CN112887909B - 一种基于Wi-Fi信号的室内定位方法 - Google Patents
一种基于Wi-Fi信号的室内定位方法 Download PDFInfo
- Publication number
- CN112887909B CN112887909B CN202110399973.7A CN202110399973A CN112887909B CN 112887909 B CN112887909 B CN 112887909B CN 202110399973 A CN202110399973 A CN 202110399973A CN 112887909 B CN112887909 B CN 112887909B
- Authority
- CN
- China
- Prior art keywords
- node
- rss
- equipment
- vector
- 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.)
- 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
- H04W4/02—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- H04W4/02—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于Wi‑Fi信号的室内定位方法,属于室内定位领域。包括:步骤1,收集各RP的AP的RSS原始数据;步骤2,基于图神经网络生成AP和RP指纹;步骤3,采集待定位设备的实时RSS数据;步骤4,生成待定位设备的实时向量表示;步骤5,估计得出待定位设备的位置。该方法发掘和利用了各个AP之间的相对位置关系去辅助室内定位,这种位置关系相较于接收信号强度更加稳定,使得定位精度更高、鲁棒性更好。并且,该方法不依赖长时间的重复数据采集和额外辅助信息,更易使用和大范围推广。
Description
技术领域
本发明涉及移动设备室内定位领域,尤其涉及一种基于Wi-Fi信号的室内定位方法。
背景技术
移动设备的室内定位是众多基于位置的服务(如室内导航、基于位置的广告推荐等)的基础。室内定位的精度和鲁棒性对这些服务的质量至关重要。由于传统定位技术(GPS,基站定位等)难以在有遮挡的复杂室内环境(商场、办公楼等)中实施精确定位,各种无线传感器信号被用于移动设备的室内定位。其中,基于Wi-Fi接入点(AP)的接收信号强度(RSS)的定位方法因RSS获取容易、无需在现有Wi-Fi网络之外专门部署设备的特点,而被广泛采用。然而,RSS易受多种因素影响(人群走动、信号发射功率变化等)产生波动,导致定位精度下降。
现在有许多方法应对室内定位过程中的Wi-Fi AP的RSS不稳定。有些方法选择信号强度最稳定的AP或舍弃不稳定的AP提高鲁棒性。然而这些方法丢失了被舍弃的AP信息导致精度损失。有些方法通过长时间采集信号强度并取统计值的方式提高性能。然而这些方法会增加大量额外的采集成本。还有些方法利用了额外的信息(如手机内置运动传感器数据、楼层平面图等)来辅助进行定位。然而这些额外的辅助信息并不容易获取,尤其是在大范围推广使用的时候。综上,现有的基于Wi-Fi信号的室内定位方法都很难保证在不依赖大量数据采集和其它辅助信息的情况下,实现精度高、鲁棒性好的室内定位。
发明内容
基于现有技术所存在的问题,本发明的目的是提供一种基于Wi-Fi信号的室内定位方法,能解决现有基于Wi-Fi接入点的接收信号强度的定位方法,所存在的很难保证在不依赖大量数据采集和其它辅助信息的情况下,实现精度高、鲁棒性好的室内定位的问题。
本发明的目的是通过以下技术方案实现的:
本发明实施方式提供一种基于Wi-Fi信号的室内定位方法,包括:
步骤1,收集各RP的AP的RSS原始数据:选择目标环境中多个已知位置作为RP,在各个RP,通过收集数据的移动设备的系统接口,获取扫描到的AP的标识和各AP对应的RSS原始数据;所述RP表示参考点;所述AP表示Wi-Fi接入点;所述RSS表示Wi-Fi接入点的接收信号强度;
步骤2,基于图神经网络生成AP和RP指纹:利用收集的各RP的AP的RSS原始数据,基于图神经网络的深度模型,生成所述目标环境中各个AP和RP的指纹向量,并存入指纹数据库;
步骤3,采集待定位设备的实时RSS数据:通过待定位设备的系统接口,获取待定位设备实时扫描到的各AP的标识和对应的实时RSS数据;
步骤4,生成待定位设备的实时向量表示:基于待定位设备实时扫描到的AP的标识和对应的实时RSS数据,生成该待定位设备实时的向量表示;
步骤5,估计得出待定位设备的位置:通过计算所述待定位设备的实时向量表示与所述指纹数据库中各个RP的指纹向量的相似度,估计得出离该待定位设备最近的若干个RP,基于这些最近RP的位置,计算出所述待定位设备的估计位置。
由上述本发明提供的技术方案可以看出,本发明实施例提供的基于Wi-Fi信号的室内定位方法,其有益效果为:
通过发掘和利用多个AP之间的相对位置关系来辅助室内定位,这种位置关系相较于单个AP的RSS更加稳定,因此使得室内定位精度更高、鲁棒性更好;同时该方法不依赖长时间的数据重复采集和额外辅助信息,更易使用和大范围推广。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的基于Wi-Fi信号的室内定位方法的流程图;
图2为本发明实施例提供的基于Wi-Fi信号的室内定位方法的具体流程图;
图3为本发明实施例提供的基于Wi-Fi信号的室内定位方法的基于图谱生成指纹的示意图。
具体实施方式
下面结合本发明的具体内容,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
参见图1、图2,本发明实施例提供一种基于Wi-Fi信号的室内定位方法,是一种精度高、鲁棒性好的室内定位方法,包括:
步骤1,收集各RP的AP的RSS原始数据:选择目标环境中多个已知位置作为RP,在各个RP,通过收集数据的移动设备的系统接口,获取扫描到的AP的标识和各AP对应的RSS原始数据;所述RP表示参考点;所述AP表示Wi-Fi接入点;所述RSS表示Wi-Fi接入点的接收信号强度;
步骤2,基于图神经网络生成AP和RP指纹:利用收集的各RP的AP的RSS原始数据,基于图神经网络的深度模型,生成所述目标环境中各个AP和RP的指纹向量,并存入指纹数据库;
步骤3,采集待定位设备的实时RSS数据:通过所述待定位设备的系统接口,获取该待定位设备实时扫描到的各AP的标识和对应的实时RSS数据;
步骤4,生成待定位设备的实时向量表示:基于所述待定位设备实时扫描到的AP的标识和对应的实时RSS数据,生成该待定位设备实时的向量表示;
步骤5,估计得出待定位设备的位置:通过计算所述待定位设备的实时向量表示与所述指纹数据库中各个RP的指纹向量的相似度,估计得出离该待定位设备最近的若干个RP,基于这些最近RP的位置,计算出所述待定位设备的估计位置。
上述方法,本方法分为离线阶段和在线定位阶段,离线阶段利用收集数据的移动设备在各个RP事先采集少量数据用于构建指纹数据库;在线定位阶段,基于构建好的数据库和待定位设备的实时扫描,对待定位设备进行定位。
上述方法的步骤2中,按以下方式利用收集的各RP的AP的RSS原始数据,基于图神经网络的深度模型生成所述目标环境中各个AP和RP的指纹向量,包括:
步骤21,以AP和RP为节点,以RP-RP和RP-AP为边构建成图谱,计算得到该图谱的邻接矩阵,该邻接矩阵记为A;
步骤22,选择图谱中的RP节点作为地标节点,将图谱中各个节点的特征向量初始化为到这些地标节点的图谱上距离向量,得出该图谱的节点特征矩阵为K;
步骤23,通过图神经网络的深度模型对得到的邻接矩阵A和节点特征矩阵X进行训练,得到图谱中节点的节点嵌入向量矩阵Y;
步骤24,生成AP和RP的指纹向量:基于训练获得节点嵌入向量矩阵Y,分别按以下式(7)和式(8)分别计算生成AP和RP的指纹向量矩阵,并存入指纹数据库:
finrp=Arp2apfinap (8)。
其中,式(8)中Arp2ap是只包含RP-AP边的子图的邻接矩阵;
RP-AP边连接每个RP节点和该RP节点扫描到的若干个AP节点,如果一个AP节点在一个RP节点的RSS大于该AP节点在所有RP节点的RSS的预设百分位数则将该RP节点和该AP节点连边形成RP-AP边,该RP-AP边权重通过以下式(2)和式(3)计算得出:
上述式(3)中的Q是对某一RP的所有RSS取百分位数的函数。
上述步骤22中,若图中某节点到某地标节点的最短跳数大于预设跳数threshop(预设跳数可设为1),则该节点的特征向量中该地标节点的对应位初始化为0,向量初始化如式(4):
参见图3,上述步骤23中,所用的图神经网络的深度模型由若干个使用均值聚合器的图神经网络层和若干全连接层连接而成,能对图谱中的节点聚合领域信息;
所述图神经网络的深度模型的输入为邻接矩阵A和节点特征矩阵X,每通过一个图神经网络层,输出的节点嵌入向量会包含多一跳的领域信息,在所有图神经网络层之后通过若干全连接层输出最终的节点嵌入向量矩阵finrp和finap。
上述方法中,图神经网络的深度模型训练过程中,联合优化RP-RP和RP-AP两个子图的损失函数,如式(5),两个子图的损失函数共享相同的形式,如式(6):
上述步骤4中,若实时扫描到的AP的RSS为(rss0,rss1,...,rssN),则待定位设备的实时向量Embs表示通过以下式(9)和式(10)计算得出:
Embs=vsfinap (10)。
上述步骤5中,通过计算所述待定位设备的实时向量表示与所述指纹数据库中各个RP的指纹向量的欧式距离,确定所述待定位设备的实时向量表示与所述指纹数据库中各个RP的指纹向量的相似度;选取欧式距离最小的K个RP作为离该待定位设备最近的若干个RP,基于欧式距离计算权重,并输出这些RP位置的加权求和作为估计位置,所述权重通过式(11)和式(12)计算得出:
本发明的室内定位方法,在不依赖长时间的数据重复采集和其它辅助信息的情况下,克服单个AP RSS不稳定的困难,实现精度高、鲁棒性好的室内定位。
下面对本发明实施例具体作进一步地详细描述。
参见图1、2,本发明实施例提供一种基于Wi-Fi信号的鲁棒的室内定位方法,包括以下步骤:
步骤1,各参考点(RP)的AP的RSS数据收集。在选择目标环境中已知位置作为RP,在各个RP,通过收集数据的移动设备的系统(Android等)接口,获取扫描到的AP标识和对应的RSS原始数据;
步骤2,基于图神经网络的AP和RP指纹生成:指纹生成如图3所示,具体包括以下几个步骤;
步骤21,构建图谱:图谱中包含AP、RP两类节点,RP-RP、RP-AP两类边;对每个RP节点,RP-RP边连接该RP节点和与它最近邻的个RP节点;RP-RP边权重根据两个RP节点之间的欧式距离如式(1)计算:
图的邻接矩阵记为A;
上述式(3)中的Q是对某一RP的所有RSS取百分位数的函数;
步骤22,图中节点特征初始化:选择图中的RP节点作为地标节点,图中各个节点的特征向量初始化为到这些地标节点的图上距离向量;特别的,若图中某节点到某地标节点的最短跳数大于预设跳数threshop(优选的,预设跳数可设为1),则该节点的特征向量中该地标节点的对应位初始化为0,向量初始化如式(4):
记图的节点特征矩阵为X;
步骤23,基于图神经网络的图节点嵌入:后,通过图神经网络的深度模型对得到邻接矩阵A和节点特征矩阵X进行训练,得到图谱中节点的嵌入向量:该深度模型首先包含若干个使用均值聚合器的图神经网络(GNN)层(参见图3),用来对每个图中节点聚合领域信息;每通过一个GNN层,输出的节点嵌入向量会包含多一跳的领域信息;在GNN层之后是若干全连接层,用来输出最终的节点嵌入向量。具体算法采用端到端训练,如下所示:
网络训练过程中,联合优化RP-RP和RP-AP两个子图的损失函数,如式(5),两个子图的损失函数共享相同的形式,如式(6):
步骤24,AP和RP指纹生成:基于训练获得的节点嵌入向量矩阵Y,分别通过式(7)和式(8)计算生成AP和RP的指纹向量矩阵,并存入指纹数据库:
finrp=Arp2apfinap (8);
上述公式(7)中的yi是节点嵌入向量矩阵中对应api的那一行;式(8)中Arp2ap是只包含RP-AP边的子图的邻接矩阵;
步骤3,待定位设备的实时RSS数据采集:通过待定位设备的系统(Android等)接口,获取该待定位设备实时扫描到的AP标识和对应的实时RSS数据;
步骤4,待定位设备的实时向量表示生成:基于所述待定位设备实时扫描到的AP标识和对应的实时RSS数据,生成该待定位设备实时的向量表示;给定实时AP RSS扫描(rss0,rss1,...,rssN),则待定位设备的实时向量Embs表示如式(9)和式(10)计算得出:
Embs=vsfinap (10);
步骤5,位置估计并输出:通过计算待定位设备的实时向量表示和指纹数据库中各个RP指纹的欧式距离,选取欧式距离最小的K个RP,基于欧式距离计算权重,并输出这些RP位置的加权求和作为待定位设备的估计位置;所述权重计算如式(11)和式(12)所示:
本发明的方法通过发掘和利用了各个AP之间的相对位置关系来辅助室内定位,这种位置关系相较于接收信号强度(RSS)更加稳定,使得室内定位精度更高、鲁棒性更好,很好的解决了现有利用Wi-Fi信号进行定位过程中接收信号强度不稳定导致定位精度和稳定性差的问题。同时,该方法不依赖长时间的重复数据采集和额外辅助信息,更易使用和大范围推广。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种基于Wi-Fi信号的室内定位方法,其特征在于,包括:
步骤1,收集各RP的AP的RSS原始数据:选择目标环境中多个已知位置作为RP,在各个RP,通过收集数据的移动设备的系统接口,获取扫描到的AP的标识和各AP对应的RSS原始数据;所述RP表示参考点;所述AP表示Wi-Fi接入点;所述RSS表示Wi-Fi接入点的接收信号强度;
步骤2,基于图神经网络生成AP和RP指纹:利用收集的各RP的AP的RSS原始数据,基于图神经网络的深度模型,生成所述目标环境中各个AP和RP的指纹向量,并存入指纹数据库;按以下方式利用收集的各RP的AP的RSS原始数据,基于图神经网络的深度模型生成所述目标环境中各个AP和RP的指纹向量,包括:
步骤21,以AP和RP为节点,以RP-RP和RP-AP为边构建成图谱,计算得到该图谱的邻接矩阵,该邻接矩阵记为A;
步骤22,选择图谱中的RP节点作为地标节点,将图谱中各个节点的特征向量初始化为到这些地标节点的图谱上距离向量,得出该图谱的节点特征矩阵为X;
步骤23,通过图神经网络的深度模型对得到的邻接矩阵A和节点特征矩阵X进行训练,得到图谱中节点的节点嵌入向量矩阵Y;
步骤24,生成AP和RP的指纹向量:基于训练获得节点嵌入向量矩阵Y,分别按以下式(7)和式(8)分别计算生成AP和RP的指纹向量矩阵,并存入指纹数据库:
finrp=Arp2apfinap (8);
其中,式(8)中Arp2ap是只包含RP-AP边的子图的邻接矩阵;
步骤3,采集待定位设备的实时RSS数据:通过所述待定位设备的系统接口,获取该待定位设备实时扫描到的各AP的标识和对应的实时RSS数据;
步骤4,生成待定位设备的实时向量表示:基于所述待定位设备实时扫描到的AP的标识和对应的实时RSS数据,生成该待定位设备实时的向量表示;若实时扫描到的AP的RSS为(rss0,rss1,...,rssN),则待定位设备的实时向量Embs表示通过以下式(9)和式(10)计算得出:
Embs=υsfinap (10);
步骤5,估计得出待定位设备的位置:通过计算所述待定位设备的实时向量表示与所述指纹数据库中各个RP的指纹向量的相似度,估计得出离该待定位设备最近的若干个RP,基于这些最近RP的位置,计算出所述待定位设备的估计位置。
2.根据权利要求1所述的基于Wi-Fi信号的室内定位方法,其特征在于,所述步骤21中,所述图谱中,对每个RP节点,RP-RP边连接该RP节点和与该RP节点近邻的thresk个RP节点,该RP-RP边权重根据两个RP节点之间的欧式距离通过以下式(1)计算得出:
RP-AP边连接每个RP节点和该RP节点扫描到的若干个AP节点,如果一个AP节点在一个RP节点的RSS大于该AP节点在所有RP节点的RSS的预设百分位数thresq,则将该RP节点和该AP节点连边形成RP-AP边,该RP-AP边权重通过以下式(2)和式(3)计算得出:
上述式(3)中的Q是对某一AP的所有RSS取百分位数的函数。
4.根据权利要求3所述的基于Wi-Fi信号的室内定位方法,其特征在于,所述预设跳数为1。
5.根据权利要求1所述的基于Wi-Fi信号的室内定位方法,其特征在于,所述步骤23中,所用的图神经网络的深度模型由若干个使用均值聚合器的图神经网络层和若干全连接层连接而成,能对图谱中的节点聚合领域信息;
所述图神经网络的深度模型的输入为邻接矩阵A和节点特征矩阵X,每通过一个图神经网络层,输出的节点嵌入向量会包含多一跳的领域信息,在所有图神经网络层之后通过若干全连接层输出最终的节点嵌入向量矩阵finrp和finap。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110399973.7A CN112887909B (zh) | 2021-04-14 | 2021-04-14 | 一种基于Wi-Fi信号的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110399973.7A CN112887909B (zh) | 2021-04-14 | 2021-04-14 | 一种基于Wi-Fi信号的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887909A CN112887909A (zh) | 2021-06-01 |
CN112887909B true CN112887909B (zh) | 2022-07-15 |
Family
ID=76040053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110399973.7A Active CN112887909B (zh) | 2021-04-14 | 2021-04-14 | 一种基于Wi-Fi信号的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887909B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113347661B (zh) * | 2021-08-05 | 2021-11-02 | 浙江口碑网络技术有限公司 | 无线信号的特征提取方法及基于无线信号的定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014065735A1 (en) * | 2012-10-24 | 2014-05-01 | Telefonaktiebolaget L M Ericsson (Publ) | Positioning |
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN110234085A (zh) * | 2019-05-23 | 2019-09-13 | 深圳大学 | 基于对抗迁移网络的室内位置指纹地图生成方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215337B (zh) * | 2020-09-30 | 2024-05-14 | 江苏大学 | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 |
-
2021
- 2021-04-14 CN CN202110399973.7A patent/CN112887909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014065735A1 (en) * | 2012-10-24 | 2014-05-01 | Telefonaktiebolaget L M Ericsson (Publ) | Positioning |
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN110234085A (zh) * | 2019-05-23 | 2019-09-13 | 深圳大学 | 基于对抗迁移网络的室内位置指纹地图生成方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于图神经网络的无人机无源定位航迹自主生成方法;钟昊;《价值工程》;20200428;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112887909A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103874118B (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
Nemer et al. | Performance evaluation of range-free localization algorithms for wireless sensor networks | |
Liu et al. | Deeplora: Learning accurate path loss model for long distance links in lpwan | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
Janssen et al. | Benchmarking RSS-based localization algorithms with LoRaWAN | |
CN104053129A (zh) | 一种基于稀疏射频指纹插值的无线传感器网络室内定位方法和装置 | |
Du et al. | CRCLoc: A crowdsourcing-based radio map construction method for WiFi fingerprinting localization | |
Zhao et al. | GraphIPS: Calibration-free and map-free indoor positioning using smartphone crowdsourced data | |
Luomala et al. | Adaptive range-based localization algorithm based on trilateration and reference node selection for outdoor wireless sensor networks | |
Jiang et al. | Wi-Fi fingerprint based indoor localization without indoor space measurement | |
Li et al. | A partial-range-aware localization algorithm for ad-hoc wireless sensor networks | |
CN108834041B (zh) | 基于张量重建的室内位置指纹定位Radio Map建立方法 | |
CN113015093A (zh) | 一种基于三维深度残差神经网络的室内无线定位方法 | |
Shit et al. | AI-enabled fingerprinting and crowdsource-based vehicle localization for resilient and safe transportation systems | |
CN112887909B (zh) | 一种基于Wi-Fi信号的室内定位方法 | |
Zhao et al. | An efficient radio map updating algorithm based on K-means and Gaussian process regression | |
Sun et al. | A novel GCN based indoor localization system with multiple access points | |
Le et al. | Received signal strength based indoor positioning algorithm using advanced clustering and kernel ridge regression | |
Etiabi et al. | Federated learning based hierarchical 3D indoor localization | |
Zhang et al. | A hybrid localization approach in 3D wireless sensor network | |
CN112488151B (zh) | 一种半监督的基于流形学习的位置指纹库构建方法 | |
Qi et al. | A combined localization algorithm for wireless sensor networks | |
Zheng et al. | GraFin: An applicable graph-based fingerprinting approach for robust indoor localization | |
Sadhukhan et al. | A novel weighted fusion based efficient clustering for improved wi-fi fingerprint indoor positioning |
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 |