-
公开(公告)号：CN118884347A
公开(公告)日：2024-11-01
申请号：CN202410931682.1
申请日：2024-07-11
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于格拉姆角场(Gramian Angular Field)的指纹库建构方法。首先，在目标区域内部部署若干个位置已知的参考点(Reference Point，RP)，并在每个参考点处采集接入点(AP)信号信息，选取RSS信号最强的5个AP；其次，利用格拉姆角场的方法将采集到的RSS数据转换成图像；最后，对图像进行特征提取，并将所提取的特征作为参考点的指纹信息从而构建指纹库。本发明专利通过利用格拉姆角场的原理最大限度的保留了参考点的RSS指纹信息，与传统的用RSS均值做指纹的方法相比解决了位置指纹的不准确性和局限性；通过对图像特征的提取降低了指纹库的维度，减小了定位算法的复杂度。
-
公开(公告)号：CN116734853A
公开(公告)日：2023-09-12
申请号：CN202310656099.X
申请日：2023-06-05
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于多阵列的高精度直接位置确定算法。首先，在目标区域内部署和标定一个位置已知的接入点(Access Point,AP)和三个参考点(RP，Reference Point)，首先，根据发射信号和接收信号的关系，构建关于接收信号的模型及其向量的相关矩阵。然后，利用Kronecker Subspace积阵，构建了基于源信号的自相关和交叉相关的新的虚拟源，再通过对虚拟源进行奇异值分解，获得信号子空间和噪声子空间，将目标位置的求解问题转换为一个非凸优化问题。最后，利用无惯性自适应精英变异反向粒子群优化算法，搜索监测区域中的最佳阵列响应来确定目标的位置，从而获得目标的最优估计值。本发明专利利用阵列信号之间的关系和反向粒子群优化算法，提出了一种基于多阵列的高精度直接位置确定算法，该方法避免了峰值搜索DOA，在提高定位精度的同时降低了计算复杂度。
-
公开(公告)号：CN116390032A
公开(公告)日：2023-07-04
申请号：CN202310359651.9
申请日：2023-04-06
Applicant: 重庆邮电大学
IPC: H04W4/029 , G01S11/06 , G06F18/214 , G06N3/0464 , G06N3/08 , H04W4/02 , H04W4/33 , H04B17/318
Abstract: 本发明公开了一种基于元学习的快速自适应指纹定位方法。首先，在目标区域内部署和标定若干个接入点(Access Point，AP)和参考点(Reference Point，RP)；其次，将构建的指纹数据库作为训练数据，并利用模型无关的元学习(Model‑Agnostic Meta‑Learning，MAML)算法获得预训练模型；再次，当室内环境发生变化时，通过在新环境中采集少量样本数据进行微调来获得微调模型；最后，将目标点处采集的指纹数据通过微调后的定位模型解算出目标点的位置。本发明专利利用新环境与旧环境中信号分布的关联性，提出了一种基于元学习的快速自适应指纹定位方法，其利用之前的知识经验来指导新任务的学习，从而有效克服了环境动态变化对模型定位性能的影响，同时避免了劳动密集型工作。
-
公开(公告)号：CN113676857B
公开(公告)日：2023-05-26
申请号：CN202110955570.6
申请日：2021-08-19
Applicant: 重庆邮电大学
IPC: H04W4/33 , H04W24/08 , H04W64/00 , G06F18/2135
Abstract: 本发明涉及一种面向室内Wi‑Fi定位的信道状态信息特征提取方法，属于室内定位技术领域，首先将张量模型引入CSI降噪处理中，基于平行因子分析模型对张量进行分解，利用交替迭代最小二乘算法求解投影矩阵的最优解；其次利用张量小波分解算法在CSI图像的三个维度上进行单层张量小波分解，并利用角二阶矩计算各小波子成分的小波系数，得到最终的约减张量；最后将重构得到的张量作为各参考点坐标相对应的CSI定位指纹，实现特征提取。本发明提升了数据处理分析的能力。
-
公开(公告)号：CN113676999A
公开(公告)日：2021-11-19
申请号：CN202110955563.6
申请日：2021-08-19
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于偏最小二乘回归的位置坐标估计方法，属于室内定位技术领域。该方法包括：S1：已知Nf个参考点的位置指纹和位置坐标，利用位置指纹构造初始自变量和因变量矩阵X0和Y0；S2：对X0和Y0预处理得到X和Y；S3：根据X和Y的第一对主成分t1和u1，以及轴向量w1和c1构建优化问题，并在一定约束下根据协方差最大原则求解t1和u1；S4：对主成分t1和u1进行回归建模；S5：将X和Y中的残差矩阵E1和G1作为新的X和Y，继续提取新的主成分，循环往复，直到主成分数量达到上限；S6：基于PLSR算法，得到X映射到Y的回归方程；S7：获取测试点的位置指纹，然后利用回归方程中的自变量系数矩阵A得到测试点的位置坐标。本发明降低了运算复杂度，同时保证了位置坐标的估计精度。
-
Patent Agency Ranking
公开(公告)号：CN104968004B
公开(公告)日：2018-06-05
申请号：CN201510376686.9
申请日：2015-07-01
Applicant: 重庆邮电大学
Abstract: 本发明所述基于用户位置隐私保护的室内WLAN指纹定位接入点部署方法，首先利用改进的匿名度(Anonymity Degree,AD)、无效度(Ineffectiveness Degree,ID)来分别刻画用户位置隐私及LBS服务质量，其次根据不同的AP部署方式以及定位区域中不同的人流分布情况，计算匿名度和无效度，最后赋予匿名度和无效度一定的权重来构建优化目标函数，并通过搜索找到最优的AP部署方式。该方法在保证LBS服务质量的同时，保护了用户的位置隐私。
-
公开(公告)号：CN104363604A
公开(公告)日：2015-02-18
申请号：CN201410609138.1
申请日：2014-10-31
Applicant: 重庆邮电大学
IPC: H04W16/18
CPC classification number: H04W16/18
Abstract: 本发明公开了一种基于快速注水算法的室内WLAN接入点布置方法，它基于模拟无线通信中根据信道状况对发送功率进行自适应分配的方法，构造注水优化问题模型，通过分析不同AP摆放位置对参考点指纹差异性的影响，利用快速注水算法，获得每个AP备选位置处应该分配的AP权重，根据指纹差异性对位置指纹定位方法精度的影响，实现对AP位置的快速优化，并显著降低系统的计算时间开销。
-
公开(公告)号：CN119444859A
公开(公告)日：2025-02-14
申请号：CN202411559415.2
申请日：2024-11-04
Applicant: 重庆邮电大学
IPC: G06T7/73 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了基于孪生宽度哈希网络的图像位置识别方法。离线阶段，首先，在目标区域内部署多个参考点并取80％、10％和10％划分训练集、验证集和测试集；然后，构建哈希宽度网络，通过增量学习横向增加特征节点以扩展网络宽度；接着，划分正负样本对，将宽度哈希网络作为孪生网络框架的两条分支，共享权重和网络参数；最后，通过拉近相似特征的哈希距离和拉远不相似特征的哈希距离，最大程度上保持原始样本的相似性。在线阶段，将查询图片输入到构建好的模型中，获得与原始图像高度语义一致性的哈希码，并在数据库中检索得到最相似的检索图像，将其对应的RP位置作为视觉位置识别的结果。本发明专利利用宽度学习横向扩充节点并充分考虑组内相关性和组间互斥性，提出了一种基于孪生宽度哈希网络的图像位置识别方法，在减少系统开销的同时保证了定位精度。
-
公开(公告)号：CN116761140A
公开(公告)日：2023-09-15
申请号：CN202310878907.7
申请日：2023-07-17
Applicant: 重庆邮电大学
IPC: H04W4/029 , H04W4/33 , H04W64/00 , H04B17/309
Abstract: 本发明公开了一种基于DFS和AOA的实时被动WiFi定位方法。首先，在目标区域内放置一个具有一根天线的发射器(TX)，一个具有三根天线的接收机(RX)，形成线性均匀天线阵列。然后，构建接收信号模型，并分离由人体运动引起的动态分量和静态分量。其次，在每个RX天线对之间应用CSI互相关，利用前后项短时窗口技术估计DFS。接着，利用DFS估计将动态人体分量从每根天线的CSI自相关项中分离出来。最后，使用CS方法进行稀疏重构，获取AOA和人体反射路径长度dX，实现对目标的实时跟踪。本发明专利利用接收天线对之间的互相关、自相关关系以及压缩感知算法，提出了一种基于DFS和AOA的实时被动WiFi定位方法，该方法只需要一个发射机和接收机，消除了收发器异步的影响，提高了参数估计的精度，不需要任何特定于环境的训练，就可以实现目标的高精度实时跟踪。
-
公开(公告)号：CN115515092A
公开(公告)日：2022-12-23
申请号：CN202210765072.X
申请日：2022-07-01
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于CNN‑LSTM特征融合网络的室内定位方法。首先，在目标区域内部署若干个接入点(Access Point，AP)和参考点(Reference Point，RP)；其次，将建立的指纹数据库进行z‑score标准化；再次，将卷积神经网络(Convolutional Neural Networks，CNN)和长短期记忆网络(Long Short‑Term Memory，LSTM)并行连接，并在池化层后添加Flatten层以同时提取样本数据的空间特征、时间特征和中间层特征以构建特征融合网络模型；最后，将目标点处采集的指纹数据经过相同预处理后通过构建的特征融合网络模型解算出目标点的位置坐标。本发明专利利用数据融合特征的泛化性强的特点，提出了一种基于CNN‑LSTM特征融合网络的室内定位方法，其在有效提升定位性能的同时降低了Wi‑Fi信号波动对定位性能的影响，提高了系统的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.021 seconds)
