CN113225664B - 一种自身反定位方法与系统 - Google Patents
一种自身反定位方法与系统 Download PDFInfo
- Publication number
- CN113225664B CN113225664B CN202010059494.6A CN202010059494A CN113225664B CN 113225664 B CN113225664 B CN 113225664B CN 202010059494 A CN202010059494 A CN 202010059494A CN 113225664 B CN113225664 B CN 113225664B
- Authority
- CN
- China
- Prior art keywords
- distance
- positioning
- unknown node
- node
- signal
- 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
- H04W4/023—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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Abstract
本发明涉及一种自身反定位方法与系统,属于无线通信技术领域,解决了现有技术定位精度差的问题。由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离;基于所述修正距离,根据加权质心算法确定所述未知节点的位置。实现了未知节点的精确定位。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种自身反定位方法与系统。
背景技术
在无线电监测工作中,由于检测设备检测到的非正常无线电信号的信息还无法准确实现其分析及信号查找,并且非正常无线电信号源的信息几乎是未知的,信号的特征是模糊的,出现的时间也是随机的,因此带有很大的不确定性。
最简单的无线电定位方法就是利用固定已知位置的固定节点发射无线电定位信号,通过测量信号到达目标节点的相位、时间上的差值来确定位置参数,用以确定节点位置。但是,在战时或者其他特殊环境下,GPS导航系统不一定可用,在GPS导航系统拒止的情况下现有的方法具有定位精度差的缺陷。
发明内容
鉴于上述的分析,为了解决现有技术存在的缺陷,本发明实施例旨在提供一种自身反定位方法与系统。
本发明的目的主要是通过以下技术方案实现的:
一种自身反定位方法,包括如下步骤:
由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;
根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离;
基于所述修正距离,根据加权质心算法确定所述未知节点的位置。
在上述方案的基础上,本发明还做了如下改进:
进一步,所述接收定位支点发射的多源信号,通过模糊聚类算法对所述多源信号进行聚类,得到信号强度值,具体包括如下步骤:
基于未知节点接收到的多个定位支点发送的多源信号,得到信号集合;
基于定位支点个数对所述信号集合进行聚类,计算得到聚类中心向量;
基于所述聚类中心向量,更新模糊分类矩阵;
对更新前、后的模糊分类矩阵进行比较,直至比较结果满足误差要求后,基于更新后的所述模糊分类矩阵划分多源信号,得到信号强度值。
进一步,得到所述测算距离,包括如下步骤:
基于所述信号强度值,根据如下公式得到未知节点与定位支点的距离d:
式中,RSSI(d)为信号强度值;PT为信号功率;GT为发射天线增益;PL(d)为信号传输损耗;PL(d0)为单位距离损耗;n为信号衰减因子;d为未知节点与定位支点的距离;X0为高斯分布随机数。
进一步,基于所述修正距离,根据加权质心算法确定未知节点的位置,具体包括:
分别以每一定位支点为圆心,以该定位支点对应的修正距离为半径画圆,得到多个圆形轨迹;
基于每两个圆形轨迹相互间的交点,将距离未知节点小于预设值的所述交点确定为信标节点;
基于所述信标节点,根据加权质心算法得到未知节点的位置。
进一步,所述基于所述信标节点,根据加权质心算法得到未知节点的位置,包括:
计算信标节点的权值,公式如下:
计算未知节点的位置,公式如下:
式中,(x,y)表示未知节点的位置,Ii表示第i个信标节点的位置。
另一方面,本发明实施例提供了一种自身反定位系统,包括信号聚类模块、测距模块和未知节点位置计算模块;
所述信号聚类模块,用于由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;
所述测距模块,用于根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离;
所述未知节点位置计算模块,用于基于所述修正距离,根据加权质心算法确定所述未知节点的位置。
进一步,所述信号聚类模块包括如下步骤:
基于未知节点接收到的多个定位支点发送的多源信号,得到信号集合;
基于定位支点个数对所述信号集合进行聚类,计算得到聚类中心向量;
基于所述聚类中心向量,更新模糊分类矩阵;
对更新前、后的模糊分类矩阵进行比较,直至比较结果满足误差要求后,基于更新后的所述模糊分类矩阵划分多源信号,
得到所述多源信号的信号强度值。
进一步,所述测距模块包括如下步骤:
基于所述信号强度值,根据如下公式得到未知节点与定位支点的距离d:
式中,RSSI(d)为信号强度值;PT为信号功率;GT为发射天线增益;PL(d)为信号传输损耗;PL(d0)为单位距离损耗;n为信号衰减因子;d为未知节点与定位支点的距离;X0为高斯分布随机数。
进一步,所述未知节点位置计算模块包括如下步骤:
分别以每一定位支点为圆心,以该定位支点对应的修正距离为半径画圆,得到多个圆形轨迹;
基于每两个圆形轨迹相互间的交点,将距离未知节点小于预设值的所述交点确定为信标节点;
基于所述信标节点,根据加权质心算法得到未知节点的位置。
进一步,所述基于所述信标节点,根据加权质心算法得到未知节点的位置,包括:
计算信标节点的权值,公式如下:
计算未知节点的位置,公式如下:
式中,(x,y)表示未知节点的位置,Ii表示第i个信标节点的位置。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、一种自身反定位方法,通过未知节点接收固定支点发射的多源信号,对多源信号使用模糊聚类方法进行聚类,并使用加权质心算法,最终得到未知节点的位置,解决了现有的方法定位精度低的问题,提高了精确度。
2、通过模糊聚类算法对多个定位支点及其他干扰信号进行区分,避免了其他信号后期计算及定位的干扰,提高了多源信号的识别度。
3、通过加权质心算法确定未知节点的位置,补偿由于RSSI测量误差而导致靠近未知节点的信标节点的权值损失提高未知节点位置的精度。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为一个实施例中一种自身反定位方法流程示意图;
图2为一个实施例中极限学习机误差预测模型图;
图3为另一个实施例中一种自身反定位系统结构图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,如图1所示,公开了一种自身反定位方法,包括:
步骤S1、由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;
步骤S2、根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离;
步骤S3、基于所述修正距离,根据加权质心算法确定所述未知节点的位置。
一种自身反定位方法,通过未知节点接收定位支点(位置已知的固定支点)发射的多源信号,对多源信号使用模糊聚类方法进行聚类,并使用加权质心算法,最终得到未知节点的位置,解决了在GPS导航系统拒止的条件下现有的方法定位精度低的问题,提高了定位精度。
示例性的,本申请中的定位支点可以是塔台;在具体实施时,可选择未知节点信号接收范围内的且已知位置的塔台作为定位支点。多源信号包括未知节点接收的多个塔台发射的信号。塔台发射的信号频率为88-108MHz。
优选的,所述接收定位支点发射的多源信号,通过模糊聚类算法对所述多源信号进行聚类,得到信号强度值,具体包括如下步骤:
S11、基于未知节点接收到的多个定位支点发送的多源信号,得到信号集合U={u1,u2,...,un},其中,u1,u2,...,un指未知节点接收到的多源信号,n指多源信号的个数。未知节点上安装有电磁接收机,通过电磁接收机通过天线阵列接收定位支点发射的多源信号。
S12、基于定位支点个数对所述信号集合进行聚类,计算得到聚类中心向量。
具体的,将信号集合分成c(c为定位支点的个数)类,设c个聚类中心向量构成的矩阵为:
对于模糊分类矩阵R(l),l=0,1,2,…,取一初始模糊聚类矩阵R(0),逐步迭代;并计算聚类中心向量,公式如下:
Vi (l)=(V1 l,V2 l,...,Vc l)T
S13、基于所述聚类中心向量,更新模糊分类矩阵,公式如下:
上式中,uk表示第k个定位支点发射信号的特征指标矩阵中的一行元素。具体的,未知节点接收的多源信号中的每一个信号都可由电磁接收机按照特征指标(特征指标包括信号协方差矩阵的上三角部分、信号幅值、特征值)分为m个,得到特征指标矩阵为:
则uk为上述特征指标矩阵中的一行元素。
S14、对更新前、后的模糊分类矩阵进行比较,直至比较结果满足误差要求后,基于更新后的所述模糊分类矩阵划分多源信号,得到信号强度值。
具体的,比较R(l)与R(l+1),若对取定的精度ξ﹥0,有max{|Rik (l+1)-Rik (l)|}≤ξ,得到模糊分类矩阵R(l+1)和聚类中心矩阵V(l+1),停止迭代,按照R(l+1)划分接收到的多源信号,得到每个发射源信号的功率,对信号的功率积分得到信号强度值;否则,返回S12。
通过模糊聚类算法对多个定位支点及其他干扰信号进行区分,避免了其他信号对后期计算及定位的干扰,实现了定位支点信息的分离和提取,为未知节点反定位提供了支撑,提高了多源信号的识别度。
优选的,得到所述测算距离,包括如下步骤:
基于所述信号强度值,根据如下公式得到未知节点与定位支点的距离d:
式中,RSSI(d)为信号强度值;PT为信号功率;GT为发射天线增益;PL(d)为信号传输损耗;PL(d0)为单位距离损耗;n为信号衰减因子;d为未知节点与定位支点的距离;X0为高斯分布随机数。
具体的,每个定位支点(塔台)的信号功率和各个定位支点的发射天线增益为已知的常量,信号传输损耗、单位距离损耗和信号衰减因子为先验已知值,无线电在空气中的衰减模型一样。
通过采用距离定位方法测算未知节点与定位支点的距离,实现了距离的量化,提高了估计距离的可靠性。
具体的,基于得到的未知节点与定位支点的距离d,使用极限学习机(ELM)对测量距离误差模型进行学习,并对测量距离进行修正。极限学习机误差预测模型图如图2所示。
式中,αi和bi为隐节点函数的学习参数,βi为隐节点间的连接权值,
G(αi,bi,xj)为xj关于第i隐节点的输出。和函数神经网络的隐节点的激活函数为:G(αi,bi,xj)=g(αixj+bi),bi∈R,对于m个隐节点的ELM,存在αi、bi及βi可以使得:
极限学习机的求解过程就是寻找最优的αi、bi及βi使得样本误差ξ最小。
使用ELM进行测量距离误差模型的建立,输入层为距离理论值d;隐藏层有n个;输出层为理论距离的偏差Δd。学习样本(d,Δd),通过使用距离理论值和真实距离误差对ELM模型进行训练。训练完成之后,将需要进行误差预测的距离理论值输入模型即可得到预测误差Δd。则经过误差补偿之后的输出距离为d'=d+Δd。
通过采用极限学习机对测量距离进行修正,解决了由于时变信道带来的测距精度低下,实现了定位距离误差弥补,提高了信号源距离测量精度。
优选的,基于所述修正距离,根据加权质心算法确定未知节点的位置,具体包括:
S31、分别以每一定位支点为圆心,以该定位支点对应的修正距离为半径画圆,得到多个圆形轨迹。
S32、基于每两个圆形轨迹的交点,将距离未知节点小于预设值的所述交点确定为信标节点。其中,该预设值为未知节点到两圆圆心连线的垂直距离。具体的,由于定位支点和每两个圆形轨迹的交点位置已知,可舍弃距离未知节点较远的交点,将距离未知节点小于预设值的交点确定为信标节点,减小计算误差,提高精确度。
S33、基于所述信标节点,根据加权质心算法得到未知节点的位置。
优选的,所述基于所述信标节点,根据加权质心算法得到未知节点的位置,包括:
计算信标节点的权值,公式如下:
式中,w(i)表示归一化后第i个信标节点的权值,i=0,1,...,n;i表示信标节点的数量;p(i)表示第i个信标节点的权值,根据信标节点距离两个定位支点的距离决定,示例性的,设第i个信标节点分别到两个定位支点的距离为dim和din,若信标节点到两个定位支点的距离越远,即该信标节点的可信度低,则信标节点的权值越小,因此,信标节点到两个定位支点距离和的倒数能够反映信标节点的权重。通过信标节点到两个定位支点的距离计算信标节点的权值,计算简单,减小了错误率,同时为确定未知节点的位置提供了支撑和计算依据;k表示优化参数,在具体定位环境中进行优化选取。
计算未知节点的位置,公式如下:
式中,(x,y)表示未知节点的位置,Ii表示第i个信标节点的位置。
具体的,引入信标节点数量n是为了调整由于信标节点数量的变化引起的定位误差。由于外界环境的干扰,导致RSSI测量有一定的误差,从而使得权值p(i)不能完全反映信标节点和未知节点位置之间的关系。针对这个问题,改进了权值模型。信标节点越靠近未知节点,其权值越大,补偿由于RSSI测量误差而导致靠近未知节点的信标节点的权值损失,提高未知节点位置的精度。
本发明的另一个具体实施例,如图2所示,提供了一种自身反定位系统,包括信号聚类模块、测距模块和未知节点位置计算模块;
所述信号聚类模块,用于由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;
所述测距模块,用于根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离;
所述未知节点位置计算模块,用于基于所述修正距离,根据加权质心算法确定所述未知节点的位置。
通过一种自身反定位系统,通过未知节点接收固定支点发射的多源信号,对多源信号使用模糊聚类方法进行聚类,并使用加权质心算法,最终得到未知节点的位置,解决了现有的方法定位精度低的问题,提高了定位精度。
优选的,所述信号聚类模块包括如下步骤:
基于未知节点接收到的多个定位支点发送的多源信号,得到信号集合;
基于定位支点个数对所述信号集合进行聚类,计算得到聚类中心向量;
基于所述聚类中心向量,更新模糊分类矩阵;
对更新前、后的模糊分类矩阵进行比较,直至比较结果满足误差要求后,基于更新后的所述模糊分类矩阵划分多源信号,得到信号强度值。
通过信号聚类模块对多个定位支点及其他干扰信号进行区分,避免了其他信号对后期计算及定位的干扰,实现了定位支点信息的分离和提取,为未知节点反定位提供了支撑,提高了多源信号的识别度。
优选的,所述测距模块包括如下步骤:
基于所述信号强度值,根据如下公式得到未知节点与定位支点的距离d:
式中,RSSI(d)为信号强度值;PT为信号功率;GT为发射天线增益;PL(d)为信号传输损耗;PL(d0)为单位距离损耗;n为信号衰减因子;d为未知节点与定位支点的距离;X0为高斯分布随机数。
测距模块采用距离定位方法测算未知节点与定位支点的距离,实现了距离的量化,提高了估计距离的可靠性。同时采用极限学习机对测量距离进行修正,解决了由于时变信道带来的测距精度低下,实现了定位距离误差弥补,提高了信号源距离测量精度。
优选的,所述未知节点位置计算模块包括如下步骤:
分别以每一定位支点为圆心,以该定位支点对应的修正距离为半径画圆,得到多个圆形轨迹;
基于每两个圆形轨迹相互间的交点,将距离未知节点小于预设值的所述交点确定为信标节点;
基于所述信标节点,根据加权质心算法得到未知节点的位置。
优选的,所述基于所述信标节点,根据加权质心算法得到未知节点的位置,包括:
计算信标节点的权值,公式如下:
计算未知节点的位置,公式如下:
式中,(x,y)表示未知节点的位置,Ii表示第i个信标节点的位置。
未知节点位置计算模块通过采用改进的权值模型,保证了信标节点越靠近未知节点,其权值越大,补偿了由于RSSI测量误差而导致靠近未知节点的信标节点的权值损失,提高未知节点位置的精度。
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揭露的技术范围内,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。
Claims (8)
1.一种自身反定位方法,用于对未知节点进行定位,其特征在于,包括:
由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;包括:
基于未知节点接收到的多个定位支点发送的多源信号,得到信号集合;
基于定位支点个数对所述信号集合进行聚类,计算得到聚类中心向量;
基于所述聚类中心向量,更新模糊分类矩阵;
对更新前、后的模糊分类矩阵进行比较,直至比较结果满足误差要求后,基于更新后的所述模糊分类矩阵划分多源信号;
得到所述多源信号的信号强度值;
根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离;包括:
使用极限学习机ELM建立测量距离误差模型,输入层为距离理论值d;隐藏层有n个;输出层为理论距离的偏差Δd;
学习样本为(d,Δd);
通过距离理论值和真实距离误差对ELM模型进行训练;
训练完成之后,将需要进行误差预测的距离理论值输入模型得到预测误差Δd;则经过误差补偿之后的输出距离为修正距离d'=d+Δd;
基于所述修正距离,根据加权质心算法确定所述未知节点的位置。
3.根据权利要求1所述的自身反定位方法,其特征在于,基于所述修正距离,根据加权质心算法确定未知节点的位置,具体包括:
分别以每一定位支点为圆心,以该定位支点对应的修正距离为半径画圆,得到多个圆形轨迹;
基于每两个圆形轨迹相互间的交点,将距离未知节点小于预设值的所述交点确定为信标节点;
基于所述信标节点,根据加权质心算法得到未知节点的位置。
5.一种自身反定位系统,其特征在于,包括信号聚类模块、测距模块和未知节点位置计算模块;
所述信号聚类模块,用于由未知节点接收多个定位支点发射的多源信号,通过模糊聚类算法对所述信号进行聚类,得到信号强度值;包括:
基于未知节点接收到的多个定位支点发送的多源信号,得到信号集合;
基于定位支点个数对所述信号集合进行聚类,计算得到聚类中心向量;
基于所述聚类中心向量,更新模糊分类矩阵;
对更新前、后的模糊分类矩阵进行比较,直至比较结果满足误差要求后,基于更新后的所述模糊分类矩阵划分多源信号;
得到所述多源信号的信号强度值;
所述测距模块,用于根据所述信号强度值,得到未知节点与每一定位支点之间的测算距离;对所述测算距离进行修正,得到未知节点与每一定位支点之间的修正距离,包括:
使用极限学习机ELM建立测量距离误差模型,输入层为距离理论值d;隐藏层有n个;输出层为理论距离的偏差Δd;
学习样本为(d,Δd);
通过距离理论值和真实距离误差对ELM模型进行训练;
训练完成之后,将需要进行误差预测的距离理论值输入模型得到预测误差Δd;则经过误差补偿之后的输出距离为修正距离d'=d+Δd;
所述未知节点位置计算模块,用于基于所述修正距离,根据加权质心算法确定所述未知节点的位置。
7.根据权利要求5所述的自身反定位系统,其特征在于,所述未知节点位置计算模块执行如下步骤:
分别以每一定位支点为圆心,以该定位支点对应的修正距离为半径画圆,得到多个圆形轨迹;
基于每两个圆形轨迹相互间的交点,将距离未知节点小于预设值的所述交点确定为信标节点;
基于所述信标节点,根据加权质心算法得到未知节点的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059494.6A CN113225664B (zh) | 2020-01-19 | 2020-01-19 | 一种自身反定位方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059494.6A CN113225664B (zh) | 2020-01-19 | 2020-01-19 | 一种自身反定位方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113225664A CN113225664A (zh) | 2021-08-06 |
CN113225664B true CN113225664B (zh) | 2022-11-08 |
Family
ID=77084973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059494.6A Active CN113225664B (zh) | 2020-01-19 | 2020-01-19 | 一种自身反定位方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113225664B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201116374D0 (en) * | 2011-09-22 | 2011-11-02 | Sensewhere Ltd | Positioning method |
CN105163385B (zh) * | 2015-08-25 | 2019-01-29 | 华南理工大学 | 一种基于扇形重叠区域聚类分析的定位方法 |
CN106102161B (zh) * | 2016-05-30 | 2019-10-15 | 天津大学 | 基于聚类算法分析数据优化的室内定位方法 |
CN110493869B (zh) * | 2019-08-28 | 2020-09-25 | 淮阴工学院 | 一种基于rssi的k近邻差分修正质心定位方法 |
-
2020
- 2020-01-19 CN CN202010059494.6A patent/CN113225664B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于一种改进的无源目标定位算法在WSN中的研究;张凤梅 等;《计算机应用研究 第33卷 第4期 2016年4月》;20160430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113225664A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107318084B (zh) | 一种基于最优相似度的指纹定位方法及装置 | |
US8400358B2 (en) | Method to modify calibration data used to locate a mobile unit | |
AU2008338805B2 (en) | Precision registration for radar | |
He et al. | INTRI: Contour-based trilateration for indoor fingerprint-based localization | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
US9335399B2 (en) | Location detection system and method with fingerprinting | |
CN109379701B (zh) | 一种具有误差校准功能的定位方法及网关设备 | |
CN108414974B (zh) | 一种基于测距误差矫正的室内定位方法 | |
US10852386B2 (en) | Method for calibrating a local positioning system based on time-difference-of-arrival measurements | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN112748397A (zh) | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN112714493B (zh) | 物体位置定位方法与定位系统 | |
Gadhgadhi et al. | A machine learning based indoor localization | |
CN107371133B (zh) | 一种提高基站定位精度的方法 | |
CN112180323A (zh) | 基于Wi-Fi的TOA与AOA室内联合定位算法研究 | |
Li et al. | NQRELoc: AP selection via nonuniform quantization RSSI entropy for indoor localization | |
CN113225664B (zh) | 一种自身反定位方法与系统 | |
CN111007456A (zh) | 能时域联合的鲁棒性非视距偏差消除定位方法 | |
CN108919182B (zh) | 一种wifi环境下基于支撑集及期望最大化的目标定位方法 | |
CN113068127B (zh) | 一种NB-IoT终端的定位方法 | |
CN111505566B (zh) | 一种特高频射频信号doa估计方法 | |
EP1527650B1 (en) | Applications of signal quality observations | |
CN108848464B (zh) | 一种室内定位服务器及室内定位方法 | |
CN114745675A (zh) | 一种基于改进GAN结合假设检验的Wi-Fi室内定位方法 | |
CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 |
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 |