CN112946567B - 基于域对抗神经网络的运动目标指纹室内定位方法 - Google Patents
基于域对抗神经网络的运动目标指纹室内定位方法 Download PDFInfo
- Publication number
- CN112946567B CN112946567B CN202110102951.XA CN202110102951A CN112946567B CN 112946567 B CN112946567 B CN 112946567B CN 202110102951 A CN202110102951 A CN 202110102951A CN 112946567 B CN112946567 B CN 112946567B
- Authority
- CN
- China
- Prior art keywords
- domain
- network
- sample
- layer
- grid
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
一种基于域对抗神经网络的运动目标指纹室内定位方法,旨将在环境变化频繁的室内场景中,给用户在线提供便捷的指纹更新和精确的室内定位功能。实现步骤为:生成源域样本集;构建特征提取模块;构建标签预测网络;将特征提取模块和标签模块组成标签预测网络;训练标签预测网络;生成目标域样本集;构建域分类网络;将特征提取模块和域模块组成域分类网络;训练域分类网络;对目标域样本进行位置估计。本发明的方法消除了样本集之间的差异,提高了定位准确率,更新了网络参数,使得本发明比现有技术的定位效率更高,在实际场景中更具有实用性。
Description
技术领域
本发明属于通信技术领域,更进一步涉及目标定位技术领域中的一种基于域对抗神经网络的运动目标指纹室内定位方法。本发明可用于具有较少障碍物的室内场景中,尤其是在环境变化频繁的室内场景中,能给用户在线提供便捷的指纹更新和精确的室内定位功能。
背景技术
现有的室内定位方法按照定位方式可以分为以下两种:几何室内定位方法和指纹室内定位方法,其中指纹室内定位方法更具有实用性。在实际定位场景中,室内的环境引起的信道状态信息(CSI)变化会影响实际情况下的定位精度。传统的方法如基于卷积神经网络,K最近邻等方法没有考虑环境变化造成的影响。为了在线解决由于环境变化而导致定位精度下降的问题,本发明通过将离线收集的带标签样本集作为源域,在线收集的无标签样本集作为目标域,通过域对抗的方式保留域之间的相同特征,在线更新指纹,提高了环境变化之后的定位精度。
合肥工业大学在其申请的专利文献“一种基于卷积神经网络识别技术的WIFI室内定位方法”(申请号:201810300922.2,申请公布号:CN 108594170A)中公开了一种基于卷积神经网络的指纹室内定位方法。该方法的步骤为:1、采集每个参考点的WIFI信号;2、分别将每个参考点的数据处理后通过小波变换为对应位置的特征图构建初级定位指纹库;3、将每个参考点的特征图进行像素变换构建定位指纹库的训练集;4、将训练集中每个参考点的特征图加标签后送入改进的卷积神经网络模型中训练得到分类模型;5、通过采样待测位置WIFI信号,数据处理后通过小波变换为对应位置的特征图送入得到的分类模型中进行分类;6、对位置类别做加权平均,从而实现针对待测位置的定位。该发明利用小波变换对参考点的数据进行处理,再用卷积神经网络进行分类,能够有效提高定位准确率,但是,该方法仍然存在的不足之处是:在实际应用中,由于使用指纹法进行定位,当室内温度、湿度变化或遇到障碍物阻挡等环境变化,使现有的定位指纹库不再适用于变化后的新环境,定位准确率大幅度降低,需要重新构建定位指纹库,而重新构建定位指纹库是一个需要系统停机且劳动密集型的任务,因此在环境发生变化的情况下该方法不具备实用性。
成都电科惠安科技有限公司在其申请的专利文献“一种基于深度自适应网络的室内定位方法”(申请号:201910774488.6,公布号:CN 110536257 A)中公开了一种基于深度自适应网络的室内定位方法。该方法的步骤为:1、将需要定位的室内环境划分为等大小的格点区域,并记录坐标信息;2、将移动设备依次置于定位环境中的各个格点,并记录下此刻来自各个接入点的接收信号强度(RSS)值以及对应的坐标信息,形成离线指纹库,即源域;3、在线收集待定位置的移动设备的RSS值,形成目标域;4、知识迁移;5、将目标域数据输入到训练好的网格中,即可获得位置。该发明利用迁移学习解决了RSS波动性的问题,但是,该方法仍然存在的不足之处是:由于只是对在线采集的待定信号进行了定位,每次新采集信号都需再进行相同的训练过程,导致定位时间长,定位效率低。
发明内容
本发明的目的在于针对上述现有方法存在的不足,提出了一种基于域对抗神经网络的指纹室内定位方法,用于解决现有的指纹室内定位方法中环境变化后定位准确率大幅度降低,需要重新进行繁琐的构建离线指纹库的工作,使得定位方法时间长,定位效率低,不具有实用性,不适用于实际中变化多样的定位场景的问题。
实现本发明目的的设计思路是:利用标签预测网络对源域样本进行初步训练,获得原始网络参数;利用域分类网络对源域样本和目标域样本同时进行训练,来消除源域样本和目标域样本之间的特征差异,更新原始网络的参数,使得更新后的标签预测网络在实际环境下的定位准确率更高,实现了满足实时性要求的高精度室内定位系统。
为实现上述目的,本发明采用的技术方案包括如下步骤:
(1)生成源域样本集:
(1a)在待定位的室内区域中心设置一个发射机,将待定位的室内区域均分为n个正方形的栅格,n≥30;
(1b)使用移动设备在每个栅格中心处采集来自发射机的数据包组,将数据包组进行预处理操作,将每个栅格预处理后的数据和与其对应栅格的中心位置坐标组成该栅格的源域样本;
(1c)将所有栅格的源域样本组成源域样本集,并为源域样本添加域标签;
(2)构建特征提取模块:
(2a)搭建一个8层的特征提取模块,其结构依次为:第一卷积层,第一池化层,第二卷积层,第二池化层,第三卷积层,第三池化层,第四卷积层,第四池化层;
(2b)将第一至第四卷积层的卷积核尺寸依次设置为:5*5*3*64,5*5*3*64,3*3*3*32,3*3*3*16;第一至第四池化层的池化窗口的尺寸均设置为2*2,步长均设置为2;
(3)构建标签模块:
搭建一个由第一全连接层,第二全连接层和Softmax分类层组成的标签模块;将每层的神经元个数分别设置为128,m,n,其中m=n;
(4)将特征提取模块和标签模块组成标签预测网络;
(5)训练标签预测网络:
(5a)将源域样本集输入到标签预测网络中,特征提取模块输出每个源域样本的特征;再将特征输入到标签模块中,输出每个源域样本的预测位置坐标;
(5b)利用交叉熵损失函数,计算每个源域样本的预测位置坐标与该样本栅格中心位置坐标间的损失,通过反向传播算法迭代更新网络参数,直到交叉熵损失函数收敛为止,得到训练好的标签预测网络;
(6)生成目标域样本集:
使用移动设备在每个栅格中心采集来自发射机的数据包组,将数据包组进行预处理操作,将每个栅格预处理后的数据组成目标域样本集,并为目标域样本添加域标签;
(7)构建域分类网络:
搭建一个由第一全连接层,第二全连接层,第三全连接层和Softmax分类层组成的域模块;将每层的神经元个数分别设置为128,32,2,2;
(8)将步骤(2)构建的特征提取模块和域模块组成域分类网络;
(9)训练域分类网络:
(9a)将源域样本和目标域样本输入到域分类网络中,特征提取模块输出每个样本的特征;再将特征输入到域模块中,输出每个样本的预测结果;
(9b)利用最小均方误差函数,计算每个样本的预测结果与域标签间的损失,再利用反向传播算法迭代更新网络参数,直到交叉熵损失函数收敛为止,得到训练好的域分类网络;
(10)对目标域样本进行位置估计:
将目标域样本输入到经域分类网络更新后的标签预测网络中,输出移动设备的预测位置坐标。
本发明与现有技术相比,具有以下优点:
第一,由于本发明利用最小均方误差函数,计算每个样本的预测结果与域标签间的损失,再利用反向传播算法迭代更新网络参数,直到最小均方误差函数收敛为止,得到训练好的域分类网络,消除了源域样本和目标域样本的特征差异,克服了现有技术中当室内温度、湿度变化或遇到障碍物阻挡等环境变化,使现有的定位指纹库不再适用于变化后的新环境,定位准确率大幅度降低的问题,使得本发明的实际情况系中定位精确度更高。
第二,由于本发明将目标域样本输入到经域分类网络更新后的标签预测网络中,输出移动设备的预测位置坐标,对网络参数进行了更新,克服了由于只是对在线采集的待定信号进行了定位,每次新采集信号都需再进行相同的训练过程,导致定位时间长,定位效率低的问题,使得本发明比现有技术的定位效率更高,更具有实用性。
附图说明
图1是本发明的流程图;
图2是本发明的仿真结果图。
具体实施方式
下面结合附图,对本发明作进一步详细说明。
参照图1,对本发明的步骤作进一步的详细描述。
步骤1,生成源域样本集。
在待定位的室内区域中心设置一个发射机,将待定位的室内区域均分为n个正方形的栅格,n≥30;使用移动设备在每个栅格中心处采集来自发射机的数据包组,将数据包组进行预处理操作,将每个栅格预处理后的数据和与其对应栅格的中心位置坐标组成该栅格的源域样本;将所有栅格的源域样本组成源域样本集,并为源域样本添加域标签。
所述预处理的步骤如下:
第一步,通过移动设备所接受到的n个数据包组中的每组数据包对n个数据包组的信道分别进行估计,得到每个栅格的M个信道赋值矩阵,每个信道幅值矩阵的维度为k*s*r,k表示每个信道状态信息数据包子载波的个数,s表示发射机的发射天线的个数,r表示移动设备的接收天线的个数,M≥100k。
第二步,对每个栅格的M个信道幅值矩阵进行合并,得到维度为M*k*s*r的信道状态信息矩阵,并以第1个维度为基础将信道状态信息矩阵连续无重复地划分为P个子矩阵,其中, 为向下取整符号;每个栅格中的信道状态信息子矩阵作为该栅格的数据。
步骤2,构建特征提取模块。
搭建一个8层的特征提取模块,其结构依次为:第一卷积层,第一池化层,第二卷积层,第二池化层,第三卷积层,第三池化层,第四卷积层,第四池化层。
将第一至第四卷积层的卷积核尺寸依次设置为:5*5*3*64,5*5*3*64,3*3*3*32,3*3*3*16;第一至第四池化层的池化窗口的尺寸均设置为2*2,步长均设置为2。
步骤3,构建标签模块:
搭建一个由第一全连接层,第二全连接层和Softmax分类层组成的标签模块;将每层的神经元个数分别设置为128,m,n,其中m=n;
步骤4,将特征提取模块和标签模块组成标签预测网络。
步骤5,训练标签预测网络。
将源域样本集输入到标签预测网络中,特征提取模块输出每个源域样本的特征;再将特征输入到标签模块中,输出每个源域样本的预测位置坐标;利用交叉熵损失函数,计算每个源域样本的预测位置坐标与该样本栅格中心位置坐标间的损失,通过反向传播算法迭代更新网络参数,直到交叉熵损失函数收敛为止,得到训练好的标签预测网络。
所述交叉熵损失函数如下:
其中,H表示交叉损失函数,Ytrain表示源域样本的预测位置标签,Ypre表示源域样本真实位置标签,j=1,2,…,N,j表示源域样本的位置序号,log表示以10为底的对数操作。
步骤6,生成目标域样本集。
使用移动设备在每个栅格中心采集来自发射机的数据包组,将数据包组进行预处理操作,将每个栅格预处理后的数据组成目标域样本集,并为目标域样本添加域标签。
所述预处理的步骤如下:
第一步,通过移动设备所接受到的n个数据包组中的每组数据包对n个数据包组的信道分别进行估计,得到每个栅格的M个信道赋值矩阵,每个信道幅值矩阵的维度为k*s*r,k表示每个信道状态信息数据包子载波的个数,s表示发射机的发射天线的个数,r表示移动设备的接收天线的个数,M≥100k。
第二步,对每个栅格的M个信道幅值矩阵进行合并,得到维度为M*k*s*r的信道状态信息矩阵,并以第1个维度为基础将信道状态信息矩阵连续无重复地划分为P个子矩阵,其中, 为向下取整符号;每个栅格中的信道状态信息子矩阵作为该栅格的数据。
步骤7,构建域分类网络:
搭建一个由第一全连接层,第二全连接层,第三全连接层和Softmax分类层组成的域模块;将每层的神经元个数分别设置为128,32,2,2;
步骤8,将步骤2构建的特征提取模块和域模块组成域分类网络;
步骤9,训练域分类网络。
将源域样本和目标域样本输入到域分类网络中,特征提取模块输出每个样本的特征;再将特征输入到域模块中,输出每个样本的预测结果;利用最小均方误差函数,计算每个样本的预测结果与域标签间的损失,再利用反向传播算法迭代更新网络参数,直到最小均方误差函数收敛为止,得到训练好的域分类网络。
步骤10,对目标域样本进行位置估计。
将目标域样本输入到经域分类网络更新后的标签预测网络中,输出移动设备的预测位置坐标。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel Xeon Silver 4208CPU,主频为2.1GHz,内存128GB,将用于采样的两个安装有intel 5300网卡的ThinkPad T400s笔记本电脑,其中一个安装1根天线,另一个安装3根天线。。
本发明的仿真实验的软件平台为:Windows 10操作系统,python 3.7和MATLABR2018a,用于采样的笔记本电脑配置Ubuntu操作系统和CSItool模块。
本发明仿真实验所用的源域样本集和目标域样本集,是申请人使用安装有1根天线的ThinkPad T400s笔记本电脑作为发射机,安装有3根天线的ThinkPad T400s笔记本电脑作为移动设备,在西安电子科技大学主楼实验室对板凳进行采样200次得到20000个样本,采集时间为2020年7月。
2.仿真内容及其结果分析:
本发明仿真实验是采用本发明和一个现有技术(卷积神经网络方法),在西安电子科技大学主楼实验室,分别对板凳进行200次定位,并计算定位结果与实际位置之间的距离,计算各个方法平均定位误差的概率,得到图2,图2为本发明所提方法和现有技术的平均定位误差CDF对比图。
在仿真实验中,采用的一个现有技术是指:
H.Chen等人在其发表的论文“ConFi:Convolutional Neural Networks BasedIndoor Wi-Fi Localization Using Channel State Information,in IEEE Access,vol.5,pp.18066-18074,2017.”中提出的基于卷积神经网络的WiFi室内定位方法,简称卷积神经网络方法。
下面结合图2的仿真图对本发明的效果做进一步的描述。
图2中横坐标表示平均定位误差,纵坐标表示概率,以“○”标示的曲线表示本发明所提的基于域对抗神经网络的运动目标指纹室内定位方法的仿真曲线,以“*”标示的曲线表示卷积神经网络方法的仿真曲线。由图2可以看出,本发明所提出的基于域对抗神经网络的运动目标指纹室内定位方法平均定位误差小于0.8米的概率约为81%,小于1.6米的概率约为95%,比卷积神经网络方法具有更高的精确度。
以上仿真实验表明:本发明方法利用训练好的标签预测网络,能够提取源域样本的特征,构建源域样本的指纹库,通过训练域分类网络,能够更新特征提取模块的网络参数,消除源域样本和目标域样本之间特征的差异,利用更新后的标签预测网络预测目标域样本的位置坐标,能够提升对移动设备定位的精确度,同时提高了指纹更新的效率,是一种非常实用的指纹室内定位方法。
Claims (2)
1.一种基于域对抗神经网络的运动目标指纹室内定位方法,其特征在于,构建域对抗神经网络,并使用源域离线数据和目标域在线数据对网络进行训练,根据在线生成的指纹库对待测数据进行定位,该方法的具体步骤包括如下:
(1)生成源域样本集:
(1a)在待定位的室内区域中心设置一个发射机,将待定位的室内区域均分为n个正方形的栅格,n≥30;
(1b)使用移动设备在每个栅格中心处采集来自发射机的数据包组,将数据包组进行预处理操作,将每个栅格预处理后的数据和与其对应栅格的中心位置坐标组成该栅格的源域样本;
所述预处理操作的步骤如下:
第一步,通过移动设备所接受到的n个数据包组中的每组数据包对n个数据包组的信道分别进行估计,得到每个栅格的M个信道赋值矩阵,每个信道幅值矩阵的维度为k*s*r,k表示每个信道状态信息数据包子载波的个数,s表示发射机的发射天线的个数,r表示移动设备的接收天线的个数,M≥100k;
第二步,对每个栅格的M个信道幅值矩阵进行合并,得到维度为M*k*s*r的信道状态信息矩阵,并以第1个维度为基础将信道状态信息矩阵连续无重复地划分为P个子矩阵,其中, 为向下取整符号;每个栅格中的信道状态信息子矩阵作为该栅格的数据;
(1c)将所有栅格的源域样本组成源域样本集,并为源域样本添加域标签;
(2)构建特征提取模块:
(2a)搭建一个8层的特征提取模块,其结构依次为:第一卷积层,第一池化层,第二卷积层,第二池化层,第三卷积层,第三池化层,第四卷积层,第四池化层;
(2b)将第一至第四卷积层的卷积核尺寸依次设置为:5*5*3*64,5*5*3*64,3*3*3*32,3*3*3*16;第一至第四池化层的池化窗口的尺寸均设置为2*2,步长均设置为2;
(3)构建标签模块:
搭建一个由第一全连接层,第二全连接层和Softmax分类层组成的标签模块;将每层的神经元个数分别设置为128,m,n,其中m=n;
(4)将特征提取模块和标签模块组成标签预测网络;
(5)训练标签预测网络:
(5a)将源域样本集输入到标签预测网络中,特征提取模块输出每个源域样本的特征;再将特征输入到标签模块中,输出每个源域样本的预测位置坐标;
(5b)利用交叉熵损失函数,计算每个源域样本的预测位置坐标与该样本栅格中心位置坐标间的损失,通过反向传播算法迭代更新网络参数,直到交叉熵损失函数收敛为止,得到训练好的标签预测网络;
(6)生成目标域样本集:
使用移动设备在每个栅格中心采集来自发射机的数据包组,将数据包组进行预处理操作,将每个栅格预处理后的数据组成目标域样本集,并为目标域样本添加域标签;所述预处理操作与步骤(1b)相同;
(7)构建域分类网络:
搭建一个由第一全连接层,第二全连接层,第三全连接层和Softmax分类层组成的域模块;将每层的神经元个数分别设置为128,32,2,2;
(8)将步骤(2)构建的特征提取模块和域模块组成域分类网络;
(9)训练域分类网络:
(9a)将源域样本和目标域样本输入到域分类网络中,特征提取模块输出每个样本的特征;再将特征输入到域模块中,输出每个样本的预测结果;
(9b)利用最小均方误差函数,计算每个样本的预测结果与域标签间的损失,再利用反向传播算法迭代更新网络参数,直到交叉熵损失函数收敛为止,得到训练好的域分类网络;
(10)对目标域样本进行位置估计:
将目标域样本输入到经域分类网络更新后的标签预测网络中,输出移动设备的预测位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102951.XA CN112946567B (zh) | 2021-01-26 | 2021-01-26 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102951.XA CN112946567B (zh) | 2021-01-26 | 2021-01-26 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112946567A CN112946567A (zh) | 2021-06-11 |
CN112946567B true CN112946567B (zh) | 2023-05-02 |
Family
ID=76236863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110102951.XA Active CN112946567B (zh) | 2021-01-26 | 2021-01-26 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946567B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923589B (zh) * | 2021-09-24 | 2023-05-23 | 郑州大学 | 一种非接触式多目标定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011185692A (ja) * | 2010-03-08 | 2011-09-22 | Nec (China) Co Ltd | 位置決め装置の異常変位を判定するためのシステム、方法、および装置 |
CN109959894A (zh) * | 2017-12-26 | 2019-07-02 | 深圳市优必选科技有限公司 | 定位方法及终端设备 |
CN110933628A (zh) * | 2019-11-26 | 2020-03-27 | 西安电子科技大学 | 基于孪生网络的指纹室内定位方法 |
WO2020186914A1 (zh) * | 2019-03-20 | 2020-09-24 | 北京沃东天骏信息技术有限公司 | 行人再识别方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868702A (zh) * | 2016-03-25 | 2016-08-17 | 上海烟草集团有限责任公司 | 一种wifi定位指纹采集装置及方法 |
JP6771645B2 (ja) * | 2016-07-28 | 2020-10-21 | グーグル エルエルシー | ドメイン分離ニューラルネットワーク |
CN108594170B (zh) * | 2018-04-04 | 2021-09-14 | 合肥工业大学 | 一种基于卷积神经网络识别技术的wifi室内定位方法 |
CN109121083B (zh) * | 2018-09-25 | 2020-06-19 | 西安电子科技大学 | 一种基于ap序列的指纹相似度的室内定位方法 |
CN110059744B (zh) * | 2019-04-16 | 2022-10-25 | 腾讯科技(深圳)有限公司 | 训练神经网络的方法、图像处理的方法、设备及存储介质 |
CN110366244B (zh) * | 2019-08-02 | 2020-12-22 | 无锡职业技术学院 | 一种WiFi指纹室内定位方法 |
-
2021
- 2021-01-26 CN CN202110102951.XA patent/CN112946567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011185692A (ja) * | 2010-03-08 | 2011-09-22 | Nec (China) Co Ltd | 位置決め装置の異常変位を判定するためのシステム、方法、および装置 |
CN109959894A (zh) * | 2017-12-26 | 2019-07-02 | 深圳市优必选科技有限公司 | 定位方法及终端设备 |
WO2020186914A1 (zh) * | 2019-03-20 | 2020-09-24 | 北京沃东天骏信息技术有限公司 | 行人再识别方法、装置及存储介质 |
CN110933628A (zh) * | 2019-11-26 | 2020-03-27 | 西安电子科技大学 | 基于孪生网络的指纹室内定位方法 |
Non-Patent Citations (1)
Title |
---|
Hongju Yang et al..ContourGAN: Image contour detection with generative adversarial network.Knowledge-Based Systems.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112946567A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN112748397B (zh) | 非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN108519578A (zh) | 一种基于群智感知的室内定位指纹库构建方法 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
Xie et al. | Virtual adversarial training-based semisupervised specific emitter identification | |
CN112149502A (zh) | 一种基于卷积神经网络的不良地质定位预报方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN112926477A (zh) | 一种适用于低信噪比环境的物联网射频指纹识别方法 | |
CN112867021A (zh) | 基于改进型TrAdaBoost的迁移学习室内定位方法 | |
CN109862625B (zh) | 一种基于深度学习的短波测向灵活组网方法 | |
CN117034077A (zh) | 基于迁移学习和gasf的csi定位方法、装置及设备 | |
CN115577305B (zh) | 一种无人机信号智能识别方法及装置 | |
CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
CN115801152A (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
CN115567871A (zh) | 一种WiFi指纹室内楼层识别与位置估计方法 | |
CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
CN113030849B (zh) | 一种基于自编码器与并行网络的近场源定位方法 | |
CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 | |
CN114814776A (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
Ojeda et al. | Multivariate time series imaging for short-term precipitation forecasting using convolutional neural networks | |
CN110543896B (zh) | 一种基于半监督朴素贝叶斯的异构众包指纹标注方法 | |
Zhuang et al. | Image processing and deep normalized CNN for the location measurement and reading distance prediction of RFID multi-tags |
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 |