JP6596516B2 - 人工ニューラルネットワークの測位性能を改善するための方法および装置 - Google Patents
人工ニューラルネットワークの測位性能を改善するための方法および装置 Download PDFInfo
- Publication number
- JP6596516B2 JP6596516B2 JP2017560712A JP2017560712A JP6596516B2 JP 6596516 B2 JP6596516 B2 JP 6596516B2 JP 2017560712 A JP2017560712 A JP 2017560712A JP 2017560712 A JP2017560712 A JP 2017560712A JP 6596516 B2 JP6596516 B2 JP 6596516B2
- Authority
- JP
- Japan
- Prior art keywords
- initial
- ann
- particle
- pso algorithm
- optimized
- 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
Links
Classifications
-
- 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
- G01S5/02521—Radio frequency fingerprinting using a radio-map
- G01S5/02524—Creating or updating the radio-map
- G01S5/02525—Gathering the 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Description
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するステップと、
初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するステップと、
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するステップと、
訓練されたANNを獲得するために最適化された初期ANNを訓練するステップと、
を含む。
PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
PSOアルゴリズムの反復回数が終了するまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新するステップと、
PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立するステップと、
を含む。
PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新するステップと、
PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立するステップと、
を含む。
PSOアルゴリズムにおける各粒子の位置を初期ANNにおける重みおよびオフセットとして用いるステップと、
少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用いて初期ANNの出力層ニューラル要素を計算するステップと、
出力層ニューラル要素と少なくとも1つの試験地点の地理的位置情報との間の誤差を計算し、その誤差を粒子の適合性として用いるステップと、
を含み、
PSOアルゴリズムの群における最適な粒子を更新するステップは、
最小誤差粒子をPSOアルゴリズムの群における最適な粒子として用いるステップ、
を含む。
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成された、獲得モジュールと、
初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するように構成された、初期情報モジュールと、
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するように構成された、最適化モジュールと、
訓練されたANNを獲得するために最適化された初期ANNを訓練するように構成された、訓練モジュールと、
を含む。
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成された、獲得モジュール61と、
初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するように構成された、初期情報モジュール62と、
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するように構成された、最適化モジュール63と、
訓練されたANNを獲得するために最適化された初期ANNを訓練するように構成された、訓練モジュール64と、
を含む。
62 初期情報モジュール
63 最適化モジュール
64 訓練モジュール
71 受信機
72 プロセッサ
73 メモリ
Claims (13)
- 人工ニューラルネットワークの測位性能を改善するための方法であって、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するステップと、
初期人工ニューラルネットワーク(ANN)を確立するために、前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用い、前記少なくとも1つの試験地点の前記地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するステップと、
最適化された初期ANNを獲得するために、粒子群最適化(PSO)アルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化するステップであって、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットは、前記PSOアルゴリズムの粒子初期位置として用いられる、ステップと、
訓練されたANNを獲得するために前記最適化された初期ANNを訓練するステップと、
を含む、方法。 - 最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化する前記ステップは、
前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
前記PSOアルゴリズムの反復回数が終了するまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新するステップと、
前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立するステップと、
を含む、請求項1に記載の方法。 - 最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化する前記ステップは、
前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
前記PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新するステップと、
前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立するステップと、
を含む、請求項1に記載の方法。 - 前記PSOアルゴリズムにおける各粒子の適合性を計算する前記ステップは、
前記PSOアルゴリズムにおける各粒子の前記位置を前記初期ANNにおける重みおよびオフセットとして用いるステップと、
前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用いて前記初期ANNの出力層ニューラル要素を計算するステップと、
前記出力層ニューラル要素と前記少なくとも1つの試験地点の前記地理的位置情報との間の誤差を計算し、前記誤差を前記粒子の前記適合性として用いるステップと、
を含み、
前記PSOアルゴリズムの前記群における最適な粒子を更新する前記ステップは、
最小誤差粒子を前記PSOアルゴリズムの前記群における前記最適な粒子として用いるステップ、
を含む、請求項2または3に記載の方法。 - 前記ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである、請求項1から4のいずれか一項に記載の方法。
- 前記指紋情報は受信信号強度表示信号(RSSI)である、請求項1から5のいずれか一項に記載の方法。
- 人工ニューラルネットワークの測位性能を改善するための装置であって、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成された、獲得モジュールと、
初期人工ニューラルネットワーク(ANN)を確立するために、前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用い、前記少なくとも1つの試験地点の前記地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するように構成された、初期情報モジュールと、
最適化された初期ANNを獲得するために、粒子群最適化(PSO)アルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化するように構成された、最適化モジュールであって、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットは、前記PSOアルゴリズムの粒子初期位置として用いられる、最適化モジュールと、
訓練されたANNを獲得するために前記最適化された初期ANNを訓練するように構成された、訓練モジュールと、
を含む、装置。 - 前記最適化モジュールは、前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、前記PSOアルゴリズムの反復回数が終了するまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新し、前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立する、ように特に構成されている、請求項7に記載の人工ニューラルネットワークの測位性能を改善するための装置。
- 前記最適化モジュールは、前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、前記PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新し、前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立する、ように特に構成されている、請求項7に記載の人工ニューラルネットワークの測位性能を改善するための装置。
- 前記最適化モジュールは、前記PSOアルゴリズムにおける各粒子の前記位置を前記初期ANNにおける重みおよびオフセットとして用い、前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用いて前記初期ANNの出力層ニューラル要素を計算し、前記出力層ニューラル要素と前記少なくとも1つの試験地点の前記地理的位置情報との間の誤差を計算し、前記誤差を前記粒子の前記適合性として用い、最小誤差粒子を前記PSOアルゴリズムの前記群における前記最適な粒子として用いる、ように特に構成されている、請求項8または9に記載の人工ニューラルネットワークの測位性能を改善するための装置。
- 前記ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである、請求項7から10のいずれか一項に記載の人工ニューラルネットワークの測位性能を改善するための装置。
- 前記指紋情報は受信信号強度表示信号(RSSI)である、請求項7から11のいずれか一項
に記載の人工ニューラルネットワークの測位性能を改善するための装置。 - 請求項1から6のいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/079553 WO2016187746A1 (zh) | 2015-05-22 | 2015-05-22 | 提高人工神经网络定位性能的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018521311A JP2018521311A (ja) | 2018-08-02 |
JP6596516B2 true JP6596516B2 (ja) | 2019-10-23 |
Family
ID=57393787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017560712A Active JP6596516B2 (ja) | 2015-05-22 | 2015-05-22 | 人工ニューラルネットワークの測位性能を改善するための方法および装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20180089566A1 (ja) |
EP (1) | EP3282781A4 (ja) |
JP (1) | JP6596516B2 (ja) |
CN (1) | CN107113764B (ja) |
WO (1) | WO2016187746A1 (ja) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124761B (zh) * | 2017-03-10 | 2021-02-19 | 华南理工大学 | 融合pso和ss-elm的蜂窝网无线定位方法 |
CN106941663B (zh) * | 2017-05-16 | 2020-10-20 | 重庆邮电大学 | 一种融合凸优化与多目标粒子群的uwb定位方法 |
CN107566979A (zh) * | 2017-08-25 | 2018-01-09 | 中山大学深圳研究院 | 基于共轭梯度与模拟原子跃迁的室内定位方法 |
KR102535411B1 (ko) * | 2017-11-16 | 2023-05-23 | 삼성전자주식회사 | 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법 |
CN107862970B (zh) * | 2017-11-20 | 2020-09-08 | 无锡开放大学 | 一种用于翻转课堂的教学质量评价模型 |
CN108537376B (zh) * | 2018-04-02 | 2022-02-11 | 西安建筑科技大学 | 基于rs-pso-grnn的埋地油气管道土壤腐蚀预测方法 |
KR102145717B1 (ko) * | 2018-08-28 | 2020-08-19 | (주)제이엠피시스템 | 머신러닝을 이용한 실내 측위 방법 및 시스템 |
CN109814066B (zh) * | 2019-01-24 | 2023-08-18 | 西安电子科技大学 | 基于神经网络学习的rssi室内定位测距方法、室内定位平台 |
CN109922432B (zh) * | 2019-03-28 | 2021-07-16 | 南京邮电大学 | 无线通信环境下通过优化指纹元素个数的目标定位方法 |
DE102019110998A1 (de) | 2019-04-29 | 2020-10-29 | Tdk Electronics Ag | Anordnungen eines Fahrzeug-Positionsbestimmungssystems, System, Verwendung und Verfahren |
CN110232444B (zh) * | 2019-06-17 | 2023-03-28 | 武汉轻工大学 | 地质监测bp神经网络的优化方法、装置、设备及存储介质 |
CN110336637A (zh) * | 2019-07-15 | 2019-10-15 | 北京航空航天大学 | 一种无人机干扰信号特征选择方法 |
CN111182460A (zh) * | 2020-01-15 | 2020-05-19 | 深圳市微埃智能科技有限公司 | 混合型室内定位方法、装置、计算机设备及存储介质 |
JP7410510B2 (ja) | 2020-02-10 | 2024-01-10 | 株式会社グルーヴノーツ | 位置推定装置、位置推定方法及び位置推定プログラム |
CN114208221A (zh) | 2020-07-28 | 2022-03-18 | 蜂图志科技控股有限公司 | 一种定位方法、装置、移动终端、存储介质 |
CN113188794B (zh) * | 2021-04-29 | 2021-11-23 | 东北电力大学 | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3165391B2 (ja) * | 1996-03-22 | 2001-05-14 | 松下電器産業株式会社 | 移動体無線通信システムとその移動局の位置検出方法 |
CA2540152C (en) * | 2003-09-26 | 2011-11-22 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
US20130162481A1 (en) * | 2009-10-01 | 2013-06-27 | Parviz Parvizi | Systems and methods for calibration of indoor geolocation |
CN101778399B (zh) * | 2010-01-18 | 2012-07-04 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103401625B (zh) * | 2013-08-23 | 2015-04-08 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
CN104636508A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 一种基于粒子群优化算法和质心算法的定位方法 |
CN103945533B (zh) * | 2014-05-15 | 2016-08-31 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN104361393B (zh) * | 2014-09-06 | 2018-02-27 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
-
2015
- 2015-05-22 JP JP2017560712A patent/JP6596516B2/ja active Active
- 2015-05-22 CN CN201580069876.4A patent/CN107113764B/zh active Active
- 2015-05-22 EP EP15892831.7A patent/EP3282781A4/en not_active Ceased
- 2015-05-22 WO PCT/CN2015/079553 patent/WO2016187746A1/zh unknown
-
2017
- 2017-11-21 US US15/818,979 patent/US20180089566A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP2018521311A (ja) | 2018-08-02 |
CN107113764A (zh) | 2017-08-29 |
WO2016187746A1 (zh) | 2016-12-01 |
US20180089566A1 (en) | 2018-03-29 |
EP3282781A4 (en) | 2018-05-16 |
CN107113764B (zh) | 2020-02-14 |
EP3282781A1 (en) | 2018-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6596516B2 (ja) | 人工ニューラルネットワークの測位性能を改善するための方法および装置 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
Stoleru et al. | Probability grid: A location estimation scheme for wireless sensor networks | |
US8738032B2 (en) | Hybrid location using a weighted average of location readings and signal strengths of wireless access points | |
US9239990B2 (en) | Hybrid location using pattern recognition of location readings and signal strengths of wireless access points | |
CN102395192B (zh) | 一种无线传感终端的定位方法和装置 | |
CN106792540B (zh) | 一种基于路径匹配的改进DV-Hop定位方法 | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
Gupta et al. | Study of range free centroid based localization algorithm and its improvement using particle swarm optimization for wireless sensor networks under log normal shadowing | |
KR102304466B1 (ko) | 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템 | |
US10506546B2 (en) | Method of locating an access point to a communication network | |
Shit et al. | AI-enabled fingerprinting and crowdsource-based vehicle localization for resilient and safe transportation systems | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
Cheerla et al. | RSS based Wi-Fi positioning method using multi layer neural networks | |
Ahn et al. | Crowd-assisted radio map construction for Wi-Fi positioning systems | |
KR20140119333A (ko) | 위치 정확도 향상을 위한 위치 측위 방법 및 장치 | |
CN110351657A (zh) | 一种无线传感器网络中节点几何定位的方法 | |
CN107197519B (zh) | 基于改进的最小二乘支持向量机的水下目标定位方法 | |
Barnwal et al. | Crowdsensing-based WiFi indoor localization using feed-forward multilayer perceptron regressor | |
CN112437485B (zh) | 一种基于神经网络的指纹空间插值法的定位方法及装置 | |
CN109884587B (zh) | 一种用于雾计算环境的无线传感器网络定位方法 | |
Shiraki et al. | Indoor pedestrian localization methods using contact information from Bluetooth low energy beacons between smartphones | |
Asaad et al. | Novel integrated matching algorithm using a deep learning algorithm for Wi-Fi fingerprint-positioning technique in the indoors-IoT era | |
Sivakumar | Artificial bee colony algorithm for localization in wireless sensor networks | |
CN108966127A (zh) | 结合Wi-Fi指纹与卫星定位的定位纠偏方法和定位服务器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171221 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171221 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181107 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190403 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190902 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190930 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6596516 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |