【摘 要】
：
随着各行各业对室内定位服务的需求日益增长,越来越多的研究者将科研工作投入到了室内定位技术的研究中。基于位置指纹的WIFI定位算法凭借具有覆盖范围广、成本较低、容易部署等优点,目前已经成为室内定位领域的研究热点。但由于室内环境的复杂多变,使得WIFI信号在室内传播过程中具有强烈的时变性、非线性,不平稳性。因此,本文针对上述问题对基于深度学习的室内定位算法进行研究,通过使用深度学习算法挖掘位置指纹信息
论文部分内容阅读
随着各行各业对室内定位服务的需求日益增长,越来越多的研究者将科研工作投入到了室内定位技术的研究中。基于位置指纹的WIFI定位算法凭借具有覆盖范围广、成本较低、容易部署等优点,目前已经成为室内定位领域的研究热点。但由于室内环境的复杂多变,使得WIFI信号在室内传播过程中具有强烈的时变性、非线性,不平稳性。因此,本文针对上述问题对基于深度学习的室内定位算法进行研究,通过使用深度学习算法挖掘位置指纹信息与实际位置的映射关系,以提高定位算法的精确度与稳定性。本文的主要工作如下:（1）搭建WIFI信号采集平台,在室内环境中对RSS进行采集,对采集到的RSS数据进行时间以及空间维度的分析,分析可知由于WiFi信号在传播过程中易受到各类环境因素的干扰,导致RSS在室内环境中表现出较强的复杂性和差异性。这也是造成传统室内定位算法精度较低的主要原因。（2）针对室内定位算法受RSS时变性影响导致精度下降的问题,本文提出了基于CNN-BiLSTM的室内定位算法。该算法通过将不同时间接收到的RSS组合形成RSS三维矩阵,首先使用三维卷积神经网络对RSS矩阵进行时空特征提取,然后对特征结果进行重组,再采用双向长短期记忆网络提取时序信息,最后通过提取到的特征进行位置预测。该算法通过将时间信息融入至室内定位算法中,解决了室内定位算法易受RSS变化而导致精度降低的问题,有效提高室内定位算法的精确度和可靠性。（3）本文分别使用仿真数据集以及真实数据集对定位算法进行测试,并将基于CNN-BiLSTM的室内定位算法的定位效果与KNN算法、贝叶斯算法、BP神经网络算法、SVM算法的效果进行比较。实验结果表明本文所提出的算法能够有效减弱由RSS时变性对室内精度造成的影响。在较长时间段内基于CNN-BiLSTM的室内定位算法依然能保持较好的定位性能,该算法可适应复杂多变的室内环境,与传统位置指纹定位算法相比具有更好的鲁棒性。
其他文献
当前网络信息地爆炸式增长,加大了人们在获取信息中消耗的时间及精力。自动摘要技术能够有效地提高人们面对巨大文本信息冗余时获取信息的效率。自动摘要技术按原理分为抽取式与生成式:抽取式自动摘要技术是对文本中的所有句子进行重要性评估,然后按照重要性选取句子组成摘要;而生成式自动摘要技术是基于内容,由算法生成摘要。但目前效果较好的生成式自动摘要方法,对输入文本长度的处理能力也仅限于短文本,而中文摘要任务则更
当今时代处于一个信息爆炸时代,随着数据量迅速增长和信息高度密集,云计算和大数据等技术的蓬勃发展,成为了当今社会不可或缺的重要技术。而存储是大数据的重要基石,也是云计算的重要基石。当前的云计算和大数据应用严重依赖于异构存储平台,云计算的多租户环境以及数据多样性都使得应用负载的特性差异巨大,必须设法有效地综合利用这些异构存储系统来满足差异性的需求。此外,在云计算和大数据环境下,能耗在数据存储中心的成本
如今,由于序列到序列模型在自然语言领域的重大突破,大多数基于对话生成任务的研究目标都集中于如何让机器产生更高质量的回复。然而,这类研究只能让聊天机器人被动地对内容进行回复,随着对话的展开,人们继续交流的意愿也会逐渐下降。因此,本文研究的方向将从如何让聊天机器人产生高质量的回复转变成如何使其主动有效地进行提问。结合问句的特点,本文提出了三种基于语法结构的问句转换方法和一种基于问句筛选的波束搜索机制。
图像去噪是一个基础性的科研任务,其旨在对获取到的噪声图像通过某种去噪算法的处理后能够获得对应的纯净图像。当前的很多去噪方法是使用大量的成对图像（噪声图像和纯净图像）去训练一个卷积神经网络使之学习到从噪声图像到去噪图像的映射关系。相比于传统的基于图像先验知识的方法,这类方法能够自动地挖掘和利用更多的图像统计信息,从而获得更好的去噪效果。但是,这类方法目前依然还存在着一些问题,如有去噪图像过模糊、单个
自然场景中的文本包含丰富而准确的语义信息,是分析和理解特定场景内容的关键要素。近年来,自然场景文本检测技术在自动驾驶、场景分析、盲人导航等领域得到了广泛应用,成为当前计算机视觉领域的研究热点,受到了工业界和学术界的共同关注。然而,由于自然场景中的文本往往形状大小多变、排列方向不一、环境背景复杂等原因,自然场景文本检测算法的研究仍然面临巨大的挑战。本文结合目标检测、图像分割和深度学习的最新研究成果,
基于沉浸式3D全景视频的虚拟现实应用可以给用户带来沉浸式、深度感和交互式等身临其境的体验,具有广泛的市场需求和应用价值。然而,由于现有采集技术的局限和计算资源的约束,3D全景视频系统中的各环节均会引入不同类型和不同程度的失真。因此,3D全景视频系统中存在大量的图像失真问题,亟需研究高效的修复算法,以提升整体系统性能。本论文基于深度学习技术,围绕3D全景视频系统中的深度图像修复和360度全景图像修复
在全球共有数以万计的数据中心,随着科技的发展及人们对数据服务需求的增加,数据中心的数量每年都在增长。数据中心给我们的的工作与生活带来便利的同时,每年消耗大量的电力并且带来大量的碳污染。本文研究以服务器集群中作业分配方法为目标,以节能为目的,即研究目标是,对于服务器集群中传入的作业请求,设计最优的分配方法,以提高系统的能量效率实现节能,同时又保证作业高效率完成。作业分配主要研究如何为用户的提交的作业
近年来,随着互联网的蓬勃发展,移动通信中的用户数变得越来越多,数据流量大量增加,能源的消耗也变得日益严重,在未来的通信中面临着降低成本、提高性能的挑战。为了提高系统的性能,如何消除多用户干扰便成为了一个越来越重要的课题。然而,随着通信的发展,现有的多用户干扰消除算法如多用户检测技术等无法普遍满足于各种应用场景的需求。所以,本文进一步研究使用机器学习算法消除多用户干扰这个问题。深度学习是机器学习中的
与传统的单任务进化算法相比,进化多任务（EMT）在多个任务的搜索空间中同时进行优化。通过任务间的知识迁移,EMT能够增强优化任务的求解能力。然而,如果知识迁移不能得到很好的进行,EMT的算法性能会受到影响。为提高任务间知识迁移的质量,本文提出了一种基于子空间对齐和自适应差分进化的多目标EMT算法MOMFEA-SADE。具体地说,MOMFEA-SADE采用子空间学习方式,基于一个映射矩阵来变换种群的
近年来,在第五代通信技术（5G）和人工智能技术的背景下,智能物联网技术（AIoT）逐渐走入研究人员的视野。AIoT是一个交叉学科,目的是将AI服务于物联网之中。已经有大量研究围绕如何在物联网中使用AI服务,这些研究主要围绕两个方面,即一些新颖的应用和AI服务的性能优化。在运用层面,研究人员广泛使用传感器网络以解决一些动作识别、步态识别、健康检测等功能。在优化层面,则包含边缘计算、神经网络优化、网络