CN114980315A - 一种移动智能终端高精度定位方法和系统 - Google Patents
一种移动智能终端高精度定位方法和系统 Download PDFInfo
- Publication number
- CN114980315A CN114980315A CN202210647926.4A CN202210647926A CN114980315A CN 114980315 A CN114980315 A CN 114980315A CN 202210647926 A CN202210647926 A CN 202210647926A CN 114980315 A CN114980315 A CN 114980315A
- Authority
- CN
- China
- Prior art keywords
- information
- sample data
- training
- mobile intelligent
- module
- 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
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011664 signaling Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种移动智能终端高精度定位方法和系统,其中方法包括:S1,采集若干移动智能终端的位置测量信息作为样本数据;S2,对步骤1中采集的样本数据进行处理,生成训练样本数据和测试样本数据;S3,基于深度卷积神经网络构建训练模型,根据训练样本数据进行训练,根据验证样本数据进行验证;S4,根据步骤3中对训练模型进行训练和验证,构建预测模型;S5,利用步骤4中构建的预测模型待测位置的移动智能终端进行位置预测;S6,根据预设周期,进行周期性的位置预测模型校准。本发明利用位置预测模型对终端进行定位,能够实现精准定位,不但提高了效率,还降低了数据采集成本。
Description
技术领域
本发明涉及无线定位领域,特别涉及一种移动智能终端高精度定位方法和系统。
背景技术
随着无线通信技术的发展以及智能终端的普及,基于终端用户位置的服务呈现爆发式增长。准确地定位终端的位置,对于为用户提供更加优良的基本服务、增加更加丰富的增值服务具有重大意义。但是,无线传播的环境也越来越复杂,无线信号传播中的折射、反射和衰落环境随机分布,对定位的精度造成严峻的挑战,需要找到更加先进和准确的定位方法。
传统的根据终端测量报告进行定位的方式,需要进行传播模型校准,工作量繁重,成本巨大,且由于电波时延存在损耗,导致定位精度不高。而指纹识别方法,数据来源单一且受行进路线和范围的影响,定位局限性较大。
发明内容
为了解决现有问题,本发明提供了一种移动智能终端高精度定位方法和系统,具体方案如下:
一种移动智能终端高精度定位方法,包括以下步骤:
S1,采集若干移动智能终端的位置测量信息作为样本数据;
S2,对步骤1中采集的样本数据进行处理,生成训练样本数据和测试样本数据;
S3,基于深度卷积神经网络构建训练模型,根据所述训练样本数据进行训练,根据所述验证样本数据进行验证;
S4,根据步骤3中对所述训练模型进行训练和验证,构建预测模型;
S5,利用步骤4中构建的所述预测模型待测位置的移动智能终端进行位置预测;
S6,根据预设周期,进行周期性的所述位置预测模型校准。
优选的,步骤1中获取的所述样本数据包括MDT数据信息和TA信令数据信息。
优选的,所述步骤2中对采集的样本数据进行处理的步骤包括:
S21,将所述MDT数据信息和所述TA信令数据信息处理为机器学习格式的输入;
S22,通过预设匹配条件,进行所述MDT数据信息和所述TA信令数据信息的关联匹配,将所述TA信令数据信息相应填到所述MDT数据信息中去,得到已匹配的MDT数据;
S23,对步骤22得到的所述已匹配的MDT数据进行位置特征信息提取;
S24,对所述位置特征信息进行过滤,筛选出包含有经纬度信息的终端的数据记录,并对筛选出来的包含经纬度信息的终端的位置特征信息进行归一化处理。
优选的,步骤22中的所述匹配条件包括用户ID、时间以及主服务小区ID。
优选的,步骤23中的所述位置特征信息包括:移动智能终端的经纬度信息、服务小区的经纬度信息、服务小区RSRP值、服务小区TA值、邻区的经纬度信息以及邻区RSRP值的数据。
本发明还揭示了一种计算机可读存储介质,介质上存有计算机程序,计算机程序运行后,执行上述的移动智能终端高精度定位方法。
本发明还揭示了一种计算机系统,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行上述的移动智能终端高精度定位方法。
优选的,一种移动智能终端高精度定位方法的系统,包括采集模块、处理模块以及移动终端定位模块,其中,所述处理模块包括特征提取模块、训练模块、验证模块以及校准模块;所述采集模块用于采集若干移动智能终端的位置测量信息作为样本数据;所述特征提取模块用于对采集模块采集到的所述样本数据预处理后进行位置特征信息提取,得到位置特征信息;所述训练模块和所述验证模块用于根据训练样本数据和验证样本数据,在深度卷积神经网络中进行训练和验证,得到位置预测模型;所述校准模块用于根据预设周期,进行周期性的位置预测模型校准;所述移动终端定位模块用于采集待定位的移动终端的位置测量信息,将待定位终端的位置测量信息输入至所述位置预测模型中,得到待定位终端的经纬度定位结果。
本发明的有益效果在于:
本发明利用位置预测模型对终端进行定位,依据现网的数据进行定位,即预测模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点,能够实现精准定位,克服了指纹库等技术依赖于路测数据采集,只能采集到网络中局部的、线段上的数据的不足,不但提高了效率,还降低了数据采集成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1,一种移动智能终端高精度定位方法,包括以下步骤:
S1,采集若干移动智能终端的位置测量信息作为样本数据;其中,所述样本数据包括MDT数据信息和TA信令数据信息。其中,MDT数据信息为最小化路测数据,可以通过使用3GPP规定的MDT功能获得,在开启MDT功能的系统里,支持该功能的终端会周期性地上报包含其经纬度信息、服务小区的信号强度RSRP、邻区的小区ID和信号强度RSRP。而不支持该功能的终端则只会上报服务小区的信号强度RSRP,以及邻区的小区ID和RSRP信息,不会上报其经纬度信息。收集的样本数据还包括服务小区的TA信令记录,实际应用中,为了训练模型的准确性,可以收集全网7*24小时以上的MDT数据信息和TA信令数据。
S2,对步骤1中采集的样本数据进行处理,生成训练样本数据和测试样本数据。
其中,对采集的样本数据进行处理的步骤包括:
S21,将所述MDT数据信息和所述TA信令数据信息处理为机器学习格式的输入;
S22,通过预设匹配条件,进行所述MDT数据信息和所述TA信令数据信息的关联匹配,将所述TA信令数据信息相应填到所述MDT数据信息中去,得到已匹配的MDT数据;其中,所述匹配条件包括用户ID、时间以及主服务小区ID。
S23,对步骤22得到的所述已匹配的MDT数据进行位置特征信息提取;所述位置特征信息包括:移动智能终端的经纬度信息、服务小区的经纬度信息、服务小区RSRP值、服务小区TA值、邻区的经纬度信息以及邻区RSRP值的数据。
S24,对所述位置特征信息进行过滤,筛选出包含有经纬度信息的终端的数据记录,并对筛选出来的包含经纬度信息的终端的位置特征信息进行归一化处理。
S3,基于深度卷积神经网络构建训练模型,根据所述训练样本数据进行训练,根据所述验证样本数据进行验证;
为了保证位置预测模型的准确性,将采集的样本数据分为训练数据集和验证数据集,训练数据集中包含的位置测量信息用于训练位置预测模型,验证数据集中包含的位置测量信息用于验证训练的模型进行验证。在对训练集训练结束后,使用测试集数据对训练的模型进行验证,并根据验证的结果对模型的超参数进行调整,以提高测试精度,并减少训练时的过拟合,生成最终的预测模型。验证的终止条件为验证的误差范围低于合理范围。
S4,根据步骤3中对所述训练模型进行训练和验证,构建预测模型;
S5,利用步骤4中构建的所述预测模型待测位置的移动智能终端进行位置预测;
S6,根据预设周期,进行周期性的所述位置预测模型校准。
考虑到实际无线环境中站点拓扑、地貌建筑等会持续不断地变化,为了适应无线环境变化对定位精度的影响,需要周期性地进行数据采集和训练,校准预测模型,保障预测模型的精准度,例如每三个月到半年再次进行校准。具体地,获取用于测试的位置测量信息,固定位置预测模型的部分参数,同时对其他各个参数进行调整,直到预测误差处于合理的误差范围内。
例如,校准时,可以只采用少量数据(例如3天的数据),利用原始的位置预测模型,固定输入端各个CNN层的参数,只对最后一层卷积层以及输出端全连结层的参数进行微调,达到校准的精度要求后,保存并生成新的预测模型。
本发明还揭示了一种计算机可读存储介质,介质上存有计算机程序,计算机程序运行后,执行上述的移动智能终端高精度定位方法。
本发明还揭示了一种计算机系统,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行上述的移动智能终端高精度定位方法。
一种移动智能终端高精度定位方法的系统,包括采集模块、处理模块以及移动终端定位模块,其中,所述处理模块包括特征提取模块、训练模块、验证模块以及校准模块;所述采集模块用于采集若干移动智能终端的位置测量信息作为样本数据;所述特征提取模块用于对采集模块采集到的所述样本数据预处理后进行位置特征信息提取,得到位置特征信息;所述训练模块和所述验证模块用于根据训练样本数据和验证样本数据,在深度卷积神经网络中进行训练和验证,得到位置预测模型;所述校准模块用于根据预设周期,进行周期性的位置预测模型校准;所述移动终端定位模块用于采集待定位的移动终端的位置测量信息,将待定位终端的位置测量信息输入至所述位置预测模型中,得到待定位终端的经纬度定位结果。
本发明利用位置预测模型对终端进行定位,依据现网的数据进行定位,即预测模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点,能够实现精准定位,克服了指纹库等技术依赖于路测数据采集,只能采集到网络中局部的、线段上的数据的不足,不但提高了效率,还降低了数据采集成本。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
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。
Claims (8)
1.一种移动智能终端高精度定位方法,其特征在于,包括以下步骤:
S1,采集若干移动智能终端的位置测量信息作为样本数据;
S2,对步骤1中采集的样本数据进行处理,生成训练样本数据和测试样本数据;
S3,基于深度卷积神经网络构建训练模型,根据所述训练样本数据进行训练,根据所述验证样本数据进行验证;
S4,根据步骤3中对所述训练模型进行训练和验证,构建预测模型;
S5,利用步骤4中构建的所述预测模型待测位置的移动智能终端进行位置预测;
S6,根据预设周期,进行周期性的所述位置预测模型校准。
2.根据权利要求1所述的方法,其特征在于,步骤1中获取的所述样本数据包括MDT数据信息和TA信令数据信息。
3.根据权利要求2所述的移动智能终端高精度定位方法,其特征在于:所述步骤2中对采集的样本数据进行处理的步骤包括:
S21,将所述MDT数据信息和所述TA信令数据信息处理为机器学习格式的输入;
S22,通过预设匹配条件,进行所述MDT数据信息和所述TA信令数据信息的关联匹配,将所述TA信令数据信息相应填到所述MDT数据信息中去,得到已匹配的MDT数据;
S23,对步骤22得到的所述已匹配的MDT数据进行位置特征信息提取;
S24,对所述位置特征信息进行过滤,筛选出包含有经纬度信息的终端的数据记录,并对筛选出来的包含经纬度信息的终端的位置特征信息进行归一化处理。
4.根据权利要求3所述的移动智能终端高精度定位方法,其特征在于:步骤22中的所述匹配条件包括用户ID、时间以及主服务小区ID。
5.根据权利要求3所述的移动智能终端高精度定位方法,其特征在于:步骤23中的所述位置特征信息包括:移动智能终端的经纬度信息、服务小区的经纬度信息、服务小区RSRP值、服务小区TA值、邻区的经纬度信息以及邻区RSRP值的数据。
6.一种计算机可读存储介质,其特征在于:介质上存有计算机程序,计算机程序运行后,执行如权利要求1至5中任一项所述的移动智能终端高精度定位方法。
7.一种计算机系统,其特征在于:包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行如权利要求1至5中任一项所述的移动智能终端高精度定位方法。
8.用于权利要求1-6任一所述的一种移动智能终端高精度定位方法的系统,其特征在于:包括采集模块、处理模块以及移动终端定位模块,其中,所述处理模块包括特征提取模块、训练模块、验证模块以及校准模块;
所述采集模块用于采集若干移动智能终端的位置测量信息作为样本数据;
所述特征提取模块用于对采集模块采集到的所述样本数据预处理后进行位置特征信息提取,得到位置特征信息;
所述训练模块和所述验证模块用于根据训练样本数据和验证样本数据,在深度卷积神经网络中进行训练和验证,得到位置预测模型;
所述校准模块用于根据预设周期,进行周期性的位置预测模型校准;
所述移动终端定位模块用于采集待定位的移动终端的位置测量信息,将待定位终端的位置测量信息输入至所述位置预测模型中,得到待定位终端的经纬度定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647926.4A CN114980315A (zh) | 2022-06-09 | 2022-06-09 | 一种移动智能终端高精度定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647926.4A CN114980315A (zh) | 2022-06-09 | 2022-06-09 | 一种移动智能终端高精度定位方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114980315A true CN114980315A (zh) | 2022-08-30 |
Family
ID=82961439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210647926.4A Pending CN114980315A (zh) | 2022-06-09 | 2022-06-09 | 一种移动智能终端高精度定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114980315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880430A (zh) * | 2023-09-08 | 2023-10-13 | 东晶电子金华有限公司 | 一种全自动谐振器微调对机的控制方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200213805A1 (en) * | 2018-08-17 | 2020-07-02 | xAd, Inc. | Systems and Methods for Calibrated Location Prediction |
CN112543470A (zh) * | 2019-09-23 | 2021-03-23 | 中国移动通信集团重庆有限公司 | 基于机器学习的终端定位方法及系统 |
US20220067588A1 (en) * | 2019-10-15 | 2022-03-03 | Siemens Aktiengesellschaft | Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model |
-
2022
- 2022-06-09 CN CN202210647926.4A patent/CN114980315A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200213805A1 (en) * | 2018-08-17 | 2020-07-02 | xAd, Inc. | Systems and Methods for Calibrated Location Prediction |
CN112543470A (zh) * | 2019-09-23 | 2021-03-23 | 中国移动通信集团重庆有限公司 | 基于机器学习的终端定位方法及系统 |
US20220067588A1 (en) * | 2019-10-15 | 2022-03-03 | Siemens Aktiengesellschaft | Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880430A (zh) * | 2023-09-08 | 2023-10-13 | 东晶电子金华有限公司 | 一种全自动谐振器微调对机的控制方法和系统 |
CN116880430B (zh) * | 2023-09-08 | 2023-11-28 | 东晶电子金华有限公司 | 一种全自动谐振器微调对机的控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112543470B (zh) | 基于机器学习的终端定位方法及系统 | |
CN103796227B (zh) | 进行无线信号覆盖分析的方法和系统 | |
CN109429264B (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
CN110351734B (zh) | 基于移动终端数据实现预测小区位置的方法 | |
CN114980315A (zh) | 一种移动智能终端高精度定位方法和系统 | |
CN105679335A (zh) | 基于无线分析的语音质量评估方法及系统 | |
CN111465025A (zh) | 一种基于新型容量预测模型的旅游城市5g网络组网方法 | |
CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
CN114822215B (zh) | 一种基于移动大数据的噪声地图绘制方法及系统 | |
CN111148111A (zh) | 天线参数的调整方法、装置、设备及计算机存储介质 | |
CN102421188B (zh) | 一种快速精确定位移动终端的方法 | |
CN113052308B (zh) | 训练目标小区识别模型的方法及目标小区识别方法 | |
CN113365306A (zh) | 网络分析方法及装置、存储介质、计算机系统 | |
CN117440407A (zh) | 一种lte无线网络的评估方法及服务器 | |
CN109739866B (zh) | 一种包含指纹库的自动更新和优化装置及方法 | |
CN114189506B (zh) | 一种设备巡检方法、装置及系统 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN111343664A (zh) | 用户定位方法、装置、设备及介质 | |
CN115207909A (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
CN105451246A (zh) | Lte网络中基于小区干扰总量的信号优化方法及系统 | |
CN112911604B (zh) | 基站建设优先级确定方法、装置、设备及计算机存储介质 | |
CN109996253A (zh) | 一种小区信号覆盖范围合理性的评估方法及装置 | |
CN116470975B (zh) | 一种基于svr的自适应传播预测模型的建模方法 | |
CN114339827B (zh) | 基站经纬度校准方法及装置 | |
CN117354072B (zh) | 一种数据中心网络带宽流量自动计费调节方法及装置 |
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 |