本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性,以 WiFi 信号为主要定位模式,并利用 UJIIndoorLoc 数据集进行实验和验证。
Nov, 2016
本论文综述了在室内定位中利用深度学习的方法,包括对不同指纹类型的优缺点、已提出的解决方案以及性能评估等方面进行了综合分析比较,还介绍了公开数据集和实施过程中可能遇到的挑战和问题,为未来研究提供了一些展望。
May, 2022
该篇论文讨论了在使用大量多入多出系统的无线网络中进行定位的可能解决方案,并提出了一种基于接收信号强度向量的指纹识别技术,用于在高度杂波的复杂路径环境下进行站点定位。
Sep, 2015
本文通过考虑时间变化的 Wi-Fi 指纹对室内定位的影响,从数据中心的角度讨论了静态和动态数据库之间的差异,并以浙江财经大学国际商学院大楼的动态数据库为案例,通过方差计算和孤立森林算法的分析,揭示了 RSSI 的时间漂移对高斯过程回归模型定位误差的增加趋势,进而明确了静态数据库的局限性和未来室内定位研究及实际部署中动态数据库的重要性。
Feb, 2024
本文从 WiFi、RFID、UWB 和蓝牙等技术出发,评估和总结当今室内定位技术的优点和挑战,并强调了该技术在 IoT 中的重要性。
Sep, 2017
本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性,并综述了 RF 指纹技术的历史、应用、相关的深度学习算法,并探讨了该领域未来的发展方向。
Jan, 2022
本研究提出了一种基于多头注意力神经网络的室内定位框架,能够有效应对智能手机设备异构性导致的 RSSI 信号特性差异问题,并在多样化的室内环境中,相比于现有技术,提升了高达 35% 的定位准确性。
本篇论文介绍了一种名为 PassiFi 的新型室内定位系统,采用了无源 Wi-Fi 到达时间差(TDoA)方法来确保用户隐私和数据完整性,同时利用深度神经网络来学习 TDoA 和位置之间的复杂关系,评估结果表明 PassiFi 在保护隐私的同时,精度达到了与最先进的主动测量系统相当的亚米级别,超过了传统的多边定位系统 128%。
Jun, 2023
本文探讨了基于射频信号的机器学习定位系统,涵盖了架构、输入特征、机器学习方法和数据集等方面,对该领域中近 400 篇论文进行了分类和概述。
Dec, 2020
利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位,通过测试不同的机器学习模型和无线技术,评估室内环境下的定位精度和稳定性。