-
Patent Agency Ranking
公开(公告)号：CN114222241A
公开(公告)日：2022-03-22
申请号：CN202111281241.4
申请日：2021-10-29
Applicant: 中国石油大学(华东)
Abstract: 本发明属于无线定位技术领域，涉及的是一种基于小波变换(Wavelet Transform，WT)模极大值的无线定位方法。主要步骤是在信号预处理端对信号进行多分辨率分析(Multi‑Resolution Analysis，MRA)；根据各尺度上小波变换系数求得各尺度模极大值；选取合适阈值对上述模极大值进行处理，保留其中大于或等于阈值的极值点；从最高尺度J到尺度1，在相邻尺度上寻找模极大值的传播点，根据信号与噪声模极值不同的传播规律，保留信号的模极值点，去掉噪声的模极值点；利用经过处理的模极大值点来重构信号进行后续常规定位操作。本发明可以大幅提升信号降噪效果，改善信噪比(Signal‑Noise Ratio，SNR)，提升定位精度，为定位提供便利。
-
公开(公告)号：CN114222240A
公开(公告)日：2022-03-22
申请号：CN202111274141.9
申请日：2021-10-29
Applicant: 中国石油大学(华东)
Abstract: 本发明属于无线通信技术领域，涉及的是一种基于粒子滤波的多源融合定位方法。主要步骤是主滤波器中采用粒子滤波器对基于UWB(Ultra Wide Band，超宽带)的短距离高精度无线定位信息、基于扩展卡尔曼滤波的DR(Dead Reckoning，航位推算)与VSLAM(Visual Simultaneous Localization And Mapping，视觉同步定位与地图构建)运动平滑融合定位、基于深度置信网络的地磁信号指纹定位，多种不同信号源定位数据不断融合、逐步求精，并对定位结果进行反馈校正，实现在LOS(Line Of Sigh，视距)与NLOS(Non Line Of Sigh，非视距)环境下的高精度、连续定位。本发明可以适应在非视距、复杂电磁环境以及在室内布局多变环境，实现高精度、连续、稳定的定位，为智慧城市室内定位提供技术支撑。
-
公开(公告)号：CN114040347A
公开(公告)日：2022-02-11
申请号：CN202111274143.8
申请日：2021-10-29
Applicant: 中国石油大学(华东)
Abstract: 本发明属于无线通信技术领域，具体是一种基于深度置信网络的信号指纹定位方法。主要原理是：在离线构建阶段，将原始信号输入到深度置信网络中，通过深度置信网络对原始信号进行特征提取，其结构是由多层受限玻尔兹曼机和一层反向传播神经网络组成，网络的参数学习过程包括无监督贪婪算法逐层训练和微调两个阶段；在在线定位阶段，首先根据预处理后的信号指纹数据向量计算与各个聚类中心的欧氏距离，判断其所属类簇，然后利用训练好的对应类的深度置信网络模型估测当前目标所在的位置。本发明可以适应多变的电磁环境，提出的算法可以达到更好的指纹库构建效果，有效缩短定位时间，提高效率，并取得更好的定位精度。
-
公开(公告)号：CN114217268A
公开(公告)日：2022-03-22
申请号：CN202111272848.6
申请日：2021-10-29
Applicant: 中国石油大学(华东)
Abstract: 本发明属于无线定位技术领域，涉及的是一种基于机器学习的复杂环境下无线定位方法。主要步骤是采用视距(Line of Sight，LOS)环境下基于UWB(Ultra‑Wide Band，超宽带)的几何定位模块、非视距(Non Line of Sight，NLOS)环境下基于深度学习的指纹定位模块、基于加速度和陀螺仪的航位推算(Dead Reckoning，DR)模块和基于视觉的同步定位与地图构建(Visual Simultaneous Localization and Mapping，VSLAM)模块对终端进行多信号源定位，同时利用基于粒子滤波和扩展卡尔曼滤波对无线定位结果进行融合平滑处理，通过机器学习实现样本的自动更新以及深度置信网络(Deep Boltzmann Machine，DBN)的自动训练，以适应室内布局多变的空间和电磁环境。本发明可以适应复杂的室内环境，为终端提供高精度、连续、稳定的无线定位服务。
-
公开(公告)号：CN114051202A
公开(公告)日：2022-02-15
申请号：CN202111272281.2
申请日：2021-10-29
Applicant: 中国石油大学(华东)
Abstract: 本发明属于无线定位技术领域，涉及室内指纹定位，具体是一种无线定位信号指纹样本库的自动学习方法。主要原理是：1.给出轨迹跟踪信息和无标记的辅助数据；2.计算隐式马尔科夫模型的传输矩阵和拉斯特征向量；3.分别将原始数据库和辅助指纹库通过局部线性嵌入算法映射到低维空间，拟采用隐式马尔科夫模型进行训练和转换；4.使用交替投影法，选择新的流形矩阵并使用流形对齐重新投影两个数据集，直到成本函数最小化。通过这种方式，标记过时的指纹样本集。之后，再根据一定条件实现神经网络的自动训练。本发明实现信号指纹样本库的自动学习，克服样本库过时的难题，使深度学习方法适应指纹信号的变化，提高定位精度。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
