CN114241272A - 基于深度学习的异构信息融合定位方法 - Google Patents
基于深度学习的异构信息融合定位方法 Download PDFInfo
- Publication number
- CN114241272A CN114241272A CN202111409376.4A CN202111409376A CN114241272A CN 114241272 A CN114241272 A CN 114241272A CN 202111409376 A CN202111409376 A CN 202111409376A CN 114241272 A CN114241272 A CN 114241272A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- positioning
- thermodynamic diagram
- parameters
- source position
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
- G01S5/0268—Hybrid positioning by deriving positions from different combinations of signals or of estimated positions in a single positioning system
- G01S5/02685—Hybrid positioning by deriving positions from different combinations of signals or of estimated positions in a single positioning system involving dead reckoning based on radio wave measurements
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的异构信息融合定位方法,属于辐射源定位技术领域。本发明基于指定的多种定位参数,实现了基于深度学习的异构信息的融合定位。将定位参数转化为热力图,通过将辐射源位置估计看作热力图中的关键点检测问题,直接进行端到端的训练和测试,实现复杂度低。对比传统融合定位方法,可以对不同感知节点处的不同参数信息进行融合,而不需要所有布设的感知节点可以同时获取多种参数这一假设条件,更能够满足实际动态环境需求。本发明在实际定位处理时,无论是有RSS,AOA,或者TDOA参数中的某一种、两种或者三种,都可以使用同样的网络模型,适应性好。同时本发明还可以扩展到包含更多异构信息如包含TOA、FDOA等参数的融合定位。
Description
技术领域
本发明属于辐射源定位技术领域,具体涉及一种基于深度学习的异构信息融合定位方法。
背景技术
随着实际应用中对无源定位精度要求的提高,和测量设备、技术的发展,多种异构信息融合逐渐被应用在无源定位中,主要包括AOA(到达角度)、TDOA(到达时差)、RSS(接收信号强度)、FDOA(到达频率差)等异构参数信息。基于异构信息融合的辐射源定位场景如图1所示,假设在二维空间矩形区域内,有一辐射源,其位置(sx,sy)待估计。区域中在已知位置布设M个感知节点,其中Ma个节点可以获取AOA信息,Mt个节点可以获取TOA信息,Mr个节点可以获取RSS信息,假设目标估计位置为:实现辐射源定位即求解最优化问题其中,s表示辐射源位置。在本发明的技术方案的实现过程中,发明人发现:该传统数学融合算法的定位方式的环境适应性较弱,有待于对定位方式进行改进。
发明内容
本发明提供了一种基于深度学习的异构信息融合定位方法,可用于提升辐射源定位处理时的环境适应能力。
本发明采用的技术方案如下:
基于深度学习的异构信息融合定位方法,所述方法包括:
指定辐射源定位所需的至少两种定位参数,该定位参数通过指定区域部署的感知节点获取;
配置及训练辐射源位置预测模型:
所述辐射源位置预测模型为基于卷积神经网络的网络模型,所述辐射源位置预测模型的输入数据的通道数与定位参数的类别数一致,将每一类定位参数映射为指定尺寸的热力图,再作为辐射源位置预测模型的输入数据;所述辐射源位置预测模型的输出为辐射源的预测位置;
设置辐射源位置预测模型的训练数据集:
采集所指定的定位参数,作为每个训练样本的定位参数数据,将训练样本的每一类定位参数映射为指定尺寸的热力图,并以训练样本所对应的辐射源真实位置作为其标签;
基于训练数据集对所述辐射源位置预测模型进行深度学习训练,当满足预置的训练结束条件时,将训练完成的辐射源位置预测模型作为辐射源位置预测器;
将采集的待识别定位参数映射为指定尺寸的热力图,再输入至辐射源位置预测器,基于辐射源位置预测器的输出得到辐射源的位置定位结果。
进一步的,所述定位参数包括但不限于:AOA、TDOA、RSS和FDOA;
进一步的,所述辐射源位置预测模型包括基于残差网络的特征提取网络和基于全连接层的定位预测网络。
进一步的,所述特征提取网络的网络结构依次包括:卷积层、第一残差网络和第二残差网络,其中,第一残差网络包括至少一个第一残差块,第二残差网络包括多个由第一残差块和第二残差块串接的组合残差块;所述第一残差块包括两个卷积层和两个线性激活函数,第一残差块的主路径依次包括卷积层1、线性激活函数1、卷积层2和线性激活函数2,并从卷积层1的输出引入一个短连接至卷积层2的输出上;所述第二残差块包括三个卷积层和两个线性激活函数,所述第二残差块的主路径与第一残差块相同,在卷积层1的输出与卷积层2的输出之间的短连接路径上增设一个卷积层3,其中,主路径上的两个卷积层的卷积核尺寸大小相同。
进一步的,所述定位预测网络包括依次连接的至少一层平均池化层和一层全连接层,其中,全连接层用于输出为辐射源的预测位置。
进一步的,当仅采集到一种定位参数时,在向辐射源位置预测模型和/或辐射源位置预测器输入输入数据时,将没有参数的通道数据置为零。
本发明提供的技术方案至少带来如下有益效果:
(1)将定位参数(如RSS,TDOA,AOA等)转化为热力图,以便于实现基于端到端的神经网络定位,即通过将辐射源位置估计看作热力图中的关键点检测问题,直接进行端到端的训练和测试,实现复杂度低。
(2)基于指定的多种定位参数,实现了基于深度学习的异构信息的融合定位。本发明的基于深度学习的数据级融合定位。对比传统融合定位方法,可以对不同感知节点处的不同参数信息进行融合,而不需要所有布设的感知节点可以同时获取多种参数这一假设条件,更能够满足实际动态环境需求。
(3)本发明的适应性较好,在实际定位处理时,无论是有RSS,AOA,或者TDOA参数中的某一种、两种或者三种,都可以使用同样的训练模型,即认为没有参数的通道数据都为0。同时本发明还可以扩展到包含更多异构信息如包含TOA、FDOA等参数的融合定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其它的附图。
图1是异构信息融合定位场景示意图;
图2是本发明实施例提供的基于深度学习的异构信息融合定位方法处理过程示意图;
图3是本发明实施例中,RSS热力图示意图;
图4是本发明实施例中,TDOA热力图示意图;
图5是本发明实施例中,AOA热力图示意图;
图6是本发明实施例中采用的BasicBlock块结构图;
图7是本发明实施例中采用的DownBlock块结构图;
图8是本发明实施例中,不同方式的定位累积分布对比图;
图9是本发明实施例中,定位性能随参数测量误差变化情况,其中,(9-a)为δrm=δtm=6时,对辐射源定位性能随δam变化情况,(9-b)为当δrm=δam=6时,对辐射源定位性能随δtm变化情况。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种基于深度学习的异构信息融合定位方法,以用于解决基于异构信息融合的辐射源定位问题。
参见图2,本发明实施例提供的基于深度学习的异构信息融合定位方法包括预处理、CNN(卷积神经网络)特征提取、辐射源位置预测三个部分,将空间范围内已知感知节点处获取的AOA、TDOA和RSS数据,以及对应各感知节点位置信息进行预处理生成三个通道的热力图,并进行数据融合生成指定大小(例如50*50*3)的输入数据,通过ResNet(ResidualNetwork)卷积层提取特征后,利用全连接层预测辐射源的位置s=(sx,sy)。
本发明实施例提供的基于深度学习的异构信息融合定位方法的具体实现过程如下:
(1)预处理。
基于神经网络的融合定位需要将输入层采用指定大小,即与所配置的神经网络(辐射源位置预测模型)的输入层(Input)的大小相匹配,本发明实施例中采用50*50*3大小,其中50*50表示数据的尺寸,3表示通道数,即维数,对应三种不同的数据源,本发明实施例中,第一维配置为RSS信息数据矩阵,第二维配置为TDOA数据矩阵,第三维配置为AOA数据矩阵,三个数据矩阵的大小为50*50。
其中,三类数据的预处理分别为:
RSS数据的预处理,首先,将RSS值进行归一化,归一化公式如下所示:
然后,将感知节点的位置转换成相对位置(相对位置范围为0到1),换算公式如下:
其中,为感知节点归一化位置坐标,ξ为归一化前的位置坐标,L表示感知节点所述的位置空间的宽幅,例如设置为所在位置空间的横向或纵向的最大值。根据相对位置和RSS归一化值生成热力图矩阵(简称热力图),如图3所示。
TDOA数据处理中,根据无线电波从辐射源位置s到感知节点位置之间的传播时间t,以第一个TDOA感知节点mt1为参考获取时间差Δt,并绘制TDOA定位双曲线,绘制公式如下所示:
其中,表示感知节点mi的坐标位置,表示感知节点mt1的坐标位置,Δt表示辐射源到感知节点mi与辐射源到感知节点mt1的时间差,即TDOA获取的测量值,v表示电磁波传播速度,而后获取图像的热力图矩阵,当Mt=4时,热力图如图4所示。
AOA数据处理中,根据感知节点的相对位置和AOA数据绘制感知节点处的方向线,公式如下:
即,对于用于训练网络模型(辐射源位置预测模型)的训练数据和获取的待定位数据均采用上述预处理方式对数据进行预处理后,再输入至辐射源位置预测模型。
(2)配置及训练辐射源位置预测模型。
本发明实施例中,所述辐射源位置预测模型包括两部分,基于ResNet的特征提取网络和基于全连接层(FC)的定位预测网络,作为一种可能的实现方式,特征提取网络的网络结构依次包括:卷积层、第一残差网络和第二残差网络,其中,第一残差网络包括至少一个第一残差块,第二残差网络包括多个由第一残差块和第二残差块串接的组合残差块;所述第一残差块包括两个卷积层(优选为卷积层后带归一化层的结构)和两个线性激活函数,第一残差块的主路径依次包括带卷积层1、线性激活函数1、卷积层2和线性激活函数2,并从卷积层1的输出引入一个短连接(跳跃连接)到卷积层2的输出上,将两个卷积层的输出融合后再输入线性激活函数2,即两个卷积层的输出之间存在跳跃连接,如图6所示。所述第二残差块包括三个带卷积层(优选为卷积层后带归一化层的结构)和两个线性激活函数,第二残差块的主路径依次包括卷积层1、线性激活函数1、卷积层2和线性激活函数2,并从卷积层1的输出引入一个短连接到卷积层2的输出上,且短连接路径上连接一个卷积层3,即第二残差块与第一残差块的主路径相同,在短连接路径上增设一个卷积层3,其中,主路径上的两个卷积层的卷积核尺寸大小相同。优选的,可将主路径上的两个卷积层的卷积核尺寸设置为3*3,第二残差块的短连接路径上的卷积层的卷积核尺寸设置为1*1,如图7所示。所述定位预测网络包括依次连接的至少一层平均池化层和一层全连接层(FC),其中,全连接层用于输出为辐射源的预测位置(二维坐标)。优选的,平均池化层的层数为2,池化核的大小为2*2。
本发明实施例中,用于融合定位的的卷积神经网络采用ResNet模型,网络结构如表1所示。
表1卷积神经网络结构
在完成对辐射源位置预测模型的网络结构配置后,设置对应的训练数据,并按照上述描述的预处理方式对其进行预处理以获取训练样本数据,结合训练样本的标签(辐射源的真实位置)对该辐射源位置预测模型进行深度学习训练,训练时,优选的损失函数为均方差损失函数,满足预置的训练结束条件(如训练次数、损失值的变化差异在运行范围内等)时,保存训练好的辐射源位置预测模型,作为辐射源位置预测器。
对于待识别的异构信息(空间范围内已知感知节点处获取的AOA、TDOA和RSS数据),首先进行数据预处理,再输入至辐射源位置预测器中,基于其输出得到辐射源的位置定位结果。
为了进一步验证本发明实施例提供的基于深度学习的异构信息融合定位方法的性能,本发明实施进行了下述仿真实验。
(1)参数设置。
RSS感知节点均匀随机分布,噪声nr服从(0,δrm 2)的高斯分布。AOA感知节点均匀随机分布。nam是感知节点方向角的测量误差,服从(0,δam 2)的高斯分布。TDOA感知节点均匀随机分布,测量误差δtm服从(0,δtm 2)的高斯分布。
(2)仿真结果。
利用累积分布函数(CDF)和均方根误差(RMSE)两种指标。
CDF统计公式为:
RMSE计算公式如下式所示:
仿真场景如表2时,不同算法定位累积分布函数如图8所示,其中,基于深度学习的融合定位算法指本发明实施例提供的基于深度学习的异构信息融合定位方法。
表2仿真场景设置
可以看出本发明实施例提供的基于深度学习的融合定位方法性能优于传统的基于AOA参数的最小二乘法(LS)和加权最小二乘法(LSW)定位算法,以及基于TDOA参数的Chan算法和泰勒级数展开(Talayor)算法。
针对不同参数测量精度,测试基于深度学习的融合定位算法随各参数测量误差性能,具体场景仿真参数设置如表3所示。
表3仿真场景设置
应用基于深度学习的融合定位算法对表3中当δrm=δtm=6时,对辐射源定位性能随δam变化情况进行仿真,结果如图9的(9-a)所示,当δrm=δam=6时,对辐射源定位性能随δtm变化情况进行仿真,结果如图9的(9-b)所示。
当各感知节点数目和坐标一定,TDOA,RSS参数误差固定时,定位均方根误差随着AOA参数测量误差增大而逐渐增大;AOA,RSS参数误差固定时,定位均方根误差随着TDOA参数测量误差增大而逐渐增大。图(9-a)中对比AOA-TDOA-RSS融合定位算法与AOA-LS,AOA-LSW,当AOA测量误差较大时,AOA-TDOA-RSS融合定位性能明显较好,同样图(9-b)中对比AOA-TDOA-RSS与TDOA-Chan算法(TDOA-Talayor定位误差过大,并且迭代算法时间复杂度过高,此处未进行对比),当TDOA测量精度误差较大时,AOA-TDOA-RSS融合定位性能明显较好。而图(9-a)、(9-b)中当测量误差较小时,发现传统AOA、TDOA略优于融合定位性能,主要因为(9-a)中δrm=δtm=6,图(9-b)中δrm=δam=6,其他参数测量误差较大,当δam=δrm=δtm=1时定位结果和分析参见表2。
综上,本发明实施例提供的基于深度学习的异构信息融合定位方法能带来如下技术效果:
(1)将离散点位的RSS,TDOA,AOA参数信息转化为热力图。将离散的RSS采用最大值归一化,按照感知节点的相对位置结合RSS归一化值获取热力图矩阵。利用AOA参数绘制方向线后,获取热力图矩阵。TDOA参数则绘制双曲线后获取热力图矩阵。以便于实现异构信息的融合后输入到基于深度学习的辐射源位置预测模型中。
(2)实现基于深度学习的数据级融合定位。对比传统融合定位方法,可以对不同感知节点处的不同参数信息进行融合,而不需要所有布设的感知节点可以同时获取多种参数这一假设条件,更能够满足实际动态环境需求。
(3)基于端到端的神经网络定位。将辐射源位置估计看作热力图中的关键点检测问题,直接进行端到端的训练和测试,实现复杂度低。
(4)定位方案的适应性较好,实际情况中无论是有RSS,AOA,或者TDOA参数中的某一种、两种或者三种,都可以使用同样的训练模型,即认为没有参数的通道数据都为0。同时该方案的实例分析中采用RSS、AOA、TDOA三种异构参数,同时该方案还可以扩展到包含更多异构信息如包含TOA、FDOA等参数的融合定位。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.基于深度学习的异构信息融合定位方法,其特征在于,包括下列步骤:
指定辐射源定位所需的至少两种定位参数,该定位参数通过指定区域部署的感知节点获取;
配置及训练辐射源位置预测模型:
所述辐射源位置预测模型为基于卷积神经网络的网络模型,所述辐射源位置预测模型的输入数据的通道数与定位参数的类别数一致,将每一类定位参数映射为指定尺寸的热力图,再作为辐射源位置预测模型的输入数据;所述辐射源位置预测模型的输出为辐射源的预测位置;
设置辐射源位置预测模型的训练数据集:
采集所指定的定位参数,作为每个训练样本的定位参数数据,将训练样本的每一类定位参数映射为指定尺寸的热力图,并以训练样本所对应的辐射源真实位置作为其标签;
基于训练数据集对所述辐射源位置预测模型进行深度学习训练,当满足预置的训练结束条件时,将训练完成的辐射源位置预测模型作为辐射源位置预测器;
将采集的待识别定位参数映射为指定尺寸的热力图,再输入至辐射源位置预测器,基于辐射源位置预测器的输出得到辐射源的位置定位结果。
2.如权利要求1所述的方法,其特征在于,所述定位参数包括:AOA、TDOA和RSS。
3.如权利要求2所述的方法,其特征在于,将每一类定位参数映射为指定尺寸的热力图具体为:
将感知节点的位置转换成相对位置,该相对位置的取值范围为0到1;
对于RSS的处理包括:
将RSS值进行归一化,得到归一化后的RSS值;
根据相对位置和归一化后的RSS值生成热力图矩阵,得到定位参数为RSS的热力图;
对于TDOA的处理包括:
根据无线电波从辐射源位置到感知节点位置之间的传播时间t,以第一个TDOA感知节点mt1为参考获取时间差Δt,并绘制TDOA定位双曲线,从而得到定位参数为TDOA的热力图;
对于AOA的处理包括:
感知节点的相对位置和AOA数据绘制感知节点处的方向线,从而得到定位参数为AOA的热力图。
4.如权利要求1至3任一项所述的方法,其特征在于,所述辐射源位置预测模型包括基于残差网络的特征提取网络和基于全连接层的定位预测网络。
5.如权利要求4所述的方法,其特征在于,所述特征提取网络的网络结构依次包括:卷积层、第一残差网络和第二残差网络,其中,第一残差网络包括至少一个第一残差块,第二残差网络包括多个由第一残差块和第二残差块串接的组合残差块;所述第一残差块包括两个卷积层和两个线性激活函数,第一残差块的主路径依次包括卷积层1、线性激活函数1、卷积层2和线性激活函数2,并从卷积层1的输出引入一个短连接至卷积层2的输出上;所述第二残差块包括三个卷积层和两个线性激活函数,所述第二残差块的主路径与第一残差块相同,在卷积层1的输出与卷积层2的输出之间的短连接路径上增设一个卷积层3,其中,主路径上的两个卷积层的卷积核尺寸大小相同。
6.如权利要求4所述的方法,其特征在于,第一残差块和第二残差块包括的卷积层均为卷积层后带归一化层的结构。
7.如权利要求4所述的方法,其特征在于,主路径上的两个卷积层的卷积核尺寸为3×3,二残差块的短连接路径上的卷积层的卷积核尺寸为1×1。
8.如权利要求4所述的方法,其特征在于,所述定位预测网络包括依次连接的至少一层平均池化层和一层全连接层,其中,全连接层用于输出为辐射源的预测位置。
9.如权利要求8所述的方法,其特征在于,所述平均池化层的层数为2,池化核的大小为2×2。
10.如权利要求1所述的方法,其特征在于,当仅采集到一种定位参数时,在向辐射源位置预测模型和/或辐射源位置预测器输入输入数据时,将没有参数的通道数据置为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111409376.4A CN114241272B (zh) | 2021-11-25 | 2021-11-25 | 基于深度学习的异构信息融合定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111409376.4A CN114241272B (zh) | 2021-11-25 | 2021-11-25 | 基于深度学习的异构信息融合定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241272A true CN114241272A (zh) | 2022-03-25 |
CN114241272B CN114241272B (zh) | 2023-04-07 |
Family
ID=80751013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111409376.4A Active CN114241272B (zh) | 2021-11-25 | 2021-11-25 | 基于深度学习的异构信息融合定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241272B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002903A (zh) * | 2022-07-28 | 2022-09-02 | 中集海洋工程有限公司 | 用于海上装备内部空间的人员轨迹定位系统及测试方法 |
CN115598592A (zh) * | 2022-10-27 | 2023-01-13 | 中国电子科技集团公司信息科学研究院(Cn) | 时频差联合定位方法、系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN108734208A (zh) * | 2018-05-15 | 2018-11-02 | 重庆大学 | 基于多模态深度迁移学习机制的多源异构数据融合系统 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
CN110782024A (zh) * | 2019-11-15 | 2020-02-11 | 兰州理工大学 | 基于卷积神经网络的光热电场太阳直接法向辐射预测方法 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
-
2021
- 2021-11-25 CN CN202111409376.4A patent/CN114241272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN108734208A (zh) * | 2018-05-15 | 2018-11-02 | 重庆大学 | 基于多模态深度迁移学习机制的多源异构数据融合系统 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
CN110782024A (zh) * | 2019-11-15 | 2020-02-11 | 兰州理工大学 | 基于卷积神经网络的光热电场太阳直接法向辐射预测方法 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
Non-Patent Citations (3)
Title |
---|
丛迅超: "基于深度学习的数据级多源融合定位增强算法", 《电子质量》 * |
刘春等: "双路融合的深度估计神经网络方法研究", 《计算机工程与应用》 * |
惠国保: "一种基于深度学习的多源异构数据融合方法", 《现代导航》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002903A (zh) * | 2022-07-28 | 2022-09-02 | 中集海洋工程有限公司 | 用于海上装备内部空间的人员轨迹定位系统及测试方法 |
CN115002903B (zh) * | 2022-07-28 | 2022-11-15 | 中集海洋工程有限公司 | 用于海上装备内部空间的人员轨迹定位系统及测试方法 |
CN115598592A (zh) * | 2022-10-27 | 2023-01-13 | 中国电子科技集团公司信息科学研究院(Cn) | 时频差联合定位方法、系统、电子设备及存储介质 |
CN115598592B (zh) * | 2022-10-27 | 2023-09-19 | 中国电子科技集团公司信息科学研究院 | 时频差联合定位方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114241272B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114241272B (zh) | 基于深度学习的异构信息融合定位方法 | |
Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
CN107727095B (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 | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN108650706B (zh) | 基于二阶泰勒近似的传感器节点定位方法 | |
CN107705359B (zh) | 利用三维视觉重建技术的信道建模方法和装置 | |
CN110933633B (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
CN117252863B (zh) | 一种地理信息异常数据快速检测分析方法 | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
CN112887901A (zh) | 一种基于量化toa量测的凸优化目标定位方法 | |
CN110247719A (zh) | 基于机器学习的5g时变信道回放与仿真方法 | |
CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN108495263A (zh) | 一种基于广义多核函数的室内定位方法 | |
Chen et al. | Matching 3-D line segments with applications to multiple-object motion estimation | |
CN109561384B (zh) | 一种复合噪声条件下的无线传感器网络节点定位方法 | |
Tran et al. | Geometric-based KNN localization using sensor dissimilarity information | |
CN113030853B (zh) | 基于rss和aoa联合测量的多辐射源无源定位方法 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN114679683A (zh) | 一种基于派生指纹迁移的室内智能定位方法 | |
CN110856252B (zh) | 一种考虑测量误差的二维平面传感器定位方法及系统 | |
CN114399628A (zh) | 复杂空间环境下的绝缘子高效检测系统 | |
CN113194401A (zh) | 一种基于生成式对抗网络的毫米波室内定位方法及系统 | |
CN112596047A (zh) | 轨迹动态合作信标模拟的水下轨迹跟踪自检系统和方法 | |
Cai et al. | Multi-base stations Bluetooth location method based on full convolutional neural network | |
CN117062002B (zh) | 一种基于轻量级transformer的5g nr室内定位方法及系统 |
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 |