CN115908547A - 一种基于深度学习的无线定位方法 - Google Patents

一种基于深度学习的无线定位方法 Download PDF

Info

Publication number
CN115908547A
CN115908547A CN202211327184.3A CN202211327184A CN115908547A CN 115908547 A CN115908547 A CN 115908547A CN 202211327184 A CN202211327184 A CN 202211327184A CN 115908547 A CN115908547 A CN 115908547A
Authority
CN
China
Prior art keywords
csi
positioning
amplitude
phase difference
phase
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
Application number
CN202211327184.3A
Other languages
English (en)
Inventor
张在琛
孙露
吴亮
逯利军
钱培专
许闱帷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CERTUSNET CORP
Southeast University
Original Assignee
CERTUSNET CORP
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CERTUSNET CORP, Southeast University filed Critical CERTUSNET CORP
Priority to CN202211327184.3A priority Critical patent/CN115908547A/zh
Publication of CN115908547A publication Critical patent/CN115908547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度学习的无线定位方法，包括以下步骤：通过信道仿真器获取信道状态信息并进行预处理；基于提取的幅度和相位信息构建CSI图像；在离线阶段，将参考点处构建的CSI图像输入卷积神经网络进行学习，得到分类模型；在在线阶段，将测试点处构建的CSI图像输入训练得到的卷积神经网络模型，得到目标的粗略定位结果后，再结合基于概率的坐标计算方法得到最终的定位结果。本发明基于CSI图像和卷积神经网络将定位问题转化成图像分类问题，可以提高目标定位精度。

Description

一种基于深度学习的无线定位方法
技术领域
本发明属于通信感知和无线室内定位技术领域，具体涉及一种基于深度学习的无线定位方法。
背景技术
随着物联网技术的发展，诸如人类活动识别、健康感知等室内定位位置服务的需求越来越强烈，对高精度的室内导航及位置服务技术提出了高要求。
目前室内定位算法主要包括两大类：基于几何的方法和基于指纹的方法。基于几何的定位方法主要包含到达时间、到达时间差和到达角。ToA通过测量目标和多个基站之间的无线信号传输时间来计算位置，ToA和TDoA都需要严格的时间同步，AoA通过从位置已知的基站接收到的信号来执行角度估计。基于指纹的方法通过利用电磁的指纹特性，建立指纹数据库匹配位置指纹获得位置，能够避免测距固有的误差，提升定位精度，且其具有低成本、易实现、易测量的特性，已逐渐成为室内定位技术的主流趋势。
使用接收信号强度作为指纹的定位方法因其计算复杂度低、适用性强而被广泛使用。然而，RSS空间分辨率低，匹配精度低。通过OFDM技术可以将无线信号发射端和接收端之间的信道特征以信道状态信息的形式从物理层解析出来。与RSS的信号强度信息相比，CSI可以提供多通道的子载波相位和幅度信息，更好地描述信号的传播路径。
CSI是高维特征，随着数据库规模的增大，训练成本和处理复杂度都会大大提高，应用深度学习提取CSI数据特征和训练数据，可以提高指纹采集匹配效率和定位精度。现有的利用单接入点构造CSI图像的方式，将多个数据包采集得到的数据构成一张图片，并在每个测量点处生成多张图片，即在同一位置处，通常需要采集数百个数据包的CSI数据，这会对实际采集造成较大难度。此外，CSI幅度和相位特征单独用于指纹匹配时，在复杂环境下易出现空间区分度不足的情况。
通信感知一体化技术能够在通信和感知之间共享频谱、硬件平台、基带波形和信号处理，从而有效提升系统的频谱效率、能量效率和硬件效率。同时具有通信和感知功能将是6G基站和终端的能力趋势。近年来，无线局域网或无线保真技术已成功用于实现检测、定位和识别等传感功能。IEEE 802.11工作组成立了IEEE 802.11bf任务组，旨在对WLAN标准进行修订，以提供先进的感知要求，同时尽量减少对WLAN通信的影响，推动通信感知一体化技术的研究。
发明内容
技术问题：本发明针对室内NLOS场景，提供了一种高精度的面向通信感知一体化的基于深度学习的无线定位方法，能够实现高精度室内定位目标。
技术方案：为达到上述目的，本发明采用一种基于深度学习的无线定位方法，利用从信道状态信息中提取的幅度和相位差信息，提出一种基于二维深度卷积神经网络和信道状态信息图像的室内智能定位系统，该定位系统的定位方法包括如下步骤：
步骤1，基于3GPP TR38.901标准中规定的室内无直达径场景参数模拟室内环境，生成CSI原始数据，并将待定位区域划分成等间距网格，在给定位置采集CSI数据；
步骤2，从CSI原始数据中提取幅度及相位信息并进行预处理；
步骤3：使用线性归一化后的CSI幅度与相位差特征构造CSI灰度图像；
步骤4，离线训练阶段，基于Adam算法和交叉熵代价函数训练深度卷积网络，以平均定位误差作为衡量模型好坏的指标；
步骤5，在线定位阶段，先使用训练得到的卷积神经网络模型对待定位处采集的CSI灰度图像进行粗定位，再结合基于概率的方法进行精定位，得到最终的定位结果。
其再：
步骤1中，所述将待定位区域划分成等间距网格，是在给定位置采集CSI数据，在网格点处选取M个参考点与T个测试点，分别采集CSI数据。
步骤2所述从CSI原始数据中提取幅度及相位信息中，由于正交频分复用系统中相邻子载波间的相位差包含了传播路径的到达时间信息，从CSI中提取相邻子载波的相位差信息，与幅度一起作为指纹，为了与幅度的维数保持一致，添加均值补全相位差矩阵；进行预处理时，相位原始观测量存在“卷绕”现象，即相位测量值随子载波的变化在[-π，π]区间内折叠重复，在提取相位差之前先对相位特征进行“解卷绕”处理，并根据绝对中位差准则去除相位差的离群值。
步骤3所述使用线性归一化后的CSI幅度与相位差特征构造CSI灰度图像中，通过复制和整形的方式使得输入神经网络的图片大小统一，保证神经网络的学习效果。
步骤4中，所述基于Adam算法和交叉熵代价函数训练深度卷积网络，是将M个参考点处采集的CSI图像信息和位置标签输入2D DCNN网络进行训练，定位问题被描述为分类问题，2D DCNN包括几个卷积层、池化层、全连接层和最终的输出层：卷积层中使用ReLU函数作为激活函数，池化层中采用最大池化操作降低特征图的分辨率，将通过卷积层和池化层的数据经由全连接层训练后连接到最终的输出层，输出层使用softmax激活函数将输入映射成范围为[0,1]的预测概率输出，使用交叉熵函数作为损失函数来训练2D DCNN，通过Adam优化算法来训练网络参数。
步骤4中，所述Adam算法为：
Figure BDA0003911116650000031
Figure BDA0003911116650000032
mt＝β1mt-1+(1-β1)gt
Figure BDA0003911116650000033
其中l为学习率，
Figure BDA0003911116650000034
和
Figure BDA0003911116650000035
分别是偏差校正的一阶矩估计和二阶矩估计，gt是t时刻损失函数的梯度；ε是一个常量，β1和β2分别是第一矩和第二矩的衰减常数，通常被设置为0.9，0.999和10-8。
步骤5中，所述先使用训练得到的卷积神经网络模型对待定位处采集的CSI灰度图像进行粗定位，再结合基于概率的方法进行精定位：对于T个测试点，每个测试点处采集了I张CSI图像，每张图片的2D DCNN网络的输出为：c＝[c1,c2,...cM]T，C中每一项分别表示测试点被预测为M个参考点中对应点的归一化概率，从C中挑选出W个最大输出概率对应的候选参考点，为了避免离群值对最终定位结果的影响，分别计算出W个候选参考点的坐标与平均坐标之间的欧氏距离，选择R个距离相差最小的参考点作为最终定位结果计算的参考点，根据第i张图片得到的接收端的位置Li可以估计为R个参考位置的加权平均值，进一步地，可以将每个位置处的I张图片的定位结果进行平均，得到测试点的最终位置，W和R的取值通过贪婪算法来自适应地确定，以使得系统平均定位误差最小，其中W的最大值限制为9。
有益效果：与现有技术相比，本发明具有如下优点和有益效果：
1.本发明具有更高的定位精度，可达亚米级。
2.本发明能够减少构建CSI图像时所需的数据包数量。
3.本发明中可以用于定位的无线信号包括但不仅限于5G NR信号，WiFi信号等。
附图说明
图1为实现本发明方法的系统架构图。
图2为本发明方法中构造的CSI图像示意图。
图3为本发明方法中使用的二维深度卷积神经网络模型示意图。
图4为本发明方法中仿真时的环境布置示意图。
图5为本发明方法所提出的室内定位系统的定位误差CDF示意图，其中2D DCNN代表仅通过卷积神经网络进行粗定位的结果，Pro代表结合基于概率的方法进行精定位的结果。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
在本实施例中，考虑NLOS环境下的室内定位场景，本发明方法基于如图1所示的定位系统结构实现，系统中存在一个移动接收端和多个固定发射端。
在OFDM系统传输中，信道冲击响应为：
Figure BDA0003911116650000041
公式中αi，τi分别代表第i条路径的衰落和传播时延，P为传播的路径总数，δ(τ)为狄拉克脉冲函数，在得到时域CIR后，通过FFT，可以得到CSI，第k个子载波的CSI数据可以表示为：
Figure BDA0003911116650000042
其中
Figure BDA0003911116650000043
和
Figure BDA0003911116650000044
分别表示第k个子载波处的幅度响应和相位响应。
对信道冲击响应做FFT可以得到CSI，在OFDM系统中，不同子载波对应的频率不同，因此TOF引起的相位差不同，发射机与接收机之间第i条路径的到达时间会在相邻子载波之间引入相位偏移Ω(τi)：
Figure BDA0003911116650000045
其中，Δf表示相邻子载波间隔。所以导向向量可以表示为：
v(τi)＝[1,Ω(τi),...Ω(τi)K-1]T                    (3)
其中，K表示子载波数，导向矩阵可以表示为：
V＝[v(τ1),v(τ2),...v(τP)]                      (4)
则第n个发射机与接收机之间的CSI向量可以表示成：
CSIn＝Vnan                             (5)
其中，an为第n个发射机与接收机之间的信道衰减矩阵，an＝[α1,α2,...αP]T。
所以，完整的信道响应矩阵可以表示为：
CSI＝[CSI1,CSI2,...CSIN]K×N                    (6)
其中，N是发射机数量。
因为相邻子载波间的相位差包含了传播路径的ToA信息，所以从CSI中提取相邻子载波的相位差信息，与幅度一起作为指纹。为了与幅度的维数保持一致，添加均值补全相位差矩阵。幅度矩阵和相位差矩阵分别表示为：
Figure BDA0003911116650000051
需要对采集到的CSI的幅度和相位差进行预处理，以保证2D DCNN模型在训练阶段的效率，主要采取以下步骤：
步骤一：因为相位原始观测量存在“卷绕”现象，即相位测量值随子载波的变化在[-π，π]区间内折叠重复，所以在提取相位差之前我们先对相位特征进行了“解卷绕”处理，但是在相位跳变处仍易产生离群值，因此根据如下的MAD准则去除相位差的离群值。
Figure BDA0003911116650000052
σ是标准差，U＝K×N是一个测量样本中的相位差取值总数，对于第u个相位差取值Xu，若满足式(7a)，则认为其是离群值，用中值
Figure BDA0003911116650000053
代替。
步骤二：对幅度A和去除离群值后的相位差
Figure BDA0003911116650000054
实现线性归一化，将归一化后的幅度和相位差信息拼接起来构成CSI图像。
Figure BDA0003911116650000055
在离线阶段，将M个参考点处采集的CSI图像信息输入2D DCNN网络进行训练，定位问题被描述为分类问题。2D DCNN包括几个卷积层、池化层、全连接层和最终的输出层。
卷积层能很好地提取数据的局部特征，卷积核通过扫描同一层的各个神经元，实现权值共享，也就是说卷积层的参数个数只与卷积核的大小和个数相关，这样可以极大地降低参数的个数。在卷积层中使用ReLU函数作为激活函数：
Figure BDA0003911116650000056
Figure BDA0003911116650000057
是第l层的第i张特征图，
Figure BDA0003911116650000058
是与
Figure BDA0003911116650000059
相连接的第l-1层的第j张特征图，Sl-1是连接到第l层特征图的第l-1层特征图的集合，
Figure BDA0003911116650000061
和
Figure BDA0003911116650000062
是第l层的第j张特征图的滤波器的卷积核和偏置。
池化层可以通过在前一层的特征图中的局部区域上进行下采样来降低特征图的分辨率，减少训练时间。这里采用最大池化操作，选择每个区域中的最大值作为保留值。
将通过卷积层和池化层的数据经由全连接层训练后连接到最终的输出层。将softmax激活函数应用于输出层，其将输入的真实值映射到范围为[0,1]的预测概率：
Figure BDA0003911116650000063
zm是第m个未经softmax函数激活的输出值，第m个参考位置通过模型预测的输出结果可以表示为一个M维的向量om＝[p1,p2,...pM]T，其中
Figure BDA0003911116650000064
对于M个参考位置，使用独热编码为每个参考位置分配一个元素为0或1的M维标签t＝[t1,t2,...tM]T，使用交叉熵函数作为损失函数来训练2D DCNN：
Figure BDA0003911116650000065
其中，L(p,t)是单个样本的损失函数，J是整个训练集的代价函数，Z是batchsize。训练过程中通过Dropout机制来避免过拟合。
通过Adam优化算法来训练网络参数，该算法的基本原理如下：
Figure BDA0003911116650000066
其中l为学习率，
Figure BDA0003911116650000067
和
Figure BDA0003911116650000068
分别是偏差校正的一阶矩估计和二阶矩估计，gt是t时刻损失函数的梯度。ε是一个常量，β1和β2分别是第一矩和第二矩的衰减常数，通常被设置为0.9，0.999和10-8。
采用平均定位误差衡量2D DCNN的性能：
Figure BDA0003911116650000071
其中(xz,yz)表示第z个样本的真实坐标，
Figure BDA0003911116650000072
表示第z个样本的预测坐标。
在在线阶段，结合训练好的2D CNN模型，得到各个测试点的CSI图像的预测输出，在此基础上，采用概率的方法预测最终的定位坐标。具体定位流程如下：
对于T个测试点，每个测试点处采集了I张CSI图像，每张图片的2D CNN网络的输出为：c＝[c1,c2,...cM]T，C中每一项分别表示测试点被预测为M个参考点中对应点的归一化概率。
结合2D DCNN的预测结果，再基于概率进行精定位。首先，从C中挑选出W个最大输出概率对应的候选参考点g＝[g1,g2,...,gW]T；其次，为了避免离群值对最终定位结果的影响，分别计算出W个候选参考点的坐标与平均坐标
Figure BDA0003911116650000073
之间的欧氏距离，第s个点坐标(xs,ys)与平均坐标的距离可表示为：
Figure BDA0003911116650000074
选择R个距离相差最小的参考点l1,l2,...lR作为最终定位结果计算的参考点，并定义L＝[l1,l2,...lR]T。最终，根据第i张图片得到的接收端的位置可以估计为R个参考位置的加权平均值：
Figure BDA0003911116650000075
其中lr为第r个候选参考点的坐标，pr表示该测试点被预测为第r个候选参考点的概率。进一步地，可以将每个位置处的I张图片的定位结果进行平均，得到测试点的最终位置。W和R的取值通过贪婪算法来自适应地确定，以使得系统平均定位误差最小，其中W的最大值限制为9。
如图4所示，在10m*10m待定位空间内每隔1m设置一个参考点，再选择50个小方块的中心位置设置测试点，在这些点处逐一放置接收机，接收来自4个发射机的信号，获取CSI原始数据和二维坐标值。采用中心频率为2.4GHz，子载波间隔为15kHz，子载波数量为64，带宽为20MHz的5G NR信号，配置NLOS场景下生成20条NLOS径。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种基于深度学习的无线定位方法，其特征在于：利用从信道状态信息中提取的幅度和相位差信息，提出一种基于二维深度卷积神经网络和信道状态信息图像的室内智能定位系统，该定位系统的定位方法包括如下步骤：
步骤1，基于3GPP TR38.901标准中规定的室内无直达径场景参数模拟室内环境，生成CSI原始数据，并将待定位区域划分成等间距网格，在给定位置采集信道状态信息CSI数据；
步骤2，从CSI原始数据中提取幅度及相位信息并进行预处理；
步骤3：使用线性归一化后的CSI幅度与相位差特征构造CSI灰度图像；
步骤4，离线训练阶段，基于Adam算法和交叉熵代价函数训练深度卷积网络，以平均定位误差作为衡量模型好坏的指标；
步骤5，在线定位阶段，先使用训练得到的卷积神经网络模型对待定位处采集的CSI灰度图像进行粗定位，再结合基于概率的方法进行精定位，得到最终的定位结果。
2.根据权利要求1所述的一种基于深度学习的无线定位方法，其特征在于：步骤1中，所述将待定位区域划分成等间距网格，是在给定位置采集CSI数据，在网格点处选取M个参考点与T个测试点，分别采集CSI数据。
3.根据权利要求1所述的一种基于深度学习的无线定位方法，其特征在于：步骤2所述从CSI原始数据中提取幅度及相位信息中，由于正交频分复用系统中相邻子载波间的相位差包含了传播路径的到达时间信息，从CSI中提取相邻子载波的相位差信息，与幅度一起作为指纹，为了与幅度的维数保持一致，添加均值补全相位差矩阵；进行预处理时，相位原始观测量存在“卷绕”现象，即相位测量值随子载波的变化在[-π，π]区间内折叠重复，在提取相位差之前先对相位特征进行“解卷绕”处理，并根据绝对中位差准则去除相位差的离群值。
4.根据权利要求1所述的一种基于深度学习的无线定位方法，其特征在于：步骤3所述使用线性归一化后的CSI幅度与相位差特征构造CSI灰度图像中，通过复制和整形的方式使得输入神经网络的图片大小统一，保证神经网络的学习效果。
5.根据权利要求1所述的一种基于深度学习的无线定位方法，其特征在于：步骤4中，所述基于Adam算法和交叉熵代价函数训练深度卷积网络，是将M个参考点处采集的CSI图像信息和位置标签输入2D DCNN网络进行训练，定位问题被描述为分类问题，2D DCNN包括几个卷积层、池化层、全连接层和最终的输出层：卷积层中使用ReLU函数作为激活函数，池化层中采用最大池化操作降低特征图的分辨率，将通过卷积层和池化层的数据经由全连接层训练后连接到最终的输出层，输出层使用softmax激活函数将输入映射成范围为[0,1]的预测概率输出，使用交叉熵函数作为损失函数来训练2D DCNN，通过Adam优化算法来训练网络参数。
6.根据权利要求1所述的一种基于深度学习的无线定位方法，其特征在于：步骤4中，所述Adam算法为：
Figure FDA0003911116640000021
Figure FDA0003911116640000022
mt＝β1mt-1+(1-β1)gt
Figure FDA0003911116640000023
其中l为学习率，
Figure FDA0003911116640000024
和
Figure FDA0003911116640000025
分别是偏差校正的一阶矩估计和二阶矩估计，gt是t时刻损失函数的梯度；ε是一个常量，β1和β2分别是第一矩和第二矩的衰减常数，通常被设置为0.9，0.999和10-8。
7.根据权利要求1所述的一种基于深度学习的无线定位方法，其特征在于：步骤5中，所述先使用训练得到的卷积神经网络模型对待定位处采集的CSI灰度图像进行粗定位，再结合基于概率的方法进行精定位：对于T个测试点，每个测试点处采集了I张CSI图像，每张图片的2D DCNN网络的输出为：c＝[c1,c2,...cM]T，C中每一项分别表示测试点被预测为M个参考点中对应点的归一化概率，从C中挑选出W个最大输出概率对应的候选参考点，为了避免离群值对最终定位结果的影响，分别计算出W个候选参考点的坐标与平均坐标之间的欧氏距离，选择R个距离相差最小的参考点作为最终定位结果计算的参考点，根据第i张图片得到的接收端的位置Li可以估计为R个参考位置的加权平均值，进一步地，可以将每个位置处的I张图片的定位结果进行平均，得到测试点的最终位置，W和R的取值通过贪婪算法来自适应地确定，以使得系统平均定位误差最小，其中W的最大值限制为9。
CN202211327184.3A 2022-10-27 2022-10-27 一种基于深度学习的无线定位方法 Pending CN115908547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211327184.3A CN115908547A (zh) 2022-10-27 2022-10-27 一种基于深度学习的无线定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211327184.3A CN115908547A (zh) 2022-10-27 2022-10-27 一种基于深度学习的无线定位方法

Publications (1)

Publication Number Publication Date
CN115908547A true CN115908547A (zh) 2023-04-04

Family

ID=86485296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211327184.3A Pending CN115908547A (zh) 2022-10-27 2022-10-27 一种基于深度学习的无线定位方法

Country Status (1)

Country Link
CN (1) CN115908547A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117062002A (zh) * 2023-08-01 2023-11-14 哈尔滨工程大学 一种基于轻量级transformer的5g nr室内定位方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117062002A (zh) * 2023-08-01 2023-11-14 哈尔滨工程大学 一种基于轻量级transformer的5g nr室内定位方法及系统
CN117062002B (zh) * 2023-08-01 2024-04-30 哈尔滨工程大学 一种基于轻量级transformer的5g nr室内定位方法及系统

Similar Documents

Publication Publication Date Title
Hsieh et al. Deep learning-based indoor localization using received signal strength and channel state information
CN108650628B (zh) 基于Wi-Fi网络的测距和指纹相结合的室内定位方法
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN112152948A (zh) 一种无线通信处理的方法和装置
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN109922427B (zh) 利用大规模阵列天线的智能无线定位系统和方法
CN109490826B (zh) 一种基于无线电波场强rssi的测距与位置定位方法
CN111479231A (zh) 一种用于毫米波大规模mimo系统的室内指纹定位方法
CN108872932B (zh) 基于神经网络的超视距目标直接定位结果纠偏方法
CN107727095A (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
Yang et al. Research on Wi-Fi indoor positioning in a smart exhibition hall based on received signal strength indication
CN113207089A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
CN110933628B (zh) 基于孪生网络的指纹室内定位方法
Chin et al. Intelligent indoor positioning based on artificial neural networks
Hsu et al. An adaptive Wi-Fi indoor localisation scheme using deep learning
CN110933633A (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN115908547A (zh) 一种基于深度学习的无线定位方法
CN113518307A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
CN111313943A (zh) 深度学习辅助的大规模天线阵列下的三维定位方法及装置
CN115278520A (zh) 一种基于指纹库迁移重构的5g室内定位方法
CN109061556B (zh) 一种基于弹性网络的稀疏迭代波达角估计方法
Tan et al. UAV localization with multipath fingerprints and machine learning in urban NLOS scenario
Fan et al. Single-site indoor fingerprint localization based on MIMO-CSI
CN112867021A (zh) 基于改进型TrAdaBoost的迁移学习室内定位方法
CN117098067A (zh) 一种基于梯度融合的多模态深度学习室内定位方法

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