Aug, 2023

基于机器学习的多元时间序列分类在工厂环境中的定位

PDF
TL;DR使用运动和环境传感器的基于机器学习的室内定位系统，在关注隐私的工厂环境中实现对移动实体的定位，通过多元时间序列分类进行问题建模，并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明，评估的所有模型均能实现超过 80％的准确性；其中，CNN-1D 表现最平衡，其次是 MLP；DT 的内存占用和推理延迟较低，表明在实际场景中有潜力进行部署。
indoor positioning systemsmachine learningiot devicestime series classificationfactory environments
发现论文，激发创造
  • 利用机器学习技术改进的物联网应用的室内定位

    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。

    Feb, 2024

  • 基于大规模 MIMO 系统的实用室内定位

    该研究证明了仅基于神经网络和 (Massive) MIMO 通信系统的信道状态信息的室内定位系统 (IPS) 的实用性，提供了良好的精度和无需使用额外的协议 / 信号开销来实现用户定位任务。

    May, 2019

  • 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

  • 基于室内轨迹数据的半监督活动识别方法

    研究了使用机器学习对移动对象的活动进行分类的问题，并提出了一种半监督的机器学习方法，该方法通过将轨迹分段并自动标记，最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类，此方法已在一个三轮车装配车间的数据集上进行了评估。

    Jan, 2023

  • 一种统一的深度迁移学习模型用于准确的物联网定位在多样化环境中

    本文提出了一个统一的室内外定位解决方案，利用迁移学习在多个环境下构建单一的深度学习模型，准确预测物联网设备在不同环境中的定位。性能评估结果显示，采用基于编码器的迁移学习方案，在室内环境中可以将基线模型的性能提升约 17.18%，在室外环境中可以提升约 9.79%。

    May, 2024

  • 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

  • 多元时间序列分类：深度学习方法

    本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

    Jul, 2023

  • 智能制造系统中的时间序列分类：最新机器学习算法的实验评估

    本研究旨在评估制造业和工业环境中时序分类任务的 SoTA ML 和 DL 算法的性能。实验表明，ResNet、DrCIF、InceptionTime 和 ARSENAL 是性能最好的算法，其在 22 个制造业时序分类数据集上的平均准确率超过 96.6％。这些发现突显了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外，LSTM、BiLSTM 和 TS-LSTM 算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。

    Oct, 2023

  • 基于无源射频的集成学习室内 3D 定位系统

    本文提出了一种基于无源射频（PRF）的室内三维定位系统（PIPS），利用场景签名信号进行被动式监测，利用动态数据驱动应用系统（DDDAS）框架进行定制采样频率，通过三种集成学习策略中的各种回归方法进行培训和预测接收机位置。实验结果表明，所提出的 PIPS 具有高精度、易配置性和鲁棒性的优点。

    Mar, 2023

  • 使用人工智能 / 机器学习实现 6G 应用的厘米级定位精度

    使用人工智能和机器学习的方法，在 6G 应用中如物联网产业中，实现厘米级别的用户定位，首次结果表明我们的方法能够在室内工厂环境中将用户位置估计误差控制在 17 厘米以内。在本研究中，我们探讨了我们的方法和未来方向。

    Jun, 2024