CN113660606B - 一种室内定位方法、装置、电子设备及存储介质 - Google Patents

一种室内定位方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113660606B
CN113660606B CN202110937974.2A CN202110937974A CN113660606B CN 113660606 B CN113660606 B CN 113660606B CN 202110937974 A CN202110937974 A CN 202110937974A CN 113660606 B CN113660606 B CN 113660606B
Authority
CN
China
Prior art keywords
environment
data set
coordinate point
ecc
rss
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
Application number
CN202110937974.2A
Other languages
English (en)
Other versions
CN113660606A (zh
Inventor
刘嘉伟
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202110937974.2A priority Critical patent/CN113660606B/zh
Publication of CN113660606A publication Critical patent/CN113660606A/zh
Application granted granted Critical
Publication of CN113660606B publication Critical patent/CN113660606B/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
    • H04W4/021—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种室内定位方法、装置、电子设备及存储介质，获取定位请求指示的目标用户在当前ECC环境下行动的RSS数据集，以及目标用户的原ECC环境下的历史标签RSS数据集；根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集；根据历史标签RSS数据集，对标签RSS数据集进行数据增强处理，得到目标RSS数据集；利用目标RSS数据集对随机森林定位模型进行训练，得到当前ECC环境的定位模型；将定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。基于本发明，可以在适应环境复杂且多变的ECC环境的基础上，提高室内人员定位的准确性。

Description

一种室内定位方法、装置、电子设备及存储介质
技术领域
本发明涉及信息技术领域，更具体地说，涉及一种室内定位方法、装置、电子设备及存储介质。
背景技术
随着信息技术的飞速发展，定位技术也随之受到了广泛的关注和应用，尤其是室内定位技术，更是广泛的应用于生产生活领域。
在现有技术中，可以通过接收信号强度（Received Signal Strength，RSS）变化关系实现室内的目标人员的定位，或者，基于机器学习的方法，通过离线采集数据并训练定位模型进行室内定位。但是，当室内环境发生变化，链路与目标位置的对应关系和定位模型会发生，导致目标人员的定位准确率下降，故，现有的室内定位方法无法适应环境复杂且多变的ECC环境。
因此，如何提供一种室内定位方法，以适应环境复杂且多变的ECC环境，是本申请亟需解决的问题。
发明内容
有鉴于此，本发明提供一种室内定位方法、装置、电子设备及存储介质，以实现在适应环境复杂且多变的ECC环境的基础上，提高室内人员定位的准确性。
本发明第一方面公开一种室内定位方法，所述方法包括：
获取定位请求，其中，所述定位请求包括请求定位的目标用户；
获取所述目标用户在当前ECC环境下行动的RSS数据集，以及所述目标用户的原ECC环境下的历史标签RSS数据集；其中，所述当前ECC环境为所述原ECC环境发生环境变化后的ECC环境；
根据所述历史标签RSS数据集，对所述RSS数据集进行聚类和标注标签处理，得到标签RSS数据集；
根据所述历史标签RSS数据集，对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集；
利用所述目标RSS数据集对随机森林定位模型进行训练，得到所述当前ECC环境的定位模型，其中，所述随机森林定位模型是利用所述历史标签RSS数据集对随机森林算法进行训练得到；
将所述定位请求输入所述当前ECC环境的定位模型，得到所述目标用户在所述当前ECC环境下的位置信息。
可选的，所述根据所述历史标签RSS数据集，对所述RSS数据集进行聚类和标注标签处理，得到标签RSS数据集，包括：
利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据所述历史标签RSS数据集，对所述RSS数据集进行聚类和标注标签处理，得到标签RSS数据集。
可选的，所述利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据所述历史标签RSS数据集，对所述RSS数据集进行聚类和标注标签处理，得到标签RSS数据集，包括：
从所述历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；
利用所述同类坐标点样本对S和所述不同类坐标点样本对D，计算系数矩阵Ai；
基于所述系数矩阵Ai，对所述RSS数据进行辅助聚类和标注标签处理，得到标签RSS数据集。
可选的，所述根据所述历史标签RSS数据集，对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集，包括：
利用坐标融合的变分自编码器FusVAE算法，根据所述历史标签RSS数据集对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集。
本发明第二方面公开一种室内定位装置，所述装置包括：
第一获取单元，用于获取定位请求，其中，所述定位请求包括请求定位的目标用户；
第二获取单元，用于获取所述目标用户在当前ECC环境下行动的RSS数据集，以及所述目标用户的原ECC环境下的历史标签RSS数据集；其中，所述当前ECC环境为所述原ECC环境发生环境变化后的ECC环境；
第一聚类标注处理单元，用于利用所述历史标签RSS数据集，对所述RSS数据集进行聚类和标注标签处理，得到标签RSS数据集；
数据增强处理单元，用于根据所述历史标签RSS数据集，对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集；
重训练单元，用于利用所述目标RSS数据集对随机森林定位模型进行训练，得到所述当前ECC环境的定位模型，其中，所述随机森林定位模型是利用所述历史标签RSS数据集对随机森林算法进行训练得到；
定位单元，用于将所述定位请求输入所述当前ECC环境的定位模型，得到所述目标用户在所述当前ECC环境下的位置信息。
可选的，所述第一聚类标注处理单元，包括：
第二聚类标注处理单元，用于利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据所述历史标签RSS数据集，对所述RSS数据集进行聚类和标注标签处理，得到标签RSS数据集。
可选的，第二聚类标注处理单元，包括：
选取单元，用于从所述历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；
计算单元，用于利用所述同类坐标点样本对S和所述不同类坐标点样本对D，计算系数矩阵Ai；
第三聚类标注处理子单元，用于基于所述系数矩阵Ai，对所述RSS数据集进行辅助聚类和标注标签处理，得到标签RSS数据集。
可选的，所述数据增强处理单元，包括：
数据增强处理子单元，利用坐标融合的变分自编码器FusVAE算法，根据所述历史标签RSS数据集对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集。
本发明第三方面公开一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储室内定位的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行如上述本发明第一方面公开的一种室内定位方法。
本发明第四方面公开一种存储介质，所述存储介质包括存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述本发明第一方面公开的一种室内定位方法。
本发明提供一种室内定位方法、装置、电子设备及存储介质，在获取到定位请求后，获取该定位请求中请求定位的目标用户在原ECC环境下的历史标签RSS数据集，和在当前ECC环境下行动的RSS数据集，即在原ECC环境发现变化后的ECC环境下行动的RSS数据集；利用历史标签RSS数据，对RSS数据进行聚类和标注标签处理，得到当前ECC环境下的标签RSS数据集；并根据历史标签RSS数据集，对得到的当前ECC环境下的标签RSS数据集进行数据增强处理，得到目标RSS数据集，进而可以利用目标RSS数据集对之前利用历史标签RSS数据对随机森林算法进行训练得到的随机森林定位模型重新进行训练，得到当前ECC环境的定位模型，最后将定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。本发明提供的技术方案，通过利用用户在原ECC环境下的历史标签RSS数据集对随机森林神经网络训练得到的随机森林定位模型后，在原ECC环境发生变化后，重新获取该用户在当前ECC环境的RSS数据集，以便利用历史标签RSS数据集对RSS数据集对聚类和标注标签处理，即将原ECC环境下的先验知识运用到当前ECC环境的聚类中，提高了当前ECC环境下的RSS数据集的聚类和标注标签的准确率，进一步对得到的标签RSS数据集进行数据增强处理，进一步优化标注RSS数据集，在利用优化后的标签RSS数据集对之前训练好的随机森林定位模型重新进行训练，得到的定位模型能够更加适应当前的ECC环境，进而利用得到的当前ECC环境的定位模型定位目标用户在当前ECC环境中的位置的准确率更高，从而实现了在适应环境复杂且多变的ECC环境的基础上，提高室内人员定位的准确性。
附图说明
为了更清楚地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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种室内定位方法的流程示意图；
图2为本发明实施例提供的一种利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集的架构图；
图3为本发明实施例提供的一种基于坐标融合的变分自编码器FusVAE算法，根据历史标签RSS数据集对标签RSS数据集进行数据增强处理，得到目标RSS数据集的架构图；
图4为本发明实施例提供的一种室内定位装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，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，都属于本发明保护的范围。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
由上述背景技术可知，当室内环境发生变化，链路与目标位置的对应关系和定位模型会发生，导致目标人员的定位准确率下降，故，现有的室内定位方法无法适应环境复杂且多变的ECC环境。
为了解决上述问题，在现有技术中，还可以在原环境下采集有标签数据集，训练定位模型；环境改变后采集少量无标签数据集；使用原环境有标签数据集计算系数矩阵；使用系数矩阵对采集的少量的无标签数据集进行辅助聚类，获得有标签的数据集D1；用Dl对定位模型重训练，微调模型获得新环境下的定位模型。但是这种方式，在聚类迁移的过程，为了能够保证得到的定位模型的处理效率，要求在新环境下采集的样本数量要远远小于原环境下采集的样本数量，导致采集的新环境下的数据并不能完全反映出原环境下采集的每个坐标点数据的概率分布，故，直接利用标签的数据集Dl对原定位模型进行重训练得到的定位模型并不能适应新的环境，尤其是环境复杂且多变的ECC环境，也就是说利用重训练的定位模型实现在ECC环境下定位用户的位置的准确率低。
因此，本发明提供一种室内定位方法、装置、电子设备及存储介质，在原ECC环境发生变化后，重新获取该用户在当前ECC环境的RSS数据集，并利用历史标签RSS数据集对RSS数据集对聚类和标注标签处理，即利用原ECC环境下的先验知识运用到当前ECC环境的聚类中，提高了当前ECC环境下的RSS数据集的聚类和标注标签的准确率，并进一步对得到的标签RSS数据集进行数据增强处理，进一步优化标注RSS数据集，在利用优化后的标签RSS数据集对之前训练好的随机森林定位模型重新进行训练，得到的定位模型能够更加适应当前的ECC环境，进而利用得到的定位模型定位目标用户在当前ECC环境中的位置的准确率更好，从而实现了再适应环境复杂且多变的ECC环境的基础上，提高室内人员定位的准确性。
参见图1，示出了本发明实施例提供的一种室内定位方法的流程示意图，该室内定位方法具体包括以下步骤：
S101：获取定位请求，其中，定位请求包括请求定位的目标用户。
在具体执行步骤S101的过程中，可以接收用户发送的定位请求，其中，定位请求中包括请求定位的用户（为了便于区分，将请求定位的用户称为目标用户）。
S102：获取目标用户在当前ECC环境下行动的RSS数据集，以及目标用户的原ECC环境下的历史标签RSS数据集；其中，当前ECC环境为原ECC环境发生环境变化后的ECC环境。
在本申请实施例中，在接收到定位请求后，可以通过逐个坐标点站定采集的方法，获取定位请求中请求定位的目标用户在原ECC环境下，在每个坐标点处的样本数据，得到该目标用户在原ECC环境下的历史标签RSS数据集。
例如，在原ECC环境的定位区域内有15个坐标点，每个坐标点间隔0.5m，10个射频节点，采集相应的历史标签RSS数据集，其中，每个坐标点站定采集120s。
需要说明的是，历史标签RSS数据集中包括多类坐标点样本数据。
在本申请实施例中，在原ECC环境发生变化后，定位目标用户在当前ECC环境的定位区域内随机走动的路线，并采集该路线上相应的各个坐标向处的样本数据，得到该目标用户在当前ECC环境下行动的RSS数据集。
在本申请实施例中，所获取的目标用户在当前ECC环境下行动的RSS数据集中的坐标点样本的数据量与所获取的目标用户在原ECC环境下的历史标注RSS数据集中的坐标点样本的数量相同，进而采集的当前ECC环境下的RSS数据集能够完全反映出原ECC环境下采集历史标签RSS数据中的每个坐标点样本的概率分布。
S103：根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集。
在具体执行步骤S103的过程中，在获取到目标用户在当前ECC环境下行动的RSS数据集，以及目标用户的原ECC环境下的历史标签RSS数据集后，利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集。
可选的，从历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；利用同类坐标点样本对S和不同类坐标点样本对D，计算系数矩阵Ai；基于系数矩阵Ai，对RSS数据进行辅助聚类和标注标签处理，得到标签RSS数据集。
在本申请实施例中，利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集的具体过程如图2所示，具体的从历史标签RSS数据集的各类坐标点样本数据中选取出多个同类坐标样本对S和多个不同类坐标样本对D；根据多个同类坐标样本对S和多个不同类坐标样本对D，确定多组坐标样本对，每组样本对包括一个同类坐标样本对S和一个不同类坐标样本对D；针对每组坐标样本对，利用该组坐标样本对，构建一个功能函数，如公式（1）所示。
对于每一类坐标点样本数据，每个维度代表了每条链路的RSS值，由于网络中的链路中容易受到影响，活跃链路的RSS值变化较大，非活跃链路的RSS值基本不会受到影响，所以每类坐标点样本都有自己的数据分布特征。故本申请采用对称正定矩阵作为系数矩阵Ai对欧式距离进行参数化，得到参数化欧式距离如公式（2）；并基于功能函数对参数化的欧式距离进行修改，得到修改后的参数化的欧式距离，如公式（3）所示；对修改后的参数化的欧式距离进行求解，得到系数矩阵Ai，如公式（4）所示。进而利用得到的系数矩阵Ai对当前ECC环境下的RSS数据集进行指导聚类，得到目标用户在当前ECC环境下的标签RSS数据集，如公式（5）所示。
Figure 814918DEST_PATH_IMAGE001
（1）
其中，（Xp，Xq）为同类坐标样本S对中两个属于同一类别的两个坐标样本数据，（Xi，Xj）为不同类坐标样本对D中两个属于不同类别的两个坐标样本数据。
Figure 86630DEST_PATH_IMAGE002
（2）
其中，（Xk，Xh）为任意两个不同的坐标点样本。
Figure 491067DEST_PATH_IMAGE003
（3）
Figure 605653DEST_PATH_IMAGE004
（4）
Figure 245582DEST_PATH_IMAGE005
（5）
其中，M为原ECC环境下的历史标签RSS数据集中的坐标点样本的数量，n为当前ECC环境下的RSS数据集中坐标点样本的数量，c a为第a类的类中心，U为隶属度矩阵，u ab为第b个坐标点样本属于第a类的隶属度，m为控制算法柔性的幂指数参数。其中，c a和u ab的迭代计算公式分别如公式（6）和公式（7）所示。
Figure 762014DEST_PATH_IMAGE006
（6）
Figure 478297DEST_PATH_IMAGE007
（7）
其中，m作为控制算法柔性的幂指数参数，取值可以为2。
需要说明的是，在计算修改后的参数化的欧式距离时，使坐标点样本每个维度的权重都不同，从而表示出该类坐标点样本的数据结构特征。所以只要求解出原ECC环境RSS数据集中每类坐标点样本的系数矩阵A，就可以将其夫人数据结构特征分布的先验知识通过系数矩阵Ai进行知识迁移，在对当前ECC环境的RSS数据集的聚类过程中起到指导作用。
例如，可以在历史标签RSS数据的每一类坐标点样本数据中选择20个坐标点样本数据，共140个坐标点样本数据；从这140个坐标点样本数据中选取出多个同类坐标样本对S和多个不同类坐标样本对D；进而根据多个同类坐标样本对S和多个不同类坐标样本对D，确定多组样本对。
S104：根据历史标签RSS数据集，对标签RSS数据集进行数据增强处理，得到目标RSS数据集。
在具体执行步骤S104的过程中，在利用历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集后，基于坐标融合的变分自编码器FusVAE算法，根据历史标签RSS数据集对标签RSS数据集进行数据增强处理，得到目标RSS数据集。
在本申请实施例中，基于坐标融合的变分自编码器FusVAE算法，根据历史标签RSS 数据集对标签RSS数据集进行数据增强处理，得到目标RSS数据集的具体过程如图3所示，具 体的，从历史标签RSS数据集中选取坐标点n的历史坐标点样本数据X sni和从当前ECC环境的 标签RSS数据集中选取坐标点n的当前坐标点样本数据X tn，将历史坐标点样本数据X sni和当 前坐标点样本数据X tn作为编码器的输入，通过编码器将输入数据编码成一个高斯分布的隐 变量，得到
Figure 814601DEST_PATH_IMAGE008
和
Figure 399166DEST_PATH_IMAGE009
，分别表示X si和X ti的隐变量分布，将两个分布拼接起来组成新的隐变 量分布，记为
Figure 629159DEST_PATH_IMAGE010
，如公式（8）所示。
Figure 640977DEST_PATH_IMAGE011
（8）
需要说明的是，新的隐变量分布
Figure 198998DEST_PATH_IMAGE010
既保留了原ECC环境下的数据分布信息，又具有 当前ECC环境下的数据分布信息，使通过解码器解码后生成的新做坐标点样本可以同时保 留两个环境下的数据分布特征，更接近原ECC环境变动后的真实坐标点样本。
由于FusVAE的损失函数分为三部分，第一部分是VAE原有的损失函数，该损失函数是为了使后验分布的近似分布
Figure 462620DEST_PATH_IMAGE012
趋近于标准正态分布N(0,1)，保证模型生成能力的KL散度。
在得到新的隐变量分布
Figure 78278DEST_PATH_IMAGE010
后，通过引入重构损失函数作为约束条件，与X ti的重构 损失函数记为R 1，如公式（9）所示，与X si的重构损失函数记为R 2，如公式（10）所示。
Figure 120052DEST_PATH_IMAGE013
（9）
Figure 696527DEST_PATH_IMAGE014
（10）
其中，X为当前ECC环境下的目标坐标点样本。
最后，将重构损失函数添加到VAE原有的损失函数中，作为FusVAE的损失函数，通过最小化损失函数求解当前ECC环境下的目标坐标点样本X，如公式（11）所示。
Figure 232682DEST_PATH_IMAGE015
（11）
需要说明的是，λ为一个超参数，取值范围为[0,1]，可以用来调节两个重构损失函数的权重，如果希望生成的当前ECC环境下的目标坐标点样本X更接近X ti中的样本，可以将λ设置地比较大，如果希望生成的当前ECC环境下的目标坐标点样本X更接近X si中的样本，可以将λ设置地较小。
例如，将λ的取值分别设为0.2、0.5、0.8、1，生成目标RSS数据集，并观察将目标RSS数据集和历史标签RSS数据映射到三维空间中，观测其分布散点图，可以发现λ=0.8时，当前ECC环境下的目标坐标点样本X在分布上与历史标签RSS数据中的坐标点样本更接近，更紧凑，质量更高，数据增强效果最好，所以将λ的取值设为0.8。
S105：利用目标RSS数据集对随机森林定位模型进行训练，得到当前ECC环境的定位模型，其中，随机森林定位模型是利用历史标签RSS数据集对随机森林算法进行训练得到。
在本申请实施例中，预先利用目标用户在原ECC环境下的历史标签RSS数据对随机森林算法进行训练，得到随机森林定位模型。其中，随机森林算法中的n_estimators设置为40，min_samples_leaf设置为3，max_features设置为0.5。
在具体执行步骤S105的过程中，在根据历史标签RSS数据集，对标签RSS数据进行数据增强处理，得到目标RSS数据集后，利用目标RSS数据集对之前利用目标用户在原ECC环境下的历史标签RSS数据对随机森林算法进行训练得到的随机森林定位模型重新进行训练，得到当前ECC环境的定位模型。
S106：将定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。
在具体执行步骤S106的过程中，利用目标RSS数据集对之前利用目标用户在原ECC环境下的历史标签RSS数据对随机森林算法进行训练得到的随机森林定位模型重新进行训练，得到当前ECC环境的定位模型后，将获取到的定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。
本发明提供一种室内定位方法，在获取到定位请求后，获取该定位请求中请求定位的目标用户在原ECC环境下的历史标签RSS数据集，和在当前ECC环境下行动的RSS数据集，即在原ECC环境发现变化后的ECC环境下行动的RSS数据集；利用历史标签RSS数据，对RSS数据进行聚类和标注标签处理，得到当前ECC环境下的标签RSS数据集；并根据历史标签RSS数据集，对得到的当前ECC环境下的标签RSS数据集进行数据增强处理，得到目标RSS数据集，进而可以利用目标RSS数据集对之前利用历史标签RSS数据对随机森林神经网络训练得到的随机森林定位模型重新进行训练，得到当前ECC环境的定位模型，最后将定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。本发明提供的技术方案，通过利用用户在原ECC环境下的历史标签RSS数据集对随机森林算法进行训练得到的随机森林定位模型后，在原ECC环境发生变化后，重新获取该用户在当前ECC环境的RSS数据集，以便利用历史标签RSS数据集对RSS数据集对聚类和标注标签处理，即将原ECC环境下的先验知识运用到当前ECC环境的聚类中，提高了当前ECC环境下的RSS数据集的聚类和标注标签的准确率，进一步对得到的标签RSS数据集进行数据增强处理，进一步优化标注RSS数据集，在利用优化后的标签RSS数据集对之前训练好的随机森林定位模型重新进行训练，得到的定位模型能够更加适应当前的ECC环境，进而利用得到的当前ECC环境的定位模型定位目标用户在当前ECC环境中的位置的准确率更高，从而实现了在适应环境复杂且多变的ECC环境的基础上，提高室内人员定位的准确性。
基于本发明实施例公开的室内定位方法，本发明实施例还对应公开一种室内定位装置，如图4所示，该室内定位装置包括：
第一获取单元41，用于获取定位请求，其中，定位请求包括请求定位的目标用户；
第二获取单元42，用于获取目标用户在当前ECC环境下行动的RSS数据集，以及目标用户的原ECC环境下的历史标签RSS数据集；其中，当前ECC环境为原ECC环境发生环境变化后的ECC环境；
第一聚类标注处理单元43，用于根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集；
数据增强处理单元44，用于根据历史标签RSS数据集，对标签RSS数据集进行数据增强处理，得到目标RSS数据集；
重训练单元45，用于利用目标RSS数据集对随机森林定位模型进行训练，得到当前ECC环境的定位模型，其中，随机森林定位模型是利用历史标签RSS数据集对随机森林算法进行训练得到；
定位单元46，用于将定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。
上述本发明实施例公开的室内定位装置中各个单元具体的原理和执行过程，与上述本发明实施例公开的室内定位方法相同，可参见上述本发明实施例公开的室内定位方法中相应的部分，这里不再进行赘述。
本发明提供一种室内定位装置，在获取到定位请求后，获取该定位请求中请求定位的目标用户在原ECC环境下的历史标签RSS数据集，和在当前ECC环境下行动的RSS数据集，即在原ECC环境发现变化后的ECC环境下行动的RSS数据集；利用历史标签RSS数据，对RSS数据进行聚类和标注标签处理，得到当前ECC环境下的标签RSS数据集；并根据历史标签RSS数据集，对得到的当前ECC环境下的标签RSS数据集进行数据增强处理，得到目标RSS数据集，进而可以利用目标RSS数据集对之前利用历史标签RSS数据对随机森林神经网络训练得到的随机森林定位模型重新进行训练，得到当前ECC环境的定位模型，最后将定位请求输入当前ECC环境的定位模型，得到目标用户在当前ECC环境下的位置信息。本发明提供的技术方案，通过利用用户在原ECC环境下的历史标签RSS数据集对随机森林算法进行训练得到的随机森林定位模型后，在原ECC环境发生变化后，重新获取该用户在当前ECC环境的RSS数据集，以便利用历史标签RSS数据集对RSS数据集对聚类和标注标签处理，即将原ECC环境下的先验知识运用到当前ECC环境的聚类中，提高了当前ECC环境下的RSS数据集的聚类和标注标签的准确率，进一步对得到的标签RSS数据集进行数据增强处理，进一步优化标注RSS数据集，在利用优化后的标签RSS数据集对之前训练好的随机森林定位模型重新进行训练，得到的定位模型能够更加适应当前的ECC环境，进而利用得到的当前ECC环境的定位模型定位目标用户在当前ECC环境中的位置的准确率更高，从而实现了在适应环境复杂且多变的ECC环境的基础上，提高室内人员定位的准确性。
可选的，第一聚类标注处理单元，包括：
第二聚类标注处理单元，用于利用基于度量学习的半监督模糊C均值聚类（SFCMML）算法，根据历史标签RSS数据集，对RSS数据集进行聚类和标注标签处理，得到标签RSS数据集。
可选的，第二聚类标注处理单元，包括：
选取单元，用于从历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；
计算单元，用于利用同类坐标点样本对S和不同类坐标点样本对D，计算系数矩阵Ai；
第三聚类标注处理子单元，用于基于系数矩阵Ai，对RSS数据进行辅助聚类和标注标签处理，得到标签RSS数据集。
可选的，数据增强处理单元，包括：
数据增强处理子单元，利用坐标融合的变分自编码器FusVAE算法，根据历史标签RSS数据集对标签RSS数据集进行数据增强处理，得到目标RSS数据集。
本申请实施例提供了一种电子设备，如图5所示，电子设备包括处理器501和存储器502，存储器502用于存储室内定位的程序代码和数据，处理器501用于调用存储器中的程序指令执行实现如上述实施例中室内定位方法所示的步骤。
本申请实施例提供了一种存储介质，存储介质包括存储程序，其中，在程序运行时控制存储介质所在设备执行上述实施例示出的室内定位方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种室内定位方法，其特征在于，所述方法包括：
获取定位请求，其中，所述定位请求包括请求定位的目标用户；
获取所述目标用户在当前ECC环境下行动的RSS数据集，以及所述目标用户的原ECC环境下的历史标签RSS数据集；其中，所述当前ECC环境为所述原ECC环境发生环境变化后的ECC环境；
从所述历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；
利用所述同类坐标点样本对S和所述不同类坐标点样本对D，计算系数矩阵A i ；
基于所述系数矩阵A i ，对所述RSS数据进行辅助聚类和标注标签处理，得到标签RSS数据集；
利用坐标融合的变分自编码器FusVAE算法，根据所述历史标签RSS数据集对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集；
利用所述目标RSS数据集对随机森林定位模型进行训练，得到所述当前ECC环境的定位模型，其中，所述随机森林定位模型是利用所述历史标签RSS数据集对随机森林算法进行训练得到；
将所述定位请求输入所述当前ECC环境的定位模型，得到所述目标用户在所述当前ECC环境下的位置信息；
其中，对于每一类坐标点样本数据，每个维度代表了每条链路的RSS值，由于网络中的链路中容易受到影响，活跃链路的RSS值变化较大，非活跃链路的RSS值基本不会受到影响，所以每类坐标点样本都有自己的数据分布特征，故采用对称正定矩阵作为系数矩阵A i 对欧式距离进行参数化，得到参数化欧式距离如公式（2）；并基于功能函数对参数化的欧式距离进行修改，得到修改后的参数化的欧式距离，如公式（3）所示；对修改后的参数化的欧式距离进行求解，得到系数矩阵A i ，如公式（4）所示，进而利用得到的系数矩阵A i 对当前ECC环境下的RSS数据集进行指导聚类，得到目标用户在当前ECC环境下的标签RSS数据集，如公式（5）所示；
Figure 420601DEST_PATH_IMAGE001
（1）
其中，(Xp,Xq)为同类坐标样本S对中两个属于同一类别的两个坐标样本数据，(Xi,Xj)为不同类坐标样本对D中两个属于不同类别的两个坐标样本数据；
Figure 805315DEST_PATH_IMAGE002
（2）
其中，(Xk,Xh)为任意两个不同的坐标点样本；
Figure 415288DEST_PATH_IMAGE003
（3）
Figure 178845DEST_PATH_IMAGE004
（4）
Figure 91437DEST_PATH_IMAGE005
（5）
其中，M为原ECC环境下的历史标签RSS数据集中的坐标点样本的数量，n为当前ECC环境下的RSS数据集中坐标点样本的数量，c a为第a类的类中心，U为隶属度矩阵，u ab为第b个坐标点样本属于第a类的隶属度，m为控制算法柔性的幂指数参数，其中，c a和u ab的迭代计算公式分别如公式（6）和公式（7）所示；
Figure 573234DEST_PATH_IMAGE006
（6）
Figure 721319DEST_PATH_IMAGE007
（7）
其中，m作为控制算法柔性的幂指数参数，取值为2；
基于坐标融合的变分自编码器FusVAE算法，根据历史标签RSS数据集对标签RSS数据集 进行数据增强处理，得到目标RSS数据集，具体的，从历史标签RSS数据集中选取坐标点n的 历史坐标点样本数据X sni和从当前ECC环境的标签RSS数据集中选取坐标点n的当前坐标点 样本数据X tn，将历史坐标点样本数据X sni和当前坐标点样本数据X tn作为编码器的输入，通 过编码器将输入数据编码成一个高斯分布的隐变量，得到
Figure 729595DEST_PATH_IMAGE008
和
Figure 937722DEST_PATH_IMAGE009
，分别表示X si和X ti的隐 变量分布，将两个分布拼接起来组成新的隐变量分布，记为
Figure 782182DEST_PATH_IMAGE010
，如公式（8）所示；
Figure 468378DEST_PATH_IMAGE011
（8）
新的隐变量分布
Figure 472106DEST_PATH_IMAGE010
既保留了原ECC环境下的数据分布信息，又具有当前ECC环境下的数 据分布信息，使通过解码器解码后生成的新做坐标点样本同时保留两个环境下的数据分布 特征，更接近原ECC环境变动后的真实坐标点样本；
FusVAE的损失函数分为三部分，第一部分是VAE原有的损失函数，该损失函数使后验分布的近似分布
Figure 993347DEST_PATH_IMAGE012
趋近于标准正态分布N(0,1)，保证模型生成能力的KL散度；
在得到新的隐变量分布
Figure 449736DEST_PATH_IMAGE010
后，通过引入重构损失函数作为约束条件，与X ti的重构损失 函数记为R 1，如公式（9）所示，与X si的重构损失函数记为R 2，如公式（10）所示；
Figure 939623DEST_PATH_IMAGE013
（9）
Figure 407644DEST_PATH_IMAGE014
（10）
其中，X为当前ECC环境下的目标坐标点样本；
最后，将重构损失函数添加到VAE原有的损失函数中，作为FusVAE的损失函数，通过最小化损失函数求解当前ECC环境下的目标坐标点样本X，如公式（11）所示；
Figure 957574DEST_PATH_IMAGE015
（11）
λ为一个超参数，取值范围为[0,1]，用来调节两个重构损失函数的权重，若生成的当前ECC环境下的目标坐标点样本X更接近X ti中的样本，则将λ设置地比较大，若当前ECC环境下的目标坐标点样本X更接近X si中的样本，则将λ设置地较小。
2.一种室内定位装置，其特征在于，所述装置包括：
第一获取单元，用于获取定位请求，其中，所述定位请求包括请求定位的目标用户；
第二获取单元，用于获取所述目标用户在当前ECC环境下行动的RSS数据集，以及所述目标用户的原ECC环境下的历史标签RSS数据集；其中，所述当前ECC环境为所述原ECC环境发生环境变化后的ECC环境；
选取单元，用于从所述历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；
计算单元，用于利用所述同类坐标点样本对S和所述不同类坐标点样本对D，计算系数矩阵A i ；
第三聚类标注处理子单元，用于基于所述系数矩阵A i ，对所述RSS数据集进行辅助聚类和标注标签处理，得到标签RSS数据集；
数据增强处理单元，用于利用坐标融合的变分自编码器FusVAE算法，根据所述历史标签RSS数据集对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集；
重训练单元，用于利用所述目标RSS数据集对随机森林定位模型进行训练，得到所述当前ECC环境的定位模型，其中，所述随机森林定位模型是利用所述历史标签RSS数据集对随机森林算法进行训练得到；
定位单元，用于将所述定位请求输入所述当前ECC环境的定位模型，得到所述目标用户在所述当前ECC环境下的位置信息；
其中，对于每一类坐标点样本数据，每个维度代表了每条链路的RSS值，由于网络中的链路中容易受到影响，活跃链路的RSS值变化较大，非活跃链路的RSS值基本不会受到影响，所以每类坐标点样本都有自己的数据分布特征，故采用对称正定矩阵作为系数矩阵A i 对欧式距离进行参数化，得到参数化欧式距离如公式（2）；并基于功能函数对参数化的欧式距离进行修改，得到修改后的参数化的欧式距离，如公式（3）所示；对修改后的参数化的欧式距离进行求解，得到系数矩阵A i ，如公式（4）所示，进而利用得到的系数矩阵A i 对当前ECC环境下的RSS数据集进行指导聚类，得到目标用户在当前ECC环境下的标签RSS数据集，如公式（5）所示；
Figure 25894DEST_PATH_IMAGE001
（1）
其中，(Xp,Xq)为同类坐标样本S对中两个属于同一类别的两个坐标样本数据，(Xi,Xj)为不同类坐标样本对D中两个属于不同类别的两个坐标样本数据；
Figure 585051DEST_PATH_IMAGE002
（2）
其中，(Xk,Xh)为任意两个不同的坐标点样本；
Figure 173158DEST_PATH_IMAGE003
（3）
Figure 159569DEST_PATH_IMAGE004
（4）
Figure 715184DEST_PATH_IMAGE005
（5）
其中，M为原ECC环境下的历史标签RSS数据集中的坐标点样本的数量，n为当前ECC环境下的RSS数据集中坐标点样本的数量，c a为第a类的类中心，U为隶属度矩阵，u ab为第b个坐标点样本属于第a类的隶属度，m为控制算法柔性的幂指数参数，其中，c a和u ab的迭代计算公式分别如公式（6）和公式（7）所示；
Figure 546874DEST_PATH_IMAGE006
（6）
Figure 51804DEST_PATH_IMAGE007
（7）
其中，m作为控制算法柔性的幂指数参数，取值为2；
基于坐标融合的变分自编码器FusVAE算法，根据历史标签RSS数据集对标签RSS数据集 进行数据增强处理，得到目标RSS数据集，具体的，从历史标签RSS数据集中选取坐标点n的 历史坐标点样本数据X sni和从当前ECC环境的标签RSS数据集中选取坐标点n的当前坐标点 样本数据X tn，将历史坐标点样本数据X sni和当前坐标点样本数据X tn作为编码器的输入，通 过编码器将输入数据编码成一个高斯分布的隐变量，得到
Figure 68171DEST_PATH_IMAGE008
和
Figure 986448DEST_PATH_IMAGE009
，分别表示X si和X ti的隐 变量分布，将两个分布拼接起来组成新的隐变量分布，记为
Figure 497195DEST_PATH_IMAGE010
，如公式（8）所示；
Figure 918949DEST_PATH_IMAGE011
（8）
新的隐变量分布
Figure 981583DEST_PATH_IMAGE010
既保留了原ECC环境下的数据分布信息，又具有当前ECC环境下的数 据分布信息，使通过解码器解码后生成的新做坐标点样本同时保留两个环境下的数据分布 特征，更接近原ECC环境变动后的真实坐标点样本；
FusVAE的损失函数分为三部分，第一部分是VAE原有的损失函数，该损失函数使后验分布的近似分布
Figure 246211DEST_PATH_IMAGE012
趋近于标准正态分布N(0,1)，保证模型生成能力的KL散度；
在得到新的隐变量分布
Figure 950862DEST_PATH_IMAGE010
后，通过引入重构损失函数作为约束条件，与X ti的重构损失 函数记为R 1，如公式（9）所示，与X si的重构损失函数记为R 2，如公式（10）所示；
Figure 102489DEST_PATH_IMAGE013
（9）
Figure 601603DEST_PATH_IMAGE014
（10）
其中，X为当前ECC环境下的目标坐标点样本；
最后，将重构损失函数添加到VAE原有的损失函数中，作为FusVAE的损失函数，通过最小化损失函数求解当前ECC环境下的目标坐标点样本X，如公式（11）所示；
Figure 963314DEST_PATH_IMAGE015
（11）
λ为一个超参数，取值范围为[0,1]，用来调节两个重构损失函数的权重，若生成的当前ECC环境下的目标坐标点样本X更接近X ti中的样本，则将λ设置地比较大，若当前ECC环境下的目标坐标点样本X更接近X si中的样本，则将λ设置地较小。
3.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储室内定位的程序代码和数据，所述处理器用于调用所述存储器中的程序指令执行如权利要求1所述的一种室内定位方法。
4.一种存储介质，其特征在于，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1所述的一种室内定位方法。
CN202110937974.2A 2021-08-16 2021-08-16 一种室内定位方法、装置、电子设备及存储介质 Active CN113660606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110937974.2A CN113660606B (zh) 2021-08-16 2021-08-16 一种室内定位方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110937974.2A CN113660606B (zh) 2021-08-16 2021-08-16 一种室内定位方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113660606A CN113660606A (zh) 2021-11-16
CN113660606B true CN113660606B (zh) 2022-12-27

Family

ID=78479259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110937974.2A Active CN113660606B (zh) 2021-08-16 2021-08-16 一种室内定位方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113660606B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107347181A (zh) * 2017-07-11 2017-11-14 南开大学 一种基于双频Wi‑Fi信号的室内定位方法
CN110996280A (zh) * 2019-11-06 2020-04-10 山东大学 一种rfid室内定位指纹库更新系统及方法
CN112887902A (zh) * 2021-01-22 2021-06-01 湖南大学 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107347181A (zh) * 2017-07-11 2017-11-14 南开大学 一种基于双频Wi‑Fi信号的室内定位方法
CN110996280A (zh) * 2019-11-06 2020-04-10 山东大学 一种rfid室内定位指纹库更新系统及方法
CN112887902A (zh) * 2021-01-22 2021-06-01 湖南大学 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于变分自编码器的WLAN 定位方法;米伟娟，李娜;《电子测量与仪器学报》;20201231;全文 *

Also Published As

Publication number Publication date
CN113660606A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Reddy et al. A deep neural networks based model for uninterrupted marine environment monitoring
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
CN109543180A (zh) 一种基于注意力机制的文本情感分析方法
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
Peláez-Aguilera et al. Fuzzy linguistic protoforms to summarize heart rate streams of patients with ischemic heart disease
Kala et al. Dynamic environment robot path planning using hierarchical evolutionary algorithms
Gu et al. [Retracted] Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management
CN108985455A (zh) 一种计算机应用神经网络预测方法及系统
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
Feng et al. Genetic algorithm-based optimization of deep neural network ensemble
CN116431827A (zh) 信息处理方法、装置、存储介质及计算机设备
CN114186646A (zh) 区块链异常交易识别方法及装置、存储介质及电子设备
Xu et al. An improved SMURF scheme for cleaning RFID data
Zhang et al. VESC: a new variational autoencoder based model for anomaly detection
CN113660606B (zh) 一种室内定位方法、装置、电子设备及存储介质
Li et al. Research on the improvement of vision target tracking algorithm for Internet of things technology and Simple extended application in pellet ore phase
CN117078312A (zh) 一种基于人工智能的广告投放管理方法及系统
CN109657907A (zh) 地理国情监测数据的质量控制方法、装置和终端设备
Wang et al. TS‐PADM: Anomaly Detection Model of Wireless Sensors Based on Spatial‐Temporal Feature Points
CN114900435B (zh) 一种连接关系预测方法及相关设备
CN116976402A (zh) 超图卷积神经网络的训练方法、装置、设备及存储介质
Gao et al. ML-WiGR: A meta-learning-based approach for cross-domain device-free gesture recognition
Ali et al. Activity recognition with multi-tape fuzzy finite automata
CN114998731A (zh) 智能终端导航场景感知识别的方法
CN112765489A (zh) 一种社交网络链路预测方法及系统

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