室内区域定位在医疗养老、智慧大楼等领域有着广泛的应用.室内区域定位中最突出的问题是无线电信道效应的动态和不可预测性(如多径传播、信道衰落等)对接收信号强度(received signal strength, RSS)的干扰影响.为了降低无线电的干扰,提...室内区域定位在医疗养老、智慧大楼等领域有着广泛的应用.室内区域定位中最突出的问题是无线电信道效应的动态和不可预测性(如多径传播、信道衰落等)对接收信号强度(received signal strength, RSS)的干扰影响.为了降低无线电的干扰,提出了一种新的基于注意力机制的CNN-BiLSTM的室内区域定位模型,该模型通过捕获粗细粒度特征与定位区域的对应关系来减弱RSS序列对信道变化的依赖.首先,利用卷积神经网络(convolutional neural network, CNN)学习捕捉RSS序列的特征来抽取区域中心点的细粒度特征.然后,利用双向长短时记忆(bidirectional long short-term memory, BiLSTM)网络的存储记忆特性,学习当前与过去RSS序列中隐含区域范围的粗粒度特征.最后,利用注意力机制,通过融合粗细粒度特征,建立RSS序列特征与区域位置的映射关系,获取区域位置信息.真实室内环境下区域定位的实验结果表明,与目前定位效果最好的网格区域综合概率定位模型相比,提出的方法在降低计算复杂度的同时提高了区域定位的准确度和对环境的适应能力.展开更多
针对基于无线射频识别(radio frequency identification,RFID)的信号收发分离定位系统提出了一种基于随机森林的室内区域定位方法。该方法将RFID标签的多个接收信号能量作为特征,放置区域作为类别,通过训练两层随机森林分类模型,对室内...针对基于无线射频识别(radio frequency identification,RFID)的信号收发分离定位系统提出了一种基于随机森林的室内区域定位方法。该方法将RFID标签的多个接收信号能量作为特征,放置区域作为类别,通过训练两层随机森林分类模型,对室内目标放置区域进行预测。仿真结果表明,在相同环境中与传统三点定位方法及一层随机森林模型预测结果进行比较,两层模型应用于室内区域定位时分类准确率较高,可达93%,能够实现可靠的区域定位。展开更多
文摘针对基于无线射频识别(radio frequency identification,RFID)的信号收发分离定位系统提出了一种基于随机森林的室内区域定位方法。该方法将RFID标签的多个接收信号能量作为特征,放置区域作为类别,通过训练两层随机森林分类模型,对室内目标放置区域进行预测。仿真结果表明,在相同环境中与传统三点定位方法及一层随机森林模型预测结果进行比较,两层模型应用于室内区域定位时分类准确率较高,可达93%,能够实现可靠的区域定位。
