CN117872269A - 一种自适应数据处理的高精度定位方法 - Google Patents
一种自适应数据处理的高精度定位方法 Download PDFInfo
- Publication number
- CN117872269A CN117872269A CN202410283075.9A CN202410283075A CN117872269A CN 117872269 A CN117872269 A CN 117872269A CN 202410283075 A CN202410283075 A CN 202410283075A CN 117872269 A CN117872269 A CN 117872269A
- Authority
- CN
- China
- Prior art keywords
- data
- kernel
- positioning
- adaptive filter
- rssi
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 24
- 238000001914 filtration Methods 0.000 abstract description 14
- 238000002474 experimental method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 9
- 238000003672 processing method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- Feedback Control In General (AREA)
Abstract
本发明公开了一种自适应数据处理的高精度定位方法,涉及无线电定位领域。本发明采用可移动的传感器在目标区域内实际位置处测量RSSI值形成RSSI数据;然后根据得到的实际位置和RSSI数据训练一个与用于定位的核自适应滤波器;最后实际应用时采用待定位目标采集到RSSI数据,然后将采集到的RSSI数据输入训练好的核自适应滤波器,核自适应滤波器输出目标位置。本方法相较传统的经典核自适应滤波方法,采用了分数阶微积分构建权重更新策略,具有更高、更稳健的滤波精度。本发明首次将分数阶微积分引入核自适应滤波器中来构建定位系统,实验表明此算法比当前最先进的定位算法能取得更好的定位精度。
Description
技术领域
本发明涉及无线电定位领域,特别是一种自适应数据处理的高精度定位方法。
背景技术
物联网技术是工业4.0技术的重要组成部分,而设备的位置信息是物联网应用的重要需求。定位技术能够为用户提供基于位置的、实时的个性化服务,包括导航、天气预报、社交网络。此外,定位技术在军事、工业、医疗等领域也得到了广泛的研究和应用,如机器人、机器辅助外科手术等。
20世纪60年代末,美国国防部开始为军事目标开发基于卫星的定位技术,最终在1990年发展成为全球定位系统(GPS)。全球定位系统是应用最广泛、最成功的室外定位系统。GPS是一种天基卫星导航系统,实际应用中通常采用三角测量法实现定位。GPS在有三颗或更多的卫星通畅视野的情况下,能够不受天气影响地提供地球附近或地球表面的位置和时间信息。但是由于建筑造成的信号衰落以及室内复杂环境导致的多径效应,导致GPS无法在建筑物中精确定位。虽然出现了GPS芯片等GPS增强技术试图改变这一情况,但是精度误差仍然很大,尚且无法满足室内定位的需要。
随后,许多新的定位技术被提出用于解决精确室内定位这一迫切问题。其中,基于接收信号强度指示器(RSSI)的室内定位方法最容易部署,因而得到广泛研究和应用。基于RSSI的室内定位技术不需要专门的测量设备,可以使用集成了WIFI的设备,比如智能手机、个人电脑来实现。
在基于RSSI的室内定位算法中,基于指纹识别的室内定位系统是研究和应用得最多的方案。基于指纹识别的室内定位系统主要涉及两个阶段:第一阶段(离线)是采集指纹,即使用传感器在特定位置测量的RSSI测量值来构建指纹数据库。对指纹进行采样的位置称为参考点,参考点是已知的,通常均匀分布在感兴趣的区域。第二阶段(在线)是指定位系统的实际使用过程。在这个阶段,基于用户的传感器RSSI测量值,在未知位置生成新的指纹。通过将该指纹提供给基于指纹数据库训练的预测模型来估算用户的位置。
指纹识别技术分为概率指纹识别技术(P-FT)和确定性指纹识别技术(D-FT)。P-FT由于具有较高的估计精度和鲁棒性而在实践中得到广泛应用。典型的P-FT算法包括K最邻近估计、卡尔曼滤波器估计、贝叶斯估计、高斯过程估计。基于机器学习的室内定位方法也属于P-FT,比如包括基于自编码器的定位估计、基于深度神经网络的定位估计、基于迁移学习的定位估计。
以上的定位数据处理方法在精度和效率方面都取得了巨大成功,但是许多资源有限的智能设备已经在物联网框架下广泛安装,在资源受限的环境下,寻找适合资源有限的设备辅助定位的轻量级在线方法仍然是迫切需要的。
发明内容
发明所要解决的技术问题:受到上述的研究背景的启发,本发明提出了一种自适应数据处理的高精度定位方法,该方法基于分数阶的核自适应滤波器,在计算资源有限的情况下提供高精度、强鲁棒、自适应的目标定位能力。
本发明技术方案为:一种自适应数据处理的高精度定位方法,其特征在于,该方法包括:
步骤1:采用可移动的传感器在目标区域内实际位置处测量RSSI值形成RSSI数据/>;
步骤2:采用步骤1得到的实际位置和RSSI数据/>训练一个与用于定位的核自适应滤波器;
步骤3:实际应用时采用待定位目标采集到RSSI数据,然后将采集到的RSSI数据/>输入训练好的核自适应滤波器,核自适应滤波器输出目标位置;
所述步骤2中的核自适应滤波器中首先采用核函数将RRSI数据/>映射到高维特征空间/>中,高维RRSI数据/>和/>与低维RRSI数据/>和/>计算关系为:
;
所述核自适应滤波器的损失函数为:
;
其中,是/>时刻的位置误差;/>是正则化参数,/>是分数/>阶积分算子,/>是正则项,用于确保输入RSSI数据的自相关矩阵非奇异,从而确保数值计算的可行性以及定位的唯一性,/>表示误差损失因子,/>表示第/>次更新时核自适应滤波器中的权重参数;
所述步骤2中训练核自适应滤波器是的权重参数更新方法为:
;
其中,,/>是低维RRSI数据/>的扩展/>在中映射得到的高维RRSI数据;/>为权重因子。
进一步的,所述核函数的具体公式为:
;
其中,为核函数分布因子,控制核函数的形状分布;/>为核带宽因子,控制输入数据的相似性测度,能够灵活适配具有不同数据特征的输入数据。
本方法相较传统的经典核自适应滤波方法,采用了分数阶微积分构建权重更新策略,具有更高、更稳健的滤波精度。本发明首次将分数阶微积分引入核自适应滤波器中来构建定位系统,实验表明此算法比当前最先进的定位算法能取得更好的定位精度。
附图说明
图1为高精度定位的自适应数据处理方法流程图。
图2为基于分数阶微分的核自适应滤波算法原理图。
图3为教室室内定位训练数据示意图。
图4为实验室室内定位测试数据示意图。
图5为教室室内定位训练数据示意图。
图6为教室室内定位测试数据示意图。
图7为教室室内定位X坐标各算法预测性能图。
图8为教室室内定位Y坐标各算法预测性能图。
图9为实验室室内定位X坐标各算法预测性能图。
图10为实验室室内定位Y坐标各算法预测性能图。
具体实施方式
本方案基于指纹识别定位系统,分为离线学习和在线应用两个阶段。本发明所提出的高精度定位方法流程图如图1所示。离线学习阶段,可移动的传感器在目标区域内实际位置处测量RSSI值形成输入RSSI数据/>,基于分数阶的核自适应滤波器(FrKAF)基于输入RSSI数据/>获得估计位置/>,通过估计位置/>与实际位置/>对比得到位置误差/>,进而对FrKAF内部权重进行修改,从而实现对训练数据序列/>的学习。在线应用阶段,输入RSSI数据/>被传入已经过充分训练的FrKAF,算法给出估计位置,此时估计位置/>就作为对输入RSSI数据/>的位置估计结果直接输出。
基于分数阶微积分的核自适应滤波算法原理如图2所示。定义一个序列样本集合,/>表示待滤波的i时刻输入RSSI数据, />表示对应的实际位置;表示核函数,能将输入RRSI数据/>映射到高维特征空间/>中,从而利用在高维空间中的数据处理来学习输入RRSI数据/>的非线性关系;定义/>为/>基于核函数映射到/>中的高维输入RRSI数据。高维输入RRSI数据/>与低维输入RRSI数据/>计算关系为:
;
在此,对学生核自适应滤波器(StKAF)应用分数阶微积分推导基于分数阶的学生核自适应滤波器(FrStKAF)以说明FrKAF推导过程,FrStKAF是FrKAF的一种。
在实际定位场景中,通常由于环境的复杂性,导致测量得到的输入RRSI数据包含混合噪声。经典的核自适应滤波器采用均方误差(MSE)代价函数和高斯核函数,然而在非高斯噪声扰动环境下表现不尽人意;StKAF采用平均P次幂误差(MPE)代价函数和学生核函数。相比MSE,MPE在非高斯噪声扰动场景下具有更好的性能。此外,相比高斯核函数,学生核函数基于学生t分布建立,而不是高斯分布,在非高斯噪声扰动环境下具有更好的鲁棒性能。因此,StKAF尤其适合应用于具有复杂噪声环境的定位场景中。
定义分数阶学生核自适应滤波器的损失函数为:
;
其中,是学生核函数,/>是/>时刻的位置误差;/>是正则化参数,/>是分数/>阶积分算子,/>是正则项,用于确保输入RSSI数据的自相关矩阵非奇异,从而确保数值计算的可行性以及定位的唯一性。
对式(2)进行分数阶微分,并采用矩阵计算代替累加计算后可得到FrStKAF的权重更新方式:
;
其中,,/>是输入RRSI数据/>的扩展/>在/>中映射得到的高维输入RRSI数据;/>为权重因子。至此,根据式(1)所示核函数技巧,可根据输入RRSI数据/>和实际位置/>不断更新修正FrStKAF的权重实现离线学习。
FrStKAF充分训练后,在在线应用阶段,根据实际位置未知的输入RRSI数据,估计位置/>通过如下关系获得:
;
随后,作为定位系统对未知位置的输入RRSI数据的位置估计直接输出,以实现定位的功能。
本发明通过室内定位实验验证了上述高精度定位的自适应数据处理方法的优越性,采用两个真实场景的室内定位数据集来演示验证本发明的性能。第一个真实场景是具有大量干扰的教室,第二个真实场景是具有中等干扰的实验室中。
实验中具体采用FrStKAF作为本发明所提出的高精度定位自适应数据处理方法在本实验中的具体实施方式。
实验过程与图1所示高精度定位的自适应数据处理方法流程图一致。首先将信号接收器分别放置在如图3和图4所示的训练数据参考点上,记录每个位置RSSI值,生成输入RSSI数据,进而分别生成对应两个实验的训练数据集。随后,为了测试所提出数据处理方法的性能,将信号接收器分别放置在如图5和图6所示的随机生成的测试点位上,记录每个位置RSSI值,生成输入RSSI数据,并生成对应两个实验的测试数据集。训练数据集与测试数据集包含数据序列,两个数据集的输入RSSI数据/>和对应的实际位置/>均已知。
实验过程中,首先将训练数据集的输入RSSI数据和对应的实际位置/>都输入FrStKAF进行滤波学习。随后仅将测试数据集的输入RSSI数据/>输入本发明核自适应滤波器进行来获得对应的估计位置/>,以此实现在线应用的功能。最后,使用采用均方误差(MSE)来衡量测试数据集的实际位置/>与测试获得到估计位置/>的差异程度,反映定位数据处理的准确性。
实验与经典核自适应滤波算法(KRLS、KLMP、KLMS、KRLP、KRMC)、经典室内定位算法(K最邻近、朴素贝叶斯、三边测量法)和基于机器学习的算法(迁移学习)进行在上述描述的两个具有代表性的室内定位实验场景中分别进行对比实验。
本发明提出的高精度定位的自适应数据处理方法与其他核自适应滤波算法的性能对比结果如图7-10所示。结果表明基于本发明提出的方法在具有不同干扰的代表性场景下,其稳态滤波精度最高。相比于经典核自适应滤波方法以及基于整数阶微积分的学生核自适应滤波方法,滤波精度更高、更稳健。
本发明方法与对比算法的室内定位预测误差及方差如表1和表2所示。结果表明,应用本发明提出方法与经典核自适应滤波算法、经典室内定位方法和基于机器学习的室内定位算法相比具有最高的滤波精度以及较高的鲁棒性。
综上所述,与经典核自适应滤波算法、经典室内定位方法和基于机器学习的室内定位算法相比,所发明的高精度定位的自适应数据处理方法在定位预测准确性方面具有显著优势。
表1 教室室内定位各算法预测误差及方差;
表2 实验室室内定位各算法预测误差及方差;
Claims (2)
1.一种自适应数据处理的高精度定位方法,其特征在于,该方法包括:
步骤1:采用可移动的传感器在目标区域内实际位置处测量RSSI值形成RSSI数据;
步骤2:采用步骤1得到的实际位置和RSSI数据/>训练一个与用于定位的核自适应滤波器;
步骤3:实际应用时采用待定位目标采集到RSSI数据,然后将采集到的RSSI数据输入训练好的核自适应滤波器,核自适应滤波器输出目标位置;
所述步骤2中的核自适应滤波器中首先采用核函数将RRSI数据/>映射到高维特征空间/>中,高维RRSI数据/>和/>与低维RRSI数据/>和/>计算关系为:
;
所述核自适应滤波器的损失函数为:
;
其中,是/>时刻的位置误差;/>是正则化参数,/>是分数阶积分算子,/>是正则项,用于确保输入RSSI数据的自相关矩阵非奇异,从而确保数值计算的可行性以及定位的唯一性,/>表示误差损失因子,/>表示第/>次更新时核自适应滤波器中的权重参数;
所述步骤2中训练核自适应滤波器是的权重参数更新方法为:
;
其中,,/>是低维RRSI数据/>的扩展/>在/>中映射得到的高维RRSI数据;/>为权重因子。
2.如权利要求1所述的一种自适应数据处理的高精度定位方法,其特征在于,所述核函数的具体公式为:
;
其中,为核函数分布因子,控制核函数的形状分布;/>为核带宽因子,控制输入数据的相似性测度,能够灵活适配具有不同数据特征的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283075.9A CN117872269B (zh) | 2024-03-13 | 2024-03-13 | 一种自适应数据处理的高精度定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283075.9A CN117872269B (zh) | 2024-03-13 | 2024-03-13 | 一种自适应数据处理的高精度定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117872269A true CN117872269A (zh) | 2024-04-12 |
CN117872269B CN117872269B (zh) | 2024-06-14 |
Family
ID=90581449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283075.9A Active CN117872269B (zh) | 2024-03-13 | 2024-03-13 | 一种自适应数据处理的高精度定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872269B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120149388A1 (en) * | 2010-12-14 | 2012-06-14 | At&T Intellectual Property I, L.P. | Classifying the position of a wireless device |
CN106793085A (zh) * | 2017-03-08 | 2017-05-31 | 南京信息工程大学 | 基于正态假设检验的指纹定位方法 |
CN107703480A (zh) * | 2017-08-28 | 2018-02-16 | 南京邮电大学 | 基于机器学习的混合核函数室内定位方法 |
CN109068267A (zh) * | 2018-08-03 | 2018-12-21 | 杭州电子科技大学 | 一种基于LoRa SX1280的室内定位方法 |
CN109102033A (zh) * | 2018-09-03 | 2018-12-28 | 重庆大学 | 一种面向动态系统模型验证的多元数据分析方法 |
CN109143161A (zh) * | 2018-09-30 | 2019-01-04 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
CN109195104A (zh) * | 2018-08-27 | 2019-01-11 | 上海市计量测试技术研究院 | 一种基于支持向量回归和卡尔曼滤波相结合的室内定位方法 |
CN110007269A (zh) * | 2019-04-04 | 2019-07-12 | 黄冈师范学院 | 一种基于高斯过程的两阶段无线信号指纹定位方法 |
CN110049549A (zh) * | 2019-01-29 | 2019-07-23 | 上海无线通信研究中心 | 基于WiFi指纹的多融合室内定位方法及其系统 |
CN110333484A (zh) * | 2019-07-15 | 2019-10-15 | 桂林电子科技大学 | 基于环境背景声感知与分析的室内区域级定位方法 |
CN112040405A (zh) * | 2020-09-15 | 2020-12-04 | 河南工业大学 | 一种基于核极限学习机与粒子滤波的室内定位方法 |
US10952120B1 (en) * | 2019-10-02 | 2021-03-16 | Sabanci Universitesi | Online learning based smart steering system for wireless mesh networks |
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN115357862A (zh) * | 2022-10-20 | 2022-11-18 | 山东建筑大学 | 一种狭长空间中的定位方法 |
CN116980824A (zh) * | 2023-07-29 | 2023-10-31 | 江西师范大学 | 一种轻量化的加权集成学习室内csi定位方法 |
-
2024
- 2024-03-13 CN CN202410283075.9A patent/CN117872269B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120149388A1 (en) * | 2010-12-14 | 2012-06-14 | At&T Intellectual Property I, L.P. | Classifying the position of a wireless device |
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN106793085A (zh) * | 2017-03-08 | 2017-05-31 | 南京信息工程大学 | 基于正态假设检验的指纹定位方法 |
CN107703480A (zh) * | 2017-08-28 | 2018-02-16 | 南京邮电大学 | 基于机器学习的混合核函数室内定位方法 |
CN109068267A (zh) * | 2018-08-03 | 2018-12-21 | 杭州电子科技大学 | 一种基于LoRa SX1280的室内定位方法 |
CN109195104A (zh) * | 2018-08-27 | 2019-01-11 | 上海市计量测试技术研究院 | 一种基于支持向量回归和卡尔曼滤波相结合的室内定位方法 |
CN109102033A (zh) * | 2018-09-03 | 2018-12-28 | 重庆大学 | 一种面向动态系统模型验证的多元数据分析方法 |
CN109143161A (zh) * | 2018-09-30 | 2019-01-04 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
CN110049549A (zh) * | 2019-01-29 | 2019-07-23 | 上海无线通信研究中心 | 基于WiFi指纹的多融合室内定位方法及其系统 |
CN110007269A (zh) * | 2019-04-04 | 2019-07-12 | 黄冈师范学院 | 一种基于高斯过程的两阶段无线信号指纹定位方法 |
CN110333484A (zh) * | 2019-07-15 | 2019-10-15 | 桂林电子科技大学 | 基于环境背景声感知与分析的室内区域级定位方法 |
US10952120B1 (en) * | 2019-10-02 | 2021-03-16 | Sabanci Universitesi | Online learning based smart steering system for wireless mesh networks |
CN112040405A (zh) * | 2020-09-15 | 2020-12-04 | 河南工业大学 | 一种基于核极限学习机与粒子滤波的室内定位方法 |
CN115357862A (zh) * | 2022-10-20 | 2022-11-18 | 山东建筑大学 | 一种狭长空间中的定位方法 |
CN116980824A (zh) * | 2023-07-29 | 2023-10-31 | 江西师范大学 | 一种轻量化的加权集成学习室内csi定位方法 |
Non-Patent Citations (6)
Title |
---|
HAOJIE WANG 等: ""A Robust Student’s t-Based Kernel Adaptive Filter"", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS》, 31 October 2021 (2021-10-31), pages 3372 - 3373 * |
WENHAO DONG 等: ""Matérn Kernel Adaptive Filtering With Nystr?m Approximation for Indoor Localization"", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, 31 December 2023 (2023-12-31), pages 1 - 14 * |
戴宗羽: ""基于指纹地图的室内定位技术的设计与实现"", 《中国优秀硕士论文全文数据库》, 15 February 2017 (2017-02-15) * |
朱东进 等: ""基于判别分类和回归计算的传感器节点定位"", 《无线电工程》, 5 November 2021 (2021-11-05), pages 1289 - 1295 * |
火元莲 等: ""非高斯冲激干扰下基于Softplus函数的核自适应滤波算法"", 《西北师范大学物理与电子工程学院》, 31 December 2021 (2021-12-31), pages 1 - 7 * |
火元莲: ""基于归一化最小均方算法的自适应核 RBFNN"", 《北京邮电大学学报》, 30 April 2022 (2022-04-30), pages 29 - 35 * |
Also Published As
Publication number | Publication date |
---|---|
CN117872269B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105549049B (zh) | 一种应用于gps导航的自适应卡尔曼滤波算法 | |
CN110849369B (zh) | 机器人跟踪方法、装置、设备及计算机可读存储介质 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
Zhu et al. | Mobile target indoor tracking based on multi-direction weight position Kalman filter | |
CN110763239A (zh) | 滤波组合激光slam建图方法及装置 | |
CN107071902A (zh) | 一种基于混合滤波和幂指数映射wifi室内定位方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN111964667B (zh) | 一种基于粒子滤波算法的地磁_ins组合导航方法 | |
CN106954190A (zh) | 一种基于指数映射域的wifi室内定位方法 | |
Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
CN117872269B (zh) | 一种自适应数据处理的高精度定位方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
Zhang et al. | A new PHD-SLAM method based on memory attenuation filter | |
CN109375159B (zh) | 纯方位加权约束总体最小二乘定位方法 | |
Wang et al. | Indoor position algorithm based on the fusion of wifi and image | |
CN104931932A (zh) | 一种改进的去偏坐标转换卡尔曼滤波方法 | |
Garapati Vaishnavi et al. | Underwater bearings-only tracking using particle filter | |
CN114548159A (zh) | 信号干扰下的超宽带精确定位方法 | |
CN107071901A (zh) | 一种基于接收信号强度双重之比的wifi室内定位方法 | |
CN114051202A (zh) | 一种无线定位信号指纹样本库的自动学习方法 | |
CN112800889A (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 | |
Wang et al. | An advanced algorithm for Fingerprint Localization based on Kalman Filter | |
Yuan et al. | A comparison of interactive multiple modeling algorithms for maneuvering targets tracking | |
Zhang et al. | The research for a kind of information fusion model based on BP neural network with multi position sources and big data selection |
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 |