TW201400842A - 挑選基地台以定位行動裝置之方法及系統 - Google Patents

挑選基地台以定位行動裝置之方法及系統 Download PDF

Info

Publication number
TW201400842A
TW201400842A TW101121722A TW101121722A TW201400842A TW 201400842 A TW201400842 A TW 201400842A TW 101121722 A TW101121722 A TW 101121722A TW 101121722 A TW101121722 A TW 101121722A TW 201400842 A TW201400842 A TW 201400842A
Authority
TW
Taiwan
Prior art keywords
base station
neural network
type
network unit
station groups
Prior art date
Application number
TW101121722A
Other languages
English (en)
Inventor
Chien-Sheng Chen
Yung-Chuan Lin
Jium-Ming Lin
Original Assignee
Novatek Microelectronics Corp
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 Novatek Microelectronics Corp filed Critical Novatek Microelectronics Corp
Priority to TW101121722A priority Critical patent/TW201400842A/zh
Priority to US13/652,492 priority patent/US9239369B2/en
Publication of TW201400842A publication Critical patent/TW201400842A/zh

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
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一種挑選複數個定位基地台以定位一行動裝置之方法，包含有從複數個基地台之中任選數個來組成一基地台組，進而產生複數個基地台組，而每一基地台組係對應一距離矩陣；根據該複數個基地台組對應之複數個距離矩陣，利用一第一類神經網路單元，從該複數個基地台組之中挑選一特定數目之基地台組；以及根據該特定數目之基地台組，利用一第二類神經網路單元，以定位該行動裝置。

Description

挑選基地台以定位行動裝置之方法及系統
本發明係指一種挑選複數個基地台以定位一行動裝置之方法，尤指一種利用多個類神經網路單元，先從複數個基地台篩選合適之複數個基地台組後，再來定位一行動裝置之方法及系統。
隨著無線通訊以及可攜式行動裝置的發展，可精準判斷可攜式行動裝置的當前位置，以及對應提供基地台的無線通訊服務已日漸重要。習知技術中，可將可攜式行動裝置與其鄰近的複數個基地台所產生的複數個視線傳播(Line-of-Sight，LOS)向量，代入一類神經網路，例如是一倒傳遞類神經網路(Back-Propagation Neural Network，BPNN)，用以定位行動裝置。請參考第1圖，第1圖為習知一類神經網路網路(Artificial Neural Network，ANN)10之示意圖。如第1圖所示，類神經網路10包含有一輸入層100、一隱藏層102以及一輸出層104，輸入層100根據輸入的複數個視線傳播向量，由隱藏層102進行一數值計算，最後再由輸出層104將計算後的結果對應至可攜式行動裝置之一估計位置。然而，習知技術所提供的隱藏層102雖可依據一訓練範例，適性地根據輸入的複數個視線傳播向量，經過不斷的遞迴計算，對應調整複數個視線傳播向量之一連結權重值，以完成類神經網路之一訓練，並對應輸出估測位置。但是習知技術於遞迴計算中，係將複數個基地台對應的複數 個視線傳播向量全部均輸入類神經網路10，因而造成類神經網路10的計算過於複雜，相對的計算時間也過於冗長，對於使用者的實際操作仍不便。
因此，本揭露提供一種挑選複數個定位基地台以定位一行動裝置之方法及系統，用以降低類神經網路的計算複雜度，以對應提高定位方法的應用範圍。
本發明揭露一種挑選複數個定位基地台以定位一行動裝置之方法，包含有從複數個基地台之中任選數個來組成一基地台組，進而產生複數個基地台組，而每一基地台組係對應一距離矩陣；根據該複數個基地台組對應之複數個距離矩陣，利用一第一類神經網路單元，從該複數個基地台組之中挑選一特定數目之基地台組；以及根據該特定數目之基地台組，利用一第二類神經網路單元，以定位該行動裝置。
本發明另揭露一種電腦系統，包含有一中央處理器；一偵測模組，耦接於該中央處理器，用來偵測鄰近該電腦系統可用之複數個定位基地台；以及一儲存裝置，耦接於該中央處理器，用來儲存有一軟體及一程式碼，該程式碼用來指示該中央處理器執行上述挑選複數個定位基地台以定位一行動裝置之方法。
請同時參考第2圖與第3圖，第2圖為本發明實施例一定位系統20之示意圖，而第3圖為定位系統20所適用之一細胞式通訊系統30(Cellular Communication System)之示意圖，在此僅為示範性的畫出7個基地台，使用者當然可依據實際操作，任意將數個基地台結合定位系統20，非用以限制本發明之範疇。
請再參考第4圖，第4圖為本發明實施例一電腦系統40之示意圖。如第4圖所示，電腦系統40係包含有一中央處理器400、一偵測模組402、一儲存裝置404以及一輸出模組406。值得注意地，第2圖所示之定位系統20係耦接於電腦系統40之中央處理器400，而定位系統20之第一類神經網路單元200與一第二類神經網路單元202，可分別結合儲存裝置404儲存之一程式碼CP，以提供定位系統20正常運作。另外，中央處理器400耦接於偵測模組402、儲存裝置404以及輸出模組406，輸出一控制訊號至偵測模組402以及儲存裝置404。偵測模組402係於電腦系統40剛起後，藉由控制訊號來開始偵測鄰近電腦系統40之可用的複數個基地台(如第3圖所示之基地台BS1~BS7)，對應將基地台BS1~BS7之基地台資料，例如基地台BS1~BS7與行動裝置間之相對位置或傳輸速率等基地台相關參數，儲存於儲存裝置404中來形成一查找表TB，以供第一類神經網路單元200(或第二類神經網路單元202)使用。儲存裝置404藉由控制訊號對應啟動第一類神經網路單元200與第二類神經網路單元202之程式碼CP，並結合電腦系統40內存之一軟體SF (例如一作業系統)，來分別進行第一類神經網路單元200與第二類神經網路單元202之計算，最後再由輸出模組406輸出第一類神經網路單元200及/或第二類神經網路單元202之一計算結果，若為第一類神經網路單元200之計算結果，係為一幾何精度因子(Geometric Dilution of Precision，GDOP)或一權重幾何精度因子(Weighted Geometric Dilution of Precision，WGDOP)的計算結果，若為第二類神經網路單元202之計算結果，係可為行動裝置之估測位置。
請再繼續參考第2圖，定位系統20包含有第一類神經網路單元200與第二類神經網路202單元，再利用偵測模組402之一偵測結果，提供七個鄰近行動裝置的基地台BS1~BS7輸入第一類神經網路單元200，透過幾何精度因子權重幾何精度因子的計算結果，從中僅挑選出部分的基地台，再將第一類神經網路單元200挑選後的基地台輸入第二類神經網路單元202，相同地，利用幾何精度因子或權重幾何精度因子的數值計算，再搭配一演算法來定位行動裝置。換句話說，第一類神經網路單元200可視為一初步的篩選動作，從輸入的所有基地台中挑選出最適者後，將其輸入第二類神經網路單元202，已可適當地降低類神經網路單元的計算複雜度，同時對應提高定位系統20的應用範圍，提供使用者更有效率的定位方法。
假設定位系統20係為一三維空間，包含有X軸、Y軸及Z軸的座標，故其後的假設係皆考慮三軸的座標變數，當然，若定位系統20係為一二維空間(僅包含X軸及Y軸的座標)，也可僅考慮二 軸的座標變數，非用以限制本發明之範疇。
首先，先定義幾何精度因子的計算，假設基地台BS7為一服務基地台以提供行動裝置一無線通訊服務，而包含服務基地台在內的所有基地台BS1~BS7，可先對應取得各自相對於行動裝置的一相對距離ri，如(1)式所示： 其中座標(x,y,z)和(X i ,Y i ,Z i )分別是行動裝置與第i個基地台的位置，C為光速，tb為一時間偏移量，vri為一量測雜訊。進一步，將(1)式利用泰勒展開式在行動裝置之位置(,,)附近展開，同時忽略對應產生的高階項次，可得(2)式： 其中(δ x δ y,δ z)分別是座標(x,y,z)的修正量，(2)式中各代號依序為 ，並以 (e i1,e i2,e i3)i=1,2,....,n代表行動裝置到基地台的視線傳播向量。最後再根 據z=Hδ+v，其中 ，則幾何精度因子為(3)式所示： 值得注意地，如果想更換使用權重幾何精度因子來計算，則可於幾何精度因子(3)式中再加入一權重矩陣 ，其中係代 表一雜訊變異數，則可改寫(3)式以得到權重幾何精度因子，如(4) 式所示：(4)
在此實施例中n=7(即BS1~BS7)且定位系統20係為三維空間，並假設第一類神經網路單元200採用權重幾何精度因子來計算。據此，先將基地台BS1~BS7進行的分組動作，可得到35個基地台組(即每四個基地台形成一基地台組，共有35個基地台組)，每一基地台組皆對應一距離矩陣如(3)式中的H矩陣，而每一距離矩陣又可對應得到一矩陣特徵值λ。在此情況下，第一類神經網路單元200可透過定義以下函數(5)式到(10)式先進行一收斂計算；f 1(λ)=λ 1+λ 2+λ 3+λ 4=trace(H T WH)(5) 據此，請參考第5A圖，第5A圖為本發明實施例第一類神經網路單元透過權重幾何精度因子之六種訓練方式之示意圖，故第一類神經網路單元200所進行的收斂計算可分類為六種訓練方式：方式1：輸入係為(f 1,f 2,f 3,f 4) T ，輸出係為(λ 1 -1,λ 2 -1,λ 3 -1,λ 4 -1) T ；方式2：輸入係為(f 1,f 2,f 3,f 4) T ，輸出係為WGDOP；方式3：輸入係為(B 11,B 12,B 13,B 14,B 22,B 23,B 24,B 33,B 34,B 44) T ，輸出係 為(λ 1 -1,λ 2 -1,λ 3 -1,λ 4 -1) T ；方式4：輸入係為(B 11,B 12,B 13,B 14,B 22,B 23,B 24,B 33,B 34,B 44) T ，輸出係為WGDOP；方式5：輸入係為(e 11,e 12,e 13,e 21,e 22,e 23,e 31,e 32,e 33,e 41,e 42,e 43,k 1,k 2,k 3,k 4) T ，輸出係為(λ 1 -1,λ 2 -1,λ 3 -1,λ 4 -1) T ；方式6：輸入係為(e 11,e 12,e 13,e 21,e 22,e 23,e 31,e 32,e 33,e 41,e 42,e 43,k 1,k 2,k 3,k 4) T ，輸出係為WGDOP。
因此，第一類神經網路單元200可依據使用者挑選，進行上述六種訓練方式中的任一種，用以得到訓練後的第一類神經網路單元200，即完成第一類神經網路單元200之一收斂計算，進一步可得到35個基地台組對應的WGDOP值。依序將35個WGDOP值依序由小到大排列，選出前三組最小的WGDOP值，進而可得到三組對應的基地台組，例如選到的三組基地台組分別為(BS1,BS2,BS3,BS7)、(BS2,BS3,BS5,BS7)及(BS1,BS3,BS6,BS7)。值得注意地，由於基地台BS7係為服務基地台，所以透過第一類神經網路單 元200的初步篩選動作，基地台BS7勢必會被挑選進入第二類神經網路單元202。因此，上述第一類神經網路單元200的篩選動作，又可進一步簡化為於基地台BS1~BS7中先排除基地台BS7，而僅從六個基地台BS1~BS6中挑選三個，即進行的分組動作得到20組基地台組，再將20組基地台組加入基地台BS7，以代入第一類神經網路單元200。其後的動作同前述操作，係挑選譬如三個最小的WGDOP值及其對應的三組基地台組，例如為(BS1,BS2,BS3,BS7)、(BS1,BS3,BS4,BS7)及(BS2,BS3,BS4,BS7)，用以簡化計算複雜度，故挑選後的基地台包含服務基地台在內，至少有3組基地台組以及5個不同基地台。值得注意的是，挑選出基地台組織數目在此僅為示範性說明為三，再其他實施例中，根據設計與使用上的需求，而可為其他的特定數目。
請參考第5B圖所示，第5B圖為本發明實施例第一類神經網路單元透過幾何精度因子之六種訓練方式之示意圖。如第5B圖所示，第一類神經網路單元200的訓練方式，係類似於第5A圖中對第一類神經網路單元200的訓練方式，將第一類神經網路單元200改用幾何精度因子來進行訓練，其訓練方式可依據前述的操作手法，將挑選後的特定數目之(譬如三)組基地台組重新當作輸入值。另外，第二類神經網路單元202之訓練方式，係類似於第一類神經網路單元200的訓練方式，可利用幾何精度因子或權重幾何精度因子來進行訓練，並搭配使用一共軛梯度(Scaled conjugate gradient，SCG) 演算法，即可完成定位行動裝置的操作。和第一類神經網路單元200的不同處，係第二類神經網路單元202經過訓練後(完成收斂計算後)的輸出結果，即為行動裝置的估測位置。
由於第一類神經網路單元200或第二類神經網路單元202都包含有一輸入層、一隱藏層以及一輸出層，且兩者的隱藏層更包含有複數層隱藏子層、複數個隱藏層神經元，並根據複數個訓練個數(Epochs)，將進一步決定第一類神經網路單元200或第二類神經網路單元202的收斂速度。故本領域具通常知識者應可依據本發明所提供的實施例，進一步結合不同的隱藏層條件，用以得到最適的計算結果，在此不贅述。
於本實施例定位系統20所適用的行動裝置定位方法，可進一步歸納為一定位流程60，如第6圖所示。定位流程60包含以下步驟：
步驟600：開始。
步驟602：從複數個基地台之中任選數個來組成一基地台組，進而產生複數個基地台組，而每一基地台組係對應一距離矩陣H，且每一距離矩陣係對應一矩陣特徵值λ。
步驟604：根據複數個基地台組對應之複數個距離矩陣及其複數個矩陣特徵值，進行第一類神經網路單元200之訓練，對應從該複數個基地台組之中挑選一特定數目(譬如三個)基地台組。
步驟606：根據挑選後的三個基地台組，進行第二類神經網路單元202之訓練，同時利用共軛梯度演算法，以定位行動裝置。
步驟608：結束。
在此實施例中，定位流程60係用於第3圖所示的細胞式通訊系統。首先，於步驟602中，先將複數個基地台進行分組，以取得不同基地台組的距離矩陣與其對應的矩陣特徵值λ。再者，於步驟604中，對第一類神經網路單元200進行訓練以對應取得三個基地台組。最後，於步驟606中，將挑選後的三個基地台組代入第二類神經網路單元202，並對第二類神經網路單元202進行訓練，同時利用共軛梯度演算法來定位行動裝置。至於步驟602到步驟606的詳細操作過程，已於第2圖到第5圖及其對應的段落說明，在此不贅述。除此之外，本領域具通常知識者亦可根據不同需求對應修改定位流程60之步驟604，於第一類神經網路單元200之訓練後選擇複數個基地台組，以進行第二類神經網路單元202之訓練，而不一定限制僅使用三組基地台組以定位行動裝置。換言之，雖然在此實施例中，步驟604所挑選出之基地台組之數目係以三為例，但於其他實施例中，根據設計或使用上之需求，可為其他之特定數目。
另外，使用者根據本實施例所提供的定位流程60，亦可搭配其他的演算法/硬體裝置，以應用於一全球定位系統(Global Positioning System，GPS)、一無線感測網路(Wireless Sensor Network，WSN) 或是一毫微微蜂巢式基地台(Femtocell)，非用以限制本發明之範疇。
另外，上述的定位方法可以種種不同態樣來實施。舉例而言，於一實施例中，一種電腦可讀取記錄媒體可包含用於致使一處理器(譬如為一中央處理器)執行如第6圖所示之定位方法之多個指令。電腦可讀取媒體例如為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫，或是熟習本領域之通常知識者所習知之任何其它儲存媒體。或是於另一實施例中，如第6圖所示之定位方法亦可以一電腦程式產品來加以實現，在一電腦載入該電腦程式產品並執行該電腦程式產品所包含之複數個指令後，即可完成上述實施例所述之定位方法。前述之電腦程式產品可儲存於一電腦可讀取記錄媒體中。此外，前述之電腦程式產品亦可透過網路傳輸。
本實施例所提供的定位系統20或定位流程60，將訓練後的第一類神經網路單元200及第二類神經網路單元202，搭配共軛梯度演算法來估測行動裝置的估測位置，相較於習知技術所用的倒傳遞類神經網路單元(BPNN)，已可提供較精準的估測位置以及較短的計算時間。請參考第7圖，第7圖為本實施例相較於習知技術之模擬比較圖。如第7圖所示，習知技術(BPNN)係選用6000個訓練個數以及一學習比率(Learning rate)為0.02，而本實施例(SCG)係選用2000個訓練個數，於存在有一臨界值之非視線傳播區域誤差 (upper bound on NLOS range error)時來計算一幾何精度因子平均殘值(average GDOP residual)。若依據本實施例提供的六種訓練方式，將發現進行每一種訓練方式時，習知技術得到的幾何精度因子平均殘值皆大於本實施例的幾何精度因子平均殘值。換句話說，本實施例(SCG)不但可使用較少的訓練個數，相對來說也可得到較小的幾何精度因子平均殘值，也就是已能大幅減少計算的複雜度以及較短的計算時間。
此外，請參考第8圖，第8圖為本實施例相較於習知技術之另一模擬比較圖，為了清楚說明，僅將本實施例與習知技術代入部分的訓練方式，例如方式2與方式6，並引入新的觀察參數，一平均平方誤差(mean-square error，MSE)來比較本實施例(SCG)及習知技術(BPNN)之差異。平均平方誤差係根據(11)式來計算經過一時間後GDOP值的變化情形，用以表示計算收斂的速度： 其中代號N係為訓練範例的數量。如第8圖所示，不難察覺在不同的訓練方式下，經過相同的一段時間後，習知技術得到的平均平方誤差皆大於本實施例的平均平方誤差，至於其他訓練方式亦具有相類似的趨勢。換句話說，本實施例(SCG)已可大幅減少計算複雜度，在一較短的時間內取得較快的收斂方式。
再者，請參考第9圖，第9圖為本實施例相較於習知技術之另一模擬比較圖，在此係透過一累積機率分布圖(Cumulative Distribution Function，CDF)來表示本實施例與習知技術之差異。由於本實施例僅挑選全部基地台中之三者，並搭配服務基地台來定位行動裝置，相較於習知技術直接將行動裝置鄰近的全部基地台代入來定位行動裝置，如第9圖所示，於相同的累積機率條件下，本實施例相較於習知技術係提供一較小的誤差位置(location error)，換句話說，本實施例先篩選全部的基地台，取得合適的基地台(包含有服務基地台)後，才進一步用以定位行動裝置，以能更精準地定位行動裝置。
除此之外，本實施例所提供的定位系統20或定位流程60，係用於三維空間(包含有X軸、Y軸及Z軸的座標)來進行上述相關的說明。當然，使用者亦可根據相同的概念，將定位系統20或定位流程60應用於二維空間(僅包含有X軸以及Y軸的座標)，在此情況下，僅需調整不同基地台組所對應之距離矩陣的維度，於減少Z軸座標的相關變數後，仍有複數個距離矩陣及複數個矩陣特徵值，進而進行估測行動裝置的估測位置，亦為本發明之範疇。
較佳地，本實施例除了同時利用定位系統20之第一類神經網路單元200與第二類神經網路單元202，將第一類神經網路單元200與第二類神經網路單元202之計算歸納為另一程式碼(圖中未示)以結合現有之程式碼CP而預先儲存於儲存裝置404中，並搭配電 腦系統40之軟體SF來計算行動裝置之一估測位置。再者，本實施例亦可直接利用查找表TB與第二類神經網路單元202，並結合電腦系統40之軟體SF，對應計算行動裝置之估測位置。當然，於儲存裝置404中，定位系統20亦可定期將已完成收斂計算第一類神經網路單元200與第二類神經網路單元202(即訓練後之第一類神經網路單元200與第二類神經網路單元202)歸納為一收斂程式碼(圖中未示)，定期更新儲存裝置404之程式碼CP，以提高定位系統20之計算效率與應用範圍，亦為本發明之範疇。
除此之外，於本實施例電腦系統40所適用的行動裝置定位方法，可進一步歸納為一定位流程90，如第10圖所示。定位流程90包含以下步驟：
步驟900：開始。
步驟902：中央處理器400產生控制訊號。
步驟904：偵測模組402根據控制訊號，偵測鄰近電腦系統40可用之複數個基地台。
步驟906：儲存裝置404根據控制訊號以及鄰近電腦系統40可用之複數個基地台，對應啟動第一類神經網路單元200與第二類神經網路單元202之程式碼CP並結合電腦系統40內存之軟體SF，以分別進行第一類神經網路單元200與第二類神經網路單元202之計算。
步驟908：輸出模組406輸出第二類神經網路單元202之計算結果，以定位行動裝置。
步驟910：結束。
由於定位流程90之步驟可於定位系統20、電腦系統40及其相關段落說明與第2圖到第6圖中獲得說明，在此不贅述。值得注意地，於步驟906中，關於第一類神經網路單元200與第二類神經網路單元202之計算(或是其對應的收斂計算)，係依據使用者需求可適性地增加一遞迴計算，以提高定位行動裝置之精準度。於步驟908中，輸出模組406係可先單獨輸出第一類神經網路單元202之計算結果，一方便可供使用者參考以適性進行校正外，另一方面再將第一類神經網路單元202之計算結果提供給第二類神經網路單元202來計算行動裝置之估測位置，亦為本發明之範疇。至於前述之收斂程式碼或查找表TB之相關技術，本領域具通常知識者亦可適性地結合於步驟906或步驟908中，以提高定位系統20之計算效率與應用範圍。
值得注意的是，雖然於上述實施例中，係依序建構兩次的類神經網路，最後即可定位行動裝置。然而，於其他實施例中，可建構更多數目之類神經網路。而於每一次所建構出的類神經網路中，都篩選出一特定數目之基地台組，每一層皆以類似的方式進行篩選，最終可於最後一次的類神經網路中，決定行動裝置之位置。
綜上所述，上述實施例係提供一種定位方法包含有雙層類神經網路，透過一第一層類神經網路單元先進行一篩選動作，用以從複 數個基地台中挑選出合適的基地台組後，再將合適的基地台組代入一第二層類神經網路單元，以定位一行動裝置，除此之外，本實施例更結合多種(六種為例)訓練方式，提供適性地訓練第一層類神經網路單元及第二層類神經網路單元，同時搭配有一共軛梯度演算法來定位行動裝置，且定位方法亦可歸納為一程式碼並結合一電腦系統，以共同進行行動裝置之定位，相較於習知技術，不但有效降低類神經網路單元的計算複雜度，對應減少計算的時間及收斂速度，同時提高定位方法的適用範圍。
以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
10‧‧‧類神經網路
100‧‧‧輸入層
102‧‧‧隱藏層
104‧‧‧輸出層
20‧‧‧定位系統
200‧‧‧第一類神經網路單元
202‧‧‧第二類神經網路單元
30‧‧‧細胞式通訊系統
40‧‧‧電腦系統
400‧‧‧中央處理器
402‧‧‧偵測模組
404‧‧‧儲存裝置
406‧‧‧輸出模組
60、90‧‧‧定位流程
600、602、604、606、608、900、902、904、906、908、910‧‧‧步驟
CP‧‧‧程式碼
SF‧‧‧軟體
TB‧‧‧查找表
第1圖為習知一類神經網路之示意圖。
第2圖為本發明實施例一定位系統之示意圖。
第3圖為定位系統所適用之一細胞式通訊系統之示意圖。
第4圖為本發明實施例一電腦系統之示意圖。
第5A圖為本發明實施例第一類神經網路單元透過權重幾何精度因子之六種訓練方式之示意圖。
第5B圖為本發明實施例第一類神經網路單元透過幾何精度因子之六種訓練方式之示意圖。
第6圖為本發明實施例一定位方法之流程圖。
第7圖為本實施例相較於習知技術之模擬比較圖。
第8圖為本實施例相較於習知技術之另一模擬比較圖。
第9圖為本實施例相較於習知技術之另一模擬比較圖。
第10圖為本發明實施例一定位方法之流程圖。
20‧‧‧定位系統
200‧‧‧第一類神經網路單元
202‧‧‧第二類神經網路單元

Claims (14)

  1. 一種挑選複數個定位基地台以定位一行動裝置之方法，包含有：從複數個基地台之中任選數個來組成一基地台組，進而產生複數個基地台組，而每一基地台組係對應一距離矩陣；根據該複數個基地台組對應之複數個距離矩陣，利用一第一類神經網路(Artificial Neural Network，ANN)單元，從該複數個基地台組之中挑選一特定數目之基地台組；以及根據該特定數目之基地台組，利用一第二類神經網路單元，以定位該行動裝置。
  2. 如請求項1所述之方法，其中該特定數目係三。
  3. 如請求項2所述之方法，其中該特定數目之基地台組中共包含至少五個不重複之基地台。
  4. 如請求項1所述之方法，其中根據該複數個基地台組對應之該複數個距離矩陣，利用該第一類神經網路單元，從該複數個基地台組之中挑選該特定數目之基地台組之步驟，更包含有：利用一幾何精度因子(Geometric Dilution of Precision，GDOP)或一權重幾何精度因子(Weighted Geometric Dilution of Precision，WGDOP)，以對該第一類神經網路單元進行一收斂計算，並從該複數個基地台組之中挑選該特定數目之基地台組。
  5. 如請求項4所述之方法，其中利用該幾何精度因子或該權重幾何精度因子，以對該第一類神經網路單元進行該收斂計算，並從該複數個基地台組之中挑選該特定數目之基地台組之步驟，更包含有：將對應於該複數個基地台組之該複數個距離矩陣代入已完成該收斂計算之該第一類神經網路單元，用以產生對應於該複數個基地台組之複數個輸出值；以及比較該複數個輸出值，用以從該複數個基地台組之中挑選該特定數目之基地台組。
  6. 如請求項5所述之方法，其中比較該複數個輸出值，用以從該複數個基地台組之中挑選該特定數目之基地台組之步驟，更包含有：排序該複數個輸出值之大小，用以挑選該複數個輸出值中最小之三者，進而挑選該特定數目之基地台組。
  7. 如請求項1所述之方法，其中根據挑選後該特定數目之基地台組，利用該第二類神經網路單元，以定位該行動裝置之步驟，更包含有：利用一幾何精度因子或一權重幾何精度因子，以對該第二類神經網路單元進行一收斂計算；以及將挑選後該特定數目之基地台組代入已完成該收斂計算之該第 二類神經網路單元，以定位該行動裝置。
  8. 如請求項7所述之方法，其中將挑選後該特定數目之基地台組代入已完成該收斂計算之該第二類神經網路單元，以定位該行動裝置之步驟，更包含有：利用一共軛梯度(Scaled conjugate gradient，SCG)演算法，以定位該行動裝置。
  9. 如請求項1所述之方法，其中該第一類神經網路單元以及該第二類神經網路單元都包含有一輸入層、一隱藏層以及一輸出層。
  10. 如請求項9所述之方法，其中該隱藏層更包含有複數層隱藏子層、複數個隱藏層神經元，並根據複數個訓練個數(Epochs)，用以決定該第一類神經網路單元以及該第二類神經網路單元之一收斂時間。
  11. 如請求項1所述之方法，其係用於一全球定位系統(Global Positioning System，GPS)、一細胞式通訊系統(Cellular Communication System)一無線感測網路(Wireless Sensor Network，WSN)或是一毫微微蜂巢式基地台(Femtocell)。
  12. 如請求項11所述之方法，其若用於該細胞式通訊系統時，包含有七個基地台且其中之一者係為一服務基地台。
  13. 如請求項12所述之方法，其係適用於一三維空間或一二維空間，並對應從剩餘的該六個基地台中挑選三者以及該服務基地台，用以形成該複數個基地台組中之一組。
  14. 一種電腦系統，包含有：一中央處理器；一偵測模組，耦接於該中央處理器，用來偵測鄰近該電腦系統可用之複數個定位基地台；以及一儲存裝置，耦接於該中央處理器，用來儲存有一軟體及一程式碼，該程式碼用來指示該中央處理器執行如申請專利範圍第1項所述之該挑選複數個定位基地台以定位一行動裝置之方法。
TW101121722A 2012-06-18 2012-06-18 挑選基地台以定位行動裝置之方法及系統 TW201400842A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW101121722A TW201400842A (zh) 2012-06-18 2012-06-18 挑選基地台以定位行動裝置之方法及系統
US13/652,492 US9239369B2 (en) 2012-06-18 2012-10-16 Method and system for selecting base stations to position mobile device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW101121722A TW201400842A (zh) 2012-06-18 2012-06-18 挑選基地台以定位行動裝置之方法及系統

Publications (1)

Publication Number Publication Date
TW201400842A true TW201400842A (zh) 2014-01-01

Family

ID=49756372

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101121722A TW201400842A (zh) 2012-06-18 2012-06-18 挑選基地台以定位行動裝置之方法及系統

Country Status (2)

Country Link
US (1) US9239369B2 (zh)
TW (1) TW201400842A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911113B2 (en) 2019-01-04 2021-02-02 Industrial Technology Research Institute Communication system and codec method based on deep learning and known channel state information

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9426770B2 (en) * 2013-09-30 2016-08-23 Qualcomm Incorporated Access point selection for network-based positioning
WO2020018589A1 (en) * 2018-07-16 2020-01-23 Caswell Justin Wayne Decentralized infrastructure methods and systems
CN109862625B (zh) * 2019-01-21 2021-12-10 中国人民解放军战略支援部队信息工程大学 一种基于深度学习的短波测向灵活组网方法
US11812338B2 (en) 2020-08-04 2023-11-07 Qualcomm Incorporated Selective triggering of neural network functions for positioning measurement feature processing at a user equipment
CN112346011B (zh) * 2020-11-06 2022-07-05 杭州海康威视数字技术股份有限公司 一种目标定位方法、装置及系统
US11800484B2 (en) 2020-11-24 2023-10-24 Telefonaktiebolaget Lm Ericsson (Publ) User equipment (UE) positioning

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6266014B1 (en) * 1998-10-09 2001-07-24 Cell-Loc Inc. Methods and apparatus to position a mobile receiver using downlink signals part IV
US6556832B1 (en) * 2000-02-04 2003-04-29 Qualcomm Incorporated Method and apparatus for evaluation of position location performance
US6947753B2 (en) * 2002-03-13 2005-09-20 Telefonaktiebolaget L M Ericsson (Publ) Determination of mobile station location
US7181221B1 (en) * 2002-09-26 2007-02-20 George Mason Intellectual Properties, Inc. Cellular network handoff modeling
AU2003269633A1 (en) * 2003-09-19 2005-04-11 Bell Mobility Inc. Mobile user position locating system
US7308418B2 (en) 2004-05-24 2007-12-11 Affinova, Inc. Determining design preferences of a group
US20090117851A1 (en) * 2004-08-11 2009-05-07 National Ict Australia Limited Quality of service seeker
US7738884B2 (en) * 2005-06-28 2010-06-15 Microsoft Corporation Positioning service utilizing existing radio base stations
US7715852B2 (en) 2006-01-06 2010-05-11 Mediatek Inc. Location estimation method
US7880676B2 (en) * 2006-04-19 2011-02-01 Wichorus Inc. Method and system for hybrid positioning using partial distance information
US20080104257A1 (en) 2006-10-26 2008-05-01 Yahoo! Inc. System and method using a refresh policy for incremental updating of web pages
US8675511B2 (en) 2008-12-10 2014-03-18 Qualcomm Incorporated List elimination for distributed downlink coordinated multi-point (CoMP) framework
US8416710B2 (en) * 2009-03-30 2013-04-09 At&T Mobility Ii Llc Indoor competitive survey of wireless networks
GB2484280B (en) * 2010-10-04 2014-10-08 Airspan Networks Inc Apparatus and method for controlling a wireless feeder network
TWI432763B (zh) 2010-11-01 2014-04-01 在雲端伺服器實現混合定位之系統與方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911113B2 (en) 2019-01-04 2021-02-02 Industrial Technology Research Institute Communication system and codec method based on deep learning and known channel state information

Also Published As

Publication number Publication date
US20130337845A1 (en) 2013-12-19
US9239369B2 (en) 2016-01-19

Similar Documents

Publication Publication Date Title
TW201400842A (zh) 挑選基地台以定位行動裝置之方法及系統
CN108304388A (zh) 机器翻译方法及装置
US20190049231A1 (en) Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks
CN108235247B (zh) 一种节点定位方法及其装置
CN107784671A (zh) 一种用于视觉即时定位与建图的方法与系统
CN110110045B (zh) 一种检索相似文本的方法、装置以及存储介质
Huang et al. Satellite selection with an end-to-end deep learning network
CN110232444B (zh) 地质监测bp神经网络的优化方法、装置、设备及存储介质
Ampeliotis et al. Low complexity multiple acoustic source localization in sensor networks based on energy measurements
US20220111869A1 (en) Indoor scene understanding from single-perspective images
CN111508000A (zh) 基于参数空间噪声网络的深度强化学习目标跟踪方法
WO2022241137A1 (en) Physics-informed attention-based neural network
Chen et al. A wifi indoor localization method based on dilated cnn and support vector regression
Pirnat et al. Towards sustainable deep learning for wireless fingerprinting localization
TW201422031A (zh) 獲得權重幾何精度因子精確解之方法及電腦系統
CN114501518B (zh) 流量预测方法、装置、设备、介质和程序产品
CN111352812A (zh) 基于朴素贝叶斯机器学习模型预测存储设备性能方法系统
Sakr et al. Efficient Wi-Fi signal strength maps using sparse Gaussian process models
KR102046875B1 (ko) 실내 측위 장치 및 방법
CN115346616A (zh) 晶体性质预测模型的训练方法、装置和计算机设备
CN112560834B (zh) 一种坐标预测模型生成方法、装置及图形识别方法、装置
Wang et al. Indoor sound source localization algorithm based on BP neural network
US11642787B2 (en) Trajectory generation of a robot using a neural network
Liu et al. A hybrid GPS height conversion approach considering of neural network and topographic correction
US20240029427A1 (en) Method for determining unmanned aerial vehicle acquisition viewpoints, computer apparatus, and storage medium