CN115114571A - 一种基于核主成分分析增强无监督学习的非视距识别方法 - Google Patents
一种基于核主成分分析增强无监督学习的非视距识别方法 Download PDFInfo
- Publication number
- CN115114571A CN115114571A CN202210731975.6A CN202210731975A CN115114571A CN 115114571 A CN115114571 A CN 115114571A CN 202210731975 A CN202210731975 A CN 202210731975A CN 115114571 A CN115114571 A CN 115114571A
- Authority
- CN
- China
- Prior art keywords
- line
- sight
- principal component
- channel
- component analysis
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Discrete Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于核主成分分析增强无监督学习的非视距识别方法,涉及无线通信与定位导航技术领域,包括:S1,设计并开展室内信道测量活动,收集视距和非视距传播条件下的信道状态信息;S2,通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应;S3,基于信道脉冲响应提取出8种无线信道特征参数;S4,利用皮尔逊相关系数计算出不同特征之间的相关性;S5,基于核主成分分析方法获取主成分,找到所有特征的最优子集;S6,将S5得到的最优子集作为k‑means、GMM和FCM聚类算法的输入进行LOS和NLOS识别。本发明利用核主成分分析提取出最优的特征子集,寻找最优特征子集,减少了工作量,降低了输入特征的维度,识别的精度显著提高。
Description
技术领域
本发明涉及无线通信与定位导航技术领域,具体涉及一种基于核主成分分析增强无监督学习的非视距识别方法。
背景技术
随着第五代移动通信技术的推广和使用,许多电子产品(如手机,平板电脑、智能手环等)都要求提供基于位置的服务,因此,人们对于基于位置的服务变得日益迫切。在室外场景中,全球导航卫星系统(Global Navigation Satellite System,GNSS)可以提供精确的全球定位坐标。然而,在复杂多变的室内环境中,卫星定位系统的功率会产生严重的衰减,同时还受到多径效应的影响,导致GNSS定位系统产生较大的定位误差。另外,室内定位属于短距离小范围定位,定位精度要求较高,全球导航卫星系统定位无法满足定位精度要求。
目前,常见的室内定位技术主要包括无线传感器网络、声音、WiFi、红外线、RFID、蓝牙和超宽带(Ultra-Wideband,UWB)。UWB具有能耗低、时间分辨率高、抗多径等优点,被认为是实现高精度室内定位的重要技术之一。然而,在实际应用中,UWB定位会受到信道衰落、低信噪比、多用户干扰、多径效应和非视距(Non-Line-of-Sight,NLOS)传播。其中,NLOS传播对室内定位系统的影响最为重要。室内环境下视距(Line-of-Sight,LOS)传播经常被障碍物遮挡,导致信号形成NLOS传播。NLOS传播条件下,信号只能通过散射、反射或衍射等路径到达接收端,直接使用基于到达时间和接收信号强度的测距算法会出现较大偏差,从而严重影响了定位的性能。一旦执行了NLOS识别,就可以丢弃NLOS条件下的测量值,利用LOS条件下的测量值进行定位。因此,NLOS识别对提高室内定位精度具有重要的实际意义。
无线信道的传播条件可分为LOS和NLOS。因此,NLOS识别本质上可以看作是一个二分类问题。机器学习算法可以用于解决分类问题,而且在解决小样本学习和非线性问题方面表现出良好的能力。因此,各种机器学习方法被开发用于NLOS识别,如支持向量机、相关向量机、高斯过程分类器、遗传算法、随机森林和主成分分析k-means、高斯混合模型(Gaussian Mixture Model,GMM)和模糊C均值(Fuzzy C-means,FCM)。基于有监督机器学习算法进行NLOS识别虽然取得了较好的区分LOS和NLOS传播条件,但是需要花费大量的时间来标记信道条件。无监督机器学习方法避免了对信道条件进行任何严格和明确的标记过程,从而减少了大量的工作和时间。然而,传统的无监督学习算法不仅没有考虑不同输入特征之间的相关性和信息重叠,而且输入特征过多会降低算法的执行速度。因此,基于无监督机器学习进行NLOS识别仍然具有一定的局限性。
发明内容
为了解决上述现有技术存在的不足,本发明提供一种基于核主成分分析增强无监督学习的非视距识别方法,以提高对非视距识别的精度和稳定性。
本发明提出的技术方案为:
一种基于核主成分分析增强无监督学习的非视距识别方法,包括:
S1,设计并开展室内信道测量活动,收集视距和非视距传播条件下的信道状态信息;
S2,通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应;
S3,基于信道脉冲响应提取出8种无线信道特征参数;
S4,利用皮尔逊相关系数计算出不同特征之间的相关性;
S5,基于核主成分分析方法获取主成分,找到所有特征的最优子集;
S6,将S5得到的最优子集作为k-means、GMM和FCM聚类算法的输入进行LOS和NLOS识别。
作为本发明的进一步技术方案为,所述设计并开展室内信道测量活动,收集视距和非视距传播条件下的信道状态信息;具体为:信道状态信息能够提供发射机和接收机之间通信链路的信道属性信息,信道状态信息描述了频域内子载波的振幅和相位,则第k个子载波在接收端的信道状态信息为:
其中,fk是第k个子载波的频率,H(fk)是频率为fk的子载波处的信道状态信息,||H(fk)||和∠H(fk)分别为信道状态信息的振幅和相位,因此接收端的信道状态信息可表示为H=[H(f1),H(f2),L,H(fk),L H(f3201)]T。
作为本发明的进一步技术方案为,所述通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应;具体为:
其中,L代表的是多径分量的总数,ai,θi,τi分别表示第i条路径的振幅、相位和时延,δ(τ)是狄拉克脉冲函数。
作为本发明的进一步技术方案为,所述基于信道脉冲响应提取出8种无线信道特征参数,具体包括:
信道脉冲响应进行求和计算得到功率;
最大功率减去经验值20dB获得噪声阈值;
用噪声阈值对信道脉冲响应中进行过滤;
从过滤后的信道脉冲响应中提取的无线信道特征参数包括:均值、标准差、最大振幅,上升时间,均方根延时扩展,偏度,峰度,峰均比。
作为本发明的进一步技术方案为,所述利用皮尔逊相关系数计算出不同特征之间的相关性,具体包括:
利用皮尔逊相关系数计算出不同特征之间的相关性,特征A和特征B之间的相关系数计算公式为:
其中,N表示样本的总量,μA和μB分别表示特征A和B的均值,σA和σB表示特征A和B的标准差;
判断不同特征之间的相关性强弱,相关系数的绝对值越接近于1,表明两个特征之间的相关性越强;相反,相关系数的绝对值越接近于0,则表征两个特征之间几乎不存在相关性。
作为本发明的进一步技术方案为,所述基于核主成分分析方法提取主成分,找到所有特征的最优子集;具体包括:
S51:对输入特征向量xn(n=1,2,L,N)进行中心化处理;引入非线性映射函数φ,将样本x1,x2,...,xN变换为特征空间中的样本φ(x1),φ(x2),L,φ(xN),同时假设φ(xn)的均值为零,则φ(xn)的协方差矩阵为:
S52:协方差矩阵C的特征向量展开式定义为:
Cv=λv
其中:λ和v分别表示C的特征值和特征向量,目标是求解特征向量展开式中的参数λ和v;
S53:引入核矩阵K计算出λ和v值;
S54:选择m个特征向量,分别对应前m个最大特征值,形成子特征空间,满足:
其中,λt表示第t个特征的特征值。
作为本发明的进一步技术方案为,根据S5所提取的主成分作为K均值、高斯混合模型和模糊C均值聚类算法的输入向量进行视距和非视距识别,具体包括:
根据S5所提取的主成分提取的主成分构成的输入样本集D={x1,x2,L,xN},利用k-means、GMM和FCM算法对LOS和NLOS数据进行聚类;
计算k-means聚类算法的样本点间距离选择曼哈顿距离,特征向量x1和x2之间的曼哈顿距离为:
选取Accuracy和F1-score两个指标对提出的NLOS识别方法进行评价,两个指标的计算公式如下:
其中:TP表示真实标签为LOS传播,分类结果也为LOS;FN代表真实标签为LOS传播,但结果被误判为NLOS;TN表示真实标签为NLOS传播,分类结果也为NLOS;FP表示真实标签为NLOS传播,但分类结果却为LOS。
本发明的有益效果为:
本发明提取了8种常用的特征,利用核主成分分析提取出最优的特征子集,相比于对每种不同输入特征组合寻找最优特征子集,减少了工作量,降低了输入特征的维度,消除了不同特征之间的相关性,同时,将核主成分分析提取的主成分作为无监督学习算法的输入向量进行NLOS识别,与传统的无监督学习算法相比,NLOS识别的精度显著提高。
附图说明
图1为本发明提出的一种基于核主成分分析增强无监督学习的非视距识别方法流程图;
图2为本发明所提出的NLOS识别方法流程框架图;
图3为室内会议室场景下数据采集场地布局示意图;
图4为本发明所提取的8种不同特征的相关系数矩阵图;
图5是对实测的典型室内办公环境数据使用本发明方法进行NLOS识别的精度图;
图6为使用本发明方法与传统的k-means、GMM和FCM聚类算法的F1-score结果比较图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
参见图1和图2,一种基于核主成分分析增强无监督学习的非视距识别方法,包括:
S1,设计并开展室内信道测量活动,收集视距和非视距传播条件下的信道状态信息;
S2,通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应;
S3,基于信道脉冲响应提取出8种无线信道特征参数;
S4,利用皮尔逊相关系数计算出不同特征之间的相关性;
S5,基于核主成分分析方法获取主成分,找到所有特征的最优子集;
S6,将S5得到的最优子集作为k-means、GMM和FCM聚类算法的输入进行LOS和NLOS识别。
本发明实施例中,设计并开展室内信道测量活动,收集视距和非视距传播条件下的信道状态信息;具体为:信道状态信息能够提供发射机和接收机之间通信链路的信道属性信息,信道状态信息描述了频域内子载波的振幅和相位,则第k个子载波在接收端的信道状态信息为:
其中,fk是第k个子载波的频率,H(fk)是频率为fk的子载波处的信道状态信息,||H(fk)||和∠H(fk)分别为信道状态信息的振幅和相位,因此接收端的信道状态信息可表示为H=[H(f1),H(f2),L,H(fk),L H(f3201)]T。
作为本发明的进一步技术方案为,所述通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应;具体为:
其中,L代表的是多径分量的总数,ai,θi,τi分别表示第i条路径的振幅、相位和时延,δ(τ)是狄拉克脉冲函数。
作为本发明的进一步技术方案为,所述基于信道脉冲响应提取出8种无线信道特征参数,具体包括:
信道脉冲响应进行求和计算得到功率;
最大功率减去经验值20dB获得噪声阈值;
用噪声阈值对信道脉冲响应中进行过滤;
从过滤后的信道脉冲响应中提取出常用特征包括:均值、标准差、最大振幅,上升时间,均方根延时扩展,偏度,峰度,峰均比,故基于信道脉冲响应共提取出8种可用于非视距识别的信道特征。
均方根延时扩展的表达式如下:
偏度的计算公式如下:
其中,E(·)表示期望运算,μ|h|和σ|h|分别代表信道脉冲响应的均值和标准差。
峰度的表达式为:
峰均比的计算公式为:
其中,pmax和pmean分别表示功率的最大值和平均值。
S4中,利用皮尔逊相关系数计算出不同特征之间的相关性,相关系数计算公式为:
其中,N表示样本的总量,μA和μB分别表示特征A和B的均值,σA和σB表示特征A和B的标准差;
S5中,基于核主成分分析方法获取主成分,找到所有特征的最优子集;选择m个特征向量,分别对应前m个最大特征值,形成子特征空间,满足:
其中,λt表示第t个特征的特征值。
S6中,根据S5所提取的主成分提取的主成分构成的输入样本集D={x1,x2,L,xN},利用k-means、GMM和FCM算法对LOS和NLOS数据进行聚类。
计算k-means聚类算法的样本点间距离选择曼哈顿距离,特征向量x1和x2之间的曼哈顿距离为:
选取Accuracy和F1-score两个指标对提出的NLOS识别方法进行评价,两个指标的计算公式如下:
其中:TP表示真实标签为LOS传播,分类结果也为LOS;FN代表真实标签为LOS传播,但结果被误判为NLOS;TN表示真实标签为NLOS传播,分类结果也为NLOS;FP表示真实标签为NLOS传播,但分类结果却为LOS。
本发明提取了8种常用的特征,利用核主成分分析提取出最优的特征子集,相比于对每种不同输入特征组合寻找最优特征子集,减少了工作量,降低了输入特征的维度,消除了不同特征之间的相关性,同时,将核主成分分析提取的主成分作为无监督学习算法的输入向量进行NLOS识别,与传统的无监督学习算法相比,NLOS识别的精度显著提高。
图3为本发明实施例的室内会议室场景下数据采集场地布局示意图,其具体包括:以一个8×4m2的室内会议室为实验场景,设计并开展了2.4GHz至5.4GHz频段的信道测量活动。会议室里有椅子、桌子、液晶显示屏和空调。在测量过程中,周围环境中的物体保持固定不变。无线信道测量使用Keysight公司生产的P5008A型矢量网络分析仪VAN,VAN采集所有接收器的信道状态信息。笔记本电脑用于设置VAN的参数,并从VAN中提取信道状态信息,通过电缆连接来同步收发两端的时钟。发射机和接收机使用相同类型的天线,工作在测量频段,具有水平面的全向模式。发射天线和接收天线的位置坐标由TOPCON@全站仪测量得到,可以根据位置测量得到发射机与接收机之间距离的地面真实情况。
如图3所示,测量活动中使用了五个发射天线,其中三个位于会议室内,属于LOS环境,剩余两个位于走廊,属于NLOS环境。在会议室内设置了88个接收天线组成的网络,每个测量快照的接收天线位置都是已知的,相邻点间距为0.5m。此外,在测量过程中,收发天线的高度均保持在1.15m。对于每个测量快照,扫描2.4GHz至5.4GHz之间的3201个频率样本。因此,相邻的频率样本间隔为0.9375MHz,这可以转化为最大可分辨传播时间1.0667μs,对应的传播距离为320m。
会议室场景共采集405个原始数据样本。其中,LOS传播条件下共获得264个样本,剩余的141个样本为NLOS传播。LOS传播条件下,无线信号的能量主要通过视距路径从发射机到达接收机;NLOS传播条件下,发射机和接收机之间的视距路径被障碍物阻塞,无线信号只能通过反射、衍射、散射等路径到达接收机。NLOS传播导致无线信号传播时延增大,而且信号的功率也会产生严重衰减,从而会在距离估计算法中引入正偏差,显著降低了室内定位的精度。
本发明方法的有效性和可行性可通过下面的实例进行展示和说明。
本发明方法在MATLAB 2014b环境中进行,该环境运行在由Core i5-65003.2GHzCPU和4.0GB RAM驱动的PC上。在基于核主成分分析增强无监督学习的非视距识别方法的实验中,径向基核函数用于核主成分分析,曼哈顿距离用于计算k-means聚类算法的样本点间距离。
图4为8种不同特征的相关系数矩阵,大部分特征之间的相关系数的绝对值都比较大,相关系数的绝对值越大,表明不同特征之间的相关性越强,例如,特征1和特征2的相关系数为0.95,特征6和特征7的相关系数为0.98,故不同特征之间存在很强的相关性。
图5为使用本发明对实测的典型室内办公环境数据进行NLOS识别获得的精度。由图可知,KPCA-k-means算法的识别精度为90.29%,比k-means算法高2.47%,同样,KPCA-GMM和KPCA-FCM的精度分别为89.14%和88.64%,分别比GMM和FCM算法高3.47%和4.69%,基于核主成分分析增强无监督学习的非视距识别方法能够显著提高传统聚类算法的NLOS识别精度。通过对比还可得出KPCA-k-means算法的识别精度最高。
图6是使用本发明方法与传统的k-means、GMM和FCM聚类方法的F1-score结果对比。KPCA-k-means、KPCA-GMM和KPCA-FCM方法的F1-score值均高于k-means、GMM和FCM方法,基于核主成分分析增强无监督学习的方法比传统的聚类方法非视距识别效果好,本发明方法对提高室内定位精度具有重要指导意义。
以上对本发明进行了详细介绍,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (7)
1.一种基于核主成分分析增强无监督学习的非视距识别方法,其特征在于,包括:
S1,设计并开展室内信道测量活动,收集视距和非视距传播条件下的信道状态信息;
S2,通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应;
S3,基于信道脉冲响应提取出8种无线信道特征参数;
S4,利用皮尔逊相关系数计算出不同特征之间的相关性;
S5,基于核主成分分析方法获取主成分,找到所有特征的最优子集;
S6,将S5得到的最优子集作为k-means、GMM和FCM聚类算法的输入进行LOS和NLOS识别。
4.根据权利要求1所述的一种基于核主成分分析增强无监督学习的非视距识别方法,其特征在于,所述基于信道脉冲响应提取出8种无线信道特征参数,具体包括:
信道脉冲响应进行求和计算得到功率;
最大功率减去经验值20dB获得噪声阈值;
用噪声阈值对信道脉冲响应中进行过滤;
从过滤后的信道脉冲响应中提取的无线信道特征参数包括:均值、标准差、最大振幅、上升时间、均方根延时扩展、偏度、峰度、峰均比。
6.根据权利要求1所述的一种基于核主成分分析增强无监督学习的非视距识别方法,其特征在于,所述基于核主成分分析方法提取主成分,找到所有特征的最优子集;具体包括:
S51:对输入特征向量xn(n=1,2,L,N)进行中心化处理;引入非线性映射函数φ,将样本x1,x2,...,xN变换为特征空间中的样本φ(x1),φ(x2),L,φ(xN),同时假设φ(xn)的均值为零,则φ(xn)的协方差矩阵为:
S52:协方差矩阵C的特征向量展开式定义为:
Cv=λv
其中:λ和v分别表示C的特征值和特征向量,目标是求解特征向量展开式中的参数λ和v;
S53:引入核矩阵K计算出λ和v值;
S54:选择m个特征向量,分别对应前m个最大特征值,形成子特征空间,满足:
其中,λt表示第t个特征的特征值。
7.根据权利要求1所述的一种基于核主成分分析增强无监督学习的非视距识别方法,其特征在于,根据S5所提取的主成分作为K均值、高斯混合模型和模糊C均值聚类算法的输入向量进行视距和非视距识别,具体包括:
根据S5所提取的主成分提取的主成分构成的输入样本集D={x1,x2,L,xN},利用k-means、GMM和FCM算法对LOS和NLOS数据进行聚类;
计算k-means聚类算法的样本点间距离选择曼哈顿距离,特征向量x1和x2之间的曼哈顿距离为:
选取Accuracy和F1-score两个指标对提出的NLOS识别方法进行评价,两个指标的计算公式如下:
其中:TP表示真实标签为LOS传播,分类结果也为LOS;FN代表真实标签为LOS传播,但结果被误判为NLOS;TN表示真实标签为NLOS传播,分类结果也为NLOS;FP表示真实标签为NLOS传播,但分类结果却为LOS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210731975.6A CN115114571A (zh) | 2022-06-26 | 2022-06-26 | 一种基于核主成分分析增强无监督学习的非视距识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210731975.6A CN115114571A (zh) | 2022-06-26 | 2022-06-26 | 一种基于核主成分分析增强无监督学习的非视距识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115114571A true CN115114571A (zh) | 2022-09-27 |
Family
ID=83329567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210731975.6A Pending CN115114571A (zh) | 2022-06-26 | 2022-06-26 | 一种基于核主成分分析增强无监督学习的非视距识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114571A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150185270A1 (en) * | 2012-12-28 | 2015-07-02 | State Grid Corporation Of China | Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm |
CN106792808A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于信道状态信息的室内环境下视距路径识别方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
CN111444784A (zh) * | 2020-03-11 | 2020-07-24 | 云领电气智能科技(苏州)有限公司 | 基于核主成分分析的电力设备放电信号分离分类方法 |
CN111770527A (zh) * | 2020-06-24 | 2020-10-13 | 长安大学 | 基于二维特征的可视与非可视信道识别方法及装置 |
CN111965721A (zh) * | 2020-09-07 | 2020-11-20 | 中国煤炭地质总局地球物理勘探研究院 | 一种瞬变电磁数据多属性融合技术 |
EP3839680A1 (en) * | 2019-12-20 | 2021-06-23 | Robert Bosch GmbH | Method and device for controlling a machine using principal component analysis |
-
2022
- 2022-06-26 CN CN202210731975.6A patent/CN115114571A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150185270A1 (en) * | 2012-12-28 | 2015-07-02 | State Grid Corporation Of China | Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm |
CN106792808A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于信道状态信息的室内环境下视距路径识别方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
EP3839680A1 (en) * | 2019-12-20 | 2021-06-23 | Robert Bosch GmbH | Method and device for controlling a machine using principal component analysis |
CN111444784A (zh) * | 2020-03-11 | 2020-07-24 | 云领电气智能科技(苏州)有限公司 | 基于核主成分分析的电力设备放电信号分离分类方法 |
CN111770527A (zh) * | 2020-06-24 | 2020-10-13 | 长安大学 | 基于二维特征的可视与非可视信道识别方法及装置 |
CN111965721A (zh) * | 2020-09-07 | 2020-11-20 | 中国煤炭地质总局地球物理勘探研究院 | 一种瞬变电磁数据多属性融合技术 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Survey on CSI-based indoor positioning systems and recent advances | |
Wang et al. | A novel detection and recognition method for continuous hand gesture using FMCW radar | |
Zhou et al. | 6G multisource-information-fusion-based indoor positioning via Gaussian kernel density estimation | |
Li et al. | Indoor localization based on CSI fingerprint by siamese convolution neural network | |
CN106793087B (zh) | 一种基于aoa和pdoa的阵列天线室内定位方法 | |
Zhang et al. | A novel CSI-based fingerprinting for localization with a single AP | |
CN110475221A (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
Yang et al. | Decimeter level indoor localization using WiFi channel state information | |
CN104540221A (zh) | 基于半监督sde算法的wlan室内定位方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN111854732A (zh) | 一种基于数据融合和宽度学习的室内指纹定位方法 | |
Wang et al. | Multi-person device-free gesture recognition using mmWave signals | |
Zhang et al. | A training-free multipath enhancement (TFME-RTI) method for device-free multi-target localization | |
AlHajri et al. | A cascaded machine learning approach for indoor classification and localization using adaptive feature selection | |
Fan et al. | Single-site indoor fingerprint localization based on MIMO-CSI | |
CN113300986B (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
Yeung et al. | Enhanced fingerprint-based location estimation system in wireless LAN environment | |
Dang et al. | Air gesture recognition using WLAN physical layer information | |
CN115114571A (zh) | 一种基于核主成分分析增强无监督学习的非视距识别方法 | |
Imran et al. | A Novel Indoor Positioning System Using Kernel Local Discriminant Analysis in Internet‐of‐Things | |
Ding et al. | Multimodal fusion-GMM based gesture recognition for smart home by WiFi sensing | |
Wang et al. | Indoor fingerprinting localization based on fine-grained CSI using principal component analysis | |
KR102096941B1 (ko) | Pcl 운용 환경을 기반으로 하는 저피탐 표적 식별 장치 및 그 방법 | |
Gong et al. | Improved K-nearest neighbor algorithm for indoor positioning using 5G channel state information | |
CN114760684A (zh) | 无线定位方法、路径识别模型的训练方法和装置 |
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 |