CN113873471A - 一种基于svm的地铁轨道线路无线环境指纹库构建方法 - Google Patents

一种基于svm的地铁轨道线路无线环境指纹库构建方法 Download PDF

Info

Publication number
CN113873471A
CN113873471A CN202111054873.7A CN202111054873A CN113873471A CN 113873471 A CN113873471 A CN 113873471A CN 202111054873 A CN202111054873 A CN 202111054873A CN 113873471 A CN113873471 A CN 113873471A
Authority
CN
China
Prior art keywords
wireless environment
equation
fingerprint database
wireless
svm
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.)
Granted
Application number
CN202111054873.7A
Other languages
English (en)
Other versions
CN113873471B (zh
Inventor
李宏宇
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.)
Shanghai Gala Information Technology Co ltd
Original Assignee
Shanghai Gala Information Technology Co ltd
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 Shanghai Gala Information Technology Co ltd filed Critical Shanghai Gala Information Technology Co ltd
Priority to CN202111054873.7A priority Critical patent/CN113873471B/zh
Publication of CN113873471A publication Critical patent/CN113873471A/zh
Application granted granted Critical
Publication of CN113873471B publication Critical patent/CN113873471B/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
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于SVM的地铁轨道线路无线环境指纹库构建方法，包括以下步骤：步骤一：将地铁轨道线路划分为若干个网格，并对网格进行编号；步骤二：电客列车正常行驶时，车载监测设备对每一个网格进行无线特征信息采集；步骤三：构建无线环境指纹库，记录每个网格的指纹信息；步骤四：基于SVM算法实现无线环境指纹库的网格指纹信息自适应更新。

Description

一种基于SVM的地铁轨道线路无线环境指纹库构建方法
技术领域
本发明涉及一种地铁轨道线路无线环境指纹库构建方法，具体涉及一种基于SVM的地铁轨道线路无线环境指纹库构建方法，本发明属于轨道交通领域。
背景技术
随着无线技术的发展，无线电的使用给人们的生活带来了极大的便利，但于此同时，越来越复杂的无线电磁环境也给无线设备的使用带来了很大的麻烦。各种各样的干扰影响了地铁无线设备的正常使用，其严重者更是会影响到地铁的行车安全，给地铁运营带来极大的隐患。为此，建立一个适合在地铁内使用的无线监测系统，及时了解地铁无线环境，对可能出现的干扰进行预警并在干扰产生影响后快速响应就显得尤为重要。
地铁轨道线路的无线环境受外部影响较大，无线信号具有变化快，波动大的特点，需要在不断变化的无线环境中识别无线特征信息，无线环境指纹构建面临较大挑战。
中国发明专利《一种基于SVM的被动操作系统识别方法、存储介》(申请号202010773437.4)公开了：一种基于SVM的被动操作系统识别方法、存储介质及设备，分析p0f指纹库规则，确定训练数据集和测试数据集并进行预处理；将训练数据集和测试数据集由数值变量转换为类别变量，进行OneHot编码；将OneHot编码后的训练数据集构建最优超平面，输入SVM算法模型，采用RBF核函数训映射指纹数据至高维空间，通过计算最优超平面构建SVM分类器，构造特征空间的分类超平面；取OneHot编码后中的测试数据集，经数据预处理后通过SVM算法模型得出预测结果，计算真实流量的测试精度；采集真实流量数据，筛选其中p0f指纹库中缺失的数据，将缺失数据加入训练数据集，重新训练后得到真实流量增量训练后的SVM分类器，完成识别。本发明优化了操作系统识别的性能，提高了分类精度。
1.一种基于SVM的被动操作系统识别方法，其特征在于，包括以下步骤：
S1、分析p0f指纹库规则，确定训练数据集和测试数据集；
S2、对步骤S1确定的训练数据集和测试数据集进行预处理；
S3、将步骤S2预处理后的训练数据集和测试数据集由数值变量转换为类别变量，再进行OneHot编码；
S4、采用Gauss核函数，以步骤S3中OneHot编码后的训练数据集构建最优超平面，输入SVM算法模型，采用RBF核函数训映射指纹数据至高维空间，通过计算最优超平面构建SVM分类器，构造特征空间的分类超平面；
S5、取步骤S3中OneHot编码后中的测试数据集，经数据预处理后通过SVM算法模型得出预测结果，计算真实流量的测试精度；
S6、采集步骤S5的真实流量数据，然后经步骤S2和S3处理后，筛选其中p0f指纹库中缺失的数据，将缺失数据加入训练数据集，经步骤S4重新训练后，得到真实流量增量训练后的SVM分类器，通过SVM分类器完成识别。
上述发明主要应用于操作系统识别，操作系统的特征信息是固定。地铁轨道线路的无线特征信息是不断变化的，二者应用场景不同，所以上述发明不适用于地铁轨道线路无线环境指纹构建。
中国发明专利《一种复杂室内信号环境下的自适应定位指纹库构建方法》(申请号202010639947.2)公开了一种复杂室内信号环境下的自适应定位指纹库构建方法，属于室内定位技术领域。根据AP铺设位置与空间结构，系统采用一对多支持向量机算法对目标区域做分区操作，以精确信号变化的区域范围。利用狭小分区内信号间的耦合关系，建立基于信号间相互干扰的多元高斯混合模型，以改善信号波动所造成的定位精度下降。当室内环境发生变化时，基于分区多元高斯混合模型的自适应更新算法可对各分区指纹数据的可信度做出判断，并以自适应算法更新信号波动较大分区的模型参数，提高模型与现有环境间的耦合程度。实验结果表明，发明可利用相对少量样本数据，构建稳定可维护的室内信号分布模型，相较于其他算法，其定位精度也有一定程度提高。
上述发明主要应用于室内无线环境指纹构建，室内覆盖面积小，无线信号检测终端由人手持步行检测，移动速度慢。地铁轨道线路属于室外无线环境，不仅室外覆盖面积大，而且无线信号检测终端部署在高速行驶的列车上，移动速度快，此外室外传播模型和室内传播模型完全不相同，二者应用场景不同，所以上述发明不适用于地铁轨道线路无线环境指纹构建。
地铁轨道线路无线环境指纹库是地铁无环境在线监测系统的重要组成部分，通过实时测量的无线环境数据和无线环境指纹库的历史指纹数据的对比和分析，可以完成无线设备状态异常监测和无线信号干扰测量及定位。
发明内容
本发明的目的在于，一种基于SVM的地铁轨道线路无线环境指纹库构建方法，用于地铁无线环境在线监测，保证地铁各无线通信系统的正常运行。
本发明的目的是提供地铁轨道线路无线环境指纹库构建方法，根据实时测量的无线环境数据和无线环境指纹库的历史指纹数据的对比和分析，可以完成无线设备状态异常监测和无线信号干扰测量及定位。
本发明采用SVM算法实现地铁轨道线路无线环境指纹库自适应更新。
本发明地铁轨道线路无线环境指纹库构建流程详见图1地铁轨道线路无线环境指纹库构建流程。
本发明所需要解决的技术问题，可以通过以下技术方案来实现：
本发明一种基于SVM的地铁轨道线路无线环境指纹库构建方法，包括以下步骤：
步骤一：将地铁轨道线路划分为若干个网格，并对网格进行编号；
步骤二：电客列车正常行驶时，车载监测设备对每一个网格进行无线特征信息采集；
其中，步骤二所述无线特征信息包括：
(1)CBTC轨旁AP信号无线特征信息包括AP名称(apname)、MAC地址(mac)、所有帧计数(cnt)、beacon帧计数(cnt08)、信噪比(snr)、信号强度(rssi)。
(2)外部WIFI信号无线特征信息包括服务集标识(ssid)、MAC地址(mac)、频率(freq)、信号强度(level)。
(3)轨旁LTE-M信号无线特征信息包括频率(freq)、小区ID(cellid)、场强(rssi)、参考信号接收功率(rsrp)、载干比(cir)。
步骤三：构建无线环境指纹库，记录每个网格的指纹信息；
其中，步骤三所述网格指纹信息包括：
网格ID、网格经纬度、网格无线特征信息。
步骤四：基于SVM算法实现无线环境指纹库的网格指纹信息自适应更新。
其中，步骤四基于SVM算法构建无线环境指纹库自适应更新模型，通过海量的监测数据深度学习，赋予无线环境指纹库自适应更新能力。
图2描述了SVM算法原理。无线环境指纹库自适应更新过程如下：
(1)计算超平面的最大距离
SVM算法中，多维空间中的超平面用线性方程表示为：
wT·x+b＝0
其中的W为法向量，它决定了超平面的方向。b为截距，它决定了超平面与空间原点的距离。
超平面将特征空间分为两部分，法向量所指向的一侧的数据为正类，标记为+1；另外一侧的数据为负类，标记为-1。
Figure BDA0003254192360000041
计算出超平面的最大距离为：
Figure BDA0003254192360000051
受限于
Figure BDA0003254192360000052
(2)将超平面最大距离的问题转化为凸优化问题
转化为：
Figure BDA0003254192360000053
受限于y(i)(wTx(i)+b)≥1，i＝1，2...，n
(3)利用KKT条件法解决凸优化问题
利用拉格朗日(Lagrange)乘子法将凸优化问题转化为如下算式，该转化方程也被称为KKT条件法：
Figure BDA0003254192360000054
对算式求梯度，并且当梯度为0时，该式可以取得最大值。
梯度计算为：
Figure BDA0003254192360000055
(4)将利用KKT条件法转化凸优化问题得到的方程转化为其对偶问题的方程
转化原因：原方程中变量太多；为后续引入核函数模型做准备。
将方程(b)代入方程(a)后，得到最终转化为的对偶方程：
Figure BDA0003254192360000056
(5)重新将对偶方程推广为凸优化问题
Figure BDA0003254192360000061
Figure BDA0003254192360000062
其中，只有支持向量的系数αi不为0，其他点的系数αi均为0。
(6)将松弛变量和惩罚函数引入(2)中得到的凸优化问题
考虑到在大部分情况下，我们得到的数据均为线性不可分，因此，我们将松弛变量引入到原始的凸优化问题中。推广后的凸优化问题的方程如下：
Figure BDA0003254192360000063
受限于y(i)(wTx(i)+b)≥1-ξi，i＝1，2...，m其中ξi≥0
并且，当C越小，估计错的点越多；当C越大，估计错的点越少，但容易过度拟合。
(7)对(6)中存在松弛变量的凸优化问题重新推导Lagrange乘子的对偶函数
最终的方程为
Figure BDA0003254192360000064
Figure BDA0003254192360000065
该组方程仅有受限条件与(5)中的方程不同，问题被大大简化。
(8)利用Sequential Minimal Optimization(SMO)算法求解(7)中的方程
该算法的基本思路如下：
■每次只更新2个乘子αi和αj，进行迭代获得最终解；
■乘子选择原则：第一次迭代时，随机选择两个乘子，基于“启发式(heuristic)”原则，在之后的迭代选择中，不再考虑αi＝0或C的乘子变量。
(9)将“核函数(Kernel)”引入(7)的方程中，重复(6)到(8)在上述的推导过程中，均考虑的是线性的情形，其中(7)的方程中(x(i))Tx(j)
为线性函数的内积，当情况为非线性时，我们引入映射φ，将低维的非线性转化为高维的线性情况，那么Lagrange乘子变为
Figure BDA0003254192360000071
但从低维到高维的映射可能引发“维数灾难”。
为了解决这个问题，存在κ为φ的核函数，高维空间的内积可用核函数的结果来代替。
因此，基于Mercer定理，我们可以确定核函数κ，使
κ(x(i)，x(j))＝(φ(x(i)))Tφ(x(j))
即将低维空间的数据代入核函数κ中计算的值，可以代替数据映射到高维空间后的内积。
本发明用于地铁无线环境在线监测，通过实时测量的无线环境数据和无线环境指纹库的历史指纹数据的对比和分析，可以完成无线设备状态异常监测和无线信号干扰测量及定位。
本发明的关键点：
本发明基于SVM算法构建无线环境指纹库自适应更新模型，通过海量的监测数据深度学习，赋予无线环境指纹库自适应更新能力。
本发明的有益效果：
地铁轨道线路无线环境受外部影响较大，无线信号具有变化快，波动大的特点，需要在不断变化的无线环境中识别无线特征信息，无线环境指纹构建面临较大挑战。现有技术主要应用于固定特征信息的操作系统识别，以及覆盖面积小，无线信号检测终端移动速度慢的室内无线指纹库构建，不适用于无线信号变化快、覆盖面积大、无线信号检测终端移动速度快的地铁轨道线路无线环境指纹库构建。本发明基于SVM算法解决了地铁轨道线路无线环境指纹构建的难题，主要用于地铁轨道线路无线环境在线监测。本发明经过实践验证，通过实时测量的无线环境数据和无线环境指纹库的历史指纹数据的对比和分析，可以完成无线设备状态异常监测和无线信号干扰测量及定位。
附图说明
图1地铁轨道线路无线环境指纹库构建流程。
图2 SVM算法原理。
图3无线设备状态异常监测列表展示界面示例。
图4无线设备状态异常监测地图展示界面示例。
具体实施方式
以下结合具体实施例，对本发明作进一步说明。应理解，以下实施例仅用于说明本发明而非用于限定本发明的范围。
实施例1
一种基于SVM的地铁轨道线路无线环境指纹库构建方法，包括以下步骤：
步骤一：将地铁5号线北桥站至银都路站线路划分为若干个网格，并对网格进行编号；
步骤二：电客列车正常行驶时，车载监测设备对每一个网格进行无线特征信息采集；
步骤三：构建无线环境指纹库，记录每个网格的指纹信息；
步骤四：基于SVM算法实现无线环境指纹库的网格指纹信息自适应更新。
地铁轨道线路无线环境指纹库示例如下：
表1地铁轨道线路无线环境指纹库示例
Figure BDA0003254192360000091
Figure BDA0003254192360000101
地铁轨道线路无线环境指纹库包含网格ID、网格经纬度、轨旁AP信号、外部WIFI信号、轨旁LTE-M信号等无线环境指纹信息。
基于地铁轨道线路无线环境指纹库，无线环境监测系统可以及时发现无线设备状态异常并产生告警，告警信息示例如下：
表2无线设备状态异常监测告警信息示例
Figure BDA0003254192360000102
Figure BDA0003254192360000111
图3为无线设备状态异常监测列表展示界面示例，图4为无线设备状态异常监测地图展示界面示例，如图3和图4所示的状态。
本发明实施案例主要优点是基于SVM算法进行海量监测数据深度学习，实现地铁轨道线路无线环境指纹库自适应更新，可以及时了解无线环境的变化，保证各无线通信系统的正常运行。
本实施例的结论为基于SVM算法构建无线环境指纹库，通过实时测量的无线环境数据和无线环境指纹库的历史指纹数据的对比和分析，可以完成无线设备状态异常监测和无线信号干扰测量及定位。
以上对本发明的具体实施方式进行了说明，但本发明并不以此为限，只要不脱离本发明的宗旨，本发明还可以有各种变化。

Claims (5)

1.一种基于SVM的地铁轨道线路无线环境指纹库构建方法，其特征在于，包括以下步骤：
步骤一：将地铁轨道线路划分为若干个网格，并对网格进行编号；
步骤二：电客列车正常行驶时，车载监测设备对每一个网格进行无线特征信息采集；
步骤三：构建无线环境指纹库，记录每个网格的指纹信息；
步骤四：基于SVM算法实现无线环境指纹库的网格指纹信息自适应更新。
2.根据权利要求1所述的一种基于SVM的地铁轨道线路无线环境指纹库构建方法，其特征在于：步骤二，网格无线特征信息包括：
(1)CBTC轨旁AP信号无线特征信息包括AP名称(apname)、MAC地址(mac)、所有帧计数(cnt)、beacon帧计数(cnt08)、信噪比(snr)、信号强度(rssi)；
(2)外部WIFI信号无线特征信息包括服务集标识(ssid)、MAC地址(mac)、频率(freq)、信号强度(level)；
(3)轨旁LTE-M信号无线特征信息包括频率(freq)、小区ID(cellid)、场强(rssi)、参考信号接收功率(rsrp)、载干比(cir)。
3.根据权利要求1所述的一种基于SVM的地铁轨道线路无线环境指纹库构建方法，其特征在于：步骤三，网格指纹信息包括：网格ID、网格经纬度、网格无线特征信息。
4.根据权利要求1所述的一种基于SVM的地铁轨道线路无线环境指纹库构建方法，其特征在于：步骤四，基于SVM算法构建无线环境指纹库自适应更新模型，通过海量的监测数据深度学习，赋予无线环境指纹库自适应更新能力。
5.根据权利要求1所述的一种基于SVM的地铁轨道线路无线环境指纹库构建方法，其特征在于：无线环境指纹库自适应更新过程包含：
(1)计算超平面的最大距离
SVM算法中，多维空间中的超平面用线性方程表示为：
wT·x+b＝0
其中的W为法向量，它决定了超平面的方向；b为截距，它决定了超平面与空间原点的距离；
超平面将特征空间分为两部分，法向量所指向的一侧的数据为正类，标记为+1；另外一侧的数据为负类，标记为-1；
Figure FDA0003254192350000021
计算出超平面的最大距离为：
Figure FDA0003254192350000022
受限于
Figure FDA0003254192350000023
(2)将超平面最大距离的问题转化为凸优化问题
转化为：
Figure FDA0003254192350000024
受限于y(i)(wTx(i)+b)≥1，i＝1，2…，n
(3)利用KKT条件法解决凸优化问题
利用拉格朗日(Lagrange)乘子法将凸优化问题转化为如下算式，该转化方程也被称为KKT条件法：
Figure FDA0003254192350000025
对算式求梯度，并且当梯度为0时，该式可以取得最大值；
梯度计算为：
Figure FDA0003254192350000031
(4)将利用KKT条件法转化凸优化问题得到的方程转化为其对偶问题的方程
转化原因：原方程中变量太多；为后续引入核函数模型做准备；
将方程(b)代入方程(a)后，得到最终转化为的对偶方程：
Figure FDA0003254192350000032
(5)重新将对偶方程推广为凸优化问题
Figure FDA0003254192350000033
Figure FDA0003254192350000034
其中，只有支持向量的系数αi不为0，其他点的系数αi均为0；
(6)将松弛变量和惩罚函数引入(2)中得到的凸优化问题
考虑到在大部分情况下，我们得到的数据均为线性不可分，因此，我们将松弛变量引入到原始的凸优化问题中；推广后的凸优化问题的方程如下：
Figure FDA0003254192350000035
受限于y(i)(wTx(i)+b)≥1-ξi，i＝1，2…，m,其中ξi≥0
并且，当C越小，估计错的点越多；当C越大，估计错的点越少，但容易过度拟合；
(7)对(6)中存在松弛变量的凸优化问题重新推导Lagrange乘子的
对偶函数
最终的方程为
Figure FDA0003254192350000041
Figure FDA0003254192350000042
该组方程仅有受限条件与(5)中的方程不同，问题被大大简化；
(8)利用Sequential Minimal Optimization(SMO)算法求解(7)中的方程
该算法的基本思路如下：
■每次只更新2个乘子αi和αj，进行迭代获得最终解；
■乘子选择原则：第一次迭代时，随机选择两个乘子，基于“启发式(heuristic)”原则，在之后的迭代选择中，不再考虑αi＝0或C的乘子变量；
(9)将“核函数(Kernel)”引入(7)的方程中，重复(6)到(8)在上述的推导过程中，均考虑的是线性的情形，其中(7)的方程中(x(i))Tx(j)
为线性函数的内积，当情况为非线性时，引入映射φ，将低维的非线性转化为高维的线性情况，那么Lagrange乘子变为
Figure FDA0003254192350000043
但从低维到高维的映射可能引发“维数灾难”；
为了解决这个问题，存在κ为φ的核函数，高维空间的内积用核函数的结果来代替；
因此，基于Mercer定理，确定核函数κ，使
κ(x(i)，x(j))＝(φ(x(i)))Tφ(x(j))
即将低维空间的数据代入核函数κ中计算的值，代替数据映射到高维空间后的内积。
CN202111054873.7A 2021-09-09 2021-09-09 一种基于svm的地铁轨道线路无线环境指纹库构建方法 Active CN113873471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111054873.7A CN113873471B (zh) 2021-09-09 2021-09-09 一种基于svm的地铁轨道线路无线环境指纹库构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111054873.7A CN113873471B (zh) 2021-09-09 2021-09-09 一种基于svm的地铁轨道线路无线环境指纹库构建方法

Publications (2)

Publication Number Publication Date
CN113873471A true CN113873471A (zh) 2021-12-31
CN113873471B CN113873471B (zh) 2024-05-14

Family

ID=78994954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111054873.7A Active CN113873471B (zh) 2021-09-09 2021-09-09 一种基于svm的地铁轨道线路无线环境指纹库构建方法

Country Status (1)

Country Link
CN (1) CN113873471B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500378A (zh) * 2023-04-25 2023-07-28 天津保富电气有限公司 地铁专用轨回流供电系统正极对地短路故障位置判断方法
WO2024041112A1 (zh) * 2022-08-25 2024-02-29 Oppo广东移动通信有限公司 一种定位方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605757A (zh) * 2013-11-25 2014-02-26 国家电网公司 一种基于支持向量机的高铁电能质量数据的分类方法
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法
CN111385297A (zh) * 2020-03-04 2020-07-07 西安交通大学 无线设备指纹识别方法、系统、设备及可读存储介质
US20210003401A1 (en) * 2019-07-04 2021-01-07 Mapsted Corp. Magnetic Fingerprint Neural Network Training for Mobile Device Indoor Navigation
US20210014205A1 (en) * 2019-07-08 2021-01-14 Caci International Inc. Systems and methods for securing information

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605757A (zh) * 2013-11-25 2014-02-26 国家电网公司 一种基于支持向量机的高铁电能质量数据的分类方法
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法
US20210003401A1 (en) * 2019-07-04 2021-01-07 Mapsted Corp. Magnetic Fingerprint Neural Network Training for Mobile Device Indoor Navigation
US20210014205A1 (en) * 2019-07-08 2021-01-14 Caci International Inc. Systems and methods for securing information
CN111385297A (zh) * 2020-03-04 2020-07-07 西安交通大学 无线设备指纹识别方法、系统、设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李海昇: ""基于SVM 分类的位置指纹定位"", 《工业控制计算机》, pages 1 - 3 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024041112A1 (zh) * 2022-08-25 2024-02-29 Oppo广东移动通信有限公司 一种定位方法、装置、设备及存储介质
CN116500378A (zh) * 2023-04-25 2023-07-28 天津保富电气有限公司 地铁专用轨回流供电系统正极对地短路故障位置判断方法
CN116500378B (zh) * 2023-04-25 2024-03-19 天津保富电气有限公司 地铁专用轨回流供电系统正极对地短路故障位置判断方法

Also Published As

Publication number Publication date
CN113873471B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Masood et al. A machine learning based 3D propagation model for intelligent future cellular networks
US20200142045A1 (en) Fingerprint positioning method and system in smart classroom
Huang et al. An accurate and efficient device-free localization approach based on sparse coding in subspace
CN113873471B (zh) 一种基于svm的地铁轨道线路无线环境指纹库构建方法
Zheng et al. Channel non-line-of-sight identification based on convolutional neural networks
Li et al. A novel localization algorithm based on isomap and partial least squares for wireless sensor networks
CN104519571A (zh) 一种基于rss的室内定位方法
Chen et al. Smartphone-based indoor fingerprinting localization using channel state information
Shao et al. Floor identification in large-scale environments with wi-fi autonomous block models
Tang et al. Specific emitter identification for IoT devices based on deep residual shrinkage networks
CN117109582A (zh) 结合传感网络和机器学习的大气污染源定位系统及方法
CN117082547A (zh) 小区异常检测方法、装置、电子设备和可读存储介质
Zhang et al. Device-free indoor localization based on sparse coding with nonconvex regularization and adaptive relaxation localization criteria
Mahfouz et al. RSSI-based classification for indoor localization in wireless sensor networks
CN104821854A (zh) 一种基于随机集的多主用户多维频谱感知方法
Liu et al. Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother
CN116234005A (zh) 一种多建筑物室内定位方法
Pasha et al. Enhanced fingerprinting based indoor positioning using machine learning
CN114880954A (zh) 一种基于机器学习的滑坡敏感性的评估方法
Si et al. Environment-Aware Positioning by Leveraging Unlabeled Crowdsourcing Data
CN104965190B (zh) 基于位置指纹的轴向解耦室内定位方法
Kuxdorf-Alkirata et al. A device-free indoor localization system based on supervised learning and Bluetooth Low Energy
Liu et al. Hierarchical fingerprinting and feature extraction for indoor localization
Chen Research on improving positioning accuracy of sensor networks
Zhang et al. Building floor identification method based on dae-lstm in cellular 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
GR01 Patent grant
GR01 Patent grant