CN116546617A - 基于非视通场景下的射线追踪指纹定位方法及装置 - Google Patents
基于非视通场景下的射线追踪指纹定位方法及装置 Download PDFInfo
- Publication number
- CN116546617A CN116546617A CN202310532832.7A CN202310532832A CN116546617A CN 116546617 A CN116546617 A CN 116546617A CN 202310532832 A CN202310532832 A CN 202310532832A CN 116546617 A CN116546617 A CN 116546617A
- Authority
- CN
- China
- Prior art keywords
- layer
- multipath delay
- ray tracing
- neural network
- convolution
- 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 29
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种非视通场景下的射线追踪指纹定位方法及装置。方法包括:获取待定位目标点的多径延时向量;将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标;其中,神经网络模型由依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层构成。本发明针对获取的射线追踪数据库,通过调整模型参数,训练出神经网络模型,解决了非视通场景下射线追踪数据库数据量大时计算复杂度高、匹配耗时长的问题,减少了计算复杂度和匹配时间,提高了定位效率。
Description
技术领域
本发明涉及一种基于非视通场景下的射线追踪指纹定位方法及装置,属于信息通信技术领域。
背景技术
随着信息网络的快速发展,在无线网络中基于位置信息的服务需求逐渐增大。在非视通环境下传统的无线测距手段无法直接使用,尤其是在卫星拒止的条件下,网络中节点的定位信息更加难于获取。近年来基于无线射频指纹的相关技术得到了快速发展,该技术在一定程度上可以实现非视通条件下的位置估计。其基本思想是通过在一定的地理区域内设置辐射源,通过电磁传播后,收集电磁指纹信息,建立射频指纹特征库,进而基于特征库中的各个空间位置的信道特征,进行位置信息匹配,实现非视距条件下的定位。
无线射频指纹技术需要在实际定位覆盖区内进行指纹的离线采集,生成指纹数据库。在军事应用背景条件下,尤其是大地域机动环境下该任务难以实现。此外在某些军事应用背景条件下,前期离线实地测量可能并不具备条件,因而长期以来指纹定位技术的一大瓶颈就是前期离线测量的可行性问题。另外,将指纹定位技术应用于室外大尺度非视距环境(例如山区、丘陵地带),由于测量空间范围广阔,非视通离线测量的指纹数据量往往过于庞大,测量难度较大。近年来射线追踪技术可以获取任务区域内的任意两点信道特征,可以为非视通的环境提供有效的测量方案。但是其产生的数据库中数据量巨大,基于欧式距离的信道特征和位置匹配方案复杂度较高,复杂度较高且耗时较长。
发明内容
本发明的目的在于提供一种基于非视通场景下的射线追踪指纹定位方法及装置,以解决非视通场景下射线追踪数据库数据量大时复杂度高、匹配耗时长的问题。
为实现上述目的,本发明采用的技术方案为:
一方面,本发明提供一种非视通场景下的射线追踪指纹定位方法,包括:
获取待定位目标点的多径延时向量;
将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标;
其中,神经网络模型由依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层构成。
进一步地,输入层用于输入多径时延向量并对输入的多径时延向量进行滤波预处理;
第一卷积层用于对输入的滤波预处理后的数据进行卷积运算,输出第一特征数据;
第一Dropout层用于随机丢弃第一卷积层的部分神经元;
第二卷积层用于对输入的第一特征数据进行卷积运算,输出第二特征数据;
第二Dropout层用于随机丢弃第二卷积层的部分神经元;
全连接层用于对输入的第二特征数据进行全连接操作,输出目标点的位置信息。
进一步地,第一卷积层包括4个3x3的卷积核,滑动步长为1;第一卷积层包括8个3x3的卷积核,滑动步长为1;第一卷积层和第二卷积层均采用ReLu激活函数;第一Dropout层和第二Dropout层的丢弃概率设置为0.3;输入层和全连接层的神经元数目均为128。
进一步地,所述神经网络模型通过以下步骤训练得到:
利用射线追踪仿真软件生成信道特征数据库,信道特征为任务区域内任意两点间的多径时延向量,标签数据为目标位置坐标;
对信道特征数据库中的多径时延向量进行预处理,并将预处理后的数据分为训练集、测试集和验证集;
使用训练集对模型进行训练、确定模型参数,再使用验证集调整超参数,最后使用测试集对模型训练效果进行测试。
进一步地,所述对信道特征数据库中的多径时延向量进行预处理,包括:
将多径时延向量和位置明显不匹配的数据进行剔除,并对剔除后的数据进行噪声滤波处理。
进一步地,所述神经网络模型训练的计算表达式为:
其中,F表示神经网络模型的映射功能,Θ为模型中相关的网络参数集合,表示预测得到的位置信息,V表示多径时延向量。
进一步地,训练时使用的损失函数为:
其中,Loss为损失函数,Θ为模型中相关的网络参数集合,N为训练样本数量,表示矩阵内元素模值的平方之和,/>和H分别是预测得到的位置信息和真实的位置信息。
另一方面,本发明提供一种非视通场景下的射线追踪指纹定位装置,包括:
信道特征获取模块,用于获取待定位目标点的多径延时向量;
位置预测模块,用于将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标;
其中,神经网络模型由依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层构成。
本发明还提供了一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行前述的非视通场景下的射线追踪指纹定位方法。
本发明还提供了一种计算设备,包括:一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中,并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于前述的非视通场景下的射线追踪指纹定位方法。
相比于现有技术,本发明具有以下技术效果:
(1)提出了基于射线追踪技术生成信道特征数据库,解决了指纹定位在户外场景下信道特征无法提前实地测量的难题,为下一步深度学习提供充足的训练集、测试集和验证集数据;
(2)针对获取的射线追踪数据库,通过调整模型参数,训练出神经网络模型,解决了非视通场景下射线追踪数据库数据量大时复杂度高、匹配耗时长的问题,将信道特征输入训练后的神经网络模型即可获得通信双方位置信息,减少了信道特征和位置匹配的计算复杂度和匹配时间,提高了定位效率。
附图说明
图1为本发明方法流程图;
图2为本发明的神经网络模型结构图;
图3为本发明实施例中神经网络模型搭建及训练整体流程图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提出了一种非视通场景下的射线追踪指纹定位方法,首先采用射线追踪技术巧妙替代指纹采集的定位方案,为指纹定位在户外非视通的条件下应用给出了突破口,也为非视通条件下的无线定位带来了全新的方法。指纹定位包括离线阶段和在线定位两个阶段。在离线阶段,测量目标空间的参考点位置的指纹,并与其对应位置坐标生成指纹数据库。在线定位阶段,通过将待定位目标点的实测指纹值与指纹库的值进行比对,找到与其最相近的指纹的坐标,即得估计的目标坐标。
如图1所示,一种非视通场景下的射线追踪指纹定位方法,包括:
步骤1,获取待定位目标点的多径延时向量;
步骤2,将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标。
首先,对神经网络模型进行搭建和训练,如图3所示,具体包括:
步骤SS1,利用射线追踪仿真软件生成信道特征数据库;
信道特征为任务区域内任意两点间的多径时延向量,将其作为模型输入数据,长度大小为信道时延特征向量长度。标签数据为目标位置坐标。
步骤SS2,对信道特征数据库中的多径时延向量进行预处理;
预处理包括对异常数据进行检测和处理,将多径时延向量和位置明显不匹配的数据进行剔除,并对剔除后的数据进行噪声滤波处理。
将预处理后的数据库中的数据按照4:2:1的比例分为训练集T1、测试集T2和验证集T3。
在本发明实施例中,训练集T1、测试集T2和验证集T3的数目分别为40000、20000、10000。
步骤SS3,针对数据库的特点,搭建神经网络模型框架;
如图2所示,神经网络模型包括依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层。
输入层,为全连接的输入层,用于输入多径时延向量并对输入的多径时延向量进行滤波预处理;
第一卷积层,用于对输入的滤波预处理后的数据进行卷积运算,输出第一特征数据;
第一Dropout层,用于随机丢弃第一卷积层的部分神经元;
第二卷积层,用于对输入的第一特征数据进行卷积运算,输出第二特征数据;
第二Dropout层,用于随机丢弃第二卷积层的部分神经元;
全连接层,用于对输入的第二特征数据进行全连接操作,输出定位的区域,数据大小为三维坐标信息(x,y,z)。
其中,第一卷积层包括4个3x3的卷积核,滑动步长为1;
第一卷积层包括8个3x3的卷积核,滑动步长为1;
第一卷积层和第二卷积层均采用ReLu激活函数;
输入层和全连接层的神经元数目均为128。
每个卷积层后面加入Dropout功能,用于防止训练过拟合。为了避免过拟合,第一Dropout层和第二Dropout层的丢弃概率设置为0.3。
神经网络模型的输入为多径时延向量,输出为位置信息序列。神经网络模型训练的计算表达式为:
其中,F表示神经网络模型的映射功能,Θ为模型中相关的网络参数集合,包括训练次数、学习率、网络深度、训练批次等等;表示预测得到的位置信息,V表示多径时延向量。
步骤SS4,设计损失函数;
在训练集中,模型通过不断减少预测位置信息与目标位置信息H的误差,即损失函数Loss,来反向调整模型中的网络参数,损失函数定义为预测位置信息与实际位置信息的均方误差,可表示为:
其中,Θ为模型中相关的网络参数集合,N为训练样本数量,表示矩阵内元素模值的平方之和,/>和H分别是预测得到的位置信息和真实的位置信息。
步骤SS5,训练模型;
使用训练集和验证集对模型进行训练、验证,以损失函数为目标函数,通过优化算法进行参数寻优,并使用测试集对模型训练效果进行测试,得到训练好的神经网络模型。
其中,训练的迭代次数和批量大小分别是500和128,学习率为0.001,优化算法为Adam。
本发明通过提出基于射线追踪技术生成信道特征数据库,解决了指纹定位在户外场景下信道特征无法提前实地测量的难题,为下一步深度学习提供充足的训练集、测试集,验证集数据。
本发明利用神经网络强大的特征提取能力,寻找信道特征与位置的复杂映射关系,解决了非视通场景下射线追踪数据库数据量大时复杂度高、匹配耗时长的问题。针对获取的射线追踪数据库,调整模型参数,训练出神经网络模型。通过训练后,将信道特征输入神经网络模型即可获得通信双方位置信息,有效减少了计算复杂度和匹配时间,提高了定位效率。
在另一实施例中,一种非视通场景下的射线追踪指纹定位装置,其特征在于,包括:
信道特征获取模块,用于获取待定位目标点的多径延时向量;
位置预测模块,用于将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标;
其中,神经网络模型由依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层构成。
在另一实施例中,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行前述的非视通场景下的射线追踪指纹定位方法。
在另一实施例中,一种计算设备,包括:
一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中,并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行前述的非视通场景下的射线追踪指纹定位方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上已以较佳实施例公布了本发明,然其并非用以限制本发明,凡采取等同替换或等效变换的方案所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种非视通场景下的射线追踪指纹定位方法,其特征在于,包括:
获取待定位目标点的多径延时向量;
将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标;
其中,神经网络模型由依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层构成。
2.根据权利要求1所述的非视通场景下的射线追踪指纹定位方法,其特征在于,
输入层用于输入多径时延向量并对输入的多径时延向量进行滤波预处理;
第一卷积层用于对输入的滤波预处理后的数据进行卷积运算,输出第一特征数据;
第一Dropout层用于随机丢弃第一卷积层的部分神经元;
第二卷积层用于对输入的第一特征数据进行卷积运算,输出第二特征数据;
第二Dropout层用于随机丢弃第二卷积层的部分神经元;
全连接层用于对输入的第二特征数据进行全连接操作,输出目标点的位置信息。
3.根据权利要求2所述的非视通场景下的射线追踪指纹定位方法,其特征在于,第一卷积层包括4个3x3的卷积核,滑动步长为1;第一卷积层包括8个3x3的卷积核,滑动步长为1;第一卷积层和第二卷积层均采用ReLu激活函数;第一Dropout层和第二Dropout层的丢弃概率设置为0.3;输入层和全连接层的神经元数目均为128。
4.根据权利要求1所述的非视通场景下的射线追踪指纹定位方法,其特征在于,所述神经网络模型通过以下步骤训练得到:
利用射线追踪仿真软件生成信道特征数据库,信道特征为任务区域内任意两点间的多径时延向量,标签数据为目标位置坐标;
对信道特征数据库中的多径时延向量进行预处理,并将预处理后的数据分为训练集、测试集和验证集;
使用训练集对模型进行训练、确定模型参数,再使用验证集调整超参数,最后使用测试集对模型训练效果进行测试。
5.根据权利要求4所述的非视通场景下的射线追踪指纹定位方法,其特征在于,所述对信道特征数据库中的多径时延向量进行预处理,包括:
将多径时延向量和位置明显不匹配的数据进行剔除,并对剔除后的数据进行噪声滤波处理。
6.根据权利要求4所述的非视通场景下的射线追踪指纹定位方法,其特征在于,所述神经网络模型训练的计算表达式为:
其中,F表示神经网络模型的映射功能,Θ为模型中相关的网络参数集合,表示预测得到的位置信息,V表示多径时延向量。
7.根据权利要求4所述的非视通场景下的射线追踪指纹定位方法,其特征在于,训练时使用的损失函数为:
其中,Loss为损失函数,Θ为模型中相关的网络参数集合,N为训练样本数量,表示矩阵内元素模值的平方之和,/>和H分别是预测得到的位置信息和真实的位置信息。
8.一种非视通场景下的射线追踪指纹定位装置,其特征在于,包括:
信道特征获取模块,用于获取待定位目标点的多径延时向量;
位置预测模块,用于将多径时延向量输入预先训练的神经网络模型,预测目标点的位置坐标;
其中,神经网络模型由依次连接的输入层、第一卷积层、第一Dropout层、第二卷积层、第二Dropout层和全连接层构成。
9.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行权利要求1-7任一项所述的非视通场景下的射线追踪指纹定位方法。
10.一种计算设备,包括:一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中,并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1-7任一项所述的非视通场景下的射线追踪指纹定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532832.7A CN116546617A (zh) | 2023-05-12 | 2023-05-12 | 基于非视通场景下的射线追踪指纹定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532832.7A CN116546617A (zh) | 2023-05-12 | 2023-05-12 | 基于非视通场景下的射线追踪指纹定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116546617A true CN116546617A (zh) | 2023-08-04 |
Family
ID=87443149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310532832.7A Pending CN116546617A (zh) | 2023-05-12 | 2023-05-12 | 基于非视通场景下的射线追踪指纹定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116546617A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117579988A (zh) * | 2023-11-20 | 2024-02-20 | 中国人民解放军陆军工程大学 | 大容量信道特征库条件下基于过滤的无锚点定位方法及系统 |
CN117974530A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市汉龙时代光电有限公司 | 一种液晶显示屏指纹模组信息优化读取方法及系统 |
-
2023
- 2023-05-12 CN CN202310532832.7A patent/CN116546617A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117579988A (zh) * | 2023-11-20 | 2024-02-20 | 中国人民解放军陆军工程大学 | 大容量信道特征库条件下基于过滤的无锚点定位方法及系统 |
CN117579988B (zh) * | 2023-11-20 | 2024-06-04 | 中国人民解放军陆军工程大学 | 大容量信道特征库条件下基于过滤的无锚点定位方法及系统 |
CN117974530A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市汉龙时代光电有限公司 | 一种液晶显示屏指纹模组信息优化读取方法及系统 |
CN117974530B (zh) * | 2024-03-29 | 2024-06-14 | 深圳市汉龙时代光电有限公司 | 一种液晶显示屏指纹模组信息优化读取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116546617A (zh) | 基于非视通场景下的射线追踪指纹定位方法及装置 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
CN112348849A (zh) | 一种孪生网络视频目标跟踪方法及装置 | |
CN109756842B (zh) | 基于注意力机制的无线室内定位方法及系统 | |
CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
CN112601173B (zh) | 5g定位真值检测与攻击溯源方法、系统、设备及应用 | |
CN111724370B (zh) | 基于不确定性和概率的多任务图像质量评估方法及系统 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
Liu et al. | Large-scale deep learning framework on FPGA for fingerprint-based indoor localization | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN114723784B (zh) | 一种基于域适应技术的行人运动轨迹预测方法 | |
Yu et al. | Exemplar-based recursive instance segmentation with application to plant image analysis | |
CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
Li et al. | Research on segmentation of steel surface defect images based on improved res-UNet network | |
CN113609097B (zh) | 指纹库的生成方法、装置、计算机设备和存储介质 | |
CN114743273A (zh) | 基于多尺度残差图卷积网络的人体骨骼行为识别方法及系统 | |
CN105657653B (zh) | 一种基于指纹数据压缩的室内定位方法 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN111144497B (zh) | 基于美学分析的多任务深度网络下的图像显著性预测方法 | |
CN113055111B (zh) | 一种基于贝叶斯优化的信道建模方法及系统 | |
Ke | An efficient and accurate DDPG-based recurrent attention model for object localization | |
Siniosoglou et al. | Unsupervised Bias Evaluation of DNNs in non-IID Federated Learning Through Latent micro-Manifolds | |
CN115511798A (zh) | 一种基于人工智能技术的肺炎分类方法及装置 | |
Zhuang et al. | Image processing and deep normalized CNN for the location measurement and reading distance prediction of RFID multi-tags | |
CN105894029B (zh) | 一种基于费马点求解的自适应运动轨迹数据去噪方法 |
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 |