KR20190072900A - 딥러닝을 이용한 무선 측위 장치 및 방법 - Google Patents

딥러닝을 이용한 무선 측위 장치 및 방법 Download PDF

Info

Publication number
KR20190072900A
KR20190072900A KR1020170174054A KR20170174054A KR20190072900A KR 20190072900 A KR20190072900 A KR 20190072900A KR 1020170174054 A KR1020170174054 A KR 1020170174054A KR 20170174054 A KR20170174054 A KR 20170174054A KR 20190072900 A KR20190072900 A KR 20190072900A
Authority
KR
South Korea
Prior art keywords
learning
signal
neural network
information
data
Prior art date
Application number
KR1020170174054A
Other languages
English (en)
Other versions
KR102067997B1 (ko
Inventor
조한신
이상헌
Original Assignee
한밭대학교 산학협력단
한밭대학교 산학협력단
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 한밭대학교 산학협력단, 한밭대학교 산학협력단 filed Critical 한밭대학교 산학협력단
Priority to KR1020170174054A priority Critical patent/KR102067997B1/ko
Publication of KR20190072900A publication Critical patent/KR20190072900A/ko
Application granted granted Critical
Publication of KR102067997B1 publication Critical patent/KR102067997B1/ko

Links

Images

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
    • 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
    • G01S5/0205—Details
    • G01S5/021—Calibration, monitoring or correction
    • 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

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)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

본 발명은 딥러닝을 이용한 무선 측위 장치 및 방법에 관한 것으로서, 피측위 장치로부터 수신한 무선신호로부터 신호특성을 추출하여 신호정보를 생성하는 무선신호 수신부; 신호정보를 기 설정된 심층신경망의 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하는 입력 데이터를 구성하는 학습데이터 생성부; 기 설정된 목표횟수와 대응하도록 역전파 학습을 통해 상기 입력 데이터에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 무선신호 데이터를 심층신경망에 입력하여 출력 데이터를 생성하는 위치정보 학습/분석부; 및 심층신경망의 출력 데이터를 위치정보로 환산하여 실제 위치 정보를 산출하는 위치좌표 산출부;를 포함한다.

Description

딥러닝을 이용한 무선 측위 장치 및 방법{APPARATUS AND METHOD FOR WIRELESS LOCATION USING DEEP LEARNING}
본 발명은 딥러닝을 이용한 무선 측위 장치 및 방법에 관한 것으로 더욱 상세하게는, 기존의 측위 기법과 달리 딥러닝을 이용하여 피측위 장치의 위치에 따른 수신 신호 고유의 패턴을 추출하고 분류하는 기법을 학습함으로써, 측위 정확도를 획기적으로 개선할 수 있는 무선 측위 방법 및 장치에 관한 것이다.
4차 산업혁명시대의 제조업은 스마트 팩토리로 상징되며, 로봇 및 무인 운반차를 이용한 생산 자동화는 스마트 팩토리의 핵심 요소 기술 중의 하나이다.
이러한 생산 자동화를 위해서는 요구되는 다양한 작업을 이동하면서 수행할 수 있는 모바일 로봇과 작업 객체의 정확한 위치(수 cm 이내의 정확도) 정보를 획득하는 장치가 필수적이다.
그러나, 기존에 주로 개발된 WiFi 핑거프린팅을 이용한 무선 측위 기법의 경우 평균 오차 50 cm 이상으로 고정밀 측위에 활용하기 어려운 문제점이 있다.
따라서, 본원은 전술한 문제점을 해결하기 위해, 다층구조 형태의 신경망을 기반으로 하는 기계학습(machine learning)의 한 분야로, 다량의 데이터로부터 높은 수준의 추상화 모델을 구축하는 기법인 딥러닝(Deep Learning)을 이용한 무선 측위 장치 및 방법을 제안하고자 한다.
한국공개특허 제2017-0130775호
본 발명의 목적은, 다수의 수신 안테나를 통해 수집한 피측위 시스템의 위치별 무선 신호의 정보를 토대로 심층신경망의 출력 벡터 값을 위치 정보로 환산한 행렬에 위치 가중치 벡터를 선형 조합하여 위치를 산출함으로써, 수 cm 이내의 오차를 갖는 고정밀 무선 측위 장치 및 방법을 제공하는데 있다.
이러한 기술적 과제를 달성하기 위한 본 발명의 딥러닝을 이용한 무선 측위 장치는, 피측위 장치로부터 수신한 무선신호로부터 신호특성을 추출하여 신호정보를 생성하는 무선신호 수신부; 신호정보를 기 설정된 심층신경망의 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하는 입력 데이터를 구성하는 학습데이터 생성부; 기 설정된 목표횟수와 대응하도록 역전파 학습을 통해 상기 입력 데이터에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 무선신호 데이터를 심층신경망에 입력하여 출력 데이터를 생성하는 위치정보 학습/분석부; 및 심층신경망의 출력 데이터를 위치정보로 환산하여 실제 위치 정보를 산출하는 위치좌표 산출부;를 포함한다.
또한, 무선신호 수신부는, 각기 다른 지점에 위치하도록 n개로 구성되어 피측위 장치가 송신하는 무선신호를 수신하는 안테나; 및 무선신호로부터 시간, 주파수, 안테나에 따른 신호의 전력(power), 크기(amplitude), 및 위상(phase)을 추출하여 생성한 신호정보를 저장하는 신호특성 추출모듈;을 포함한다.
또한, 학습데이터 생성부는, 무선신호 수신부로부터 인가받은 신호정보를 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하되, 행렬의 행과 열 중 하나는 반드시 개별 수신 안테나로 설정하고, 나머지 행 또는 열은 시간, 주파수 또는 수신 방향각 중에 어느 하나의 값으로 설정하는 것을 특징으로 한다.
또한, 위치정보 학습/분석부는, 학습용 신호 데이터를 심층신경망에 입력하여 피드포워드 연산을 통해 심층신경망의 출력값을 도출하고, 심층신경망의 출력값과 목표값의 오차를 cost function을 이용하여 비용함수를 산출하며, 심층신경망의 역전파 학습을 통해 오차(비용함수)를 최소화 하도록 피드포워드 연산 가중치를 결정하는 측위 알고리즘 학습모듈; 및 실제 측위용 신호정보를 심층신경망에 입력하고, 피드포워드 연산을 통해 심층신경망의 출력 데이터를 생성하는 실제 측위정보 분석모듈;을 포함한다.
또한, 위치정보 학습/분석부는, 2차원 행렬 형태의 신호정보 입력 데이터의 특징을 추출하는 1단계 레이어(Kernel), 2단계 레이어(Kernel) 및 3단계 레이어(max pooling 레이어)를 구성하고, 추출한 특징을 분류하는 4단계 레이어(full-connected 레이어)를 구성하되, 1단계 레이어 및 2단계 레이어는, 2차원 행렬 형태의 미지수와 입력 데이터와의 컨볼루션(convolution) 연산을 수행하고, 3단계 레이어는, 상기 입력 데이터의 행의 크기를 절반으로 줄이며, 4단계 레이어는, 3단계 레이어의 출력 값들을 벡터 형태로 나열하여 입력하는 것을 특징으로 한다.
또한, 비용함수는, 피드포워드(feedforward) 신경망의 출력 값과 정답 값의 차이를 수학적으로 정의한 것으로 [수학식 3]을 통해 도출하며, 역전파 학습을 토해 상기 비용함수 값이 최소가 되도록 가중치를 결정하는 것을 특징으로 한다.
[수학식 3]
Figure pat00001
여기서,
Figure pat00002
는 가중치 벡터이며, pi는 목표 값이다.
그리고, 위치좌표 산출부는, 심층신경망의 출력 데이터에 대한 출력 벡터의 인덱스를 [수학식 9]를 통해 벡터 행렬 H로 정의하는 것을 특징으로 한다.
[수학식 9]
Figure pat00003
여기서,
Figure pat00004
는 각각 I번째 출력벡터에 해당하는 위치벡터의 x좌표와 y좌표를 의미한다.
한편, 전술한 시스템을 기반으로 하는 본 발명의 딥러닝을 이용한 무선 측위 방법은, 무선신호 수신부가 피측위 장치로부터 수신한 무선신호로부터 신호특성을 추출하여 신호정보를 생성하는 (a) 단계;
학습데이터 생성부가 상기 신호정보를 기 설정된 심층신경망의 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하는 입력 데이터를 구성하는 (b) 단계;
위치정보 학습/분석부가 기 설정된 목표횟수와 대응하도록 역전파 학습을 통해 입력 데이터에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 무선신호 데이터를 심층신경망에 입력하여 출력 데이터를 생성하는 (c) 단계; 및
위치좌표 산출부가 심층신경망의 출력 데이터를 위치정보로 환산하여 실제 위치 정보를 산출하는 (d) 단계;를 포함한다.
또한, (a) 단계는, 무선신호 수신부의 안테나가 각기 다른 지점에 위치하도록 n개로 구성되어 피측위 장치가 송신하는 무선신호를 수신하는 (a-1) 단계; 및 무선신호 수신부의 신호특성 추출모듈이 무선신호로부터 시간, 주파수, 안테나에 따른 신호의 전력(power), 크기(amplitude), 및 위상(phase)을 추출하여 생성한 신호정보를 저장하는 (a-2) 단계;를 포함한다.
그리고, (c) 단계는, 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 학습용 신호 데이터를 심층신경망에 입력하는 (c-1) 단계; 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 심층신경망에 입력된 데이터를 피드포워드 연산을 통해 심층신경망의 출력값을 도출하는 (c-2) 단계; 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 심층신경망의 출력값과 목표값의 오차를 cost function을 이용하여 비용함수를 산출하는 (c-3) 단계; 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 심층신경망의 역전파 학습을 통해 오차(비용함수)를 최소화 하도록 피드포워드 연산 가중치를 결정하는 (c-4) 단계; 위치정보 학습/분석부의 실제 측위정보 분석모듈이 실제 측위용 신호정보를 심층신경망에 입력하는 (c-5) 단계; 및 위치정보 학습/분석부의 실제 측위정보 분석모듈이 피드포워드 연산을 통해 심층신경망의 출력 데이터를 생성하는 (c-6) 단계;를 포함한다.
상기와 같은 본 발명에 따르면, 다수의 수신 안테나를 통해 수집한 피측위 시스템의 위치별 무선 신호의 정보를 토대로 심층신경망의 출력 벡터 값을 위치정보로 환산한 행렬에 위치 가중치 벡터를 선형 조합하여 위치를 산출함으로써, 수 cm 이내의 오차를 갖는 고정밀 무선 측위를 제공하는 효과가 있다.
따라서, 본 발명에 따르면, 수 cm 이내의 정밀도를 제공하는 본 발명을 공장 자동화(스마트 팩토리)에 활용되는 이동형 로봇에 활용할 경우 로봇의 정밀 제어가 가능하고, 로봇 뿐만 아니라 인간에게 보다 정확한 위치정보를 제공하여 생산, 가공, 물류, 공사 현장 등 다양한 산업현장 및 박물관, 테마파크, 쇼핑센터 등 다양한 서비스 분야에 활용 가능하다.
도 1은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치를 도시한 구성도.
도 2는 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 무선신호 수신부의 세부구성을 도시한 도면.
도 3은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 학습데이터 생성부의 데이터 구성을 도시한 도면.
도 4는 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 위치정보 학습/분석부의 세부절차를 도시한 도면.
도 5는 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 심층신경망 구조를 도시한 예시도.
도 6은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 컨볼루션 레이어 연산을 도시한 예시도.
도 7은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 max pooling 레이어 연산을 도시한 예시도.
도 8은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 수신 안테나 개수 변화에 따른 측위 알고리즘의 비용함수값을 도시한 도면.
도 9는 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 선형 조합을 이용한 위치산출기법을 도시한 도면
도 10은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 수신 안테나 개수 변화에 따른 측위 알고리즘 정확도를 도시한 도면.
도 11은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치의 수신 안테나 개수 변화에 따른 측위 알고리즘 평균오차를 도시한 도면.
도 12는 본 발명에 따른 딥러닝을 이용한 무선 측위 방법을 도시한 순서도.
도 13은 본 발명에 따른 딥러닝을 이용한 무선 측위 방법의 제S10단계의 세부과정을 도시한 순서도.
도 14는 본 발명에 따른 딥러닝을 이용한 무선 측위 방법의 제S30단계의 세부과정을 도시한 순서도.
본 발명의 구체적인 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다. 또한, 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.
도 1에 도시된 바와 같이, 본 발명에 따른 딥러닝을 이용한 무선 측위 장치(A)는, 무선신호 수신부(100), 학습데이터 생성부(200), 위치 정보 학습/분석부(300) 및 위치좌표 산출부(400)를 포함하여 구성된다.
먼저, 무선신호 수신부(100)는 여러 위치에 분산되어 구비되어 피측위 장치가 송신하는 무선신호를 수신하되, 안테나를 이용하여 기준 위치에 위치하는 피측위 장치로부터 무선 신호를 수신한다.
이때, 피측위 장치는 사용자가 구비한 무선 송신기를 포함하며, 무선신호 수신은 안테나 외에 센서를 통해 수신할 수 있다.
또한, 무선신호 수신부(100)는 시간, 주파수, 수신안테나 및 수신 방향각에 따른 수신 신호의 전력, 크기 및 위상 정보를 포함하는 신호특성을 추출하여 신호정보를 생성한다.
구체적으로, 무선신호 수신부(100)는 도 2에 도시된 바와 같이, 전파를 전기 신호로 변환하는 안테나(110) 및 전기신호로부터 유의미한 정보를 추출하는 신호특성 추출모듈(120)을 포함하여 구성된다.
이때, 안테나(110)는 각기 다른 지점에 위치하도록 n개로 구성되며, 신호특성 추출모듈(120)은 시간, 주파수, 안테나에 따른 신호의 전력(power), 크기(amplitude), 및 위상(phase)을 추출하여 생성한 신호정보를 저장한다.
또한, 각 수신점의 안테나 (110)가 단일 안테나 소자가 아닌 다수의 안테나 원소로 구성되는 배열안테나를 이용할 경우, 빔형성 및 스위칭 기법을 이용하여 신호의 수신 방향에 따른 전력, 크기 및 위상 정보를 추출할 수 있다.
따라서, 신호특성 추출모듈(120)이 시간, 주파수, 수신안테나 및 수신 방향각에 따른 신호의 전력, 크기 및 위상을 포함하는 신호정보 수집이 가능하다.
한편, 학습데이터 생성부(200)는 딥러닝을 위한 기준 위치정보와 대응하는 신호정보를 무선신호 수신부(100)로부터 인가받아 기 설정된 형태로 변형 및 가공하여 실제 측위 수행을 위한 입력 데이터를 구성한다.
본 발명에 따른 딥러닝을 이용한 무선 측위 장치(A)는 측위 분석을 수행하는 신경망 구조를 갖으며, 컨볼루션 신경망(convolutional neural network)을 이용하고 있는바, 이에 적합한 2차원 행렬 형태의 학습데이터 생성에 대해 살피면 아래와 같다.
도 3은 본 발명에 따른 딥러닝을 이용한 무선 측위 장치(A)의 학습데이터 생성부(200)가 측위 알고리즘 학습 및 실제 측위 수행을 위한 입력 데이터를 구성하는 것을 도시한 도면이다.
도 3에 도시된 바와 같이, 학습데이터 생성부(200)는 무선신호 수신부(100)로부터 인가받아 신호정보를 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입한다.
이때, 행렬의 행과 열 중 하나는 반드시 개별 수신 안테나로 설정하고, 나머지 행 또는 열은 시간, 주파수, 수신 방향각 중 한 개의 값으로 설정한다.
또한, 본 실시 예 에서는 다중반송파 기술을 이용하는 무선통신 송수신기를 고려하여 각기 다른 주파수 별 신호의 정보를 획득할 수 있으나, 단일 안테나 원소로 구성된 수신안테나를 가정하였기 때문에 수신 방향각에 따른 신호정보는 획득할 수 없다.
따라서, 본 발명에 따른 학습데이터 생성부(200)는 수신안테나(행)와 주파수(열)에 따른 신호의 전력데이터를 2차원 행렬로 생성하였으며, 2차원 행렬은 시간 별로 생성한다.
즉, 학습데이터 생성부(200)는 무선신호 수신부(100)로부터 인가받은 신호정보를 위치 학습 및 분석이 가능한 형태로 변형하도록 구성된다.
한편, 위치정보 학습/분석부(300)는 딥러닝을 통해 위치 정보 분석 기법을 학습하되, 기 설정된 목표횟수와 대응하도록 역전파 학습(backpropagation algorithm)을 통해 학습용 신호정보(무선신호 데이터)에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 신호정보를 심층신경망에 입력하여 피드포워드(feed forward) 연산을 통해 출력 데이터를 생성한다.
구체적으로, 도 4에 도시된 바와 같이, 위치정보 학습/분석부(300)의 측위 알고리즘 학습모듈(310)은, 학습용 신호 데이터를 심층신경망에 입력(311)하여 피드포워드 연산을 통해 심층신경망의 출력값을 도출하고(312), 심층신경망의 출력값과 목표값의 오차를 cost function을 이용하여 비용함수를 산출하며(313), 심층신경망의 역전파 학습을 통해 오차(비용함수)를 최소화 하도록 피드포워드 연산 가중치를 결정한다(314).
전술한 311 내지 314의 과정을 기 설정된 목표횟수와 부합하도록 반복하며, 매 반복 시 새로운 학습용 신호 데이터를 입력한다.
또한, 실제 측위정보 분석모듈(320)은 실제 측위용 신호정보를 심층신경망에 입력하고(S321), 피드포워드 연산을 통해 심층신경망의 출력 데이터를 생성한다(S322).
한편, 도 5는 본 발명에 따른 딥러닝을 이용한 무선 측위 장치(A)의 딥러닝을 이용한 위치정보의 학습 및 분석에 이용되는 심층신경망 구조를 도시한 예시도이다.
이러한 심층신경망은 다양한 구조를 가질 수 있으나, 기본적으로 피드포워드 연산을 수행해야 한다. 즉, 피드백이나 루프가 없는 구조를 갖는다.
본 실시 예 에서는 총 4단계의 레이어로 구성된 심층신경망 구조를 고려하였고, 1 내지 3 단계 레이어는 2차원 행렬 형태의 무선신호 입력 데이터의 특징 (feature)을 추출하는 레이어에 해당되고, 4단계 레이어는 그 특징들을 분류하는 작업을 수행한다.
각 레이어 별로 살펴보면, 입력의 형태는 2차원의 행렬 형태가 되어야 한다. 이는 1 단계 및 2단계 레이어에서 커널(Kernel)이라고 부르는 2차원 행렬 형태의 미지수와 입력 데이터와의 컨볼루션(convolution) 연산을 수행하기 때문이다.
또한, 도 6은 컨볼루션 레이어 연산 예를 보여준다. 2차원 행렬 형태의 입력을 넣으면, 레이어 1에서는 3x3 크기를 갖는 커널 8개로 컨볼루션 연산을 수행한다. 이때, zero padding 기술을 사용하여 입력과 출력의 크기는 고정 시킨다.
레이어 마지막 단에서는 RELU(rectifier linear unit)을 통과시켜 시스템의 비선형성을 부여한다.
또한, 2단계 레이어는 1단계 레이어와 동일한 컨볼루션 연산을 수행하지만 커널의 수가 증가하여, 3x3 커널 16개를 이용한다.
또한, 3단계 레이어에서는 max pooling 레이어로 데이터의 행의 크기를 절반으로 줄인다.
한편, 도 7은 max pooling 레이어 연산 예를 도시한 도면이다. 4단계 레이어는 full-connected 레이어로서 3단계 레이어의 출력 값들을 벡터 형태로 나열하여 입력한다. 즉, 3단계 레이어의 출력인 26x8 행렬 16개를 벡터 형태로 펼쳐서 1x(26*8*16)의 크기를 가진 벡터,
Figure pat00005
를 입력으로 받는다.
또한, 출력 값의 수는 학습을 위해 사용되는 피측위 시스템의 기준위치 개수와 동일하다. 본 실시 예 에서는 총 26개의 기준위치를 고려하기 때문에 4단계 레이어의 출력 값의 총 26개가 되도록 레이어를 구성한다.
3328개의 입력을 26개의 출력 값으로 매칭하기 위하여 각각 한 개의 출력 값에 대하여 3328개의 가중치와 1개의 바이어스 값을 정의한다. 가중치 행렬 과 바이어스
Figure pat00006
에 대하여 출력벡터
Figure pat00007
은 다음 [수학식 1]과 같다.
Figure pat00008
여기서
Figure pat00009
는 표준화 함수로서 softmax 함수가 이용되며, 다음 [수학식 2]와 같이 정의한다.
Figure pat00010
여기서
Figure pat00011
는 벡터
Figure pat00012
의
Figure pat00013
번 째 값을 의미한다.
다음으로 피드포워드(feedforward) 신경망의 출력 값과 정답 값의 차이를 수학적으로 정의하며 이를 비용함수(cost function)라 부른다. 본 실시 예 에서는 다음 [수학식 3]과 같이 cross entropy를 이용하여 비용함수를 정의한다.
Figure pat00014
여기서,
Figure pat00015
는 가중치 벡터이며 본 실시 예에서는 1,2단계 레이어의 커널의 구성 값과 4단계 레이어의 가중치 및 바이어스 값들로 구성되고, pi는 목표 값이다.
끝으로 [수학식 3]의 비용함수 값이 최소가 되도록 가중치
Figure pat00016
를 결정한다. 이를 위해 역전파(back propagation) 학습을 수행한다. 일반적으로 역전파 학습에는 다양한 형태의 경사 강하 (gradient descent) 알고리즘이 사용된다.
가장 기본적인 경사 강하 알고리즘으로 stochastic gradient descent (SGD) 알고리즘이 있으며 본 실시 예 에서는 ADAM (Adaptive Moment Estimation) 알고리즘을 사용하였다.
또한, ADAM 알고리즘은 SGD에 이전 반복구간에서 계산한 gradient 값을 평균하여 반영하는 알고리즘과 웨이트 값이 무한히 증가하지 않도록 하기 위해 언바이어싱(unbiasing)과 정규화를 수행하는 알고리즘을 포함한다. ADAM 알고리즘에서는 과거 계산한 gradient를 반영할 수 있는 파라미터 2개를 다음 [수학식 4] 및 [수학식 5]와 같이 정의한다.
Figure pat00017
Figure pat00018
[수학식 4] 및 [수학식 5]에서
Figure pat00019
는 gradient의 지수평균이고,
Figure pat00020
는 gradient 제곱의 지수평균,
Figure pat00021
는 cost 함수이다. 학습 초반에
Figure pat00022
및
Figure pat00023
가 0에 가깝게 bias될 수 있는 것을 방지하기 위한 unbiased가 필요한데 다음 [수학식 6] 및 [수학식 7]과 같다.
Figure pat00024
Figure pat00025
[수학식 6] 및 [수학식 7]의 파라미터를 이용한 최적위치를 업데이트하는 수식은 다음 [수학식 8]과 같다.
Figure pat00026
위에서
Figure pat00027
는 learning rate,
Figure pat00028
,
Figure pat00029
,
Figure pat00030
은 사용자 설정 값으로, 일반적인 값은
Figure pat00031
,
Figure pat00032
,
Figure pat00033
을 사용한다.
또한, 도 8은 다양한 수신안테나 개수에 대한 학습 횟수에 따른 비용함수 값의 감소 정도를 도시한 도면이다.
도 8에 도시된 바와 같이, 수신안테나 개수가 증가 할수록 학습 속도가 증가하지만, 수신안테나의 수가 6개 이상인 경우 학습 속도의 개선 정도는 미미하다. 이는 이미 데이터의 수가 위치 별 무선신호의 feature를 충분히 포함할 정도로 크기 때문에 안테나 개수가 증가하여도 학습 속도에 영향을 미치지 못하는 것을 의미한다.
그리고, 위치좌표 산출부(400)는 딥러닝을 이용한 학습 이후, 위치정보 학습/분석부(300)로부터 심층신경망의 출력 데이터(출력 벡터 값(L))을 인가받아 위치정보
Figure pat00034
로 환산하여 실제 위치 정보를 산출한다.
이때, 출력 벡터의 인덱스는 학습에 이용된 위치 벡터의 인덱스와 동일하게 구성하여 위치 벡터 행렬 H 을 정의한다. 이는 다음 [수학식 9]로 정의된다.
Figure pat00035
여기서,
Figure pat00036
는 각각 I번째 출력벡터에 해당하는 위치벡터의 x좌표와 y좌표를 의미하며, 최종 위치 좌표는 아래의 [수학식 10]으로 정의된다.
Figure pat00037
여기서,
Figure pat00038
는 위치 가중치 벡터이며, 본 실시예에서는 L의 원소 중에 최대값을 갖는 인덱스에 해당하는
Figure pat00039
, 그 이외의 값은 0으로 설정하였다.
또한, 위치 산출 함수
Figure pat00040
및 위치 가중치 벡터 a 는 다양한 방법으로 정의할 수 있으며, 도 9는 본 실시예에서 정의한 선형 조합을 이용한 위치산출기법을 도시한 도면이다.
한편, 도 10 및 도 11은 수신안테나 수에 따른 딥러닝 위치측위 방법의 성능을 도시한 도면이다.
도 10에 도시된 바와 같이 RRH가 증가할수록 측위의 정확도가 높은 것을 확인 할 수 있고, 수신안테나가 4개 이상일 경우 평가 데이터 5만 2천개에 대해서 100%의 정확도를 달성하는 것을 확인할 수 있다.
도 11은 도 10의 결과를 거리오차로 환산한 값이다. 역시 수신안테나가 4개 이상인 경우 오차 0을 달성하였고, 수신안테나가 3개인 경우에도 수 cm의 매우 작은 오차를 확인할 수 있다. 기존 WiFi 핑거프린팅 기반 측위 알고리즘의 평균 오차가 50 cm 이상임을 고려할 때 제안하는 방법의 정확도는 매우 우수하다.
따라서, 본 발명에 따르면, 수 cm 이내의 정밀도를 제공하는 제안하는 기술을 공장 자동화(스마트 팩토리)에 활용되는 이동형 로봇에 활용할 경우 로봇의 정밀 제어가 가능할 수 있다.
또한, 로봇 뿐만 아니라 인간에게 보다 정확한 위치정보를 제공하여 생산, 가공, 물류, 공사 현장 등 다양한 산업현장 및 박물관, 테마파크, 쇼핑센터 등 다양한 서비스 분야에 활용 가능할 것으로 예상된다.
이하, 도 12를 참조하여 본 발명에 따른 딥러닝을 이용한 무선 측위 방법에 대해 살피면 아래와 같다.
먼저, 무선신호 수신부(100)가 피측위 장치로부터 수신한 무선신호로부터 신호특성을 추출하여 신호정보를 생성한다(S10).
이어서, 학습데이터 생성부(200)가 무선신호 수신부(100)로부터 인가받은 신호정보를 기 설정된 심층신경망의 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하는 입력 데이터를 구성한다(S20).
뒤이어, 위치정보 학습/분석부(300)가 기 설정된 목표횟수와 대응하도록 역전파 학습을 통해 입력 데이터에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 무선신호 데이터를 심층신경망에 입력하여 출력 데이터를 생성한다(S30).
그리고, 위치좌표 산출부(400)가 심층신경망의 출력 데이터(출력 벡터 값(L))를 인가받아 위치정보(
Figure pat00041
)로 환산하여 실제 위치 정보를 산출한다(S40).
이하, 도 13을 참조하여 본 발명에 따른 딥러닝을 이용한 무선 측위 방법의 제S10단계의 세부과정에 대해 살피면 아래와 같다.
먼저, 무선신호 수신부(100)의 안테나(110)가 각기 다른 지점에 위치하도록 n개로 구성되어 피측위 장치가 송신하는 무선신호를 수신한다(S11).
그리고, 무선신호 수신부(100)의 신호특성 추출모듈(120)이 무선신호로부터 시간, 주파수, 안테나에 따른 신호의 전력(power), 크기(amplitude), 및 위상(phase)을 추출하여 생성한 신호정보를 저장한다(S12).
이하, 도 14를 참조하여 본 발명에 따른 딥러닝을 이용한 무선 측위 방법의 제S30단계의 세부과정에 대해 살피면 아래와 같다.
제S20단계 이후, 위치정보 학습/분석부(300)의 측위 알고리즘 학습모듈(310)이 학습용 신호 데이터를 심층신경망에 입력한다(S31).
이어서, 위치정보 학습/분석부(300)의 측위 알고리즘 학습모듈(310)이 심층신경망에 입력된 데이터를 피드포워드 연산을 통해 심층신경망의 출력값을 도출한다(S32).
뒤이어, 위치정보 학습/분석부(300)의 측위 알고리즘 학습모듈(310)이 심층신경망의 출력값과 목표값의 오차를 cost function을 이용하여 비용함수를 산출한다(S33).
이어서, 위치정보 학습/분석부(300)의 측위 알고리즘 학습모듈(310)이 심층신경망의 역전파 학습을 통해 오차(비용함수)를 최소화 하도록 피드포워드 연산 가중치를 결정한다(S34).
뒤이어, 위치정보 학습/분석부(300)의 실제 측위정보 분석모듈(320)이 실제 측위용 신호정보를 심층신경망에 입력한다(S35).
그리고, 위치정보 학습/분석부(300)의 실제 측위정보 분석모듈(320)이 피드포워드 연산을 통해 심층신경망의 출력 데이터를 생성한다(S36).
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등 물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
S: 딥러닝을 이용한 무선 측위 시스템
100: 무선신호 수신부 110: 안테나
120: 신호특성 추출모듈 200: 학습데이터 생성부
300: 위치정보 학습/분석부 310: 측위 알고리즘 학습모듈
320: 실제 측위정보 분석모듈 400: 위치좌표 산출부

Claims (10)

  1. 무선 측위 시스템에 있어서,
    피측위 장치로부터 수신한 무선신호로부터 신호특성을 추출하여 신호정보를 생성하는 무선신호 수신부;
    상기 신호정보를 기 설정된 심층신경망의 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하는 입력 데이터를 구성하는 학습데이터 생성부;
    기 설정된 목표횟수와 대응하도록 역전파 학습을 통해 상기 입력 데이터에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 무선신호 데이터를 심층신경망에 입력하여 출력 데이터를 생성하는 위치정보 학습/분석부; 및
    상기 심층신경망의 출력 데이터를 위치정보로 환산하여 실제 위치 정보를 산출하는 위치좌표 산출부;를 포함하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
  2. 제1항에 있어서,
    상기 무선신호 수신부는,
    각기 다른 지점에 위치하도록 n개로 구성되어 피측위 장치가 송신하는 무선신호를 수신하는 안테나; 및
    상기 무선신호로부터 시간, 주파수, 안테나에 따른 신호의 전력(power), 크기(amplitude), 및 위상(phase)을 추출하여 생성한 신호정보를 저장하는 신호특성 추출모듈;을 포함하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
  3. 제1항에 있어서,
    상기 학습데이터 생성부는,
    상기 무선신호 수신부로부터 인가받은 신호정보를 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하되,
    상기 행렬의 행과 열 중 하나는 반드시 개별 수신 안테나로 설정하고, 나머지 행 또는 열은 시간, 주파수 또는 수신 방향각 중에 어느 하나의 값으로 설정하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
  4. 제1항에 있어서,
    상기 위치정보 학습/분석부는,
    학습용 신호 데이터를 심층신경망에 입력하여 피드포워드 연산을 통해 심층신경망의 출력값을 도출하고, 심층신경망의 출력값과 목표값의 오차를 cost function을 이용하여 비용함수를 산출하며, 심층신경망의 역전파 학습을 통해 오차(비용함수)를 최소화 하도록 피드포워드 연산 가중치를 결정하는 측위 알고리즘 학습모듈; 및
    실제 측위용 신호정보를 상기 심층신경망에 입력하고, 피드포워드 연산을 통해 심층신경망의 출력 데이터를 생성하는 실제 측위정보 분석모듈;을 포함하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
  5. 제1항에 있어서,
    상기 위치정보 학습/분석부는,
    2차원 행렬 형태의 신호정보 입력 데이터의 특징을 추출하는 1단계 레이어(Kernel), 2단계 레이어(Kernel) 및 3단계 레이어(max pooling 레이어)를 구성하고, 추출한 특징을 분류하는 4단계 레이어(full-connected 레이어)를 구성하되,
    상기 1단계 레이어 및 2단계 레이어는, 2차원 행렬 형태의 미지수와 입력 데이터와의 컨볼루션(convolution) 연산을 수행하고,
    상기 3단계 레이어는, 상기 입력 데이터의 행의 크기를 절반으로 줄이며,
    상기 4단계 레이어는, 상기 3단계 레이어의 출력 값들을 벡터 형태로 나열하여 입력하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
  6. 제4항에 있어서,
    상기 비용함수는,
    피드포워드(feedforward) 신경망의 출력 값과 정답 값의 차이를 수학적으로 정의한 것으로 [수학식 3]을 통해 도출하며, 역전파 학습을 통해 상기 비용함수 값이 최소가 되도록 가중치를 결정하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
    [수학식 3]
    Figure pat00042

    여기서,
    Figure pat00043
    는 가중치 벡터이며, pi는 목표 값이다.
  7. 제1항에 있어서,
    상기 위치좌표 산출부는,
    상기 심층신경망의 출력 데이터에 대한 출력 벡터의 인덱스를 [수학식 9]를 통해 벡터 행렬 H로 정의하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 시스템.
    [수학식 9]
    Figure pat00044

    여기서,
    Figure pat00045
    는 각각 I번째 출력벡터에 해당하는 위치벡터의 x좌표와 y좌표를 의미한다.
  8. 무선 측위 방법에 있어서,
    (a) 무선신호 수신부가 피측위 장치로부터 수신한 무선신호로부터 신호특성을 추출하여 신호정보를 생성하는 단계;
    (b) 학습데이터 생성부가 상기 신호정보를 기 설정된 심층신경망의 각 행렬에 신호의 전력, 크기 또는 위상 값으로 대입하는 입력 데이터를 구성하는 단계;
    (c) 위치정보 학습/분석부가 기 설정된 목표횟수와 대응하도록 역전파 학습을 통해 입력 데이터에 대한 오차를 최소화하도록 가중치를 갱신하고, 실제 측위용 무선신호 데이터를 심층신경망에 입력하여 출력 데이터를 생성하는 단계; 및
    (d) 위치좌표 산출부가 심층신경망의 출력 데이터를 위치정보로 환산하여 실제 위치 정보를 산출하는 단계;를 포함하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 방법.
  9. 제8항에 있어서,
    상기 (a) 단계는,
    (a-1) 무선신호 수신부의 안테나가 각기 다른 지점에 위치하도록 n개로 구성되어 피측위 장치가 송신하는 무선신호를 수신하는 단계; 및
    (a-2) 무선신호 수신부의 신호특성 추출모듈이 무선신호로부터 시간, 주파수, 안테나에 따른 신호의 전력(power), 크기(amplitude), 및 위상(phase)을 추출하여 생성한 신호정보를 저장하는 단계;를 포함하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 방법.
  10. 제8항에 있어서,
    상기 (c) 단계는,
    (c-1) 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 학습용 신호 데이터를 심층신경망에 입력하는 단계;
    (c-2) 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 심층신경망에 입력된 데이터를 피드포워드 연산을 통해 심층신경망의 출력값을 도출하는 단계;
    (c-3) 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 심층신경망의 출력값과 목표값의 오차를 cost function을 이용하여 비용함수를 산출하는 단계;
    (c-4) 위치정보 학습/분석부의 측위 알고리즘 학습모듈이 심층신경망의 역전파 학습을 통해 오차(비용함수)를 최소화 하도록 피드포워드 연산 가중치를 결정하는 단계;
    (c-5) 위치정보 학습/분석부의 실제 측위정보 분석모듈이 실제 측위용 신호정보를 심층신경망에 입력하는 단계; 및
    (c-6) 위치정보 학습/분석부의 실제 측위정보 분석모듈이 피드포워드 연산을 통해 심층신경망의 출력 데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는 딥러닝을 이용한 무선 측위 방법.
KR1020170174054A 2017-12-18 2017-12-18 딥러닝을 이용한 무선 측위 장치 및 방법 KR102067997B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170174054A KR102067997B1 (ko) 2017-12-18 2017-12-18 딥러닝을 이용한 무선 측위 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170174054A KR102067997B1 (ko) 2017-12-18 2017-12-18 딥러닝을 이용한 무선 측위 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190072900A true KR20190072900A (ko) 2019-06-26
KR102067997B1 KR102067997B1 (ko) 2020-01-20

Family

ID=67105228

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170174054A KR102067997B1 (ko) 2017-12-18 2017-12-18 딥러닝을 이용한 무선 측위 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102067997B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814953A (zh) * 2020-06-16 2020-10-23 上海瀚讯信息技术股份有限公司 一种基于通道剪枝的深度卷积神经网络模型的定位方法
CN112040394A (zh) * 2020-08-05 2020-12-04 深圳市微能信息科技有限公司 一种基于ai深度学习算法的蓝牙定位方法及系统
CN112698269A (zh) * 2019-10-22 2021-04-23 精联电子股份有限公司 智能型定位系统
CN113030841A (zh) * 2021-01-07 2021-06-25 屠勇刚 一种无线电测向方法、装置以及可读存储介质
KR102270808B1 (ko) * 2020-09-15 2021-06-29 국민대학교산학협력단 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법
US11621791B2 (en) 2020-07-01 2023-04-04 Electronics And Telecommunications Research Institute Apparatus and method for precise positioning based on deep learning
WO2023163429A1 (ko) * 2022-02-24 2023-08-31 삼성전자주식회사 무선 통신 시스템 내의 단말기의 위치를 결정하는 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040017241A (ko) * 2001-06-21 2004-02-26 에이치2아이 테크놀로지스 물체 위치를 광학적으로 검출하는 방법과 장치
KR100780470B1 (ko) * 2007-08-21 2007-11-28 (주)미래시스템 탐색 레이더의 적응적 표적 탐지장치
KR101735365B1 (ko) * 2017-01-19 2017-05-16 (주)나인정보시스템 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법
KR20170074539A (ko) * 2015-12-22 2017-06-30 한국항공대학교산학협력단 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법
KR20170130775A (ko) 2016-05-19 2017-11-29 건국대학교 산학협력단 딥러닝 수행 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040017241A (ko) * 2001-06-21 2004-02-26 에이치2아이 테크놀로지스 물체 위치를 광학적으로 검출하는 방법과 장치
KR100780470B1 (ko) * 2007-08-21 2007-11-28 (주)미래시스템 탐색 레이더의 적응적 표적 탐지장치
KR20170074539A (ko) * 2015-12-22 2017-06-30 한국항공대학교산학협력단 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법
KR20170130775A (ko) 2016-05-19 2017-11-29 건국대학교 산학협력단 딥러닝 수행 시스템 및 방법
KR101735365B1 (ko) * 2017-01-19 2017-05-16 (주)나인정보시스템 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112698269A (zh) * 2019-10-22 2021-04-23 精联电子股份有限公司 智能型定位系统
CN111814953A (zh) * 2020-06-16 2020-10-23 上海瀚讯信息技术股份有限公司 一种基于通道剪枝的深度卷积神经网络模型的定位方法
CN111814953B (zh) * 2020-06-16 2024-02-13 上海瀚讯信息技术股份有限公司 一种基于通道剪枝的深度卷积神经网络模型的定位方法
US11621791B2 (en) 2020-07-01 2023-04-04 Electronics And Telecommunications Research Institute Apparatus and method for precise positioning based on deep learning
CN112040394A (zh) * 2020-08-05 2020-12-04 深圳市微能信息科技有限公司 一种基于ai深度学习算法的蓝牙定位方法及系统
CN112040394B (zh) * 2020-08-05 2022-06-10 深圳市微能信息科技有限公司 一种基于ai深度学习算法的蓝牙定位方法及系统
KR102270808B1 (ko) * 2020-09-15 2021-06-29 국민대학교산학협력단 무선 인공지능을 이용한 보이는 네트워크 제공 장치 및 방법
CN113030841A (zh) * 2021-01-07 2021-06-25 屠勇刚 一种无线电测向方法、装置以及可读存储介质
CN113030841B (zh) * 2021-01-07 2024-04-02 屠勇刚 一种无线电测向方法、装置以及可读存储介质
WO2023163429A1 (ko) * 2022-02-24 2023-08-31 삼성전자주식회사 무선 통신 시스템 내의 단말기의 위치를 결정하는 장치 및 방법

Also Published As

Publication number Publication date
KR102067997B1 (ko) 2020-01-20

Similar Documents

Publication Publication Date Title
KR20190072900A (ko) 딥러닝을 이용한 무선 측위 장치 및 방법
Deif et al. Classification of wireless sensor networks deployment techniques
CN108351881A (zh) 分布式最优化的系统和方法
Yang et al. Robust UWB indoor localization for NLOS scenes via learning spatial-temporal features
CN105790813A (zh) 一种大规模mimo下基于深度学习的码本选择方法
Leung et al. Lagrange programming neural networks for time-of-arrival-based source localization
Konakoglu et al. 2D coordinate transformation using artificial neural networks
Wu et al. Neural network localization with TOA measurements based on error learning and matching
CN114449452A (zh) 一种异构设备室内定位算法
CN111487582A (zh) 获得蓝牙阵列天线参数标定模型、到达角的方法和装置
CN110690930A (zh) 信源数量检测方法及装置
CN108566256B (zh) 一种频谱地图的构建方法
US5488589A (en) Neural network based three dimensional ocean modeler
US10761200B1 (en) Method for evaluating positioning parameters and system
CN107124761B (zh) 融合pso和ss-elm的蜂窝网无线定位方法
CN111830465B (zh) 二维牛顿正交匹配追踪压缩波束形成方法
Khalili et al. A bio-inspired cooperative algorithm for distributed source localization with mobile nodes
JP2011075505A (ja) 位置算出装置、位置算出方法及び位置算出プログラム
Fan et al. Synthetic aperture acoustic imaging with deep generative model based source distribution prior
CN116017280A (zh) 一种目标免携带设备的快速室内路径跟踪方法
CN113740802B (zh) 以自适应噪声估计进行矩阵补全的信号源定位方法和系统
Ni et al. Two methods of accurate indoor positioning based on visible light communication system and artificial neural network
CN115908547A (zh) 一种基于深度学习的无线定位方法
CN113030849B (zh) 一种基于自编码器与并行网络的近场源定位方法
Izumi et al. Distributed Hybrid Controllers for Multi‐Agent Mass Games By A Variable Number of Player Agents

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant