CN114845388B - 一种分方向熵加权wknn的位置指纹室内定位方法 - Google Patents
一种分方向熵加权wknn的位置指纹室内定位方法 Download PDFInfo
- Publication number
- CN114845388B CN114845388B CN202210537871.1A CN202210537871A CN114845388B CN 114845388 B CN114845388 B CN 114845388B CN 202210537871 A CN202210537871 A CN 202210537871A CN 114845388 B CN114845388 B CN 114845388B
- Authority
- CN
- China
- Prior art keywords
- positioning
- sub
- database
- rssi
- reference point
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
-
- 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
Abstract
该发明公开了一种分方向熵加权WKNN的位置指纹室内定位方法,涉及位置指纹室内定位领域。本发明通过使用四叉树算法以及分方向熵加权WKNN算法来实现室内定位的。该方法是通过对位置指纹数据库进行划分,并在定位阶段快速确定待定位目标所属最小子定位区域后,依靠分方向熵加权WKNN算法实现对待定位目标的位置估计。由于将定位过程替换为索引过程,能够实现快速索引,因此定位效率高,同时在粗定位的基础上提出分方向熵加权WKNN算法进行进一步精准定位,故在满足高精度检测效果的同时检测速度快。
Description
技术领域
本技术涉及位置指纹室内定位领域,特别是针对室内障碍物较多、情况较为复杂时进行快速定位的一种方法。通过实验证明该位置指纹室内定位方法精确度高、实时性好,在室内定位领域有可观的应用前景。
背景技术
近几年,人们对位置服务的需求逐渐增高。室外定位技术的研究已较为成熟,且定位精度也足以满足人们的要求。然而室内环境因为家具、墙体等障碍物的影响,定位精度无法满足人们的需求,因此越来越多的人开始关注室内定位领域。所以本文旨在提出一种分方向熵加权 WKNN的位置指纹室内定位方法。现在的室内定位方法存在计算量较大、定位精度不足、定位效率不高等问题。因此本方法能够提高定位精度与定位效率。
发明内容
本发明旨在提出一种分方向熵加权WKNN的位置指纹室内定位方法,对在复杂的室内环境中的待定位目标进行快速准确的定位。目的是通过对待定位目标的快速准确定位,使用户能够快速获取自己的位置信息。本方法得到的结果既能在定位时保证较好的定位精度,又能具备较高的定位效率,使得本发明方法能够达到实时的能力。
本发明提出了一种分方向熵加权WKNN的位置指纹室内定位方法,整个方法是通过使用四叉树算法以及分方向熵加权WKNN算法来实现室内定位的。该方法是通过对位置指纹数据库进行划分,并在定位阶段快速确定待定位目标所属最小子定位区域后,依靠分方向熵加权WKNN 算法实现对待定位目标的位置估计。本发明技术方案为一种分方向熵加权WKNN的位置指纹室内定位方法,该方法包括:指纹数据的获取及预处理,构建离线位置指纹数据库,在线定位三个部分;
所述指纹数据的获取及预处理方法为:
在预定的测试区域中,按照一定间隔设定参考点,在每个参考点向不同方向收集数据信号;在每个参考点收集数据后,使用限幅-均值滤波对收集的数据进行预处理,剔除其中的异常数据;使得各参考点的指纹数据拥有更好的稳定性以及准确性;
所述构建离线位置指纹数据库的方法为:
指纹数据库由下列公式表示:
式中Ω为原始位置指纹数据库,RSSI2j表示第2个参考点接收到的第j个ap的RSSI值; N为AP个数;M表示参考点的数量;(x1,y1)表示第一个参考点的坐标;
将原始指纹数据库根据空间位置平均划分为Q个子数据库,如果该子数据库中数据个数大于设定阈值,则再次对Q个子数据库进行划分,直到新一轮的子数据库中数据个数小于等于设定阈值,最后一次划分得到的子数据库称为最小子数据库,根数据库由所有子指纹库共同构建而成;
所述在线定位方法为:
步骤1:获取待定位目标的RSSI矢量值后,与当前层级Q个子数据库的质心矢量进行欧式距离的计算,选取其中欧式距离最小的子数据库进行后续计算;
步骤2:采用如下方法在各个方向上选择出K个对定位目标更有用的参考点;
步骤2.1:计算各AP的RSSI值与选择计算的方向上坐标值的相关系数rj;
式中,rssiij表示区域中第i个参考点接收到的第j个AP的RSSI值,表示区域中所有参考点接收到的第j个AP的RSSI的平均值,则表示区域中所有参考点在选择计算的方向上坐标的平均值,xi表示第i个参考点在选择计算的方向上的坐标值;
步骤2.2:对得到的相关性系数进行归一化处理;
其中,rg为第g个AP的RSSI值与选择计算的方向上坐标值之间的相关性系数;
步骤2.3:计算带定位点到参考点之间的欧式距离,并选择欧式距离最小的K个参考点;
其中,di表示待定位点与第i个参考点间的欧氏距离;
步骤3:采用下式分别计算步骤2得到的K个参考点接收到的第i个AP的RSSI值的占比,
其中,pij表示第j个参考点接收到的第i个AP的RSSI值的占比,j=1,2,…,K;
步骤4:采用下式分别计算步骤2得到的K个参考点的信息熵;
其中,Ej表示第j个参考点的信息熵;
步骤5:采用下式分别计算步骤2得到的K个参考点的权值,
其中,wj表示第j个参考点权值;
步骤6:将各K个参考点的权值带入如下公式得到选定方向上的定位结果;
其中,ε为一个不为零的小实数,避免分母为零的情况出现;
步骤7:采用步骤2到步骤6相同的方法计算其余方向上的定位结果,融合各个方向定位结果得到待定位目标点的位置坐标。
进一步的,所述所述构建离线位置指纹数据库的方法中,Q=4。
本发明所提出的位置指纹室内定位方法,由于将定位过程替换为索引过程,能够实现快速索引,因此定位效率高,同时在粗定位的基础上提出分方向熵加权WKNN算法进行进一步精准定位,故在满足高精度检测效果的同时检测速度快。
附图说明
图1为本发明整体的定位过程;
图2为本发明离线位置指纹数据库构建流程;
图3为本发明X与Y方向上信号的传播距离差比较;
图4为本发明最底层子数据库筛选过程;
图5为本发明各方法累计误差函数对比图;
图6为本发明部分测试点定位效果图。
具体的实施方式
附图1为整体流程图,通过该流程图来具体说明本发明的技术方案。
1)在事先划定的参考点处采集指纹信息,对每个参考点从不同方向收集40个共160个数据集,然后对每个参考点进行滤波。
2)对指纹数据做预处理,采用限幅均值滤波方法对指纹数据的异常进行过滤,并将过滤后的数据建立为原始指纹数据库。
3)基于测试区域二维层次,划分原有指纹库,直至不再满足划分标准,所有子库创建为新的指纹库。
4)计算待定位目标与不同方向最小子数据库中所有参考点之间的欧式距离,计算不同方向上最近的K个参考点,然后使用熵加权WKNN算法进行精准定位。选择多个测试点对算法进行测试,得到算法的平均定位误差、定位效率与累计误差函数。
获取待定位目标的实时RSSI向量,计算待定位目标RSSI向量与第一级子数据库中各子数据库的质心向量的欧氏距离,找出与待定位目标距离最小的子数据库,判断待定位目标属于该子数据库所对应的实验子区域中。接着计算待定位目标RSSI向量与第二级子数据库中各子数据库的质心向量的欧氏距离,以此类推,直到该级子数据库不可再次划分为止,得到待定位目标所属的最小子数据库。在定位阶段,将待定位目标的RSSI矢量与子指纹库质心矢量进行欧式距离的计算,确定其所在最小区域;以此快速查找特定区域的数据。本发明采用4叉树进行索引,首先将数据库划分为4个子数据库,设四个子数据库分别由Ω1、Ω2、Ω3以及Ω4表示,以Ω1为例,可由公式计算得到Ω1的质心矢量:
式中表示在子指纹数据库Ω1中的所有参考点接收到的第i个AP的RSSI值的平均值; n表示子数据库Ω1中的参考点数量,j表示第几个参考点,同理可得Ω2、Ω3、Ω4的质心向量。存储每个子指纹数据库的质心向量后,确定当前级中的每个指纹数据库是否可以再次划分。最小指纹库所代表的测试区域太大或太小,定位算法的定位误差都会增大。该算法的在线定位过程,实际是一种四叉树搜索过程;当得到了定位目标点的RSSI后,可以寻找与目标欧式相距较小的最近位置区域,并同时考虑定位目标点位于此区域内。若可以进行划分位置范围时,可查找定位点的所属下一层位置范围,然后采用分方向熵加权WKNN算法,从各个方位中选择出K个对定位目标更有用的点位,再以此为基础算出定位目标地点的实际位置坐标。下面将描述AP在测试区域不同方向的影响程度的差异。如图4所示,假设a、b、c都是参考点,则a 点到b点的距离等于c点到b点的距离,AP到a、b、c三点的距离分别为la、lb、lc。在点a 和点c处,信号到参考点b的传播距离分别增大la-lb、lc-lb,可以看出,lc-lb远大于la-lb,因此参考点c与参考点b的信号传播距离远大于参考点a与参考点b的传播距离,因此, AP在参考点c和参考点b之间的信号强度变化要比参考点a和参考点b之间的变化大得多,这意味着X方向上的位置变化会显著改变AP的RSSI值,而Y方向上的影响较小。因此,该方法考虑每个AP在X和Y方向上的影响程度,并将这种影响程度应用于欧式距离的计算,作为 AP权值的基础。
本发明提出一种分方向熵加权WKNN的位置指纹室内定位方法,其中包含数据的采集获取、数据的预处理设计、指纹数据库的构建、四叉树索引粗略定位,最终通过分方向熵加权算法在线定位实现对待定位目标的精准定位。
其中,数据的采集获取方式增强了数据集的可信度,更加贴近实际情况。数据的预处理设计滤除了数据的异常值,增强了指纹数据的稳定性与准确性。对离线位置指纹数据库的划分与新指纹数据库的构建能够在定位阶段快速索引确定待定位目标所属的最小子数据库,提高算法的定位效率。最终,考虑到AP对不同参考点在不同方向上的RSSI变化有不同的影响,传统算法仅使用待定位点与各参考点欧式距离的倒数作为权值,会带来很大的误差,故提出了一种分方向熵加权算法,即在不同方向上选出距离待定位目标最近的K个参考点,并利用熵权重分配替代传统的权重分配方式。最后通过实验检测得到的平均定位误差为0.99m,定位时间0.31s,累积误差函数曲线收敛速度也明显由于其他传统方法。可以看出,本发明所提出的位置指纹室内定位方法,在满足高精度检测效果的同时能满足检测快速性。因此,本文所提出的一种分方向熵加权WKNN的位置指纹室内定位方法在室内定位领域中具有广泛的应用前景。
Claims (1)
1.一种分方向熵加权WKNN的位置指纹室内定位方法,该方法包括:指纹数据的获取及预处理,构建离线位置指纹数据库,在线定位三个部分;
所述指纹数据的获取及预处理方法为:
在预定的测试区域中,按照一定间隔设定参考点,在每个参考点向不同方向收集数据信号;在每个参考点收集数据后,使用限幅-均值滤波对收集的数据进行预处理,剔除其中的异常数据;使得各参考点的指纹数据拥有更好的稳定性以及准确性;
所述构建离线位置指纹数据库的方法为:
指纹数据库由下列公式表示:
式中Ω为原始位置指纹数据库,RSSI2j表示第2个参考点接收到的第j个AP的RSSI值;N为AP个数;M表示参考点的数量;(x1,y1)表示第一个参考点的坐标;
将原始指纹数据库根据空间位置平均划分为4个子数据库,如果该子数据库中数据个数大于设定阈值,则再次对4个子数据库进行划分,直到新一轮的子数据库中数据个数小于等于设定阈值,最后一次划分得到的子数据库称为最小子数据库,根数据库由所有子指纹库共同构建而成;
所述在线定位方法为:
步骤1:获取待定位目标的RSSI矢量值后,与当前层级4个子数据库的质心矢量进行欧式距离的计算,选取其中欧式距离最小的子数据库进行后续计算;
步骤2:采用如下方法在各个方向上选择出K个对定位目标更有用的参考点;
步骤2.1:计算各AP的RSSI值与选择计算的方向上坐标值的相关系数rj;
式中,rssiij表示区域中第i个参考点接收到的第j个AP的RSSI值,表示区域中所有参考点接收到的第j个AP的RSSI的平均值,则表示区域中所有参考点在选择计算的方向上坐标的平均值,xi表示第i个参考点在选择计算的方向上的坐标值;
步骤2.2:对得到的相关性系数进行归一化处理;
其中,rg为第g个AP的RSSI值与选择计算的方向上坐标值之间的相关性系数;
步骤2.3:计算带定位点到参考点之间的欧式距离,并选择欧式距离最小的K个参考点;
其中,di表示待定位点与第i个参考点间的欧氏距离;
步骤3:采用下式分别计算步骤2得到的K个参考点接收到的第i个AP的RSSI值的占比,
其中,pij表示第j个参考点接收到的第i个AP的RSSI值的占比,j=1,2,…,K;
步骤4:采用下式分别计算步骤2得到的K个参考点的信息熵;
其中,Ej表示第j个参考点的信息熵;
步骤5:采用下式分别计算步骤2得到的K个参考点的权值,
其中,wj表示第j个参考点权值;
步骤6:将各K个参考点的权值带入如下公式得到选定方向上的定位结果;
其中,ε为一个不为零的小实数,避免分母为零的情况出现;
步骤7:采用步骤2到步骤6相同的方法计算其余方向上的定位结果,融合各个方向定位结果得到待定位目标点的位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537871.1A CN114845388B (zh) | 2022-05-17 | 2022-05-17 | 一种分方向熵加权wknn的位置指纹室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537871.1A CN114845388B (zh) | 2022-05-17 | 2022-05-17 | 一种分方向熵加权wknn的位置指纹室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114845388A CN114845388A (zh) | 2022-08-02 |
CN114845388B true CN114845388B (zh) | 2023-02-28 |
Family
ID=82571211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537871.1A Active CN114845388B (zh) | 2022-05-17 | 2022-05-17 | 一种分方向熵加权wknn的位置指纹室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114845388B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102752851A (zh) * | 2012-06-29 | 2012-10-24 | 中国科学院深圳先进技术研究院 | 室内定位指纹库的指纹信息收集方法及系统 |
CN104144495A (zh) * | 2014-07-04 | 2014-11-12 | 中国科学院光电研究院 | 一种基于方向传感器与wlan网络的指纹定位方法 |
CN106646338A (zh) * | 2016-12-07 | 2017-05-10 | 华南理工大学 | 一种快速精确的室内定位方法 |
CN107948930A (zh) * | 2017-12-31 | 2018-04-20 | 电子科技大学 | 基于位置指纹算法的室内定位优化方法 |
CN108882363A (zh) * | 2018-06-14 | 2018-11-23 | 贵州大学 | 一种多方向采集结合聚类的WiFi指纹室内定位方法 |
CN111669702A (zh) * | 2020-06-04 | 2020-09-15 | 中国矿业大学 | 基于wifi地址与场强的粗精匹配定位方法 |
CN111919476A (zh) * | 2018-01-11 | 2020-11-10 | 华为技术有限公司 | 一种室内定位的方法、服务器及定位系统 |
CN112153569A (zh) * | 2020-09-22 | 2020-12-29 | 武汉科技大学 | 一种基于室内指纹定位的优化方法 |
WO2021093872A1 (zh) * | 2019-11-14 | 2021-05-20 | 深圳先进技术研究院 | 一种群智感知的多源信息融合室内定位方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2773974B1 (en) * | 2011-11-02 | 2018-03-14 | Navin Systems Ltd. | Generating and using a location fingerprinting map |
WO2022054022A1 (en) * | 2020-09-14 | 2022-03-17 | Mahan Tabatabaie | Indoor localization based on previous activities |
-
2022
- 2022-05-17 CN CN202210537871.1A patent/CN114845388B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102752851A (zh) * | 2012-06-29 | 2012-10-24 | 中国科学院深圳先进技术研究院 | 室内定位指纹库的指纹信息收集方法及系统 |
CN104144495A (zh) * | 2014-07-04 | 2014-11-12 | 中国科学院光电研究院 | 一种基于方向传感器与wlan网络的指纹定位方法 |
CN106646338A (zh) * | 2016-12-07 | 2017-05-10 | 华南理工大学 | 一种快速精确的室内定位方法 |
CN107948930A (zh) * | 2017-12-31 | 2018-04-20 | 电子科技大学 | 基于位置指纹算法的室内定位优化方法 |
CN111919476A (zh) * | 2018-01-11 | 2020-11-10 | 华为技术有限公司 | 一种室内定位的方法、服务器及定位系统 |
CN108882363A (zh) * | 2018-06-14 | 2018-11-23 | 贵州大学 | 一种多方向采集结合聚类的WiFi指纹室内定位方法 |
WO2021093872A1 (zh) * | 2019-11-14 | 2021-05-20 | 深圳先进技术研究院 | 一种群智感知的多源信息融合室内定位方法及系统 |
CN111669702A (zh) * | 2020-06-04 | 2020-09-15 | 中国矿业大学 | 基于wifi地址与场强的粗精匹配定位方法 |
CN112153569A (zh) * | 2020-09-22 | 2020-12-29 | 武汉科技大学 | 一种基于室内指纹定位的优化方法 |
Non-Patent Citations (4)
Title |
---|
Indoor wifi positioning;I Sharp,K Yu;《Springer》;20180526;全文 * |
QSFDEW:a fingerprint positioning method based on quadtree search and fractal direction entropy weighting;Yuhao Huang,Run Ye,Bin Yan,Cheng Zhang,XiaoJia Zhou;《Springer》;20220927;全文 * |
基于RSSI信号特征的室内分区指纹定位算法;高思远等;《计算机工程与设计》;20200416(第04期);全文 * |
基于WiFi的室内定位技术研究与实现;王田芳;《中国优秀硕士学位论文全文数据库》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114845388A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107948930B (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN106646338B (zh) | 一种快速精确的室内定位方法 | |
CN109672973B (zh) | 一种基于最强ap的室内定位融合方法 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN109298725A (zh) | 一种基于phd滤波的群体机器人分布式多目标跟踪方法 | |
CN103916820A (zh) | 基于接入点稳定度的无线室内定位方法 | |
CN109511085A (zh) | 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法 | |
CN108834047B (zh) | 一种路径损耗模型的ap选择室内定位方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN110636437B (zh) | 一种基于指纹对的辅助定位方法 | |
CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
CN112203324B (zh) | 一种基于位置指纹库的mr定位方法及装置 | |
CN105657653B (zh) | 一种基于指纹数据压缩的室内定位方法 | |
CN113706588B (zh) | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
CN114845388B (zh) | 一种分方向熵加权wknn的位置指纹室内定位方法 | |
CN111669702A (zh) | 基于wifi地址与场强的粗精匹配定位方法 | |
CN109803234B (zh) | 基于权值重要度约束的无监督融合定位方法 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN116842818A (zh) | 基于鹈鹕优化算法的结构面产状分组方法 | |
CN110233608A (zh) | 一种基于权值自适应的粒子滤波方法和雷达系统 | |
CN112261578B (zh) | 基于众值滤波的室内指纹定位方法 |
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 |