CN114205905A - 一种基于集成联邦学习的复杂环境室内指纹定位方法 - Google Patents
一种基于集成联邦学习的复杂环境室内指纹定位方法 Download PDFInfo
- Publication number
- CN114205905A CN114205905A CN202111519998.2A CN202111519998A CN114205905A CN 114205905 A CN114205905 A CN 114205905A CN 202111519998 A CN202111519998 A CN 202111519998A CN 114205905 A CN114205905 A CN 114205905A
- Authority
- CN
- China
- Prior art keywords
- model
- integrated
- federal learning
- models
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000014599 transmission of virus Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于集成联邦学习的复杂环境室内指纹定位方法，该方法首先根据环境的差异粗略的进行区域划分，然后各区域内部对收集到的数据进行拟合，上传拟合后模型的权重向量，然后使用集成联邦学习的方法，根据模型的相似性，根据采用的分组方法将相似的模型划分为一组，形成应对多种环境的小组，组内对模型采用联邦聚合，同时对新用户和变化的用户及时重新分组，确保组内较低的数据异构性，使用极限梯度提升算法对模型进行优化，同时注意消除模型传输快慢导致的模型优化方向的偏移影响，最终得到能够适用于复杂多变环境下的多模型指纹定位系统。
Description
技术领域
本发明涉及一种基于集成联邦学习的复杂环境室内指纹定位方法，属于室内定位技术领域。
背景技术
随着科学技术的发展，基于位置的服务在现代社会中有着举足轻重的作用，无论是救援服务，医疗监控，商业推广还是日常生活，定位服务都有广泛的应用。例如近期的对于病毒传播的控制，定位技术就发挥了巨大作用。由于当下成熟卫星定位技术，基本上在任何环境下通过手机就能获取所处的位置信息。不过，准确的定位是以室外为前提的。由于信号传播的问题，卫星信号到达地面时信号较弱，穿透力差，因此室内环境可能无法使用卫星定位，因此对室内的中小范围的定位技术的研究也从未停下。
室内定位技术经过多年的发展已经相当成熟，常见的室内定位方式和采用的技术手段也比较多样。从方式上有信号到达时间，信号到达时间差，信号到达角以及接收信号强度等。从技术上来说有超宽带技术，射频识别技术以及WIFI、蓝牙、超声波等技术手段。
室内指纹定位本质上是一种利用接收信号强度实现定位的技术，通过待测点的RSS数据与指纹库里的数据进行匹配，然后得出对位置的预测结果。联邦学习是一种深度学习方法，集中服务器在能获取大量数据的情况下兼顾了对边缘客户的隐私保护，是当下边缘计算的热门方法。而面对复杂的室内环境，单纯的联邦学习强行整合成一种模型的结果显然无法达到比较精确的定位效果。除此之外，对拟合模型的优化算法也决定了模型的收敛速度以及精确度。考虑到现实情况下，不同用户的设备以及通信环境的区别，模型的计算速度，上传能力和上传速度都会有差别，如何确保各个用户与服务器的稳定通信，减少或消除传输速度对模型拟合的影响，都是研究定位技术的重点。
发明内容
本发明旨在设计一种能应对复杂的室内环境的指纹定位技术，能够适应动态环境的变化并给出交完精确的定位结果。
为实现上述发明目的，本发明采用如下技术方案：
一种基于集成联邦学习的复杂环境室内指纹定位方法，包括以下步骤：
(1)按照环境划分区域，对每个区域建立一个线下RSS指纹数据库；
(2)在统一的标准下，各区域基于各自的线下RSS指纹数据库分别拟合生成一个初始模型，并上传至集中服务器；
(3)集中服务器根据各初始模型之间的相似度，对(2)中生成的初始模型进行分组；
(4)在各组内部，对组内用户上传的初始模型进行联邦聚合，集中服务器将得到的聚合模型下发至组内用户，各用户对接收到的聚合模型进行训练；
(5)基于(4)中训练完成的聚合模型进行定位。
进一步，所述步骤(1)中：布置发信器，按照网格分布采集若干的RSS指纹数据；按照环境划分区域，舍弃区域外发信器的RSS指纹数据，为每个区域建立一个线下指纹数据库。
进一步，步骤(3)中使用K-means++算法对初始模型进行分组。
进一步，先使用截断奇异值分解法对初始模型进行分解，再根据分解后各初始模型在各个方向上的相似性进行分组。
进一步，所述步骤(4)中用户通过新采集到的RSS指纹数据，采用极限梯度提升法，对接收到的聚合模型进行训练，具体步骤包括：
步骤401：对于每个RSS指纹数据，将其中的RSS信号组成向量形式；
步骤402：基于步骤401中向量形式的RSS信号，根据每次迭代产生的决策树，预测对应的坐标；
步骤403：构建极限梯度提升法的目标函数；
步骤404：对目标函数进行求解，得到使目标函数达到最优情况下的权重值。
进一步，各组内用户对接收到的聚合模型进行训练后，将训练得到的模型数据上传至集中服务器，集中服务器再次进行联邦聚合后，将新的聚合模型下发至用户，各用户对接收到的聚合模型再次进行训练，依此反复进行聚合以及训练。
进一步，集中服务器进行在各组内部的联邦聚合时，先统计组内的用户数量，再以权重向量的形式保留各用户上传的最新权重；当某用户上传新训练得到的模型数据时更新权重向量中的对应元素，基于更新后的权重向量进行加权平均。
进一步，步骤(1)中，当环境发生变化时，更新线下指纹数据库，重新进行初始模型的拟合。
进一步，步骤(1)中，当有新用户加入时，线下指纹数据库扩充，重新进行初始模型的拟合。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：通过构建多个定位模型，能够应对不同环境下的指纹定位，给出更精确的结果；模型分组的动态可变使得面对环境的变化也能作出适应性改变；在联邦学习部分采用一种更好的梯度提升法，提高了迭代收敛速度与精确性。
附图说明
图1为一种基于集成联邦学习的复杂环境室内指纹定位方法的流程图。
具体实施方式
下面根据如图1所示的流程图对本发明一种基于集成联邦学习的复杂环境室内指纹定位方法的技术方案作进一步阐述。
复杂环境下的室内指纹定位方法，首先是在室内布置发信器，按照网格分布采集大量的指纹点的RSS数据信息，划分简单的物理分区，各分区在内部拟合数据得到一个有区域特点的初步模型，并上传给集中服务器，服务器根据各区域模型的相似度进行归类，划分为几个各不相同的分组，每个小组在内部进行联邦学习，通过训练生成符合环境的定位模型，最终生成一个多模型的定位标准。
分区域建立指纹库，室内环境整体而言并不规则，不同区域环境有较大差异，指纹定位是基于RSSI的定位方法，室内存在墙体，金属以及厚重障碍物，对基于RSSI的指纹定位产生影响较大，在初步处理中，可以先根据房间划分不同的区域，由于穿过墙体的RSS信号会降低数个dB，加大数据处理工作量，且影响很小，因此舍弃房间外发信点的RSS数据，以此构建若干个不同的指纹库。
进一步，根据各个分区的指纹库数据，各区域可以使用同一种方法自行拟合出一个符合本区域环境情况的初步模型，这些模型在结构上是一致的，但是由于环境不同，会导致各个参数比如接收到的RSS数值的权重不同，为了确认相似模型以便合并环境相似的分组，需要进行模型比对，将模型传输给集中服务器。由于通信环境和传输设备的限制，为了达到高效的传输，需要将传输模型进行压缩传送。
模型的对比分组是基于分而治之的思想，将差异性较大的各个分区模型划入几种子优化目标中，即集群联邦学习法，这里通过对方法的改进，能够更有效的处理新用户以及环境发生变化的用户，这里的用户是指提供RSS指纹数据集的信号接收点，具体步骤包括：
步骤101：先选出一个中心点，设中心点模型为c1，使用K-means++算法，计算其余模型与中心点模型的欧式距离，用d(x)表示，寻找下一个中心点的概率为
然后以到中心点距离最远的模型为下一个中心，重复上述步骤找到K个中心点。计算各个模型到各个聚类中心点的距离，到哪个聚类中心点的距离最小，就将其划分到对应聚类中心的类中针对每个聚类i，重新计算中心点
其中|i|表示该聚类的模型个数。重复上述归类步骤，直至中心不发生改变，即形成了K个分组。
步骤102：欧式距离的计算，采用分解余弦相似性的欧氏距离计算，将每次产生的新模型分解为几个方向，只计算更新的模型各个方向上的相似性。传输的模型是权重参数，假设要比对第ai个模型和第aj个模型的距离，它们变化更新的余弦相似性为：
其中，
和
分别为第ai个和第aj个模型的第t轮训练的改变值。
使用截断奇异值分解法(SVD)将模型的更新分解为多个方向，只计算方向上的相似性，分解余弦相似性欧式距离计算为：
其中V＝SVD(ΔWT,m),
ΔW是模型的改变值。m为方向的数量，nw为参加比对的参数数量。
步骤103：在分组完毕后，各组组内根据用户上传的模型进行聚合，组内聚合出模型后传递给组内用户，用户通过新采集到的RSS信号数据和位置坐标训练收到的模型。
步骤104：新用户的加入，采用用户冷启动方法，在进行模型分组时，由于只选择了部分用户的数据进行训练，则同一分区内的其他用户对于系统来说就属于新用户，不属于任何分组。同时，由于环境会发生动态变化，有些以及分组完毕的用户可能需要重新换组，此处可以设置一个阈值条件，如果训练数据的偏移量超出了阈值则启动分配转移。
步骤105：采用极限梯度提升法训练组内模型，对于每个待测点，将接收到的M个RSS信号组成一个M维向量，例如第i个待测点接收到的M个RSS信号组成的向量为Ri＝[ri 1,ri 2,ri 3,...,ri M]。
步骤106：记录待测点的真实坐标，接收到的模型进行位置预测得到预测坐标，例如，只测量二维平面位置的话，分别表示为：Pi＝[xi,yi]，
步骤107：根据已经训练的树的情况用已知模型预测待测点的坐标，记录格式同真实坐标，例如，预测第i个待测点的x坐标时，若已经训练了t(训练轮次)棵树，则预测值为
其中
每个fk(·)表示一个独立树结构和叶子节点的得分。
步骤108：构建该优化算法的目标函数，极限梯度提升算法的目标函数是由损失函数和控制复杂程度的正则项构成，通用形式为Obj(Θ)＝L(Θ)+Ω(Θ)，其中，L(Θ)为损失函数，Ω(Θ)为正则化项。在本场景下，同样以x坐标为例，目标函数为
N为样本数，这里利用
进行递推，由于
为常数项，求目标函数最值时舍去，将损失函数中剩余部分进行二阶泰勒展开，能加快拟合速度并获得高精度结果，去除无关项简化后最终形式如下：
其中，gi和hi分别表示损失函数对
的一阶和二阶偏导，ft为t轮的fk。
步骤109：对目标函数进行变形，最终构成能求出最值的形式，正则项公式为
γ和λ为超参数，T为叶节点数目，表示传递权重向量的用户数目，wj为第j个用户的权重向量；T个叶节点共N个样本数据，第j个叶节点样本数据集合为Ij，统一表达形式并化简形式，用Gj和Hj表示一次项和二次项，最终得到
利用二次函数性质就可以得出最优得分的wj和目标函数值，在得出最优权重值之后，便可以将模型数据上传给服务器，服务器进行联邦聚合后传递新模型给用户，经过多次迭代，各组最终就能形成比较精确的定位模型。
在理想情况下，使用上面的优化算法并结合集成联邦学习，就能得出比较精确的定位结果。但是，在现实情况下，同一组内，进行模型上传的用户设备不会完全相同，不同用户的设备存在计算能力和运行速度上的差距，而且网络状况和通信状况较差时，即使采用了数据压缩技术，模型的上传还是可能会有滞后，产生“落跑者”问题，使得优化效果不理想，为了提高模型优化精度，需要对一般的集成联邦学习进行改进，具体做法是统计组内用户数量，通过权重摘要向量保留各个客户端上传的最新权重，每次有用户上传权重则更新权重摘要向量，仅对最新权重进行加权平均，而不是像常规的指数滑动平均算法对将每次更新的权重都纳入加权平均中，例如记录某时刻权重摘要向量为
向量中的权重上标表示各用户进行上传更新的轮次，当1号用户上传数据时，权重摘要向量变化为
这种方法有效避免了传统的联邦聚合算法使聚合模型偏向于快传输的用户。原本这种方法还要加入主动更新机制向慢用户推送最新梯度以免影响整体收敛，而且过于压制快用户会降低整体训练速度，但本定位方法中将相似模型的归类分组并采用冷启动使各组内部各用户的数据异构性很低，因此避免了上述方法遇到的问题，可以简化步骤。
由此可知，本发明提出的一种基于集成联邦学习的复杂环境室内指纹定位方法，可实现比较精确的定位，且能够应对较为复杂多变的环境，同时也能一定程度保护用户的隐私数据。本发明可根据原本是用于室内指纹定位，但是对于室外定位，只要有较好的设备和通信状况，使用本方法也能做到精确的指纹定位效果，适用范围比较广，具有相当的研究推广价值。
Claims (9)
1.一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，包括以下步骤：
(1)按照环境划分区域，对每个区域建立一个线下接收信号强度RSS指纹数据库；
(2)在统一的标准下，各区域基于各自的线下RSS指纹数据库分别拟合生成一个初始模型，并上传至集中服务器；
(3)集中服务器根据各初始模型之间的相似度，对(2)中生成的初始模型进行分组；
(4)在各组内部，对组内用户上传的初始模型进行集成联邦学习，集中服务器将得到的聚合模型下发至组内用户，各用户对接收到的聚合模型进行训练；
(5)基于(4)中训练完成的聚合模型进行定位。
2.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，所述步骤(1)中：布置发信器，按照网格分布采集若干的RSS指纹数据；按照环境划分区域，舍弃区域外发信器的RSS指纹数据，为每个区域建立一个线下RSS指纹数据库。
3.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，步骤(3)中使用K-means++算法对初始模型进行分组。
4.根据权利要求3所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，先使用截断奇异值分解法对初始模型进行分解，再根据分解后各初始模型在各个方向上的相似性进行分组。
5.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，所述步骤(4)中用户通过新采集到的RSS指纹数据，采用极限梯度提升法，对接收到的聚合模型进行训练，具体步骤包括：
步骤401：对于每个RSS指纹数据，将其中的RSS信号组成向量形式；
步骤402：基于步骤401中向量形式的RSS信号，根据每次迭代产生的决策树，预测对应的坐标；
步骤403：构建极限梯度提升法的目标函数；
步骤404：对目标函数进行求解，得到使目标函数达到最优情况下的权重值。
6.根据权利要求5所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，各组内用户对接收到的聚合模型进行训练后，将训练得到的模型数据上传至集中服务器，集中服务器再次进行联邦聚合后，将新的聚合模型下发至用户，各用户对接收到的聚合模型再次进行训练，依此反复进行聚合以及训练。
7.根据权利要求6所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，集中服务器进行在各组内部的集成联邦学习时，先统计组内的用户数量，再以权重向量的形式保留各用户上传的最新权重；当某用户上传新训练得到的模型数据时更新权重向量中的对应元素，基于更新后的权重向量进行加权平均。
8.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，步骤(1)中，当环境发生变化时，更新线下RSS指纹数据库，重新进行初始模型的拟合。
9.根据权利要求1所述的一种基于集成联邦学习的复杂环境室内指纹定位方法，其特征在于，步骤(1)中，当有新用户加入时，线下RSS指纹数据库扩充，重新进行初始模型的拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519998.2A CN114205905B (zh) | 2021-12-13 | 2021-12-13 | 一种基于集成联邦学习的复杂环境室内指纹定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519998.2A CN114205905B (zh) | 2021-12-13 | 2021-12-13 | 一种基于集成联邦学习的复杂环境室内指纹定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114205905A true CN114205905A (zh) | 2022-03-18 |
| CN114205905B CN114205905B (zh) | 2023-04-18 |
Family
ID=80653117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111519998.2A Active CN114205905B (zh) | 2021-12-13 | 2021-12-13 | 一种基于集成联邦学习的复杂环境室内指纹定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114205905B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109669201A (zh) * | 2018-11-13 | 2019-04-23 | 斯沃德教育科技股份有限公司 | 一种基于可穿戴式的室内外定位算法 |
| CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
| CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
| US10979850B1 (en) * | 2020-03-17 | 2021-04-13 | Here Global B.V. | Method and apparatus for federated location fingerprinting |
| CN113079468A (zh) * | 2021-03-23 | 2021-07-06 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、系统 |
| US20210216902A1 (en) * | 2020-01-09 | 2021-07-15 | International Business Machines Corporation | Hyperparameter determination for a differentially private federated learning process |
| CN113222179A (zh) * | 2021-03-18 | 2021-08-06 | 北京邮电大学 | 一种基于模型稀疏化与权重量化的联邦学习模型压缩方法 |
-
2021
- 2021-12-13 CN CN202111519998.2A patent/CN114205905B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109669201A (zh) * | 2018-11-13 | 2019-04-23 | 斯沃德教育科技股份有限公司 | 一种基于可穿戴式的室内外定位算法 |
| CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
| US20210216902A1 (en) * | 2020-01-09 | 2021-07-15 | International Business Machines Corporation | Hyperparameter determination for a differentially private federated learning process |
| US10979850B1 (en) * | 2020-03-17 | 2021-04-13 | Here Global B.V. | Method and apparatus for federated location fingerprinting |
| CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
| CN113222179A (zh) * | 2021-03-18 | 2021-08-06 | 北京邮电大学 | 一种基于模型稀疏化与权重量化的联邦学习模型压缩方法 |
| CN113079468A (zh) * | 2021-03-23 | 2021-07-06 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、系统 |
Non-Patent Citations (2)
| Title |
|---|
| YIYANG NI;: "Performance analysis for large intelligent surface assisted vehicular networks" * |
| 周近;李潍彤;刘杰;朱凤丹;倪艺洋: "基于联盟链的药品溯源系统概述" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114205905B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114690799B (zh) | 基于信息年龄的空天地一体化无人机物联网数据采集方法 | |
| CN105044662B (zh) | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 | |
| Peng et al. | An iterative weighted KNN (IW-KNN) based indoor localization method in bluetooth low energy (BLE) environment | |
| CN110933599B (zh) | 一种融合uwb与wifi指纹的自适应定位方法 | |
| CN109672973B (zh) | 一种基于最强ap的室内定位融合方法 | |
| Xiao et al. | Study of fingerprint location algorithm based on WiFi technology for indoor localization | |
| WO2022242018A1 (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
| Tang et al. | Multi-output Gaussian process-based data augmentation for multi-building and multi-floor indoor localization | |
| CN107148079B (zh) | 移动自组织传感器网络中三维联合定位与追踪方法 | |
| CN111552322B (zh) | 基于lstm-粒子滤波器耦合模型的无人机追踪方法 | |
| CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
| CN109141420B (zh) | 一种基于众包数据的室内定位方法 | |
| CN115226027A (zh) | 一种WiFi室内指纹定位方法及装置 | |
| Beishenalieva et al. | Multiobjective 3-D UAV movement planning in wireless sensor networks using bioinspired swarm intelligence | |
| Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
| CN114205905B (zh) | 一种基于集成联邦学习的复杂环境室内指纹定位方法 | |
| CN109541537A (zh) | 一种基于测距的普适室内定位方法 | |
| CN117580063A (zh) | 一种车联网络中多维资源协同管理方法 | |
| Gu et al. | UAV-enabled mobile radiation source tracking with deep reinforcement learning | |
| CN106792982B (zh) | 一种基于自适应分簇策略的多目标直接定位方法 | |
| CN116132939A (zh) | 一种物联网中基于信息年龄的无人机辅助数据采集方法 | |
| CN114007260B (zh) | 一种无线传感器网络中的节点间协作定位方法 | |
| Zhuang et al. | GA-MADDPG: A Demand-Aware UAV Network Adaptation Method for Joint Communication and Positioning in Emergency Scenarios | |
| He et al. | Voronoi diagram based indoor localization in wireless sensor networks | |
| Chen et al. | Multipath-based CSI fingerprinting localization with a machine learning approach |
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 |