CN112801268A - 基于图卷积和多层感知机混合网络的定位方法 - Google Patents

基于图卷积和多层感知机混合网络的定位方法 Download PDF

Info

Publication number
CN112801268A
CN112801268A CN202011616730.6A CN202011616730A CN112801268A CN 112801268 A CN112801268 A CN 112801268A CN 202011616730 A CN202011616730 A CN 202011616730A CN 112801268 A CN112801268 A CN 112801268A
Authority
CN
China
Prior art keywords
network
rssi
aps
received
graph
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
CN202011616730.6A
Other languages
English (en)
Other versions
CN112801268B (zh
Inventor
谢庆港
孙彦赞
潘广进
张舜卿
徐树公
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202011616730.6A priority Critical patent/CN112801268B/zh
Publication of CN112801268A publication Critical patent/CN112801268A/zh
Application granted granted Critical
Publication of CN112801268B publication Critical patent/CN112801268B/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
    • H04W4/029—Location-based management or tracking services
    • 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
    • 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

Abstract

一种基于图卷积和多层感知机混合网络的定位方法，通过在待定位区域选取参考点，并在离线阶段从参考点接收从各个AP发送的信号RSSI作为唯一标示从而构成数据库，在在线阶段将用户接收到的RSSI在数据库中进行匹配，选取最接近的RSSI对应的位置作为用户的位置；本发明通过AP的拓扑结构并以此为基础构建无向图，考虑两种邻接矩阵构造方式来为接入点之间的位置关系。1)在小型室内环境中，往往能接收到所有AP的信号，直接利用各AP的欧式距离作为邻接矩阵；2)在大型室内环境中，无法接收到所有AP信号的情况下，利用从多个AP接收到的信号的统计信息构造邻接矩阵。

Description

基于图卷积和多层感知机混合网络的定位方法
技术领域
本发明涉及的是一种无线定位领域的技术，具体是一种基于图卷积和多层感知机混合网络的定位方法，可以用于多种室内场景中，根据不同的场景选择邻接矩阵构造方式。
背景技术
现有室内定位方案分包括：基于指纹的定位方案和基于几何关系的定位方案。对于指纹匹配的定位方案，通常是利用在不同参考点从各个接入点采集到的独特的接收信号强度指示(Received Signal Strength Indication，RSSI)或者信道状态信息(ChannelState Information，CSI)来构建数据库，在定位时对用户端收集到的信息在数据库中进行匹配，从而获取定位信息；对于几何关系的定位方案，通常是通过用户端采集到的信号，来获取用户相对于基站或者接入点的角度和距离信息，并利用几何关系进行定位。
但现有的室内定位技术的定位精度受到深度学习提取的数据特征数量、训练的样本数量、样本的网格尺寸以及特征指纹的影响，现有技术无法在满足较低计算复杂度的同时兼顾上述因素。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于图卷积和多层感知机混合网络的定位方法，基于RSSI值构造指纹数据库，首次利用GCN和多层感知机(Multi-LayerPerceptron，MLP)混合网络进行定位，并考虑接入点(Access Point，AP)之间的拓扑关系，提出两种构造邻接矩阵的方式，构造的邻接矩阵体现了AP之间的位置关系，为神经网络提供了先验信息；最后利用图卷积网络(Graph Convolution Networks，GCN)进行训练，能够显著降低计算复杂度，使得定位精度提升，算法鲁棒性更高。
本发明是通过以下技术方案实现的：
本发明涉及一种基于图卷积和多层感知机混合网络的定位方法，通过在待定位区域选取参考点，并在离线阶段从参考点接收从各个AP发送的信号RSSI作为唯一标示从而构成指纹数据库，在在线阶段将用户接收到的RSSI在指纹数据库中进行匹配，选取最接近的RSSI对应的位置作为用户的位置。
所述的离线阶段，具体包括：构建由AP作为顶点、AP之间关系作为邻接矩阵构成无向图，构建由RSSI及其对应位置信息组成的指纹数据库，将无向图和指纹数据库输入到基于图卷积和多层感知机混合网络中进行网络训练，再通过该混合网络进行分类。
所述的邻接矩阵中包含AP之间的位置关系。
所述的在线阶段，具体包括：将采集到的各个AP的RSSI输入到训练后的定位网络中，由基于图卷积和多层感知机混合网络分别进行特征提取和分类，最后输出预测的位置。
所述的基于图卷积和多层感知机混合网络为具有多层乘法(MLP)的图卷积网络(GCN)，该网络以邻接矩阵和指纹数据库作为输入，经训练后进行指纹数据库和邻接矩阵的特征提取并分类，最后输出预测位置。
技术效果
与现有技术相比，本发明可以利用任意能够位移表征位置区别的无线信号例如Wi-Fi信号、蓝牙信号等构造指纹数据并进行定位，通过AP的拓扑结构并以此为基础构建无向图，为定位方案增加先验信息。本发明考虑两种邻接矩阵构造方式来为接入点之间的位置关系。1)在小型室内环境中，往往能接收到所有AP的信号，直接利用各AP的欧式距离作为邻接矩阵；2)在大型室内环境中，无法接收到所有AP信号的情况下，利用从多个AP接收到的信号的统计信息构造邻接矩阵。
附图说明
图1为本发明流程图；
图2为指纹和邻接矩阵构建示意图；
图3为GCN和MLP混合网络结构示意图；
图4为基于UJIIndoor数据集的正确预测概率比较示意图；
图5为蓝牙信标布置地形图；
图6为基于实地采集蓝牙信号数据集的正确预测概率比较示意图。
具体实施方式
如图1所示，为本实施例涉及一种基于图卷积和多层感知机混合网络的定位方法，通过在待定位区域选取参考点，并在离线阶段从参考点接收从各个AP发送的信号RSSI作为唯一标示从而构成数据库，在在线阶段将用户接收到的RSSI在数据库中进行匹配，选取最接近的RSSI对应的位置作为用户的位置，具体步骤包括：
步骤1：在离线阶段首先需要对待定位区域进行网格划分，用以选取参考点(Reference Point，RP)来采集数据。在基于Wi-Fi信号的实验中，本实施例利用开源指纹数据库UJIIndoor进行定位实验；在基于蓝牙信号的实验中，本实施例在走廊内进行数据采集，在走廊中划分出13×4的网格点。
步骤2：在选取的参考点进行数据采集，记录各个AP发送信号的RSSI值以及对应参考点的位置信息。为保证数据准确，每个参考点的数据采集要持续一段时间。在此本实施例中设为每个RP上每隔相同时间收集Ns次RSSI值。蓝牙信号采集实验中，本实施例在走廊均匀布置了七个信标，并采用nRF 52832 Dongle接收蓝牙数据，每个点的采集时间持续4分钟。
步骤3：将采集到的数据进行处理，去除异常值以免对定位结果产生影响，并将采集到的RSSI数据和相应位置信息以统一的格式进行整理，构成指纹数据库X。
如图2所示，在第k个RP上收集的RSSI指纹为：
Figure BDA0002872423000000031
其中：
Figure BDA0002872423000000032
为第t个时隙、从第s个AP收集到的RSSI值，
Figure BDA0002872423000000033
为第k个RP。
步骤4：判断应用场景是否为大型室内场景，根据不同的场景构造对应的邻接矩阵。除构造指纹外，将AP作为顶点、AP之间的关系作为邻接矩阵A构成无向图，为网络训练提供先验信息，如图2所示，无向图中顶点间的连线Ai,j为第i个和第j个AP之间的关系。指纹数据库X用来作为匹配位置信息的依据，邻接矩阵A用来为AP之间的拓扑关系。将二者输入到GCN和MLP混合网络中进行网络训练。
相比于其他的定位方案，本实施例中添加AP的拓扑关系，相当于引入AP位置的先验信息。通过选择两种不同的矩阵构造方法，也使得定位方案广泛适用于各种环境。
所述的邻接矩阵具体构造方式如下。
步骤4.1：若应用场景是大型室内，例如体育馆、商场等，则利用接收到信号的统计信息构造邻接矩阵。在大型室内环境中，大多数的AP之间没有直接的联系，本实施例通过数据库中同时接收到的第i个AP和第j个AP信号的概率来构建邻接矩阵，作为第i个和第j个AP之间的联系，具体为：
Figure BDA0002872423000000034
其中：Mtrain是训练数据集中的数据总数，Ni，j为同时接收到第i和第j个AP的数据总数。
步骤4.2：当应用场景是小型室内，例如办公室、会议室等，通常能接收到来自所有AP的信号，可以直接利用AP之间的欧氏距离构造邻接矩阵，该矩阵元素为第i个和第j个AP信号的RSSI差值，即
Figure BDA0002872423000000035
其中：rssii,c为在第c个时隙从第i个AP接收到的RSSI值，ns为采集的总时隙数。
步骤5：将构造的指纹数据库和邻接矩阵输入到GCN与MLP混合网络中进行网络训练，构成位置和指纹的映射关系。要想通过指纹数据库和邻接矩阵的信息得到位置信息，就需要利用神经网络来建立指纹数据库和位置信息之间的映射关系，为此构造一个GCN和MLP的混合神经网络。
如图3所示，所述的混合神经网络包括：GCN网络和MLP网络，其中：GCN网络包括两个图卷积层，MLP包括三个全连接层(Full Connected，FC)，该混合神经网络以构造的邻接矩阵A和指纹数据库X作为输入，经过两层图卷积层提取出特征X(2)，然后和原始数据X一起输入到MLP中进行分类，最后输出预测位置概率。
所述的图卷积层的计算过程为：
Figure BDA0002872423000000041
其中：X(l)为第l层网络的输出，Θ(l)为第l层网络的滤波参数矩阵，
Figure BDA0002872423000000042
满足
Figure BDA0002872423000000043
σ(·)为非线性激活函数，GCN网络中的激活函数均为ReLU函数。
所述的全连接层，即上一层的任一神经元和下一层的所有神经元连接，所述的MLP网络中第一全连接层和第二全连接层均采用ReLU作为激活函数，第三全连接层采用Softmax作为激活函数，将结果映射成为0到1的概率输出。
为使得GCN和MLP混合神经网络可以建立指纹数据库到位置信息的准确映射，需要将构建的指纹库和邻接矩阵输入网络中对其进行训练和测试，训练后的网络就可以用来在在线阶段对位置进行预测。网络输入和输出尺寸如表1所示。
表1网络输入和输出尺寸
Figure BDA0002872423000000044
每个RP都有一个独特的RSSI值指纹，经过离线阶段的神经网络训练，混合神经网络建立RP指纹和位置信息的映射。
步骤6：在在线阶段，用户将从各个AP实时接收到的RSSI值输入训练后的混合神经网络进行匹配，经过GCN特征提取和MLP分类后输出预测的位置。
本实施例在大型室内利用Wi-Fi节点进行室内定位场景应用：利用已有的RSSI数据集UJIIndoorLoc数据集进行定位实验。此数据集是在UniversitatJaume大学中进行实地采集的，其中包括三个建筑、最多五层楼，面积超过110m2，有520个Wi-Fi接入点，由多个设备在不同时间进行采集，训练集和验证集分别有19937条和1111条RSSI记录，是一组十分完善、权威的室内定位数据集。本实施例利用此数据集来进行混合网络的训练，进行大型室内环境下的定位实验。
为证实利用GCN进行特征提取对于定位精度提升有帮助，本实施例中随机选取出一栋楼的RSSI数据输入混合网络中进行训练，并将其与MLP和支持向量机(Support VectorMachine，SVM)用同一个数据集进行网络训练、比较，定位结果如下图5所示。
本发明在两个环境下进行实验：在具有520个Wi-Fi节点的大型室内，以及在设有7个蓝牙信标的小型走廊内。经过实验能够得到：在Wi-Fi节点的大型室内，网络训练集精度达到98.1％，测试集精度达到90.4％；在布置蓝牙信标的小型室内，网络训练集精度达到98.2％，测试集精度达到92.7％。
从图5中可以看到，基于GCN的定位算法的定位准确概率略领先于基于MLP和基于SVM的定位算法。
本实施例另外在小型室内利用蓝牙信标进行室内定位场景应用：对于小型室内定位场景，本实施例在实验室的走廊中均匀布置七个蓝牙信标，共选取13×4，即52个网格点作为RP进行实地的蓝牙RSSI值采集，每个点采集时间持续4分钟。信标布置地形如图6所示。
采集到的数据经过筛选过滤后用以构建指纹数据库和邻接矩阵，并将其输入GCN和MLP混合网络中训练。同样的，为形成对比，指纹数据也将输入到MLP和SVM中训练，结果如图6所示。
可以看到，在小型室内环境下，基于GCN的定位方案的定位准确概率领先于MLP和SVM的定位方案。与现有的MLP和SVM相比，在大型室内环境的Wi-Fi信号定位场景下，定位精度分别提高了1.2％和1.7％；在小型室内环境的蓝牙信号定位场景下，定位精度分别提高了2.5％和3％。在大型室内环境下，AP之间的关系稀疏，定位难度大，步骤4.1构造的邻接矩阵提供了AP之间关系的先验信息，保证了较高的定位精度；在小型室内环境下，步骤4.2构造的邻接矩阵进一步提高了定位精度。可以看出，由邻接矩阵提供的信号节点之间的位置先验信息，为GCN的特征提取做出了很大的贡献，在一定程度提高了定位精度。
综上，本发明将GCN和MLP混合网络结构引入室内定位技术。为了探索AP之间的几何关系，本实施例将多个AP和它们之间关系作为一个无向图，并利用GCN来提取无向图的内在特征；除此之外，通过提取到的AP的几何特征，利用MLP来学习内在的映射关系。2)引入并构造邻接矩阵。邻接矩阵是无向图中体现AP关系的关键，通过两种不同方案来构建邻接矩阵，以适应不同的室内场景，为网络学习映射关系提供了关键的先验信息，提高了定位精度。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (5)

1.一种基于图卷积和多层感知机混合网络的定位方法，其特征在于，通过在待定位区域选取参考点，并在离线阶段从参考点接收从各个AP发送的信号RSSI作为唯一标示从而构成指纹数据库，在在线阶段将用户接收到的RSSI在指纹数据库中进行匹配，选取最接近的RSSI对应的位置作为用户的位置；
所述的基于图卷积和多层感知机混合网络为具有多层乘法(MLP)的图卷积网络(GCN)，该网络以邻接矩阵和指纹数据库作为输入，经训练后进行指纹数据库和邻接矩阵的特征提取并分类，最后输出预测位置；
所述的离线阶段，具体包括：构建由AP作为顶点、AP之间关系作为邻接矩阵构成无向图，构建由RSSI及其对应位置信息组成的指纹数据库，将无向图和指纹数据库输入到基于图卷积和多层感知机混合网络中进行网络训练，再通过该混合网络进行分类；
所述的在线阶段，具体包括：将采集到的各个AP的RSSI输入到训练后的混合网络中，由基于图卷积和多层感知机混合网络分别进行特征提取和分类，最后输出预测的位置。
2.根据权利要求1所述的基于图卷积和多层感知机混合网络的定位方法，其特征是，所述的邻接矩阵中包含AP之间的位置关系。
3.根据权利要求1所述的基于图卷积和多层感知机混合网络的定位方法，其特征是，所述的邻接矩阵具体构造方式为：
①当应用场景是大型室内，利用接收到信号的统计信息构造邻接矩阵，在大型室内环境中，大多数的AP之间没有直接的联系，本实施例通过数据库中同时接收到的第i个AP和第j个AP信号的概率来构建邻接矩阵，作为第i个和第j个AP之间的联系，具体为：
Figure FDA0002872422990000011
其中：Mtrain为训练数据集中的数据总数，Ni，j为同时接收到第i和第j个AP的数据总数；
②当应用场景是小型室内，利用AP之间的欧氏距离构造邻接矩阵，该矩阵元素为第i个和第j个AP信号的RSSI差值，即
Figure FDA0002872422990000012
其中：rssii，c为在第c个时隙从第i个AP接收到的RSSI值，ns为采集的总时隙数。
4.根据权利要求1所述的基于图卷积和多层感知机混合网络的定位方法，其特征是，所述的图卷积网络包括两个图卷积层，多层乘法包括三个全连接层；
所述的图卷积层的计算过程为：
Figure FDA0002872422990000021
其中：X(l)为第l层网络的输出，Θ(l)为第l层网络的滤波参数矩阵，
Figure FDA0002872422990000022
满足
Figure FDA0002872422990000023
σ(·)为非线性激活函数，GCN网络中的激活函数均为ReLU函数；
所述的全连接层，即上一层的任一神经元和下一层的所有神经元连接，所述的MLP网络中第一全连接层和第二全连接层均采用ReLU作为激活函数，第三全连接层采用Softmax作为激活函数，将结果映射成为0到1的概率输出。
5.根据权利要求1～4中任一所述的基于图卷积和多层感知机混合网络的定位方法，其特征是，具体包括：
步骤1：在离线阶段首先需要对待定位区域进行网格划分，用以选取参考点采集数据，包括：针对Wi-Fi信号时利用开源指纹数据库UJIIndoor进行定位实验；针对蓝牙信号时，在走廊内进行数据采集，在走廊中划分出网格点；
步骤2：在选取的参考点进行数据采集，记录各个AP发送信号的RSSI值以及对应参考点的位置信息，具体为：针对Wi-Fi信号时，每个RP上每隔相同时间收集Ns次RSSI值；针对蓝牙信号时，在走廊均匀布置了七个信标，并采用nRF 52832 Dongle接收蓝牙数据，每个点的采集时间持续4分钟；
步骤3：将采集到的数据进行处理，去除异常值以免对定位结果产生影响，并将采集到的RSSI数据和相应位置信息以统一的格式进行整理，构成指纹数据库X；在第k个RP上收集的RSSI指纹为：
Figure FDA0002872422990000024
其中：
Figure FDA0002872422990000025
为第t个时隙、从第s个AP收集到的RSSI值，
Figure FDA0002872422990000026
为第k个RP；
步骤4：根据不同的场景构造对应的邻接矩阵：将AP作为顶点、AP之间的关系作为邻接矩阵A构成无向图，为网络训练提供先验信息；无向图中顶点间的连线Ai,j为第i个和第j个AP之间的关系，指纹数据库X用来作为匹配位置信息的依据，邻接矩阵A用来为AP之间的拓扑关系，将二者输入到GCN和MLP混合网络中进行网络训练；
步骤5：将构造的指纹数据库和邻接矩阵输入混合网络中进行网络训练，构成位置和指纹的映射关系；
步骤6：在在线阶段，用户将从各个AP实时接收到的RSSI值输入训练后的混合神经网络进行匹配，经过GCN特征提取和MLP分类后输出预测的位置。
CN202011616730.6A 2020-12-30 2020-12-30 基于图卷积和多层感知机混合网络的定位方法 Active CN112801268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011616730.6A CN112801268B (zh) 2020-12-30 2020-12-30 基于图卷积和多层感知机混合网络的定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011616730.6A CN112801268B (zh) 2020-12-30 2020-12-30 基于图卷积和多层感知机混合网络的定位方法

Publications (2)

Publication Number Publication Date
CN112801268A true CN112801268A (zh) 2021-05-14
CN112801268B CN112801268B (zh) 2022-09-13

Family

ID=75804739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011616730.6A Active CN112801268B (zh) 2020-12-30 2020-12-30 基于图卷积和多层感知机混合网络的定位方法

Country Status (1)

Country Link
CN (1) CN112801268B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113720333A (zh) * 2021-08-16 2021-11-30 中山大学 一种基于图注意力网络的室内多点协同定位方法
WO2024025469A1 (en) * 2022-07-28 2024-02-01 Nanyang Technological University System for determining location of device and methods for forming and operating thereof

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
CN111325258A (zh) * 2020-02-14 2020-06-23 腾讯科技（深圳）有限公司 特征信息获取方法、装置、设备及存储介质
CN111866713A (zh) * 2020-07-09 2020-10-30 北京邮电大学 一种定位方法、装置及电子设备
CN111882593A (zh) * 2020-07-23 2020-11-03 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法
US20200364389A1 (en) * 2018-12-04 2020-11-19 Google Llc Generating integrated circuit floorplans using neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874914A (zh) * 2018-05-29 2018-11-23 吉林大学 一种基于图卷积与神经协同过滤的信息推荐方法
US20200364389A1 (en) * 2018-12-04 2020-11-19 Google Llc Generating integrated circuit floorplans using neural networks
CN111325258A (zh) * 2020-02-14 2020-06-23 腾讯科技（深圳）有限公司 特征信息获取方法、装置、设备及存储介质
CN111866713A (zh) * 2020-07-09 2020-10-30 北京邮电大学 一种定位方法、装置及电子设备
CN111882593A (zh) * 2020-07-23 2020-11-03 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RONGRONG WANG ET AL.: "A robust WIFI Fingerprint Positioning Algorithm Using Stacked Denoising Autoencoder and Multi-Layer Perceptron", 《REMOTE SENSING》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113720333A (zh) * 2021-08-16 2021-11-30 中山大学 一种基于图注意力网络的室内多点协同定位方法
CN113720333B (zh) * 2021-08-16 2023-04-28 中山大学 一种基于图注意力网络的室内多点协同定位方法
WO2024025469A1 (en) * 2022-07-28 2024-02-01 Nanyang Technological University System for determining location of device and methods for forming and operating thereof

Also Published As

Publication number Publication date
CN112801268B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN110012428B (zh) 一种基于WiFi的室内定位方法
CN106851573B (zh) 基于对数路径损耗模型的联合加权k近邻室内定位方法
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN108540929B (zh) 基于rssi信号强度排序的室内指纹定位方法
CN110381440A (zh) 基于深度学习的联合rss与csi的指纹室内定位方法
CN112801268B (zh) 基于图卷积和多层感知机混合网络的定位方法
CN112135248B (zh) 一种基于K-means最优估计的WIFI指纹定位方法
CN109348416B (zh) 基于二分k均值的指纹室内定位方法
CN109640262B (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN111050294A (zh) 一种基于深度神经网络的室内定位系统及方法
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
CN109121083B (zh) 一种基于ap序列的指纹相似度的室内定位方法
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
CN111465093A (zh) 指纹定位方法、装置、电子设备及计算机存储介质
CN109041208B (zh) 一种基于Wi-Fi指纹库的定位方法和定位服务器
CN111757257B (zh) 一种克服设备差异的动态模糊匹配室内定位方法
Sun et al. A novel GCN based indoor localization system with multiple access points
Zhang et al. Towards floor identification and pinpointing position: A multistory localization model with wifi fingerprint
CN110830939B (zh) 基于改进的cpn-wlan指纹定位数据库的定位方法
Pandey et al. Residual neural networks for heterogeneous smart device localization in IoT networks
CN108521631A (zh) 一种面向室内定位的移动ap识别方法
Liu et al. Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother
CN110691336A (zh) 一种基于集成学习和相对定位的双尺度定位算法
CN108445443B (zh) 一种基于knn的指纹点聚类方法
CN111918211B (zh) 一种基于kd树和改进加权knn的室内指纹定位方法

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