-
公开(公告)号：CN116977618A
公开(公告)日：2023-10-31
申请号：CN202310875439.8
申请日：2023-07-17
Applicant: 重庆邮电大学
IPC: G06V10/24 , G06V10/74 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于Siamese Network的相似性度量和改进的EightPoint‑RANSAC算法的室内图像定位方法。首先，在目标区域内部署多个参考点并取90％和10％划分训练集和测试集；然后，构建基于卷积神经网络的Siamese Network框架提取图像的深层特征并训练其相似性度量；最后，根据已匹配的图像利用改进的EightPoint‑RANSAC算法计算和优化基础矩阵，解算相机位姿，估计用户位置。本发明专利利用在参考点拍摄的图像与离线数据库中图像的相似性，提出了一种基于Siamese Network的相似性度量和改进EightPoint‑RANSAC算法的室内图像定位方法，在减少系统开销的同时保证了定位精度。
-
Patent Agency Ranking
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：CN114745674A
公开(公告)日：2022-07-12
申请号：CN202210452155.3
申请日：2022-04-27
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于改进BP(Back Propagation)神经网络的测距模型定位算法。首先，在目标区域内部署若干个位置已知的接入点(Access Point，AP)和参考点(Reference Point，RP)建立指纹数据库；其次，将指纹数据库进行z‑score标准化，然后进行差分变换；再次，基于变换后的RSSI(Received Signal Strength Indicator)矢量和BP神经网络构建RSSI‑距离关系模型；最后，将目标点收集到的RSSI数据经过相同预处理后通过构建的测距模型得到目标点与每个RP之间的距离并利用最小二乘法解算出目标点的位置坐标。本发明专利利用BP神经网络良好的非线性拟合能力，提出了一种基于改进BP神经网络的测距模型定位算法，其降低了Wi‑Fi信号波动对定位性能的影响，在快速构建准确、稳定的测距模型的同时有效地提升了定位系统性能。
-
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
6
records
(took 0.02 seconds)
