CN114051202A - 一种无线定位信号指纹样本库的自动学习方法 - Google Patents
一种无线定位信号指纹样本库的自动学习方法 Download PDFInfo
- Publication number
- CN114051202A CN114051202A CN202111272281.2A CN202111272281A CN114051202A CN 114051202 A CN114051202 A CN 114051202A CN 202111272281 A CN202111272281 A CN 202111272281A CN 114051202 A CN114051202 A CN 114051202A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- data
- sample
- positioning
- sample library
- 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 33
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000006722 reduction reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于无线定位技术领域，涉及室内指纹定位，具体是一种无线定位信号指纹样本库的自动学习方法。主要原理是：1.给出轨迹跟踪信息和无标记的辅助数据；2.计算隐式马尔科夫模型的传输矩阵和拉斯特征向量；3.分别将原始数据库和辅助指纹库通过局部线性嵌入算法映射到低维空间，拟采用隐式马尔科夫模型进行训练和转换；4.使用交替投影法，选择新的流形矩阵并使用流形对齐重新投影两个数据集，直到成本函数最小化。通过这种方式，标记过时的指纹样本集。之后，再根据一定条件实现神经网络的自动训练。本发明实现信号指纹样本库的自动学习，克服样本库过时的难题，使深度学习方法适应指纹信号的变化，提高定位精度。
Description
技术领域
本发明属于无线定位技术领域，特别涉及室内指纹定位，具体是一种无线定位信号指纹样本库的自动学习方法。
背景技术
位置信息是物联网中重要的感知信息，也是移动互联网的基础要素之一，它与人们的生产生活息息相关，同时也对社会发展的信息化、智能化有着重要的影响。根据调查显示，目前人们每日的大部分时间是处于室内环境中，因此，室内位置信息的获取尤为重要。室内定位服务近年来逐渐向全球定位系统、北斗定位系统等室外定位系统一样，成为为人们生活提供便利以及满足人们日常需要的基础应用服务。
目前，室内定位技术是近年来研究的热门技术之一，在社会各个场景中被广泛应用，比如工厂、医院或仓库的智能化管理以及消防紧急救援等，该技术为人们生活带来便利的同时，也可以在发生意外状况时提高救灾效率，减少经济损失与人员伤亡。但是室内环境的构造通常较为复杂，室内定位会受到家具等静态物品的干扰或人行走、电磁信号等动态干扰，有时还会受到温度、湿度等环境条件的约束与限制，因此，如何对移动目标实现低成本、高精度、连续且稳定的室内无线定位研究成为热门问题之一。
指纹定位算法成本低廉、方法简易，逐渐成为室内定位的主流方法。指纹定位算法是根据信号特征与位置之间的映射关系进行定位的，常见的指纹定位算法可以分为确定型、概率型等方法。确定型指纹定位方法从最初微软开发的RADAR(Radio Detection andRanging，无线电探测和测距)系统所使用的最近邻算法发展到K最近邻算法，然后再发展到加权K最近邻算法，最后是增强加权K最近邻算法，另外还有欧氏距离、余弦相似度和Tanimato相似度等方法。概率型指纹定位算法是根据概率进行计算，如Horus方法、直方图概率分布，以及混合高斯分布等。
神经网络及现在十分热门的深度学习也被尝试用在基于信号指纹的室内定位算法中，为推动室内定位的发展提供了多样的优化方向。如使用卡尔曼滤波和神经网络相结合建立指纹数据库的方法；树状数据挖掘技术与神经网络相结合建立指纹和目标节点的映射关系；用贝叶斯框架实现的低复杂度的指纹定位方法；用UWB(Ultra Wide Band，超宽带)信道路径损耗、时延等传播参数和RBF(Radical Basis Function,径向基函数)神经网络相结合实现指纹定位等。但基于深度学习的室内定位技术仍然面临着非常多的技术挑战，其中最大的问题是室内电磁环境、室内设施等均可能会发生变动，造成原有的训练样本过时，从而会对基于信号指纹的定位精度产生直接影响，已经训练的算法无法进行相应的自动学习，从而导致定位误差出现较大偏离，甚至导致系统无法正常工作，必须重新对系统进行配置、重新标注构建训练样本、神经网络需要重新训练学习。而解决上述问题的关键是实现信号指纹样本库的自动更新与自动学习，克服室内布局多变造成样本库过时的难题，从而使深度学习自动训练方法适应指纹信号的变化，提高定位精度。
发明内容
在基于位置指纹的室内定位系统中，数据采集主要分为离线采集与在线定位两个阶段。离线采集阶段主要是采集定位区域各参考点的特征信息,建立位置指纹的离线数据库。首先绘制定位区域地图，确定合理的参考点；然后依次测量各参考点并按一定格式记录在数据库中，该数据库就是定位的离线位置指纹库。在线定位阶段,首先随机采集多点实时信号,因为该信号只有强度大小而没有对应的物理位置,故称其为未标记数据。
然而，离线采集的数据受室内布局或者电磁变化的影响很容易过时，而重新校准整个数据库是耗时的。鉴于现有的信号指纹样本库本身具有局限性，不能满足室内实时定位的需求，本发明提出了一种无线定位信号指纹样本库的自动学习方法，从而可以实现信号指纹样本库的自动更新与自动学习。
本发明的技术方案如下：
本方法采用基于隐式马尔科夫模型的流形对齐算法对过时样本记录进行判断并标注，充分利用数据库指纹信息，避免了重新校准数据库的时间损耗，提高了工作效率。该发明包括以下步骤：
1)获取初始指纹样本数据。
根据实际情况模型所需的原始输入样本进行采集，在基于指纹的室内定位算法中,离线阶段在参考点采集的数据已知位置坐标，定义为标记数据，用户路径采集的数据由于坐标未知,定义为未标记数据。选择合适的参考点建立指纹数据库。
2)计算隐式马尔科夫模型的传输矩阵与拉斯特征向量。
隐式马尔科夫模型(Hidden Markov Model，HMM)常用来描述一个含有隐藏参数的马尔科夫过程，HMM可以观察到的状态序列和隐藏的状态序列是概率相关的，利用隐藏参数来进一步的分析，实现相关的功能。计算HMM的传输矩阵A和拉斯特征向量μ，其中A为流形过程和降维的限制条件。
3)样本数据进行降维、训练与转换。
此处使用的降维算法为LLE(Locally Linear Embedding，局部线性嵌入)，它能够使降维后的数据较好地保持原有的流形结构，是经典的流形学习方法之一。LLE算法认为每一个数据点都可以通过邻近点的线性加权组合构造得到。算法主要通过以下三步实现：寻找每个样本点的k个近邻点；由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。
降维后的数据拟采用反映其内在几何结构的HMM进行训练和转换。将这些未标记的实时位置信号与数据库的指纹信息结合用于流形学习,通过LLE算法映射到低维数据空间,获得位置指纹的低维嵌入信息。
4)判断并标记过时的指纹样本集。
通过交替投影法，选择新的流形矩阵并流形对齐所得的数据集。流形对齐可以将来自不同领域的高维数据同时投影到一个共同的潜在低维空间中,同时保持流形间的对应关系和流形自身局部几何结构不变，从而实现迁移学习。当成本函数最小化时，输出结果就是辅助指纹数据到原始指纹数据的映射矩阵，进而可以构建最终的指纹样本库，通过上述的方法可以实现对过时指纹样本集的标记。之后，再根据一定条件自动对神经网络进行训练。
附图说明
图1为基于隐式马尔科夫模型的流形对齐的算法
具体实施方式
以下结合图例，对本发明进行详细说明。
本发明提出的一种无线定位信号指纹样本库的自动学习方法，采用基于隐式马尔科夫模型的流形对齐的算法进行判断并标注过时样本记录，以实现样本库自动学习与更新，提高定位精度。假设某模型在LOS(Line of Sight，视距)环境下，对采集到的地磁信号与位置指纹样本库进行自动更新；在NLOS(Non Line of Sight，非视距)环境下，对采集到的UWB能量谱特征向量与位置指纹样本库进行自动标准更新；在系统空闲状态时，对样本进行重新自动的学习训练，从而克服室内布局多变造成样本库过时的难题，方法如图1所示。
本发明的主要步骤如下：
1)获取样本指纹数据。
在LOS定位时，使用地磁指纹样本库，包括基于中值滤波测量地磁信号强度的地磁指纹和TDOA(Time Difference of Arrival，到达时间差)几何定位与平滑融合定位数据进行基于粒子滤波的融合定位后获取的位置指纹；在NLOS定位时，使用UWB能量谱特征向量指纹样本库，包括UWB信号能量谱特征向量和深度学习的指纹定位与平滑融合定位数据进行基于粒子滤波的融合定位后获取的位置指纹样本。此处将轨迹跟踪信息记为T，将无标记的辅助数据记为Y，其中Y为指纹数据。
2)计算隐式马尔科夫模型的传输矩阵与拉斯特征向量。
根据HMM的原理，其定位遵循两个规律：任意时刻的隐藏状态只依赖于前一时刻，即每个时刻定位节点之间转移的可能性就是状态转移概率；任意时刻的观测状态只依赖当前时刻的隐藏状态。通过以上定理与第一步所得的样本数据计算HMM的传输矩阵A和拉斯特征向量μ等参数，其中A为流形过程和降维的限制条件。
3)通过映射将样本数据降维并使用隐式马尔科夫模型进行训练与转换。
将实时信号与数据库的指纹信息数据通过算法映射到低维空间f和g。降维后的数据拟采用反映其内在几何结构的HMM进行训练和转换。
4)对样本库进行标注更新。
使用交替投影法，选择新的流形矩阵Wx，y并使用流形对齐重新投影两个数据集，直到成本函数C(f,g)最小化。输出结果Wx，y就是Y到X的映射矩阵。通过这种方式，标记过时的指纹样本集。最后，在一定条件下，令神经网络适应指纹信号的变化，实现自动训练，提高定位精度。
Claims (1)
1.一种无线定位信号指纹样本库的自动学习方法，包括以下步骤：
1)获取初始指纹样本数据
根据实际情况模型所需的原始输入样本进行采集，在基于指纹的室内定位算法中,离线阶段在参考点采集的数据已知位置坐标，定义为标记数据，用户路径采集的数据由于坐标未知,定义为未标记数据，选择合适的参考点建立指纹数据库；
2)计算隐式马尔科夫模型的传输矩阵与拉斯特征向量
计算马尔可夫模型的传输矩阵A和拉斯特征向量，其中A为流形过程和降维的限制条件；
3)样本数据进行降维、训练与转换
降维后的数据拟采用反映其内在几何结构的隐式马尔科夫进行训练和转换，将这些未标记的实时位置信号与数据库的指纹信息结合用于流形学习,通过局部线性嵌入算法映射到低维数据空间,获得位置指纹的低维嵌入信息；
局部线性嵌入算法主要通过以下三步实现：
(1)寻找每个样本点的k个近邻点；
(2)由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；
(3)由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值；
4)判断并标记过时的指纹样本集
通过交替投影法，选择新的流形矩阵并流形对齐所得的数据集，当成本函数最小化时，输出结果就是辅助指纹数据到原始指纹数据的映射矩阵，进而可以构建最终的指纹样本库，通过上述的方法可以实现对过时指纹样本集的标记，之后，再根据一定条件自动对神经网络进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272281.2A CN114051202A (zh) | 2021-10-29 | 2021-10-29 | 一种无线定位信号指纹样本库的自动学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272281.2A CN114051202A (zh) | 2021-10-29 | 2021-10-29 | 一种无线定位信号指纹样本库的自动学习方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114051202A true CN114051202A (zh) | 2022-02-15 |
Family
ID=80206551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111272281.2A Pending CN114051202A (zh) | 2021-10-29 | 2021-10-29 | 一种无线定位信号指纹样本库的自动学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114051202A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237790A (zh) * | 2022-08-01 | 2022-10-25 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号识别采集方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090059920A (ko) * | 2007-12-07 | 2009-06-11 | 한국전자통신연구원 | 실내 무선 측위를 위한 핑거프린트 데이터베이스 자동 생성방법 |
| CN103258001A (zh) * | 2013-04-01 | 2013-08-21 | 哈尔滨工业大学 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
| CN104424276A (zh) * | 2013-08-30 | 2015-03-18 | 中国电信集团公司 | 基于流形学习的指纹库自更新方法和装置 |
| US20160150380A1 (en) * | 2014-11-25 | 2016-05-26 | Korea Advanced Institute Of Science And Technology | Automated wlan radio map construction method and system |
| KR20180087150A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술원 | 라디오 맵 구축 방법 |
| CN108521627A (zh) * | 2018-03-14 | 2018-09-11 | 华南理工大学 | 基于HMM的wifi和地磁融合的室内定位系统及方法 |
| CN110072183A (zh) * | 2019-03-14 | 2019-07-30 | 天津大学 | 基于群智感知的被动式定位指纹库构建方法 |
| CN112488151A (zh) * | 2020-11-05 | 2021-03-12 | 中国科学院计算机网络信息中心 | 一种半监督的基于流形学习的位置指纹库构建方法 |
| CN112804650A (zh) * | 2021-01-29 | 2021-05-14 | 南京邮电大学 | 一种信道状态信息数据降维方法及智能室内定位方法 |
-
2021
- 2021-10-29 CN CN202111272281.2A patent/CN114051202A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090059920A (ko) * | 2007-12-07 | 2009-06-11 | 한국전자통신연구원 | 실내 무선 측위를 위한 핑거프린트 데이터베이스 자동 생성방법 |
| CN103258001A (zh) * | 2013-04-01 | 2013-08-21 | 哈尔滨工业大学 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
| CN104424276A (zh) * | 2013-08-30 | 2015-03-18 | 中国电信集团公司 | 基于流形学习的指纹库自更新方法和装置 |
| US20160150380A1 (en) * | 2014-11-25 | 2016-05-26 | Korea Advanced Institute Of Science And Technology | Automated wlan radio map construction method and system |
| KR20180087150A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술원 | 라디오 맵 구축 방법 |
| CN108521627A (zh) * | 2018-03-14 | 2018-09-11 | 华南理工大学 | 基于HMM的wifi和地磁融合的室内定位系统及方法 |
| CN110072183A (zh) * | 2019-03-14 | 2019-07-30 | 天津大学 | 基于群智感知的被动式定位指纹库构建方法 |
| CN112488151A (zh) * | 2020-11-05 | 2021-03-12 | 中国科学院计算机网络信息中心 | 一种半监督的基于流形学习的位置指纹库构建方法 |
| CN112804650A (zh) * | 2021-01-29 | 2021-05-14 | 南京邮电大学 | 一种信道状态信息数据降维方法及智能室内定位方法 |
Non-Patent Citations (5)
| Title |
|---|
| MU ZHOU: "GrassMA: Graph-Based Semi-Supervised Manifold Alignment for Indoor WLAN Localization", 《IEEE SENSORS JOURNAL 》 * |
| XIAODONG CAI: "Constructing Adaptive Indoor Radio Maps for Dynamic Wireless Environments", 《2013 IEEE 10TH INTERNATIONAL CONFERENCE ON UBIQUITOUS INTELLIGENCE AND COMPUTING AND 2013 IEEE 10TH INTERNATIONAL CONFERENCE ON AUTONOMIC AND TRUSTED COMPUTING》, pages 1 - 5 * |
| 刘参;尚俊娜;李蕊江;岳克强;: "基于迁移学习的室内动态环境定位算法", 电信科学, no. 08 * |
| 李丽娜;李文浩;尤洪祥;王越;: "回溯搜索优化改进矩阵填充的高效位置指纹库构建", 计算机应用, no. 07 * |
| 路锦博;蔡丽萍;孙宗星;: "基于隐马尔可夫模型的移动终端定位算法", 计算机系统应用, no. 08 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237790A (zh) * | 2022-08-01 | 2022-10-25 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号识别采集方法及系统 |
| CN115237790B (zh) * | 2022-08-01 | 2023-04-28 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号识别采集方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108668249B (zh) | 一种移动终端室内定位方法及装置 | |
| CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
| Zhang et al. | A scalable indoor localization algorithm based on distance fitting and fingerprint mapping in Wi-Fi environments | |
| Chen et al. | Transfer learning enhanced AR spatial registration for facility maintenance management | |
| CN109379711B (zh) | 一种定位方法 | |
| Ning et al. | Outdoor location estimation using received signal strength-based fingerprinting | |
| CN107727095A (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
| Alamri et al. | A connectivity index for moving objects in an indoor cellular space | |
| CN105208651A (zh) | 基于地图结构的Wi-Fi位置指纹非监督训练方法 | |
| Alamri et al. | Spatiotemporal indexing for moving objects in an indoor cellular space | |
| CN112367614A (zh) | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 | |
| CN112533136A (zh) | 一种基于深度学习的wlan指纹定位方法 | |
| CN111405461B (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
| Wang et al. | Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model | |
| CN114051202A (zh) | 一种无线定位信号指纹样本库的自动学习方法 | |
| Zhu et al. | Intelligent fingerprint-based localization scheme using CSI images for internet of things | |
| Zhao et al. | An efficient radio map updating algorithm based on K-means and Gaussian process regression | |
| Maaloul et al. | Bluetooth beacons based indoor positioning in a shopping malls using machine learning | |
| Zhao et al. | Research on Crowdsourcing network indoor localization based on Co-Forest and Bayesian Compressed Sensing | |
| Zhang et al. | Regional Double-Layer, High-Precision Indoor Positioning System Based on iBeacon Network | |
| Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
| Ai et al. | Robust low-latency indoor localization using Bluetooth low energy | |
| Xing et al. | Integrated segmentation and subspace clustering for RSS-based localization under blind calibration | |
| Adamkiewicz et al. | Improving UWB indoor localization accuracy using sparse fingerprinting and transfer learning | |
| Li et al. | A novel fingerprinting method of WiFi indoor positioning based on Weibull signal model |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220215 |