CN116234005A - 一种多建筑物室内定位方法 - Google Patents

一种多建筑物室内定位方法 Download PDF

Info

Publication number
CN116234005A
CN116234005A CN202211636304.8A CN202211636304A CN116234005A CN 116234005 A CN116234005 A CN 116234005A CN 202211636304 A CN202211636304 A CN 202211636304A CN 116234005 A CN116234005 A CN 116234005A
Authority
CN
China
Prior art keywords
building
rssi signal
model
signal value
longitude
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
CN202211636304.8A
Other languages
English (en)
Inventor
龚炜
赵云明
李莉
赵慧
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202211636304.8A priority Critical patent/CN116234005A/zh
Publication of CN116234005A publication Critical patent/CN116234005A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G01S5/02528—Simulating radio frequency fingerprints
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种多建筑物室内定位方法，包括以下步骤：步骤1、将不同的建筑物和楼层进行号码标识，采集建筑物室内不同位置的RSSI信号值；步骤2、将采集的RSSI信号值进行预处理和归一化，并建立RSSI信号值的离线指纹库；步骤3、将处理后的RSSI信号值输入预先构建并训练好的建筑物识别模型中，确定建筑物的标识号码；步骤4、将处理后的RSSI信号值输入对应建筑物的预先构建并训练好的楼层识别模型和经纬度位置估计模型中，确定楼层的标识号码及经纬度坐标值，得到RSSI信号值对应的三维位置信息。与现有技术相比，本发明具有定位精度高、鲁棒性好等优点。

Description

一种多建筑物室内定位方法
技术领域
本发明涉及电子信息领域，尤其是涉及一种多建筑物室内定位方法。
背景技术
随着5G通信技术和边缘计算的不断发展，智能设备的广泛应用，如智能手机、基站设备等，高精度位置定位技术也取得了快速发展和大量部署。复杂定位服务系统可以扩展服务于众多应用场合中，如顾客导航定位服务，灾害安全与医疗监控、自动驾驶以及其他工业跟踪监测等。大部分三维室内空间中均大量部署着移动智能设备，人们携带智能设备、个人电脑等实时连接WIFI，进而可以接收和发送不同强度的信号以实现利用无线信号的数据进行室内位置预测。近年来，由于WIFI信号获取成本低、范围广且无需额外部署硬件设备，基于无线信号实现多建筑物和楼宇的高精度定位问题受到国内外学者的广泛关注。但由于室内环境下，对获取的无线信号进行分析与处理需要考虑某些特殊挑战性，如信号多径问题、建筑物材料异质性以及时间空间分布性，这使得大规模建筑物室内定位问题仍然是一个具有极大挑战的研究问题，如多楼层空间、多建筑物环境中的室内定位存在较大位置偏差，严重影响位置精度。
基于无线信号的室内定位方法是一种探索接收信号和接收设备位置参数的映射关系的方法，这种方法非常适用于移动设备，可以直接或者间接估计移动设备的实时位置；但需要建立先期的指纹数据库才能完成特征匹配，进而预测未知设备的位置信息。基于无线信号的室内定位方法主要包括的信号参数主要包括接收信号强度值(RSSI)、信号到达时间(TOA)和信号到达角度(AOA)等。与通过TOA和AOA两种信号参数定位不同的是，基于RSSI的室内定位方法不需要定位系统添加额外的测量仪器对时间和角度进行精确测量，就可以轻易获取到目标设备的信号强度值。目前，解决多楼宇多楼层的室内定位问题可以有确定性和概率性两种常见方法。确定性方法是通过计算离线得到的RSSI强度值的统计特征量，如平均值；并在在线推理阶段，采用某种距离度量，如欧式距离，进行匹配实时强度值和离线信号强度值确定移动设备的位置坐标。确定性方法仅简单使用某一统计量，极易导致较大偏差。而概率性方法是假设RSSI强度值为某一种分布，可以根据其概率分布不同进行分析并利用相关准则，如KL散度和贝叶斯准则等，估计其移动设备的位置。现有的机器学习模型可以用于楼层识别任务，如KNN、随机森林、决策树，极限学习机(ELM)和ADABOOST，提高了定位效率和识别效果，减少了存储计算复杂度。但绝大多数现有方法适用于小范围室内环境和固定时间内的RSSI室内定位，并不能很好地应用于实际场景中的多建筑物多楼宇室内环境。此外，现有的室内定位方法也没有考虑RSSI采集时间跨度对定位效果的影响。
通过对比不同的室内定位方法的探索进程，由于室内定位包括识别和回归两大任务，一方的落后可能会导致双方研究的停滞。因此，亟需一种提高位置预测精度，同时降低成本和提升鲁棒性的室内定位策略。
发明内容
本发明的目的就是为了克服上述现有技术存在室内定位方法的位置预测精度不高、成本高且鲁棒性不好的缺陷而提供一种多建筑物室内定位方法。
本发明的目的可以通过以下技术方案来实现：
一种多建筑物室内定位方法，包括以下步骤：
步骤1、将不同的建筑物和楼层进行号码标识，采集建筑物室内不同位置的RSSI信号值；
步骤2、将采集的RSSI信号值进行预处理和归一化，并建立RSSI信号值的离线指纹库；
步骤3、将处理后的RSSI信号值输入预先构建并训练好的建筑物识别模型中，确定建筑物的标识号码；
步骤4、将处理后的RSSI信号值输入对应建筑物的预先构建并训练好的楼层识别模型和经纬度位置估计模型中，确定楼层的标识号码及经纬度坐标值，得到RSSI信号值对应的三维位置信息。
进一步地，步骤2中对采集的RSSI信号值进行预处理和归一化，以及建立RSSI信号值的离线指纹库的具体步骤为：
步骤101、将采集的RSSI信号值进行样本缺失值处理；
步骤102、将缺失值处理后得到的RSSI信号值进行样本异常值处理；
步骤103、将经过缺失值和样本异常处理后的RSSI信号值进行最大值最小值归一化处理，使RSSI信号值在0至1之间。
进一步地，步骤101中缺失值处理的具体步骤为，将样本缺失的RSSI信号取值为RSSI信号值样本中的最小值。
进一步地，步骤102中样本异常值处理的具体步骤为，将样本异常的RSSI信号取值为最邻近位置的样本RSSI信号值。
进一步地，步骤3中建筑物识别模型构建和训练的具体步骤为：
步骤301、基于梯度提升神经网络构建建筑物识别模型；
步骤302、根据离线指纹库中的RSSI信号值样本对所述建筑物识别模型进行模型训练，建筑物识别模型学习RSSI信号值和建筑物标识号码之间的映射关系。
进一步地，采用步骤3中的建筑物识别模型对建筑物进行识别，所述建筑物识别模型的输出结果为：
Figure BDA0004007338960000031
其中，ε为模型的参数，
Figure BDA0004007338960000032
代表对样本xi的预测输出值，K为浅层神经网络的个数，αk为第k个模型加权系数，fk表示第k个浅层神经网络的函数表示，F为浅层神经网络集合。
进一步地，步骤4中楼层识别模型构建和训练的具体步骤为：
步骤401、基于梯度提升神经网络构建楼层识别模型；
步骤402、根据离线指纹库中的RSSI信号值样本对所述楼层识别模型进行模型训练，楼层识别模型学习RSSI信号值和对应建筑物中的楼层标识号码之间的映射关系；。
进一步地，步骤4中经纬度位置估计模型构建和训练的具体步骤为：
步骤501、基于梯度提升神经网络和长短期记忆网络构建经纬度位置估计模型；
步骤502、根据离线指纹库中的RSSI信号值样本对经纬度位置估计模型进行模型训练，经纬度位置估计模型学习RSSI信号值和对应建筑物中的经纬度坐标之间的映射关系；
进一步地，所述建筑物识别模型和楼层识别模型均以多层感知机作为弱学习模型，所述经纬度位置估计模型以长短期记忆网络作为弱学习模型。
进一步地，该方法中包括一个建筑物识别模型以及多个楼层识别模型和经纬度位置估计模型，所述楼层识别模型和经纬度位置估计模型的数量和建筑物的数量相对应。
与现有技术相比，本发明具有以下优点：
(1)本方案通过集成学习和神经网络机制的方式，能够有效提高定位模型的泛化能力，相比现有的及其学习或深度学习模型，本方法中的模型应用泛化性更高。
(2)本方案利用集成学习框架和神经网络之间进行集成设计，使神经网络保证分类和回归精度的同时，又能提升数据样本的非线性学习能力和时空变化特性的适应能力，在一定程度上提高了模型的非线性学习能力，满足识别模型和回归任务训练需要，因此其在一定程度上扩大了样本范围，从而增加了模型的鲁棒性。
(3)本方案在实际应用中，无需提前对对RSSI信号值样本进行其它方面的特征处理，该方法可直接实现端到端的训练输出，对环境的要求更低。
(4)本方案中模型通过将多个弱学习模型的输出结果进行加权融合，得到的结果更加有利于学习RSSI样本与室内位置的映射关系，提高定位模型的准确性。
附图说明
图1为本发明提供的多建筑室内定位方法的流程图。
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、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种多建筑物室内定位方法，包括以下步骤：
步骤1、将不同的建筑物和楼层进行号码标识，采集建筑物室内不同位置的RSSI信号值；
步骤2、将采集的RSSI信号值进行预处理和归一化，并建立RSSI信号值的离线指纹库；
步骤3、将处理后的RSSI信号值输入预先构建并训练好的建筑物识别模型中，确定建筑物的标识号码；
步骤4、将处理后的RSSI信号值输入对应建筑物的预先构建并训练好的楼层识别模型和经纬度位置估计模型中，确定楼层的标识号码及经纬度坐标值，得到RSSI信号值对应的三维位置信息。
上述步骤2中对采集的RSSI信号值进行预处理和归一化，以及建立RSSI信号值的离线指纹库的具体步骤为：
步骤101、将采集的RSSI信号值进行样本缺失值处理；
步骤102、将缺失值处理后得到的RSSI信号值进行样本异常值处理；
步骤103、将经过缺失值和样本异常处理后的RSSI信号值进行最大值最小值归一化处理，使RSSI信号值在0至1之间。
其中，步骤101中缺失值处理的具体步骤为，将样本缺失的RSSI信号取值为RSSI信号值样本中的最小值。
步骤102中样本异常值处理的具体步骤为，将样本异常的RSSI信号取值为最邻近位置的样本RSSI信号值。
上述步骤3中建筑物识别模型构建和训练的具体步骤为：
步骤301、基于梯度提升神经网络构建建筑物识别模型；
步骤302、根据离线指纹库中的RSSI信号值样本对所述建筑物识别模型进行模型训练，建筑物识别模型学习RSSI信号值和建筑物标识号码之间的映射关系。
采用步骤3中的建筑物识别模型对建筑物进行识别，所述建筑物识别模型的输出结果为：
Figure BDA0004007338960000051
其中，ε为模型的参数，
Figure BDA0004007338960000052
代表对样本xi的预测输出值，K为浅层神经网络的个数，αk为第k个模型加权系数，fk表示第k个浅层神经网络的函数表示，F为浅层神经网络集合。
上述步骤4中楼层识别模型构建和训练的具体步骤为：
步骤401、基于梯度提升神经网络构建楼层识别模型；
步骤402、根据离线指纹库中的RSSI信号值样本对所述楼层识别模型进行模型训练，楼层识别模型学习RSSI信号值和对应建筑物中的楼层标识号码之间的映射关系；。
上述步骤4中经纬度位置估计模型构建和训练的具体步骤为：
步骤501、基于梯度提升神经网络和长短期记忆网络构建经纬度位置估计模型；
步骤502、根据离线指纹库中的RSSI信号值样本对经纬度位置估计模型进行模型训练，经纬度位置估计模型学习RSSI信号值和对应建筑物中的经纬度坐标之间的映射关系；
建筑物识别模型和楼层识别模型均以多层感知机作为弱学习模型，经纬度位置估计模型以长短期记忆网络作为弱学习模型。
本实施例中选用多层感知机作为建筑物的识别模型的弱学习模型。其中，多层感知机包含一个隐藏层和1个输出层。模型的输入维度为RSSI样本的个数，隐藏层单元节点数目为200，输出层的大小为建筑物的数量。多层感知机的个数根据实际的训练效果确定为4。
本实施例选用多层感知机作为楼层的识别模型的弱学习模型。其中，多层感知机包含2个隐藏层和1个输出层。模型的输入维度为RSSI样本的个数，隐藏层单元节点数目分别设置为400和200，输出层的大小为某一建筑物的楼层数量。多层感知机的个数根据实际的训练效果确定为8。
本实施例选用长短期记忆网络作为经纬度位置估计模型的弱学习模型。长短期记忆网络(LSTM)作为一种循环神经网络算法，可以有效解决时间序列建模问题。长短期记忆网络通过增加不同的状态门，即输入门，遗忘门和输出门；有效地解决了原有循环神经网络RNN的梯度消失问题。本发明使用的长短期记忆网络包含1个LSTM层和1个全连接层。模型的输入维度需由RSSI样本维度进行确定，并将其表示为Input_size×Sequence_length，隐藏层单元节点数目设置为200，输出层的大小为2，即输出值包括经度和纬度坐标。长短期记忆网络的个数根据实际的训练效果确定为8。
该方法中包括一个建筑物识别模型以及多个楼层识别模型和经纬度位置估计模型，楼层识别模型和经纬度位置估计模型的数量和建筑物的数量相对应。
本实施例使用由Universitat Jaume I提供的一个多建筑物多楼层的室内定位数据集UJIIndoorLoc数据集进行验证。该数据集覆盖了建筑面积为108703m2的三个建筑物，每个建筑物包括4层或5层空间。由20多个不同的用户和25台安卓设备采集得到的。该数据库由19937条训练数据和1111个验证/测试数据，检测得到的WAP数量为520。RSSI强度值表示为负整数值，范围为-104dBm(极差信号)到0dBm。正值100用于表示未检测到WAP的时间。数据集提供了坐标(纬度、经度、楼层)和建筑ID等属性信息。
本实施例还提供了使用不同的定位方法得到的楼层识别结果，如表1所示：
表1
建筑物0 建筑物1 建筑物2
KNN 96.83％ 76.22％ 92.54％
DNN 96.08％ 87.95％ 94.03％
RF 95.71％ 81.11％ 89.93％
GBDT 96.64％ 75.24％ 93.28％
XGBoost 96.64％ 75.57％ 93.28％
LSTM 96.83％ 86.32％ 94.78％
本发明模型 97.20％ 91.53％ 95.52％
本实施例还提供了根据不同的定位方法得到的经纬度位置估计结果，如表2所示：
表2
建筑物0 建筑物1 建筑物2
KNN 6.00 11.09 11.18
DNN 7.09 10.86 10.95
RF 7.59 11.97 13.00
GBDT 10.04 15.97 16.44
XGBoost 8.55 14.54 14.93
LSTM 6.38 10.79 10.34
本发明模型 5.95 10.52 9.45
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种多建筑物室内定位方法，其特征在于，包括以下步骤：
步骤1、将不同的建筑物和楼层进行号码标识，采集建筑物室内不同位置的RSSI信号值；
步骤2、将采集的RSSI信号值进行预处理和归一化，建立RSSI信号值的离线指纹库；
步骤3、将处理后的RSSI信号值输入预先构建并训练好的建筑物识别模型中，确定建筑物的标识号码；
步骤4、将处理后的RSSI信号值输入对应建筑物的预先构建并训练好的楼层识别模型和经纬度位置估计模型中，确定楼层的标识号码及经纬度坐标值，得到RSSI信号值对应的三维位置信息。
2.根据权利要求1所述的一种多建筑物室内定位方法，其特征在于，步骤2中对采集的RSSI信号值进行预处理和归一化，以及建立RSSI信号值的离线指纹库的具体步骤为：
步骤101、将采集的RSSI信号值进行样本缺失值处理；
步骤102、将缺失值处理后得到的RSSI信号值进行样本异常值处理；
步骤103、将经过缺失值和样本异常处理后的RSSI信号值进行最大值最小值归一化处理，使RSSI信号值在0至1之间。
3.根据权利要求2所述的一种多建筑物室内定位方法，其特征在于，步骤101中缺失值处理的具体步骤为，将样本缺失的RSSI信号取值为RSSI信号值样本中的最小值。
4.根据权利要求2所述的一种多建筑物室内定位方法，其特征在于，步骤102中样本异常值处理的具体步骤为，将样本异常的RSSI信号取值为最邻近位置的样本RSSI信号值。
5.根据权利要求1所述的一种多建筑物室内定位方法，其特征在于，步骤3中建筑物识别模型构建和训练的具体步骤为：
步骤301、基于梯度提升神经网络构建建筑物识别模型；
步骤302、根据离线指纹库中的RSSI信号值样本对所述建筑物识别模型进行模型训练，建筑物识别模型学习RSSI信号值和建筑物标识号码之间的映射关系。
6.根据权利要求5所述的一种多建筑物室内定位方法，其特征在于，采用步骤3中的建筑物识别模型对建筑物进行识别，所述建筑物识别模型的输出结果为：
Figure FDA0004007338950000021
其中，ε为模型的参数，
Figure FDA0004007338950000022
代表对样本xi的预测输出值，K为浅层神经网络的个数，αk为第k个模型加权系数，fk表示第k个浅层神经网络的函数表示，F为浅层神经网络集合。
7.根据权利要求1所述的一种多建筑物室内定位方法，其特征在于，步骤4中楼层识别模型构建和训练的具体步骤为：
步骤401、基于梯度提升神经网络构建楼层识别模型；
步骤402、根据离线指纹库中的RSSI信号值样本对所述楼层识别模型进行模型训练，楼层识别模型学习RSSI信号值和对应建筑物中的楼层标识号码之间的映射关系。
8.根据权利要求1所述的一种多建筑物室内定位方法，其特征在于，步骤4中经纬度位置估计模型构建和训练的具体步骤为：
步骤501、基于梯度提升神经网络和长短期记忆网络构建经纬度位置估计模型，获取离线指纹库中的RSSI信号值样本；
步骤502、根据离线指纹库中的RSSI信号值样本对经纬度位置估计模型进行模型训练，经纬度位置估计模型学习RSSI信号值和对应建筑物中的经纬度坐标之间的映射关系。
9.根据权利要求1所述的一种多建筑物室内定位方法，其特征在于，所述建筑物识别模型和楼层识别模型均以多层感知机作为弱学习模型，所述经纬度位置估计模型以长短期记忆网络作为弱学习模型。
10.根据权利要求1所述的一种多建筑物室内定位方法，其特征在于，该方法中包括一个建筑物识别模型以及多个楼层识别模型和经纬度位置估计模型，所述楼层识别模型和经纬度位置估计模型的数量和建筑物的数量相对应。
CN202211636304.8A 2022-12-20 2022-12-20 一种多建筑物室内定位方法 Pending CN116234005A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211636304.8A CN116234005A (zh) 2022-12-20 2022-12-20 一种多建筑物室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211636304.8A CN116234005A (zh) 2022-12-20 2022-12-20 一种多建筑物室内定位方法

Publications (1)

Publication Number Publication Date
CN116234005A true CN116234005A (zh) 2023-06-06

Family

ID=86588176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211636304.8A Pending CN116234005A (zh) 2022-12-20 2022-12-20 一种多建筑物室内定位方法

Country Status (1)

Country Link
CN (1) CN116234005A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117693017A (zh) * 2024-02-02 2024-03-12 腾讯科技（深圳）有限公司 楼层识别方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117693017A (zh) * 2024-02-02 2024-03-12 腾讯科技（深圳）有限公司 楼层识别方法、装置、设备及存储介质
CN117693017B (zh) * 2024-02-02 2024-05-14 腾讯科技（深圳）有限公司 楼层识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Torres-Sospedra et al. Comprehensive analysis of distance and similarity measures for Wi-Fi fingerprinting indoor positioning systems
CN109444813B (zh) 一种基于bp和dnn双神经网络的rfid室内定位方法
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
Yuan et al. Occupancy estimation in buildings based on infrared array sensors detection
Guo et al. Improved radio frequency identification indoor localization method via radial basis function neural network
CN109151995B (zh) 一种基于信号强度的深度学习回归融合定位方法
CN114742102B (zh) 一种nlos信号识别方法及系统
Wang et al. Secure and reliable indoor localization based on multitask collaborative learning for large-scale buildings
CN112560981A (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN108495263B (zh) 一种基于广义多核函数的室内定位方法
D'Aloia et al. Iot indoor localization with ai technique
CN116234005A (zh) 一种多建筑物室内定位方法
Sun et al. A novel GCN based indoor localization system with multiple access points
Wei et al. RSSI-based location fingerprint method for RFID indoor positioning: a review
CN112801268B (zh) 基于图卷积和多层感知机混合网络的定位方法
Jia et al. A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples
Zhang et al. Towards floor identification and pinpointing position: A multistory localization model with wifi fingerprint
Munadhil et al. Distance estimation-based PSO between patient with Alzheimer’s disease and beacon node in wireless sensor networks
Vidya et al. Accurate anomaly detection using various machine learning methods for IoT devices in indoor environment
Gïney et al. Wi-Fi based indoor positioning system with using deep neural network
Ghozali et al. Indoor positioning system using regression-based fingerprint method
Guan et al. Measuring uncertainty in signal fingerprinting with gaussian processes going deep
CN114710831B (zh) 一种基于深度学习的rfid标签定位系统
Tarekegn et al. SRCLoc: Synthetic radio map construction method for fingerprinting outdoor localization in hybrid networks
Wang et al. WiFi positioning algorithm in tunnel based on Fuzzy C-means clustering and KNN algorithm

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