CN113177573A - 一种基于人工智能算法的传感器网空间定位方法 - Google Patents
一种基于人工智能算法的传感器网空间定位方法 Download PDFInfo
- Publication number
- CN113177573A CN113177573A CN202110268659.5A CN202110268659A CN113177573A CN 113177573 A CN113177573 A CN 113177573A CN 202110268659 A CN202110268659 A CN 202110268659A CN 113177573 A CN113177573 A CN 113177573A
- Authority
- CN
- China
- Prior art keywords
- positioning
- artificial intelligence
- sensor network
- algorithm
- intelligence algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims 5
- 230000004807 localization Effects 0.000 claims 3
- 239000002355 dual-layer Substances 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种基于人工智能算法的传感器网空间定位方法,其包括如下步骤:增强传感器的信号接收强度;使用基于K‑means+CNN的双层精准定位算法进行模型的训练;将训练好的模型用于在线定位。本发明能够实现传感器网的空间精准定位,能够较好地融合室内外空间实现无缝定位,解决未知环境中的定位问题,满足电力行业的应用需求,能够利用人工智能算法以及大数据资源解决传感器网的空间定位问题。
Description
技术领域
本发明属于空间定位技术领域,尤其是一种基于人工智能算法的传感器网空间定位方法。
背景技术
随着基于用户位置信息的相关技术的应用和发展,位置服务(LBS)已经成为人们日常工作、生活所必需的一项基本服务需求,尤其在大型复杂的室内环境中,如博物馆、机场、超市、医院、地下矿井等区域,人们对位置服务有迫切需求。传统的定位方法如全球定位系统(GPS)只能解决在室外空间中进行准确定位的问题,然而,在占人类日常生活时间80%的室内环境中,由于建筑物遮挡和多径效应的影响,室外定位系统则显得无能为力。
因此,在复杂信道条件下,如何能够准确、可靠地提供室内的位置服务显得尤为重要和迫切。面向需求越来越迫切的室内位置服务,基于人工智能的三维传感网室内空间定位技术发展迅速,是移动互联时代的研究热点,逐步在各行各业发挥作用,给人们的日常生活带来了一定的影响。
在移动互联网迅速发展和位置服务应用需求的推动下,当前室内定位技术处于较快的发展阶段,研究者们提出了众多室内定位技术的理论与方法。定位技术可以分为室外定位技术和室内定位技术两种。在室外环境下,全球定位系统(GPS)、北斗定位系统(BDS)等全球导航卫星系统(GNSS)为用户提供米级的位置服务,基本解决了在室外空间中进行准确定位的问题,并在日常生活中得到了广泛的应用。利用室外无线定位系统,人们可以实现室外大范围的定位,比如船舶远洋、飞机引航以及汽车导航等。然而,在占人类日常生活时间80%的室内环境中,由于建筑物遮挡和多径效应的影响,室外定位系统则显得无能无力。因为信号穿透众多的建筑物衰减严重,加之室内环境复杂,信号在室内传播时受障碍物的影响,会引起多径效应、阴影遮挡及噪声干扰等,这些都将导致定位精度大大降低,甚至出现大片定位盲区。因此室内环境下的小范围、高精度定位需要借助于室内无线定位技术。与此同时,传统的定位技术多是基于二维空间的定位,只能给出经度和纬度信息,而对于精确的高度信息,则很难提供。
因此,三维传感网室内空间定位技术成为专家学者的研究重点。三维传感网室内空间定位技术指的是在三维空间内,通过蓝牙、红外线、RFID、WIFI、超宽带、超声波等室内定位技术及应用系统,基于到达时间(TOA)、基于到达时间差(TDOA)、基于信号到达角度(AOA)、基于信号相位差以及基于接收信号强度(RSSI)等信息,给出精确的位置信息或者判断是否位于某一房间、仓库等区域的定位技术。
本文对基于人工智能的定位技术的研究背景和研究现状进行了分析与总结,首先详细介绍了目前三维传感网室内空间定位技术的技术原理与关键技术,然后提出了我们对于基于人工智能算法的室内定位的创造性解决方案,最后总结三维传感网室内空间定位技术的现状和发展前景。
由于室内环境受到反射、折射、散射等多径效应的影响,基于信号传输损耗模型的室内定位往往定位性能很差。采用RSSI指纹库的定位方法会有更好的定位性能。基于指纹匹配的方法又称场景分析法,是基于匹配思想的一种定位方法,在特定场景下实时接收到的场景信息与指纹数据库中的信息进行匹配,得岀最优估算。
室内定位主要影响因素有:室内多径影响、人体对接收信号强度的影响及同频干扰影响,而室内定位主要考虑的因素是室内多径现象。但如果室内环境格局基本保持不变,信源不作变化,在特定位置上形成的无线信号特征(信号数目、强度、相位等)就会呈现较高的特殊性。将这一特征同位置的坐标进行关联,信号特征就可以表征该点的位置,这也就是基于位置指纹技术成立的必要条件。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能算法的传感器网空间定位方法,解决未知环境中的定位问题,满足电力行业的应用需求。
本发明所采用的技术方案是:
一种基于人工智能算法的传感器网空间定位方法,其包括如下步骤:
增强传感器的信号接收强度;
使用基于K-means+CNN的双层精准定位算法进行模型的训练;
将训练好的模型用于在线定位。
进一步的,在进行模型训练之前,需要进行信号采集和数据的预处理。
进一步的,在传感器中引入球形天线的结构以增强信号的接收强度。
进一步的,双层精准定位算法中,第一层算法采用lightGBM构造多分类候选集,即可能的定位点。
进一步的,双层精准定位算法的第二层算法中,将离线阶段采集样本结果作为正分类样本,将候选集中的其他候选结果通过下采样抽取部分作为负分类样本,对CNN网络的分类结果进行训练。
进一步的,球形天线通过综合球形多个正交平面的收集的信号接收强度信息,并通过机器学习中的KNN方法,充分利用信号的方向和角度信息。
一种基于人工智能算法的传感器网空间定位装置,其包括:
信号采集模块、数据预处理模块、模型训练模块以及在线定位模块。
进一步的,所述模型训练模块执行基于K-means+CNN的双层精准定位算法。
一种终端设备,包括储存器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的积极效果为:
本发明能够实现传感器网的空间精准定位,能够较好地融合室内外空间实现无缝定位,解决未知环境中的定位问题,满足电力行业的应用需求,能够利用人工智能算法以及大数据资源解决传感器网的空间定位问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的附图。
图1为本发明流程图;
图2为本发明双层精准定位算法的第二层算法流程图;
图3为本发明终端设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本申请保护范围的限制。
如附图1-3所示,一个具体实施方式包括以下步骤:
A、在传感器中引入球形天线的结构,增强信号的接收强度;
B、使用基于K-means+CNN的双层精准定位算法进行模型的训练,而后用训练好的模型即可用于在线的定位。
作为优选,步骤A中,我们把传统的基于人工智能的三维传感网空间定位技术采用的信号接收设备的定向天线或全向天线更换为球形天线的结构,这样能有效收集和利用空间的折射反射等信息,通过综合球形多个正交平面的收集的信号接收强度信息,并通过机器学习中的KNN等方法,能够充分利用信号的方向和角度信息。在仿真中我们也发现,在同等环境下,基于球形天线的定位方法相较于传统的方法能将定位精度提升30%以上。
在复杂的环境中存在大量的信号发射源,这在人工智能的处理过程中可能导致特征矩阵稀疏、难以有效地利用RSSI值进行定位。所以作为优选,步骤B中,我们提出了K-means+CNN的双层精准定位算法。双层精准定位技术主要包括以下步骤:
B1、在设计的第一层定位算法中,我们引入了lightGBM构造多分类候选集,即可能的定位点;
B2、在设计的第二层定位算法中,通过将离线阶段采集样本结果作为正分类样本,将候选集中的其他候选结果通过下采样抽取部分作为负分类样本,对CNN网络的分类结果进行训练;
B3、将训练好的算法模型用来进行在线阶段的定位。
具体来说,我们对离线阶段采集的信号依据接收信号强度和Mac地址等标签信息构成的稀疏矩阵转化成低维度的词向量矩阵,并通过CNN的方法,将能典型代表其位置信息的指纹信息通过卷积神经网络抽象出来。
本发明实施例还提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如实施例中所述的各实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述终端设备的内部存储单元,例如终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如实施例1中所述的各实施例中的步骤。
所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能算法的传感器网空间定位方法,其特征在于其包括如下步骤:
增强传感器的信号接收强度;
使用基于K-means+CNN的双层精准定位算法进行模型的训练;
将训练好的模型用于在线定位。
2.根据权利要求1所述的一种基于人工智能算法的传感器网空间定位方法,其特征在于在进行模型训练之前,需要进行信号采集和数据的预处理。
3.根据权利要求1所述的一种基于人工智能算法的传感器网空间定位方法,其特征在于在传感器中引入球形天线的结构以增强信号的接收强度。
4.根据权利要求1所述的一种基于人工智能算法的传感器网空间定位方法,其特征在于双层精准定位算法中,第一层算法采用lightGBM构造多分类候选集,即可能的定位点。
5.根据权利要求4所述的一种基于人工智能算法的传感器网空间定位方法,其特征在于双层精准定位算法的第二层算法中,将离线阶段采集样本结果作为正分类样本,将候选集中的其他候选结果通过下采样抽取部分作为负分类样本,对CNN网络的分类结果进行训练。
6.根据权利要求3所述的一种基于人工智能算法的传感器网空间定位方法,其特征在于球形天线通过综合球形多个正交平面的收集的信号接收强度信息,并通过机器学习中的KNN方法,充分利用信号的方向和角度信息。
7.一种基于人工智能算法的传感器网空间定位装置,其特征在于其包括:
信号采集模块、数据预处理模块、模型训练模块以及在线定位模块。
8.根据权利要求7所述的一种基于人工智能算法的传感器网空间定位装置,其特征在于所述模型训练模块执行基于K-means+CNN的双层精准定位算法。
9.一种终端设备,包括储存器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268659.5A CN113177573A (zh) | 2021-03-12 | 2021-03-12 | 一种基于人工智能算法的传感器网空间定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268659.5A CN113177573A (zh) | 2021-03-12 | 2021-03-12 | 一种基于人工智能算法的传感器网空间定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177573A true CN113177573A (zh) | 2021-07-27 |
Family
ID=76921975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268659.5A Pending CN113177573A (zh) | 2021-03-12 | 2021-03-12 | 一种基于人工智能算法的传感器网空间定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177573A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029450A (zh) * | 2018-06-26 | 2018-12-18 | 重庆市勘测院 | 一种室内定位方法 |
CN109089314A (zh) * | 2018-09-30 | 2018-12-25 | 哈尔滨工业大学(深圳) | 一种基于推荐算法的wifi序列辅助GPS的室内定位方法 |
CN109583457A (zh) * | 2018-12-03 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种机器人定位与地图构建的方法及机器人 |
CN110826448A (zh) * | 2019-10-29 | 2020-02-21 | 中山大学 | 一种自主更新的室内定位方法 |
CN111050294A (zh) * | 2020-02-24 | 2020-04-21 | 张早 | 一种基于深度神经网络的室内定位系统及方法 |
CN111294921A (zh) * | 2020-02-17 | 2020-06-16 | 广东工业大学 | 一种rssi无线传感器网络三维协作定位方法 |
CN112188388A (zh) * | 2020-08-25 | 2021-01-05 | 海盐南原电力工程有限责任公司 | 一种基于机器学习的混合室内定位方法 |
-
2021
- 2021-03-12 CN CN202110268659.5A patent/CN113177573A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029450A (zh) * | 2018-06-26 | 2018-12-18 | 重庆市勘测院 | 一种室内定位方法 |
CN109089314A (zh) * | 2018-09-30 | 2018-12-25 | 哈尔滨工业大学(深圳) | 一种基于推荐算法的wifi序列辅助GPS的室内定位方法 |
CN109583457A (zh) * | 2018-12-03 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种机器人定位与地图构建的方法及机器人 |
CN110826448A (zh) * | 2019-10-29 | 2020-02-21 | 中山大学 | 一种自主更新的室内定位方法 |
CN111294921A (zh) * | 2020-02-17 | 2020-06-16 | 广东工业大学 | 一种rssi无线传感器网络三维协作定位方法 |
CN111050294A (zh) * | 2020-02-24 | 2020-04-21 | 张早 | 一种基于深度神经网络的室内定位系统及方法 |
CN112188388A (zh) * | 2020-08-25 | 2021-01-05 | 海盐南原电力工程有限责任公司 | 一种基于机器学习的混合室内定位方法 |
Non-Patent Citations (1)
Title |
---|
袁东明等: "基于人工智能的三维传感网空间定位技术", 《热门技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Deep instance segmentation with automotive radar detection points | |
Wang et al. | Learning to improve WLAN indoor positioning accuracy based on DBSCAN-KRF algorithm from RSS fingerprint data | |
Adege et al. | An indoor and outdoor positioning using a hybrid of support vector machine and deep neural network algorithms | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN109000654B (zh) | 定位方法、装置、设备及存储介质 | |
CN107703480A (zh) | 基于机器学习的混合核函数室内定位方法 | |
Sun et al. | Improving fingerprint indoor localization using convolutional neural networks | |
CN111726765A (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
US20210350189A1 (en) | Bayesian Methodology for Geospatial Object/Characteristic Detection | |
Zhu et al. | Review of RFID-based indoor positioning technology | |
Li et al. | Image-based indoor localization using smartphone camera | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
Dai et al. | Deep-Learning-Based Scenario Recognition With GNSS Measurements on Smartphones | |
CN108322889A (zh) | 一种多源数据融合室内定位的方法、存储介质及智能终端 | |
An et al. | Image-based positioning system using LED Beacon based on IoT central management | |
CN111563934A (zh) | 单目视觉里程计尺度确定方法和装置 | |
CN113177573A (zh) | 一种基于人工智能算法的传感器网空间定位方法 | |
Dellosa et al. | Modified fingerprinting localization technique of indoor positioning system based on coordinates | |
Zhang et al. | Visual positioning in indoor environments using RGB-D images and improved vector of local aggregated descriptors | |
CN210899633U (zh) | 一种基于深度神经网络的室内定位系统 | |
Zhang et al. | Hierarchical Image Retrieval Method Based on Bag-of-Visual-Word and Eight-point Algorithm with Feature Clouds for Visual Indoor Positioning | |
CN109443367B (zh) | 一种基于均值聚类随机粒子群算法的rfid定位方法 | |
CN113063420A (zh) | 室内定位方法、装置、电子设备和存储介质 | |
Chen et al. | Research Progress of Wireless Positioning Methods Based on RSSI | |
Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |
|
RJ01 | Rejection of invention patent application after publication |