CN116186581A - 一种基于图脉冲神经网络的楼层识别方法及系统 - Google Patents
一种基于图脉冲神经网络的楼层识别方法及系统 Download PDFInfo
- Publication number
- CN116186581A CN116186581A CN202310025533.4A CN202310025533A CN116186581A CN 116186581 A CN116186581 A CN 116186581A CN 202310025533 A CN202310025533 A CN 202310025533A CN 116186581 A CN116186581 A CN 116186581A
- Authority
- CN
- China
- Prior art keywords
- floor
- fingerprint
- neural network
- graph
- access 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图脉冲神经网络的楼层识别方法及系统,属于楼层定位技术领域。该方法通过将空间中的信号接入点结构组织为指纹图谱的形式,并结合脉冲神经网络计算,实现楼层识别,具体包括以下步骤:S1:构建楼层空间信号接入点的指纹图谱;S2:根据构建的指纹图谱组织输入数据,并进行脉冲编码;S3:将编码后的数据输入图脉冲神经网络;S4:通过投票识别用户的楼层信息。与现有的楼层识别方法相比,本方法能够自动适应不同环境的信号源接入点空间结构,泛化到新的场景下性能好;同时,利用WiFi信号识别楼层信息,能够保证各种手机间的通用性,而且计算要求低;并且本方法结合脉冲神经网络,计算效率好,识别精度高。
Description
技术领域
本发明属于楼层定位技术领域,特别是基于神经网络的楼层定位方法领域,涉及一种基于图脉冲神经网络的楼层识别方法及系统。
背景技术
楼层定位是指识别用户在多层建筑或环境中的楼层位置。它是大量应用和服务的基础,如室内定位、推荐系统以及应急响应和救援等。常用的楼层定位方法可以分为基于指纹识别的识别方法和基于传感器的方法。
基于指纹识别是楼层定位最常见的方法。它包括一个训练阶段和一个本地化阶段。在训练阶段,从可见的蜂窝信号塔或WiFi接入点(APs)接收到的信号强度(RSS)被记录下来,以及相应的楼层信息。在一定位置收集到的RSS向量称为指纹。在本地化阶段,用户向服务器发送一个包含测量的RSS值的楼层本地化查询,然后通过机器学习方法如k-最近邻(kNN)等方法推断用户的楼层信息。一个早期的楼层定位系统是SkyLoc,它使用蜂窝信号来识别多层建筑中用户的当前楼层。最近的指纹识别方法使用WiFi指纹来定位楼层,因为基于WiFi的指纹识别可以实现比手机指纹更高的精度。虽然指纹识别功能简单且易于实现,但它需要大量的训练数据,这些数据随着楼层数量和感兴趣区域的增加而增加。收集训练数据通常会很耗费人力和时间。此外,指纹识别方法需要信号源接入点的身份识别号,使它们依赖于接入点,很难扩展到新的环境中。此外,指纹识别技术对环境中接入点的变化(例如,添加或删除某些接入点)也很敏感。当接入点发生变化时,通常需要重复收集数据,以保证指纹是最新的,这导致其扩展性较差,不能很好的应用的新的建筑和环境中。
为了加快传统指纹方法的现场推断速度,提出了基于传感器的方法。基于传感器的方法通过使用智能手机中通常内置的传感器来定位用户的楼层信息,这些传感器包括加速度计、陀螺仪、气压计、磁强计等。通过特定的方法融合各种不同的传感器数据,通过利用众包和智能手机感知来减少现场推断的开销。虽然基于传感器的方法可以通过额外使用加速度计和气压计等传感器来显著减少收集大量训练数据的时间和精力,但这些方法存在校准问题和适用性较差,因为这些传感器并非在所有设备上都可用。
近年来,深度学习模型由于其强大的表征能力和良好的通用性,已被广泛应用于楼层定位领域。StoryTeller系统使用卷积神经网络进行楼层定位,首先使用WiFi信号生成图像,然后将图像输入预测楼层的卷积神经网络。虽然StoryTeller是接入点独立的和建筑独立的,但它需要物理建筑尺寸和接入点的三维位置的知识,这在某些场景下是不可的。ZeeFI系统利用堆叠的自动编码器来识别楼层,通过使用智能电话传感器自动识别底层,减轻了数据收集的消耗。然而,ZeeFI只使用了两层自动编码器,因此它的表示能力有限,不能很好地处理更复杂的情况。最近的一个工作集成了一个自动编码器和一个长短期记忆(LSTM)网络来预测用户的楼层信息。虽然这些基于深度学习的方法比传统的指纹识别方法具有更好的准确性,但它们往往计算成本高,不适用于资源受限的平台。此外,一些基于深度学习的方法需要额外的信息(如,信号塔接入点的维度和位置),以实现更好的可扩展性。
如上所述,现有的楼层识别方法存在泛化能力差、设备适应性差、数据组织困难或计算消耗大等一种或多种问题。因此,有必要提出一种能够很好应用到不同环境、设备通用性强、识别精度高以及计算效率高的楼层识别方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于图脉冲神经网络的楼层识别方法及系统,该方法和系统通过自动的方法将空间中的信号接入点结构组织为指纹图谱的形式,并结合脉冲神经网络高效的计算效率,实现易扩展、计算高效和设备通用的楼层识别。
为达到上述目的,本发明提供如下技术方案:
一种基于图脉冲神经网络的楼层识别方法,该方法通过将空间中的信号接入点结构组织为指纹图谱的形式,并结合脉冲神经网络计算,实现楼层识别,该方法具体包括以下步骤:
S1:构建楼层空间信号接入点的指纹图谱;
S2:根据构建的指纹图谱组织输入数据,并进行脉冲编码;
S3:将编码后的数据输入图脉冲神经网络;
S4:通过投票识别用户的楼层信息。
进一步,在步骤S1中,在构建信号接入点指纹图谱时采用一种自动构建的方法,具体包括:根据接入点的接近度构造指纹图谱,将每个可见的接入点作为图中的一个节点Vi,连接两个节点的每个边ei,j表示这两个接入点彼此接近;当两个接入点出现在同一指纹中时,添加一条边来连接它们,直到所有的指纹都被遍历。
进一步,构造指纹图谱的算法以指纹特征图D作为输入,输出指纹图谱,具体步骤包括:首先,通过计算任何指纹向量(如X0)的长度来生成接入点的数量N;然后,将每个节点添加到图的节点集中,使用出现在指纹中的接入点的索引作为节点身份识别号,而不是接入点的身份识别号,所以能够扩展到新的环境,因为它减轻了对接入点的身份识别号的依赖;之后,将指纹库可见的接入点的索引提取到一个集合C;最后,判断集合中的节点是否已经连边,如果没有连边,添加两条边<Vi,Vj>和<Vj,Vi>到边图E中,添加两条边的原因是为了构造一个无向指纹图谱。
进一步,在步骤S2中,在获取接入点的指纹图谱后,对输入数据进行脉冲编码,为了提高计算效率,没有使用传统的如频率编码,时延编码以及δ编码等方案,因为这些编码技术会引入一个较长的时间步长,导致算法的推理时间变长。采用网络模型的第一层作为编码层,将时间步长固定为1,加快网络模型的推理速度。
进一步,在步骤S3中,将编码的数据输入图脉冲神经网络,通过结合图神经网络的非结构化数据处理能力以及脉冲神经网络的高效计算效率,使得系统可以高效提取指纹图谱数据中的特征。
进一步,在步骤S4中,通过投票机制,对楼层向量中用户所在的楼层给予最大的权重,以此来识别用户的楼层信息。
本发明还提供了一种基于图脉冲神经网络的楼层识别系统。
本发明的有益效果在于:
与现有的楼层识别方法相比,本发明提出的方法能够根据不同建筑的信号源接入点空间结构自动构建指纹图谱,高效的推断用户的楼层信息,该方法有三个方面的好处:1、能够自动适应不同环境的信号源接入点空间结构,泛化到新的场景下性能好。2、利用WiFi信号识别楼层信息,能够保证各种手机间的通用性,同时计算要求低。3、结合脉冲神经网络,计算效率好,识别精度高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明与基准方法楼层识别准确率比较;
图2为本发明与经典KNN在B0号楼上的识别精度对比;
图3为本发明与经典KNN在B1号楼上的识别精度对比;
图4为本发明与经典KNN在B2号楼上的识别精度对比;
图5为在三种测试场景中,训练数据量对本发明楼层定位精度的影响;
图6为在三种测试场景下,接入点密度对本发明的楼层识别精度的影响;
图7为使用来自新建筑的不同数量的数据来微调使用其他建筑预先训练的模型来实现楼层定位精度;
图8为本发明的整体概览示意图;
图9为本发明的整体结构示意图;
图10为指纹图的构建图;
图11为脉冲神经网络的计算模型;
图12为LIF脉冲神经元的动态图。
具体实施方式
本发明技术方案针对现有的楼层识别方法存在的下列问题:1)可扩展性差,即不能很好的扩展到新的建筑或环境;2)通用性能差,即未考虑不同用户手机之间的差异性,导致某些手机用户无法使用楼层识别方法进行楼层识别;3)数据组织困难,即算法依赖于数据接入点的物理位置,导致在不同的环境无法很好的组织数据;4)计算消耗大,即算法依赖大量的算力,不适用于资源受限的平台,结合图神经网络和脉冲神经网络,自动构建信号接入点指纹图谱的楼层识别方法,不依赖于是否已知信号接入点的空间位置,能够很好的泛化到新的建筑和新的环境,具有计算效率好,准确率高的特点。
下面结合附图对本发明技术方案进行详细说明。
本发明的整体概览如图8所示,该方法以WiFi指纹作为输入,并被组织成一个指纹图。本发明使用LIF模型,并由图形卷积(GConv)层和全连接(FC)层组成。图9为本发明的整体结构示意图,图9展示了本发明的整体结构,它由一个TAGConv层、两个Deep块、一个过渡层(也是一个TAGConv层)、两个FC层和一个投票层组成。每个Deep块由三个Deep层组成,这些深层紧密相连。每个TAGConv或FC层之后都是LIF激活和基于事件的批归一化层,为了清晰起见,图中没有显示这些层。设x表示指纹,x=<rss1,rss2,···,rssM>,其中rssi表示从第i个接入点接收到的信号强度,M表示环境中接入点的数量。为了通过图脉冲神经网络更好地从指纹中学习特征,我们使用下面的表示方法以正值描述指纹。原始的RSS随后被描述为一个正值pi,如下所示:
其中,τ为RSS阈值,表示在指纹中是否检测到接入点。β是常数参数,它被简单地设为自然常数e。这些RSS低于τ的接入点被认为是未被检测到的。因此,指纹x可以被重写为环境中所有接入点的正值的向量,即:
x=<p1,p2,…,pM> (2)
然后,将图脉冲神经网络的楼层定位问题表述为学习节点嵌入问题,以预测给定具有节点属性的图的子图(对应于WiFi指纹)的楼层标签。让G=(V,E)表示指纹图,节点vi∈V是一个接入点,边ei,j∈E边缘连接两个空间上接近的接入点vi和vj空间上彼此接近,这意味着两个接入点应该至少出现一次在一个指纹向量的特征图中。指纹图的构建的伪代码如图10所示,该算法以指纹特征图D作为输入,输出指纹图谱。它首先通过计算任何指纹向量(如X0)的长度来生成接入点的数量N。然后,将每个节点添加到图的节点集中。使用出现在指纹中的接入点的索引作为节点身份识别号,而不是接入点的身份识别号,这使得本方法可以扩展到新的环境,因为它减轻了对接入点的身份识别号的依赖。之后将指纹库可见的接入点的索引提取到一个集合C。最后,判断集合中的节点是已经连边,如果没有连边,添加两条边<Vi,Vj>和<Vj,Vi>到边图E中。节点嵌入的学习过程包括两个步骤:
i)聚合消息:此步骤的任务是聚合来自邻近接入点的消息,它被写为:
ii)转换消息:此步骤的任务是将消息转换到下一层。在数学上,这个过程被描述为:
其中g(l)是第l层的变换函数。对于批处理执行,上述公式可以写成:
其中,I是单位矩阵。
本发明没有采用拓扑流行的图卷积,而是采用自适应图卷积(TAGConv),因为它在准确性和计算效率方面具有优异的性能。它使用一组固定大小的可学习滤波器来同时提取节点特征和节点之间的相关性强度。设Gc,k是第k个图滤波器,那么第l层上的第k个输出特征映射可以写成:
式中,xc为所有节点的第c个输入特征向量,Cl为第l层上每个节点的输入特征数,bk为可学习的偏差向量。为了使卷积操作对任意图拓扑工作,需要仔细设计图滤波器。一种方法是用图的归一化邻接矩阵来定义图的滤波器,
使用LIF模型作为激活函数,这是一个流行的描述脉冲神经元动态的模型。图11可视化了一个脉冲神经网络的计算模型。图12显示了LIF脉冲神经元的动态,在没有脉冲的情况下,后突触神经元的膜电位累积输入脉冲。当膜电位达到一个预定义的阈值uT时,后突触神经元将输出一个脉冲并进入一个不应期。在数学上,LIF激活函数fLIF被描述为:
fLIF(u)=fire a spike&u(t)←uR,if u(t)≥uT (9)
其中,uR和uT为常数,分别表示重置值和脉冲发放阈值。LIF激活函数表明,当一个神经元的膜电位达到或超过一个给定的阈值uT时,它将被触发(即输出一个脉冲)。放电后,其膜电位将被重置为uR。
为了避免的梯度消失和爆炸问题,本发明采用了批归一化方法,即沿通道维度对突触前输入进行归一化。每个神经元的输入被调整到从0到uT的间隔范围内,其中uT代表预定义的峰值放电阈值(在本实施例中使用了0.5)。这种调整可以平衡输入和神经元膜电位,以避免膜电位过饱和或输入信息过表达。在数学上,该归一化的过程被描述为:
在训练过程中,xi的期望和方差可以计算方式为,
E[xi]=mean(xi) (12)
Var[xi]=mean((xi-E[xi])2) (13)
估计了整个数据集中的E[xi]和Var[xi]的期望,这可以在训练阶段通过移动平均解得到。为了提取更加丰富的特征,对网络采用密集链接的形式,如图中的Deep块所示,这里Deep曾采用密集链接的形式传递特征。设x0,x1,...,xl-1作为第l层的前一层的输入特征,第l层的输出写为:
xl=f[x0,x1,...,xl-1] (14)
其中,f[]表示特征通道维度上的拼接操作。这里的每个Deep层包含两个TAGConv,两个LIF神经元以及两个归一化操作。在本发明模型的顶部是两个全连接层和一个投票层。全连接层层与传统神经网络中使用的层类似,即:
h=Wx+b (15)
其中,x为前一层的输入,W为权值矩阵,b为偏置向量,h为输出特征。投票层用于解码网络输出,该操作将输出向量与每个楼层标签关联起来,并且在给定的时间窗口内的最终输出Cl被写为:
其中,U为解码峰值的常数投票矩阵,Ot为t时刻最后一层的输出特征。在训练时,为了适应误差的反向传播,取平均投票结果和标签向量y之间的均方误差作为损失函数,
L=||y-Cl||2 (17)
由于脉冲函数是不可微的,因此不能直接使用误差反向传播的方法。为了解决这个问题,本发明使用一个矩形函数来近似脉冲函数的导数,即
其中a是一个宽度参数,在本实施例中被设置为0.5。
本实施例中,使用PyTorch实现了本发明所提出的方法,采用Adam优化训练数据集上的模型,初始学习率设置为0.0001,训练迭代次数数设置为100,批处理大小设置为128。用不同的随机种子重复了5轮的训练和测试程序,并报告了平均准确性。在这里,通过公开的楼层识别数据集UJIIndoorLoc来评估所提出的方法,该数据即包含了三个楼层识别的建筑物,数据详情如表1所示,在评估过程中有以下比较和分析:
表1 UJIIndoorLoc数据集信息说明
建筑标号 | 楼层数 | 样本数 |
B0 | 4 | 5785 |
B1 | 4 | 5503 |
B2 | 5 | 9760 |
在本实施例中比较了本发明所提出的方法与基准方法在楼层识别数据集UJIIndoorLoc上楼层识别准确率,这里因为基准方法只报告了其在B0号楼和B1号楼的识别准确率,所以这里仅对比了本方法与基准方法在B0号楼和B1号楼的识别准确率。对比结果如图1所示,本发明明显优于所有的基准方法。具体来说,本发明在B0号楼和B1号楼中分别实现了约96%和82%的楼层识别准确率。
比较了本发明所提出的方法与经典的指纹识别方法-kNN(k个最近邻)在三个测试建筑上的识别精度。kNN方法的k值范围为1到9,区间为2。图2、图3、图4显示了与经典kNN相比,本发明的楼层识别精度明显优于的kNN。在B0号楼上,准确率提高了约11.6%,在B1号楼提高了3.5%,在B2号楼提高了6.8%。与kNN需要存储信号接入点的的身份识别号且依赖于建筑的kNN相比,本方法既独立于接入点,也独立于建筑,使其更容易扩展到新的建筑或环境。图5为在三种测试场景中,训练数据量对本发明楼层定位精度的影响。
分析了接入点密度对本发明性能的影响。为此,从训练数据和测试数据中随机删除一个特定的接入点,并使用剩余的数据来训练模型和测试。接入点密度表示删除操作之前剩余接入点数量与接入点总数的比值。图6显示了训练和测试数据中不同数量的接入点如何影响本发明的楼层识别精度。可以看到,精度随着训练中使用的接入点密度的下降而降低。然而,可以观察到,即使去除50%的接入点,本发明也能达到相对较高的精度,B0号楼的准确率约为89.5%,B1号楼约为66.1%,B2号楼的准确率约为82.6%。这意味着本发明对接入点的变化具有鲁棒性。
分析了本方法的泛化能力。这里的泛化是指在新建筑中预先训练的模型的程度。具体的,在B0号楼的训练数据上训练本发明的模型,并使用不同数量的训练数据来评估其在新建筑(B1和B2)中的性能。图7表明,只有5%的新建筑训练样本可以在B0号楼上达到约70.6%精度,在B2号楼达到约90.4%的精度。当使用约10%的新训练数据时,楼层定位精度接近基线的训练和测试使用完整的数据。与需要重新收集完整指纹数据库的经典指纹识别方法相比,这里泛化到新的建筑只需要收集少量的训练数据。这表明该方法具有良好的泛化能力,并可扩展到新建筑。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于图脉冲神经网络的楼层识别方法,其特征在于:该方法通过将空间中的信号接入点结构组织为指纹图谱的形式,并结合脉冲神经网络计算,实现楼层识别,该方法具体包括以下步骤:
S1:构建楼层空间信号接入点的指纹图谱;
S2:根据构建的指纹图谱组织输入数据,并进行脉冲编码;
S3:将编码后的数据输入图脉冲神经网络;
S4:通过投票识别用户的楼层信息。
2.根据权利要求1所述的一种基于图脉冲神经网络的楼层识别方法,其特征在于:在步骤S1中,在构建信号接入点指纹图谱时采用一种自动构建的方法,具体包括:根据接入点的接近度构造指纹图谱,将每个可见的接入点作为图中的一个节点Vi,连接两个节点的每个边ei,j表示这两个接入点彼此接近;当两个接入点出现在同一指纹中时,添加一条边来连接它们,直到所有的指纹都被遍历。
3.根据权利要求2所述的一种基于图脉冲神经网络的楼层识别方法,其特征在于:构造指纹图谱的算法以指纹特征图D作为输入,输出指纹图谱,具体步骤包括:首先,通过计算任何指纹向量的长度来生成接入点的数量N;然后,将每个节点添加到图的节点集中,使用出现在指纹中的接入点的索引作为节点身份识别号,而不是接入点的身份识别号,所以能够扩展到新的环境;之后,将指纹库可见的接入点的索引提取到一个集合C;最后,判断集合中的节点是否已经连边,如果没有连边,添加两条边<Vi,Vj>和<Vj,Vi>到边图E中,添加两条边的原因是为了构造一个无向指纹图谱。
4.根据权利要求3所述的一种基于图脉冲神经网络的楼层识别方法,其特征在于:在步骤S2中,在获取接入点的指纹图谱后,对输入数据进行脉冲编码,采用网络模型的第一层作为编码层,将时间步长固定为1,加快网络模型的推理速度。
5.根据权利要求4所述的一种基于图脉冲神经网络的楼层识别方法,其特征在于:在步骤S3中,将编码的数据输入图脉冲神经网络,通过结合图神经网络的非结构化数据处理能力以及脉冲神经网络的高效计算效率,使得系统可以高效提取指纹图谱数据中的特征。
6.根据权利要求5所述的一种基于图脉冲神经网络的楼层识别方法,其特征在于:在步骤S4中,通过投票机制,对楼层向量中用户所在的楼层给予最大的权重,以此来识别用户的楼层信息。
7.一种基于图脉冲神经网络的楼层识别系统,其特征在于:该系统采用如权利要求1至6中任一项所述的方法进行楼层识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025533.4A CN116186581A (zh) | 2023-01-09 | 2023-01-09 | 一种基于图脉冲神经网络的楼层识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025533.4A CN116186581A (zh) | 2023-01-09 | 2023-01-09 | 一种基于图脉冲神经网络的楼层识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186581A true CN116186581A (zh) | 2023-05-30 |
Family
ID=86447125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025533.4A Pending CN116186581A (zh) | 2023-01-09 | 2023-01-09 | 一种基于图脉冲神经网络的楼层识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186581A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116530996A (zh) * | 2023-06-26 | 2023-08-04 | 广东技术师范大学 | 一种面向低测量负荷心电数据的异常预警方法及系统 |
-
2023
- 2023-01-09 CN CN202310025533.4A patent/CN116186581A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116530996A (zh) * | 2023-06-26 | 2023-08-04 | 广东技术师范大学 | 一种面向低测量负荷心电数据的异常预警方法及系统 |
CN116530996B (zh) * | 2023-06-26 | 2023-08-29 | 广东技术师范大学 | 一种面向低测量负荷心电数据的异常预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chriki et al. | SVM-based indoor localization in wireless sensor networks | |
Hoang et al. | Recurrent neural networks for accurate RSSI indoor localization | |
CN107396322B (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
CN106714110B (zh) | 一种Wi-Fi位置指纹地图自动构建方法及系统 | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN107817466B (zh) | 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法 | |
CN113852432A (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
WO2022134576A1 (zh) | 红外视频时序行为定位方法、装置、设备及存储介质 | |
CN116186581A (zh) | 一种基于图脉冲神经网络的楼层识别方法及系统 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
CN113505310A (zh) | 一种基于时空注意网络的校园用户下一个位置推荐方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN116910611A (zh) | 基于大数据的智能环境监测系统及其方法 | |
Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
CN110426671B (zh) | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 | |
Yang et al. | Multi-floor indoor localization based on RBF network with initialization, calibration, and update | |
Gu et al. | ZeeFi: Zero-effort floor identification with deep learning for indoor localization | |
CN112711032B (zh) | 一种基于图数据和gcn的雷达目标检测方法及系统 | |
Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
Liu et al. | Combining auto-encoder with LSTM for WiFi-based fingerprint positioning | |
CN116234005A (zh) | 一种多建筑物室内定位方法 | |
CN112738714B (zh) | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 | |
Xu et al. | Real-time robust and precise kernel learning for indoor localization under the internet of things | |
CN115618099A (zh) | 神经网络架构搜索的方法、装置及电子设备 | |
JP7230324B2 (ja) | ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置 |
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 |