May, 2017

TuRF：基于指纹的室内定位快速数据收集

PDF
TL;DR本研究提出了基于路径的指纹采集机制 TuRF，可通过步数计算近似位置标签用于高斯过程回归模型的训练，有效提高了室内定位的指纹采集效率和定位性能。
indoor positioning systemsfingerprint collectiongaussian process regressionsite survey processturf
发现论文，激发创造
  • 基于指纹识别的室内定位的深度学习方法综述

    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

  • 设备无需接触指纹室内定位的少样本迁移学习

    本文提出了一种少样本学习系统以解决室内定位中数据收集和标记的负担，并使用图神经网络构建了转移学习框架，对于定位准确度的表现近似于使用卷积神经网络模型。

    Jan, 2022

  • 基于 CSI 的室内定位指纹识别：一种深度学习方法

    本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。

    Mar, 2016

  • 运用深度学习技术进行 WiFi 指纹的低投入场所辨识

    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

  • k-fingerprinting: 一种稳健可伸缩的网站指纹识别技术

    本研究提出 k-fingerprinting 技术，基于随机决策森林实现网页指纹识别，并在标准网页和 Tor 隐藏服务上进行了评估，结果表明它比现有技术攻击更有效，对于大量嘈杂数据也能够实现攻击，另外还指出了攻击误差率因不同的网络资源而异。

    Sep, 2015

  • 基于速度的通道图像配准算法与空间分布匹配

    基于指纹的定位方法在复杂的非直视室内环境中提高了定位精度。然而，现有的通道绘图方法在定位准确性方面落后于指纹定位，并且仍然需要参考样本进行定位和定期数据记录和标记以保持模型的最新。因此，我们提出了一个新的框架，不需要参考位置，只需要速度信息和拓扑地图信息来将通道绘图转换为实际坐标。我们在两个不同的真实数据集上对我们的方法进行了评估，使用了 5G 和分布式单输入 / 多输出系统（SIMO）无线电系统。实验证明，即使有噪声的速度估计和粗糙的地图信息，我们也能够达到类似的位置精度。

    Nov, 2023

  • 利用遥感数据和自监督学习生成可扩展的标签有效的人行道网络

    这项研究设计并实施了一种基于遥感图像和机器学习模型的自动路径网络生成流水线，旨在减少标注数据的要求并能够低成本有效地生成可加载和可视化的路径网络。

    Sep, 2023

  • 基于 CSI 图像的少样本元学习的动态室内指纹定位

    利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用 “学习如何学习” 的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限 CSI 数据场景中的稳健性和优越性，平均欧几里得距离提升了 23.13%。

    Jan, 2024

  • 基于贝叶斯过滤技术的基于 RFID 的室内空间查询评估

    本研究提出了基于贝叶斯滤波理论的室内数据定位算法和两种跟踪模型（室内步行图模型和锚定点索引模型），以评估采用 RFID 原始数据的室内空间查询，最终验证了方法的有效性和可行性。

    Apr, 2022

  • 多模态室内定位方式的众包无线电地图应用

    本研究论文探讨了利用众包无线电地图作为多模式室内定位系统中楼层平面图的替代方案，通过引入一种新的框架来解决无线电地图不准确和覆盖不足的挑战，并结合一种基于深度学习的 WiFi 定位模型和一种贝叶斯融合技术来实现最佳融合，通过在多个真实场景上的广泛评估，结果显示相比最佳基线系统有约 25% 的性能提升。

    Nov, 2023