdaBoost对弱分类器ELM进行迭代,在通过加权策略将弱分类器提升为强分类器。ELM-AdaBoost的定位的基本思想:首先选取指纹库中的数据样本,每一个样本赋予一个权重,然后将这些数据样本输入ELM弱分类器中进行训练,对于预测错的样本通过相关策略加大权重,对于预测正确的样本减小其权重,并且通过相关策略赋予此时ELM分类器一个权重;第二次依据第一次预测结果给出的样本的权重,尽可能的选取第一次预测错的样本进行训练,对于训练错的样本再一次加大其权重,对于预测正确的样本减小其权重,再一次赋予ELM分类器一个权重。如此循环往复若干次得到若干个AdaBoost的ELM弱分类器,利用相关策略以及弱分类器的权重得到最终的强分类器。
所述在线定位阶段在定位区域内的任意参考点上重新采集数据,采用同样的方法对信道状态信息CSI进行相关特征值提取,将提取后的特征值与已获得的接收信号强度RSSI进行结合,组成该位置的指纹,将指纹数据与该位置的位置坐标作为输入数据输入到离线阶段已经训练好的ELM-AdaBoost分类模型中、得到位置估计结果。
以下结合实验及相关结果对上述方案进行补充说明。
实验环境平面图如图3所示。样本采集区域是一个长4.8m宽1.6m的长方形区域,每个采样点距离周围的采样点的距离为0.6m,台式计算机离数据采集区域距离为0.6m,教室的门离采样区域为1.2m,TP-link路由器离采样区域1m。
图4描述了训练样本为900不同迭代次数下算法性能。从图3中可以知道随着迭代次数的增加算法的分类准确率会越来越高,并且算法的准确率均超过的0.95。图5描述了在迭代次数为5次时不同训练样本下的算法性能。从图中可以得到:随着训练样本的增加定位的准确率也在不断的提高,并且在训练样本数量为300,400,900下该算法的准确率达到0.95以上。
综上所述,本发明所提出的一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法,将使用CSI和RSSI进行测量过程中的定位问题表述为机器学习问题,再利用ELM-AdaBoost技术加以解决。本发明的方法能够有效降低训练数据的存储需求和算法复杂性,并提供较高的定位性能。
同时,本发明的方法利用RSSI测量和CSI测量的统计特征来构造指纹,相较于现有技术中仅利用均值和标准差的方案大幅提高了指纹的准确性,而且与PCA特征提取方案相比,本发明的方法所需的训练数据存储空间要少得多,有助于实现存储资源的最大化利用。
此外,本发明的方法通过ELM-AdaBoost算法的运用,还解决了ELM因其随机权重而导致的性能变化问题,显著提高了单个ELM的学习能力和泛化能力。
本领域内的技术人员还可以以本发明的技术思路为依据,将类似的方法应用于对其他与室内目标定位相关的方案中,方法整体的应用前景十分广阔。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神和基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
最后,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于ELM-AdaBoost分类学习的室内定位方法,其特征在于:由离线建模阶段和在线定位阶段两部分构成,其中,
所述离线建模阶段包括,对定位区域进行划分,接收来自定位区域内的信号,提取信号中所包含的CSI值与RSSI值,结合参考点位置、形成指纹数据库,再通过统计特征提取及信息整合的方式、重组得到新的指纹数据库,随后利用ELM-AdaBoost算法对新的指纹数据库进行分类训练、得到基于位置的分类模型,包括以下步骤;
对CSI值进行统计特征提取,将所提取的CSI值的统计特征与RSSI值及坐标位置相结合、重组形成包含有以上三者的新的指纹数据库;
选取指纹库中的数据样本,每一个样本赋予一个权重,然后将这些数据样本输入ELM弱分类器中进行训练,对于预测错的样本通过相关策略加大权重,对于预测正确的样本减小其权重,并且通过相关策略赋予此时ELM分类器一个权重;第二次依据第一次预测结果给出的样本的权重,尽可能的选取第一次预测错的样本进行训练,对于训练错的样本再一次加大其权重,对于预测正确的样本减小其权重,再一次赋予ELM分类器一个权重;如此循环往复若干次得到若干个AdaBoost的ELM弱分类器,利用相关策略以及弱分类器的权重得到最终的强分类器;
所述在线定位阶段包括,接收来自定位区域内的信号,提取信号中所包含的CSI值与RSSI值,提取CSI值的统计特征,最后将CSI值的统计特征与RSSI值带入基于位置的分类模型中、实现对目标位置的估计。
2.根据权利要求1所述的基于ELM-AdaBoost分类学习的室内定位方法,其特征在于,所述离线建模阶段具体包括如下步骤:
S11、对定位区域进行划分、使其包含若干参考点,标记好每个参考点的位置信息,随后假定目标位于参考点上,利用接收机接收来自定位区域内WIFI发射机的信号;
S12、提取S11中所接收信号内包含的CSI值与RSSI值,结合相应的参考点的位置,形成包含有CSI值、RSSI值及坐标位置的指纹数据库;
S13、对CSI值进行统计特征提取,将所提取的CSI值的统计特征与RSSI值及坐标位置相结合、重组形成包含有以上三者的新的指纹数据库;
S14、将S13中所得到的新的指纹数据库作为训练集,利用ELM-AdaBoost算法进行基于位置的分类训练、得到基于位置的分类模型。
3.根据权利要求2所述的基于ELM-AdaBoost分类学习的室内定位方法,其特征在于,所述在线定位阶段具体包括如下步骤:
S21、利用接收机接收来自定位区域内、与目标所在位置相对应的WIFI发射机的信号;
S22、提取S21中所接收信号内包含的CSI值与RSSI值;
S23、对S22中所提取的CSI值进行统计特征提取;
S24、将S23中所提取的CSI值的统计特征与S22中所提取的RSSI值带入S14中所得到的基于位置的分类模型中,实现对目标位置的估计。
4.根据权利要求1所述的基于ELM-AdaBoost分类学习的室内定位方法,其特征在于,所述CSI值的统计特征包括:四分位数、峰度、最大子载波幅度值、最小子载波幅度值、最大子载波与最小子载波间的幅度差、标准偏差、中位数绝对偏差、偏度以及信息熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386669.0A CN112543428B (zh) | 2020-12-02 | 2020-12-02 | 基于ELM-AdaBoost分类学习的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386669.0A CN112543428B (zh) | 2020-12-02 | 2020-12-02 | 基于ELM-AdaBoost分类学习的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112543428A CN112543428A (zh) | 2021-03-23 |
CN112543428B true CN112543428B (zh) | 2023-04-07 |
Family
ID=75016994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011386669.0A Active CN112543428B (zh) | 2020-12-02 | 2020-12-02 | 基于ELM-AdaBoost分类学习的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112543428B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598925A (zh) * | 2015-01-23 | 2015-05-06 | 湖州师范学院 | 一种基于ELM的多类Adaboost集成学习方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696932B (zh) * | 2018-04-09 | 2020-03-17 | 西安交通大学 | 一种利用csi多径及机器学习的室外指纹定位方法 |
CN109116300B (zh) * | 2018-06-28 | 2020-09-25 | 江南大学 | 一种基于非充分指纹信息的极限学习定位方法 |
CN109195110B (zh) * | 2018-08-23 | 2020-12-15 | 南京邮电大学 | 基于层次聚类技术和在线极限学习机的室内定位方法 |
CN109246598A (zh) * | 2018-08-23 | 2019-01-18 | 南京邮电大学 | 基于岭回归和极限学习机的室内定位方法 |
CN109951807A (zh) * | 2019-02-27 | 2019-06-28 | 西北师范大学 | 基于WiFi信号的融合RSS和CSI室内定位方法 |
CN110366108A (zh) * | 2019-07-09 | 2019-10-22 | 南京邮电大学 | 基于信道状态信息和接收信号强度的室内定位方法 |
CN111556431B (zh) * | 2020-04-21 | 2022-05-20 | 西安交通大学 | 一种基于信号子空间的指纹室内定位方法 |
-
2020
- 2020-12-02 CN CN202011386669.0A patent/CN112543428B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598925A (zh) * | 2015-01-23 | 2015-05-06 | 湖州师范学院 | 一种基于ELM的多类Adaboost集成学习方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112543428A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10884112B2 (en) | Fingerprint positioning method and system in smart classroom | |
CN107071743B (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
Jain et al. | Low-cost BLE based indoor localization using RSSI fingerprinting and machine learning | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN106131958A (zh) | 一种基于信道状态信息和支持向量机的室内被动定位方法 | |
CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN113779247B (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
CN107451605A (zh) | 一种基于信道状态信息和支持向量机的简单目标识别方法 | |
Zhou et al. | Weighted score fusion based LSTM model for high-speed railway propagation scenario identification | |
CN112867021B (zh) | 基于改进型TrAdaBoost的迁移学习室内定位方法 | |
Zhao et al. | Anchor-Free Multi-UAV Detection and Classification Using Spectrogram | |
CN111757257B (zh) | 一种克服设备差异的动态模糊匹配室内定位方法 | |
CN112543428B (zh) | 基于ELM-AdaBoost分类学习的室内定位方法 | |
Zheng et al. | Vision-assisted millimeter-wave beam management for next-generation wireless systems: Concepts, solutions, and open challenges | |
CN111083632A (zh) | 一种基于支持向量机的超宽带室内定位方法 | |
CN113923589B (zh) | 一种非接触式多目标定位方法 | |
Zhang et al. | Gaussian process based radio map construction for LTE localization | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
Tarekegn et al. | SRCLoc: Synthetic radio map construction method for fingerprinting outdoor localization in hybrid networks | |
CN108462940A (zh) | 一种基于WiFi热点的室内定位方法 | |
CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 | |
CN115379378A (zh) | 蓝牙室内定位方法及装置 | |
CN112040408A (zh) | 一种适用于监管场所的多目标精确智能定位跟踪方法 |
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 |