CN116980824B - 一种轻量化的加权集成学习室内csi定位方法 - Google Patents

一种轻量化的加权集成学习室内csi定位方法 Download PDF

Info

Publication number
CN116980824B
CN116980824B CN202310943235.3A CN202310943235A CN116980824B CN 116980824 B CN116980824 B CN 116980824B CN 202310943235 A CN202310943235 A CN 202310943235A CN 116980824 B CN116980824 B CN 116980824B
Authority
CN
China
Prior art keywords
data
csi
positioning
cluster
clustering
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.)
Active
Application number
CN202310943235.3A
Other languages
English (en)
Other versions
CN116980824A (zh
Inventor
余敏
谢佳俊
戴汉文
郭杭
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal 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 Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202310943235.3A priority Critical patent/CN116980824B/zh
Publication of CN116980824A publication Critical patent/CN116980824A/zh
Application granted granted Critical
Publication of CN116980824B publication Critical patent/CN116980824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种轻量化的加权集成学习室内CSI定位方法，包括离线训练阶段：分别获取CSI的幅值和相位；利用解卷绕和线性变换的方法还原真实相位；利用拉依达准则剔除幅值和相位异常值，并分别用幅值和相位均值替代异常值，然后利用滑动平均滤波器分别对幅值和相位进行平滑降噪处理，最后将预处理好的幅值和相位作为联合特征；利用改进的自适应加权Kmeans算法减少联合特征的数据量；经标准化后，采用基于奇异矩阵分解的PCA算法进行联合特征降维，最后利用得到的数据训练加权RF‑SVR集成学习模型。在线测试阶段：将处理好的测试点数据输入训练好的集成学习模型中，得到位置估计。本发明在提高定位精度和稳定性的同时，能有效地减少定位时间。

Description

一种轻量化的加权集成学习室内CSI定位方法
技术领域
本发明属于无线通信与室内定位技术领域，具体涉及一种轻量化的加权集成学习室内C SI定位方法。
背景技术
近年来，随着工EEE802.11n协议的发布，WiFi等商用设备逐渐开放物理层信息，加之已经可以很容易地修改无线网卡的驱动，使得信道状态信息(C SI)的获取变得简单。CSI反映了正交频分复用(OFDM)系统中所有子载波的幅度和相位信息，因此它比多径无线信号叠加值的接收信号强度(RSS)具有更好的稳定性和更细的颗粒度。RSS对环境比较敏感，容易受多径效应的干扰，而C SI在OFDM-MIMO系统下，能有效削弱多径效应带来的影响。虽然C SI的细粒度特性能有效提高定位精度，但若其工作在多天线系统下，无形之中也会增加大量的样本特征，从而会加大定位的时间开销。
目前，一些基于C SI指纹的室内定位研究都偏向于使用比较复杂的定位模型，比如一些复杂的神经网络或者深度学习模型。使用这些模型固然可以有效提高定位精度，却忽略了定位的时间开销。还有一些基于C SI指纹的室内定位研究为了减少定位的时间开销，将多个天线上测得的数据简单平均得到指纹，这将弱化C SI所携带的信息。虽然有研究者已经考虑到上述问题，使用Kmeans算法减少指纹数据量，却忽略了Kmeans算法固有的缺陷，比如：聚类效果依赖于聚类中心的选取、聚类结果不稳定且容易陷入局部最优等。如果选择一些简单的机器学习算法，诸如：K最邻近算法(KNN)、朴素贝叶斯算法(NB)等，虽然可以有效地减少定位的时间开销，但又存在定位精度不高、泛化能力弱的问题。所以如何在定位精度和定位时间之间找到一种平衡是C SI研究者亟待解决的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种轻量化的加权集成学习室内C SI定位方法，其方法步骤简单，设计合理，实现方便，通过改进的自适应加权Kmeans算法既克服了传统Kmeans算法固有的缺陷，又在不影响C SI细粒度特征的前提下选出用来描述位置多径特性并且对定位贡献大的特征数据包，最后使用泛化性能和预测性能更强的加权RF-SVR集成学习模型进行位置估计，能有效缩短定位时间，提高定位精度，增强定位稳定性，效果显著，便于推广。
为解决上述技术问题，本发明采用的技术方案是：一种轻量化的加权集成学习室内C SI定位方法，包括采集待定位区域内所有指纹参考点的C SI数据，并提取C SI数据的特征，训练好用于室内C SI定位的加权RF-SVR集成学习模型的离线训练阶段；以及提取出定位测试点的C SI特征，并利用训练好的加权RF-SVR集成学习模型预测出定位测试点的位置的在线测试阶段；
所述离线训练阶段的具体过程包括：
步骤S1、在待定位区域布设多个指纹参考点，固定好C SI信号发射设备，利用能够接收到C SI信号的接收设备分别在每个指纹参考点上采集n组数据包，并提取C SI信号的幅值和相位作为训练样本数据；
步骤S2、对C SI信号的相位依次进行解卷绕和线性变换，得到去噪后的真实相位，然后采用拉依达准则剔除相位和幅值的异常值，并采用幅值和相位的均值进行填充，最后采用滑动平均滤波器对幅值和相位进行平滑降噪处理，并将处理好的幅值和相位作为联合特征；
步骤S3、采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包，减少参考点的数据量；
步骤S4、采用Z-score算法进行特征数据标准化，再采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维；
步骤S5、将降维后的特征数据以及对应的位置坐标存储在离线指纹数据库中，用于训练加权RF-SVR集成学习模型；
所述在线测试阶段的具体过程包括：
步骤S6、在待定位区域布设若干个测试点，分别在每个测试点上采集n组数据包；
步骤S7、提取幅值和相位并进行同样的预处理以获取相对纯净的联合测试特征数据；
步骤S8、采用已经训练好的加权RF-SVR集成学习模型进行位置估计。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S2中所述采用拉依达准则剔除相位和幅值的异常值的具体过程包括：
步骤S201、计算CSI信号的幅值或相位的均值μ；
式中，t为CSI数据包中CSI信号的总个数，i表示CSI数据包中第i个CSI信号，i的取值为1～t的自然数，raw_datai表示第i个CSI信号的幅值或相位；
步骤S202、计算CSI信号的幅值或相位的标准差σ；
步骤S203、判断|μ-raw_datai|是否大于3σ，当|μ-raw_datai|大于3σ时，判断为第i个CSI信号的幅值或相位为异常值，将其剔除；否则，当|μ-raw_datai|小于等于3σ时，判断为第i个CSI信号的幅值或相位不是异常值，将其保留。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S2中所述采用滑动平均滤波器对幅值和相位进行平滑降噪处理的具体过程包括：
将q个采用拉依达准则处理后的幅值或相位看成一个队列，队列的长度固定为q，每次经过拉依达准则处理后得到的一次新数据放于队尾，并丢弃原先队首的一次数据，最后把队列中的q个数据进行平均运算，得到新的滤波结果
式中，m为可调整的平滑窗口大小，q为数据包序号，w为子载波序号，表示第q个数据包中的第w个子载波对应的幅值或相位。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S3中所述采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包的具体过程包括：
步骤S301、设置聚类的迭代次数为max_iters并初始化每个数据包的权重；
Wu，0＝1
式中，Wu，0表示第u个特征数据包的初始权重；
步骤S302、采用n个特征数据的均值和标准差σ′来选取k个初始聚类中心；
式中，Fu表示第u个特征数据；
式中，Co表示第o个初始聚类中心；
步骤S303、计算每个特征数据到k个初始聚类中心的欧式距离Du，k，并将特征数据分配到离初始聚类中心Co距离最近的聚类中；
Du，k＝||Fu-Co||2
式中，||Fu-Co||2表示每个特征数据距离初始聚类中心Co的欧式距离；au表示距离初始聚类中心Co最近的聚类，以整形编号的方式存储；arg为标记符号，表示特征数据隶属哪个类；
步骤S304、根据包含的特征数据点及其对应的权重，对每个聚类进行加权平均计算，得到新的聚类中心；
式中，Cj表示新的聚类中心，Wu，j表示第u个特征数据在第j个聚类中的权重，当进行第一轮迭代时，Wu，j为初始权重，即Wu，j＝Wu，0；au，j表示第u个特征数据分配到第j个聚类中的整形编号，au，j＝[1，2，...，k-1，k]；[au，j＝j]表示指示函数，当au，j＝j时取值为1，表示当前特征数据隶属第j个聚类，当au，j≠j时取值为0，表示当前特征数据不隶属第j个聚类；
步骤S305、进行权重自适应更新；
步骤S306、设置目标函数，使聚类能在迭代次数内快速收敛且目标函数的大小代表聚类结果的质量；
步骤S307、设置聚类稳定性评价指标，确保聚类结果的稳定性；
步骤S308、设置收敛阈值，判断是否收敛；当收敛时，自适应加权聚类结束，否则继续进行聚类。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S305中所述权重自适应更新的具体过程包括：
步骤S30501、对于每个特征数据Fu，计算它与所有聚类中心的欧式距离Du，j；
步骤S30502、找到距离特征数据Fi最近的聚类中心，记录最短距离Dmin；
Dmin＝min(Du，j)
步骤S30503、更新权重Wu，j；
式中，σu表示第u个特征数据的自适应高斯核函数带宽；
式中，α表示自适应高斯核函数的截断系数。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S306中所述设置目标函数，使聚类能在迭代次数内快速收敛且目标函数的大小代表聚类结果的质量的具体过程包括：
步骤S30601、遍历所有的聚类中心Cj；
步骤S30602、找出所有被分配到聚类中心的特征数据Fu，j；
步骤S30603、当Fu，j不为空时，计算每个特征数据到聚类中心Cj的距离；当Fu，j为空时，进行收敛判断；
步骤S30604、对聚类中心内所有特征数据到聚类中心的距离进行加权求和，并将k次加权求和的结果进行累加，形成目标函数Obj；
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S307中所述设置聚类稳定性评价指标，确保聚类结果的稳定性的具体过程包括：
步骤S30701、设置稳定性阈值stab0和稳定性迭代次数stab_iters；
步骤S30702、当迭代次数超过稳定性迭代次数stab_iters时，计算当前的聚类结果和上一轮的聚类结果之间的相似性，评估聚类的稳定性；
式中，stab表示聚类的稳定性，z表示特征数据包的总数，labelc表示第c个特征数据包在上一轮聚类中的标签，labelc′表示第c个特征数据包在本轮聚类中的标签；[labelc≠labelc′]用于判断当前的聚类标签和上一轮的聚类标签是否相同，如相同记录为1，不相同记录为0；
步骤S30703、当稳定性stab>＝stab0且新的目标函数比旧的目标函数小时，给权重Wu，j设置一个小于1的比例系数δ1以削弱权重的影响；当稳定性stab<stab0或者新的目标函数比旧的目标函数大时，给权重Wu，j设置一个大于1的比例系数δ2以增强权重的影响。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S4中所述采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维的具体过程包括：
步骤S401、求每列特征数据的均值；
步骤S402、特征数据去中心化；
步骤S403、将去中心化的样本矩阵进行奇异矩阵分解，得到右奇异矩阵V；
步骤S404、取右奇异矩阵V的前p个特征分量；
步骤S405、采用前p个特征分量对样本矩阵进行列压缩，得到降维后的特征矩阵。
上述的一种轻量化的加权集成学习室内CSI定位方法，步骤S8中所述采用已经训练好的加权RF-SVR集成学习模型进行位置估计的具体过程包括：
步骤S801、分离训练集和测试集的特征及位置标签；
步骤S802、采用降维后的特征数据和对应的位置标签分别训练参数优化后的RF模型和参数优化后的SVR模型，再将待定位区域的测试点特征数据输入训练好的两类模型当中，得到初步的位置估计，然后计算该估计位置坐标与真实的位置坐标的欧式距离误差，最后将欧式误差作为模型的定位表现；
步骤S803、根据两类模型不同的定位表现给模型分配不同的权重，表现比较好的模型给其预测结果分配一个较大的权重W1，表现比较差的模型给其预测结果分配一个较小的权重W2，且W1和W2满足：
W1+W2＝1；
步骤S804、根据分配的权重确定最终的预测位置坐标(Xs，Ys)；
Xs＝W1·pre_best_xs+W2·pre_bad_xs
Ys＝W1·pre_best_ys+W2·pre_bad_ys
式中，pre_best_xs表示定位表现比较好的模型在第s个位置上预测的标签x；pre_best_ys表示定位表现比较好的模型在第s个位置上预测的标签y；pre_bad_xs表示定位表现比较差的模型在第s个位置上预测的标签x；pre_bad_ys表示定位表现比较差的模型在第s个位置上预测的标签y。
本发明与现有技术相比具有以下优点：本发明方法步骤简单，设计合理，实现方便，通过改进的自适应加权Kmeans算法既克服了传统Kmeans算法固有的缺陷，又在不影响CSI细粒度特征的前提下选出用来描述位置多径特性并且对定位贡献大的特征数据包，最后使用泛化性能和预测性能更强的加权RF-SVR集成学习模型进行位置估计，能有效缩短定位时间，提高定位精度，增强定位稳定性，效果显著，便于推广。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图；
图2为本发明改进的自适应加权Kmeans算法处理幅值数据前后对比图。
具体实施方式
如图1所示，本发明的轻量化的加权集成学习室内CSI定位方法，包括采集待定位区域内所有指纹参考点的CSI数据，并提取CSI数据的特征，训练好用于室内CSI定位的加权RF-SVR集成学习模型的离线训练阶段；以及提取出定位测试点的CSI特征，并利用训练好的加权RF-SVR集成学习模型预测出定位测试点的位置的在线测试阶段；
所述离线训练阶段的具体过程包括：
步骤S1、在待定位区域布设多个指纹参考点，固定好CSI信号发射设备，利用能够接收到CSI信号的接收设备分别在每个指纹参考点上采集n组数据包，并提取CSI信号的幅值和相位作为训练样本数据；
具体实施时，固定好CSI信号发射设备，该CSI信号发射设备可以是WiFi基站、5G基站或者其它具有等同功能的设备，可将待定位区域划分成多个区域块，在每个区域块通过CSI信号接收设备进行CSI信号采集，该CSI信号接收设备可以是软件无线电设备、能够接收到CSI信号的手机、能够接收到CSI信号的电脑或者其它具有等同功能的设备，采集完CSI数据包后，再对CSI数据包进行解析，并从中提取出原始的幅值和相位信息；
步骤S2、对CSI信号的相位依次进行解卷绕和线性变换，得到去噪后的真实相位，然后采用拉依达准则剔除相位和幅值的异常值，并采用幅值和相位的均值进行填充，防止幅值和相位在剔除的过程中出现缺失，最后采用滑动平均滤波器对幅值和相位进行平滑降噪处理，并将处理好的幅值和相位作为联合特征；
具体实施时，解卷绕的过程为：当原始相位数据前后两点的相位差超过π时，就认为产生了相位截断，这时就要将产生截断的相位减去截断幅度2π，以此类推，将由四象限反正切函数运算引起的截断相位恢复成原有的相位分布；最后再利用线性变换的方法对解卷绕之后的相位进行线性校正处理，得到去噪后的真实相位；
步骤S3、采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包，减少参考点的数据量；
步骤S4、采用Z-score算法进行特征数据标准化，再采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维；
具体实施时，由于提取出的幅度和相位特征之间数值差别较大，会对定位结果造成较大的影响，故采用Z-score算法对特征数据进行标准化，将不同量级的数据转化成统一量级的Z-score分值进行比较：
式中，Fnew表示Z-score标准化之后的特征数据，Fold表示未经过Z-score标准化处理的特征数据，ζ表示特征数据的均值；表示特征数据的标准差；
步骤S5、将降维后的特征数据以及对应的位置坐标存储在离线指纹数据库中，用于训练加权RF-SVR集成学习模型；
所述在线测试阶段的具体过程包括：
步骤S6、在待定位区域布设若干个测试点，分别在每个测试点上采集n组数据包；
具体实施时，步骤S6与步骤S1设置相同的环境和配置；
步骤S7、提取幅值和相位并进行同样的预处理以获取相对纯净的联合测试特征数据；
步骤S8、采用已经训练好的加权RF-SVR集成学习模型进行位置估计。
本实施例中，步骤S2中所述采用拉依达准则剔除相位和幅值的异常值的具体过程包括：
步骤S201、计算CSI信号的幅值或相位的均值μ；
式中，t为CSI数据包中CSI信号的总个数，i表示CSI数据包中第i个CSI信号，i的取值为1～t的自然数，raw_datai表示第i个CSI信号的幅值或相位；
步骤S202、计算CSI信号的幅值或相位的标准差σ；
步骤S203、判断|μ-raw_datai|是否大于3σ，当|μ-raw_datai|大于3σ时，判断为第i个CSI信号的幅值或相位为异常值，将其剔除；否则，当|μ-raw_datai|小于等于3σ时，判断为第i个CSI信号的幅值或相位不是异常值，将其保留。
以上过程用文字表述为：当数据的波动偏差即单个CSI信号的幅值或相位与样本CSI信号的幅值或相位的均值差值超过了3倍标准差时，则认为该数据异常并进行剔除。
本实施例中，步骤S2中所述采用滑动平均滤波器对幅值和相位进行平滑降噪处理的具体过程包括：
将q个采用拉依达准则处理后的幅值或相位看成一个队列，队列的长度固定为q，每次经过拉依达准则处理后得到的一次新数据放于队尾，并丢弃原先队首的一次数据，最后把队列中的q个数据进行平均运算，得到新的滤波结果
式中，m为可调整的平滑窗口大小，q为数据包序号，w为子载波序号，表示第q个数据包中的第w个子载波对应的幅值或相位。
具体实施时，如果利用拉依达准则剔除异常数据出现缺失值，则利用数据的均值进行填充，确保数据的完整性；所述滑动平均滤波器的平滑窗口需选择合适的大小，如选择过大，容易出现平滑过拟合现象，如选择过小，平滑降噪的效果不明显。
本实施例中，步骤S3中所述采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包的具体过程包括：
步骤S301、设置聚类的迭代次数为max_iters并初始化每个数据包的权重；
Wu，0＝1
式中，Wu，0表示第u个特征数据包的初始权重；
步骤S302、采用n个特征数据的均值和标准差σ′来选取k个初始聚类中心；
式中，Fu表示第u个特征数据；
式中，Co表示第o个初始聚类中心；
步骤S303、计算每个特征数据到k个初始聚类中心的欧式距离Du，k，并将特征数据分配到离初始聚类中心Co距离最近的聚类中；
Du，k＝||Fu-Co||2
式中，||Fu-Co||2表示每个特征数据距离初始聚类中心Co的欧式距离；au表示距离初始聚类中心Co最近的聚类，以整形编号的方式存储；arg为标记符号，表示特征数据隶属哪个类；
步骤S304、根据包含的特征数据点及其对应的权重，对每个聚类进行加权平均计算，得到新的聚类中心；
式中，Cj表示新的聚类中心，Wu，j表示第u个特征数据在第j个聚类中的权重，当进行第一轮迭代时，Wu，j为初始权重，即Wu，j＝Wu，0；au，j表示第u个特征数据分配到第j个聚类中的整形编号，au，j＝[1，2，...，k-1，k]；[au，j＝j]表示指示函数，当au，j＝j时取值为1，表示当前特征数据隶属第j个聚类，当au，j≠j时取值为0，表示当前特征数据不隶属第j个聚类；
步骤S305、进行权重自适应更新；
具体实施时，由于所采集的CSI信号经过多次反射和多径干扰后，会受到多个随机变量的影响，而中心极限定理表明多个随机变量的和趋近于高斯分布，从而导致CSI特征数据会出现类高斯分布的规律，为了更好地适应类高斯分布的数据特征且能够更准确地捕捉特征数据包之间的相似度，需进行权重自适应更新。
步骤S306、设置目标函数，使聚类能在迭代次数内快速收敛且目标函数的大小代表聚类结果的质量；
步骤S307、设置聚类稳定性评价指标，确保聚类结果的稳定性；
步骤S308、设置收敛阈值，判断是否收敛；当收敛时，自适应加权聚类结束，否则继续进行聚类。
具体实施时，聚类数量、迭代次数和收敛阈值等能够通过交叉验证并结合具体实验得出，最后达到最优聚类即可输出对定位贡献大且能描述位置多径特性的特征数据包，改进的自适应加权Kmeans算法处理幅值数据前后对比如图2所示。
本实施例中，步骤S305中所述权重自适应更新的具体过程包括：
步骤S30501、对于每个特征数据Fu，计算它与所有聚类中心的欧式距离Du，j；
步骤S30502、找到距离特征数据Fi最近的聚类中心，记录最短距离Dmin；
Dmin＝min(Du，j)
步骤S30503、更新权重Wu，j；
式中，σu表示第u个特征数据的自适应高斯核函数带宽；
式中，α表示自适应高斯核函数的截断系数。
具体实施时，当特征数据离聚类中心越远时，特征数据的隶属度越低，分配较小权重；当特征数据离聚类中心越近时，特征数据的隶属度越高，分配较大权重。引入自适应高斯核函数的截断系数能够防止距离过大时仍给远离聚类中心的噪声点分配一定的权重，有效降低噪声点对聚类的影响。
本实施例中，步骤S306中所述设置目标函数，使聚类能在迭代次数内快速收敛且目标函数的大小代表聚类结果的质量的具体过程包括：
步骤S30601、遍历所有的聚类中心Cj；
步骤S30602、找出所有被分配到聚类中心的特征数据Fu，j；
步骤S30603、当Fu，j不为空时，计算每个特征数据到聚类中心Cj的距离；当Fu，j为空时，进行收敛判断；
步骤S30604、对聚类中心内所有特征数据到聚类中心的距离进行加权求和，并将k次加权求和的结果进行累加，形成目标函数Obj；
具体实施时，目标函数越小，聚类结果越好，反之，聚类结果越差。
本实施例中，步骤S307中所述设置聚类稳定性评价指标，确保聚类结果的稳定性的具体过程包括：
步骤S30701、设置稳定性阈值stab0和稳定性迭代次数stab_iters；
步骤S30702、当迭代次数超过稳定性迭代次数stab_iters时，计算当前的聚类结果和上一轮的聚类结果之间的相似性，评估聚类的稳定性；
式中，stab表示聚类的稳定性，z表示特征数据包的总数，labelc表示第c个特征数据包在上一轮聚类中的标签，labelc′表示第c个特征数据包在本轮聚类中的标签；[labelc≠labelc′]用于判断当前的聚类标签和上一轮的聚类标签是否相同，如相同记录为1，不相同记录为0；
步骤S30703、当稳定性stab>＝stab0且新的目标函数比旧的目标函数小时，给权重Wu，j设置一个小于1的比例系数δ1以削弱权重的影响；当稳定性stab<stab0或者新的目标函数比旧的目标函数大时，给权重Wu，j设置一个大于1的比例系数δ2以增强权重的影响。
具体实施时，稳定性stab>＝stab0且新的目标函数比旧的目标函数小时，表明聚类结果的稳定性比较高，聚类结果比较好；稳定性stab<stab0或者新的目标函数比旧的目标函数大时，表明聚类结果不够稳定或者质量较差，给权重Wu，j设置一个大于1的比例系数δ2以增强权重的影响，保证下一轮聚类能得到更好的聚类结果，以此来提高聚类结果的稳定性和质量。
本实施例中，步骤S4中所述采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维的具体过程包括：
步骤S401、求每列特征数据的均值；
步骤S402、特征数据去中心化；
具体实施时，通过每个样本减去每列特征数据的均值进行特征数据去中心化。
步骤S403、将去中心化的样本矩阵进行奇异矩阵分解，得到右奇异矩阵V；
步骤S404、取右奇异矩阵V的前p个特征分量；
步骤S405、采用前p个特征分量对样本矩阵进行列压缩，得到降维后的特征矩阵。
具体实施时，需选择合适的特征数p，特征数过多容易加大定位的时间开销，特征数过少容易影响定位的精度和稳定性。
本实施例中，步骤S8中所述采用已经训练好的加权RF-SVR集成学习模型进行位置估计的具体过程包括：
步骤S801、分离训练集和测试集的特征及位置标签；
步骤S802、采用降维后的特征数据和对应的位置标签分别训练参数优化后的RF模型和参数优化后的SVR模型，再将待定位区域的测试点特征数据输入训练好的两类模型当中，得到初步的位置估计，然后计算该估计位置坐标与真实的位置坐标的欧式距离误差，最后将欧式误差作为模型的定位表现；
步骤S803、根据两类模型不同的定位表现给模型分配不同的权重，表现比较好的模型给其预测结果分配一个较大的权重W1，表现比较差的模型给其预测结果分配一个较小的权重W2，且W1和W2满足：
W1+W2＝1；
步骤S804、根据分配的权重确定最终的预测位置坐标(Xs，Ys)；
Xs＝W1·pre_best_xs+W2·pre_bad_xs
Ys＝W1·pre_best_ys+W2·pre_bad_ys
式中，pre_best_xs表示定位表现比较好的模型在第s个位置上预测的标签x；pre_best_ys表示定位表现比较好的模型在第s个位置上预测的标签y；pre_bad_xs表示定位表现比较差的模型在第s个位置上预测的标签x；pre_bad_ys表示定位表现比较差的模型在第s个位置上预测的标签y。
具体实施时，W1和W2的取值能够通过交叉验证或者网格搜索的方式来确定，并且在实际的应用场景中，由于无法预先获取待定位对象的实际坐标，我们可以通过预先布设参考点和测试点来获取不同模型的误差权重，然后将误差权重进行保存，等到定位区域内出现待定位对象时，可结合已保存的误差权重直接进行位置估计。
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。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (8)

1.一种轻量化的加权集成学习室内CSI定位方法，其特征在于，包括采集待定位区域内所有指纹参考点的CSI数据，并提取CSI数据的特征,训练好用于室内CSI定位的加权RF-SVR集成学习模型的离线训练阶段；以及提取出定位测试点的CSI特征，并利用训练好的加权RF-SVR集成学习模型预测出定位测试点的位置的在线测试阶段；
所述离线训练阶段的具体过程包括：
步骤S1、在待定位区域布设多个指纹参考点，固定好CSI信号发射设备，利用能够接收到CSI信号的接收设备分别在每个指纹参考点上采集n组数据包，并提取CSI信号的幅值和相位作为训练样本数据；
步骤S2、对CSI信号的相位依次进行解卷绕和线性变换，得到去噪后的真实相位，然后采用拉依达准则剔除相位和幅值的异常值，并采用幅值和相位的均值进行填充，最后采用滑动平均滤波器对幅值和相位进行平滑降噪处理，并将处理好的幅值和相位作为联合特征；
步骤S3、采用改进的自适应加权Kmeans算法选出对定位贡献大且能描述位置多径特性的特征数据包，减少参考点的数据量；具体过程包括：
步骤S301、设置聚类的迭代次数为max_iters并初始化每个数据包的权重；
Wu,0＝1
式中，Wu,0表示第u个特征数据包的初始权重；
步骤S302、采用n个特征数据的均值和标准差σ′来选取k个初始聚类中心；
式中，Fu表示第u个特征数据；
式中，Co表示第o个初始聚类中心；
步骤S303、计算每个特征数据到k个初始聚类中心的欧式距离Du,k，并将特征数据分配到离初始聚类中心Co距离最近的聚类中；
Du,k＝||Fu-Co||2
式中，||Fu-Co||2表示每个特征数据距离初始聚类中心Co的欧式距离；au表示距离初始聚类中心Co最近的聚类，以整形编号的方式存储；arg为标记符号，表示特征数据隶属哪个类；
步骤S304、根据包含的特征数据点及其对应的权重，对每个聚类进行加权平均计算，得到新的聚类中心；
式中，Cj表示新的聚类中心，Wu,j表示第u个特征数据在第j个聚类中的权重，当进行第一轮迭代时，Wu,j为初始权重，即Wu,j＝Wu,0；au,j表示第u个特征数据分配到第j个聚类中的整形编号，au,j＝[1,2,...,k-1,k]；[au,j＝j]表示指示函数，当au,j＝j时取值为1，表示当前特征数据隶属第j个聚类，当au,j≠j时取值为0，表示当前特征数据不隶属第j个聚类；
步骤S305、进行权重自适应更新；
步骤S306、设置目标函数，使聚类能在迭代次数内快速收敛且目标函数的大小代表聚类结果的质量；
步骤S307、设置聚类稳定性评价指标，确保聚类结果的稳定性；
步骤S308、设置收敛阈值，判断是否收敛；当收敛时，自适应加权聚类结束，否则继续进行聚类；
步骤S4、采用Z-score算法进行特征数据标准化，再采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维；
步骤S5、将降维后的特征数据以及对应的位置坐标存储在离线指纹数据库中，用于训练加权RF-SVR集成学习模型；
所述在线测试阶段的具体过程包括：
步骤S6、在待定位区域布设若干个测试点，分别在每个测试点上采集n组数据包；
步骤S7、提取幅值和相位并进行同样的预处理以获取相对纯净的联合测试特征数据；
步骤S8、采用已经训练好的加权RF-SVR集成学习模型进行位置估计。
2.按照权利要求1所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S2中所述采用拉依达准则剔除相位和幅值的异常值的具体过程包括：
步骤S201、计算CSI信号的幅值或相位的均值μ；
式中，t为CSI数据包中CSI信号的总个数，i表示CSI数据包中第i个CSI信号，i的取值为1～t的自然数，raw_datai表示第i个CSI信号的幅值或相位；
步骤S202、计算CSI信号的幅值或相位的标准差σ；
步骤S203、判断|μ-raw_datai|是否大于3σ，当|μ-raw_datai|大于3σ时，判断为第i个CSI信号的幅值或相位为异常值，将其剔除；否则，当|μ-raw_datai|小于等于3σ时，判断为第i个CSI信号的幅值或相位不是异常值，将其保留。
3.按照权利要求2所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S2中所述采用滑动平均滤波器对幅值和相位进行平滑降噪处理的具体过程包括：
将q个采用拉依达准则处理后的幅值或相位看成一个队列，队列的长度固定为q，每次经过拉依达准则处理后得到的一次新数据放于队尾，并丢弃原先队首的一次数据，最后把队列中的q个数据进行平均运算，得到新的滤波结果
式中，m为可调整的平滑窗口大小，q为数据包序号，w为子载波序号，表示第q个数据包中的第w个子载波对应的幅值或相位。
4.按照权利要求1所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S305中所述权重自适应更新的具体过程包括：
步骤S30501、对于每个特征数据Fu，计算它与所有聚类中心的欧式距离Du,j；
步骤S30502、找到距离特征数据Fi最近的聚类中心，记录最短距离Dmin；
Dmin＝min(Du,j)
步骤S30503、更新权重Wu,j；
式中，σu表示第u个特征数据的自适应高斯核函数带宽；
式中，α表示自适应高斯核函数的截断系数。
5.按照权利要求4所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S306中所述设置目标函数，使聚类能在迭代次数内快速收敛且目标函数的大小代表聚类结果的质量的具体过程包括：
步骤S30601、遍历所有的聚类中心Cj；
步骤S30602、找出所有被分配到聚类中心的特征数据Fu,j；
步骤S30603、当Fu,j不为空时，计算每个特征数据到聚类中心Cj的距离；当Fu,j为空时，进行收敛判断；
步骤S30604、对聚类中心内所有特征数据到聚类中心的距离进行加权求和，并将k次加权求和的结果进行累加，形成目标函数Obj；
6.按照权利要求5所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S307中所述设置聚类稳定性评价指标，确保聚类结果的稳定性的具体过程包括：
步骤S30701、设置稳定性阈值stab0和稳定性迭代次数stab_iters；
步骤S30702、当迭代次数超过稳定性迭代次数stab_iters时，计算当前的聚类结果和上一轮的聚类结果之间的相似性，评估聚类的稳定性；
式中，stab表示聚类的稳定性，z表示特征数据包的总数，labelc表示第c个特征数据包在上一轮聚类中的标签，labelc'表示第c个特征数据包在本轮聚类中的标签；[labelc≠labelc']用于判断当前的聚类标签和上一轮的聚类标签是否相同，如相同记录为1，不相同记录为0；
步骤S30703、当稳定性stab>＝stab0且新的目标函数比旧的目标函数小时，给权重Wu,j设置一个小于1的比例系数δ1以削弱权重的影响；当稳定性stab<stab0或者新的目标函数比旧的目标函数大时，给权重Wu,j设置一个大于1的比例系数δ2以增强权重的影响。
7.按照权利要求6所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S4中所述采用基于奇异矩阵分解的PCA算法对标准化后的特征数据进行特征降维的具体过程包括：
步骤S401、求每列特征数据的均值；
步骤S402、特征数据去中心化；
步骤S403、将去中心化的样本矩阵进行奇异矩阵分解，得到右奇异矩阵V；
步骤S404、取右奇异矩阵V的前p个特征分量；
步骤S405、采用前p个特征分量对样本矩阵进行列压缩，得到降维后的特征矩阵。
8.按照权利要求7所述的一种轻量化的加权集成学习室内CSI定位方法，其特征在于，步骤S8中所述采用已经训练好的加权RF-SVR集成学习模型进行位置估计的具体过程包括：
步骤S801、分离训练集和测试集的特征及位置标签；
步骤S802、采用降维后的特征数据和对应的位置标签分别训练参数优化后的RF模型和参数优化后的SVR模型，再将待定位区域的测试点特征数据输入训练好的两类模型当中，得到初步的位置估计，然后计算该估计位置坐标与真实的位置坐标的欧式距离误差，最后将欧式误差作为模型的定位表现；
步骤S803、根据两类模型不同的定位表现给模型分配不同的权重，表现比较好的模型给其预测结果分配一个较大的权重W1，表现比较差的模型给其预测结果分配一个较小的权重W2，且W1和W2满足：
W1+W2＝1；
步骤S804、根据分配的权重确定最终的预测位置坐标(Xs,Ys)；
Xs＝W1·pre_best_xs+W2·pre_bad_xs
Ys＝W1·pre_best_ys+W2·pre_bad_ys
式中，pre_best_xs表示定位表现比较好的模型在第s个位置上预测的标签x；pre_best_ys表示定位表现比较好的模型在第s个位置上预测的标签y；pre_bad_xs表示定位表现比较差的模型在第s个位置上预测的标签x；pre_bad_ys表示定位表现比较差的模型在第s个位置上预测的标签y。
CN202310943235.3A 2023-07-29 2023-07-29 一种轻量化的加权集成学习室内csi定位方法 Active CN116980824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310943235.3A CN116980824B (zh) 2023-07-29 2023-07-29 一种轻量化的加权集成学习室内csi定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310943235.3A CN116980824B (zh) 2023-07-29 2023-07-29 一种轻量化的加权集成学习室内csi定位方法

Publications (2)

Publication Number Publication Date
CN116980824A CN116980824A (zh) 2023-10-31
CN116980824B true CN116980824B (zh) 2024-03-26

Family

ID=88477743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310943235.3A Active CN116980824B (zh) 2023-07-29 2023-07-29 一种轻量化的加权集成学习室内csi定位方法

Country Status (1)

Country Link
CN (1) CN116980824B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872269B (zh) * 2024-03-13 2024-06-14 电子科技大学 一种自适应数据处理的高精度定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147573A (zh) * 2020-09-14 2020-12-29 山东科技大学 一种基于csi的幅值和相位信息的无源定位方法
CN116437290A (zh) * 2023-04-18 2023-07-14 长春理工大学 一种基于csi指纹定位的模型融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147573A (zh) * 2020-09-14 2020-12-29 山东科技大学 一种基于csi的幅值和相位信息的无源定位方法
CN116437290A (zh) * 2023-04-18 2023-07-14 长春理工大学 一种基于csi指纹定位的模型融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于CSI位置指纹的室内定位算法研究;李春堂;CNKI优秀硕士学位论文全文;20200315(第2020年第03期期);全文 *
基于萤火虫优化的加权 K-means 算法;陈小雪等;计算机应用研究;20180228(第VOL.35 NO, 2期);全文 *
联合FCMM与PCA的WLAN室内定位算法研究;马池;CNKI优秀硕士学位论文全文;20190716(第2019年第08期期);全文 *

Also Published As

Publication number Publication date
CN116980824A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN108416695B (zh) 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN116980824B (zh) 一种轻量化的加权集成学习室内csi定位方法
CN109460793A (zh) 一种节点分类的方法、模型训练的方法及装置
CN112052802B (zh) 一种基于机器视觉的前方车辆行为识别方法
CN111832462B (zh) 一种基于深度神经网络的跳频信号检测与参数估计方法
CN111986811A (zh) 一种基于大数据的疾病预测系统
CN111862951B (zh) 语音端点检测方法及装置、存储介质、电子设备
CN113259031B (zh) 一种面向卫星频谱态势生成的底噪拟合与消除方法
CN110224771B (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
CN113344220B (zh) 一种联邦学习中基于局部模型梯度的用户筛选方法、系统、设备及存储介质
CN111008991A (zh) 一种背景感知的相关滤波目标跟踪方法
Siyang et al. WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping
CN107277773B (zh) 联合多种情景模式的自适应定位方法
CN108154186B (zh) 一种模式识别方法和装置
CN111882057A (zh) 一种面向时空序列数据建模的多阶段深度学习方法及应用
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN115935154B (zh) 基于稀疏表示与近端算法的射频信号特征遴选与识别方法
CN116975742A (zh) 局部放电模式识别方法、装置、设备和存储介质
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN111160464B (zh) 基于多隐层加权动态模型的工业高阶动态过程软测量方法
CN112016539A (zh) 信号识别方法、装置、电子设备与存储介质
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
CN115797814B (zh) 基于无人机的输电线路树障隐患实时评估计算方法
CN115222945B (zh) 基于多尺度自适应课程学习的深度语义分割网络训练方法
CN112861796B (zh) 特征自适应的动作识别方法

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
GR01 Patent grant
GR01 Patent grant