“鲍沁宇”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于iForest和低秩矩阵分解的WiFi指纹定位异常数据处理方法-CN202210884644.6在审
发明人： 鲍沁宇;史秀纺;黎晨;杨旭升;张文安 -专利权人：浙江工业大学
申请日： 2022-07-26 - 公布日： 2022-12-02 - 主分类号： H04W64/00 文献下载
摘要：基于iForest和低秩矩阵分解的WiFi指纹定位异常数据处理方法，基于融合信号的室内定位指纹库，利用最邻近(NN)算法对设备采集到的数据进行粗定位判断可靠性，对于所采集到的可靠RSS矩阵先进行iForest算法检测异常值，将检测到的异常值缺失处理，然后利用低秩矩阵分解法对其缺失值进行还原，再利用经过处理的RSS指纹和已建立的离线指纹库进行对比，完成其位置的识别。主要步骤是离线采集WiFi指纹数据库，利用移动设备对于WiFi信号的AP和RSS采集，进行粗定位数据判断可靠性，匹配参考点的RSS矩阵，将异常值缺失处理，再进行低秩矩阵分解还原矩阵，进行缺失值还原，将还原后的指纹信息用于室内定位精度提升和指纹库的在线更新。
基于 iforest 矩阵分解 wifi 指纹定位异常数据处理方法

[发明专利]一种面向室内指纹定位的稀疏特征补全方法-CN202210973679.7在审
发明人：史秀纺;黎晨;鲍沁宇;杨旭升;张文安 -专利权人：浙江工业大学
申请日： 2022-08-15 - 公布日： 2022-12-02 - 主分类号： H04W64/00 文献下载
摘要：一种面向室内指纹定位的稀疏特征补全方法，涉及室内定位，针对实际定位过程中移动终端获取特征稀疏的问题，提出了一种补全的方法，具体的，通过最近邻(NearestNeighbor，NN)算法对比指纹数据库中所有的参考点的指纹，找到距离最近的点，通过生成对抗网络(Generative Adversarial Network，GAN)模型学习该点的特征分布情况，预测定位点的缺失指纹。本申请解决了基于多源信息融合的在线定位时由于设备异构或是硬件不支持等原因导致的部分信号特征缺失的问题，提高了定位精度。
一种面向室内指纹定位稀疏特征方法

[发明专利]一种基于深度学习的wifi精确鲁棒室内定位方法-CN202211023010.8在审
发明人：李昊昕;鲍沁宇;史秀纺 -专利权人：浙江工业大学
申请日： 2022-08-25 - 公布日： 2022-12-02 - 主分类号： H04W64/00 文献下载
摘要：一种基于深度学习的wifi精确鲁棒室内定位方法，包括以下步骤：(1)建立N个对应于N个指纹训练点的深度卷积神经网络模型。(2)在感兴趣区域的不同指纹位置扫描ap及其相关信号强度，并对数据进行预处理。(3)对预处理后的数据注入人工噪声来破坏原始测量数据。(4)对于每个指纹点，利用原始和损坏的噪声数据进行深度卷积神经网络模型训练，训练好深度卷积神经网络模型后，存储所有针对不同位置的指纹训练好的深度卷积神经网络模型。(5)在未知的用户位置扫描ap和它们的rss，经过预处理后，利用训练好的深度卷积神经网络模型估计最可能的用户位置。
一种基于深度学习 wifi 精确室内定位方法

[发明专利]一种基于联邦蒸馏的物联网室内定位方法-CN202211023013.1在审
发明人：李昊昕;鲍沁宇;史秀纺 -专利权人：浙江工业大学
申请日： 2022-08-25 - 公布日： 2022-11-18 - 主分类号： G06N20/20 文献下载
摘要：一种基于联邦蒸馏的物联网室内定位方法，包括以下步骤：(1)各个本地部署联邦学习方案，独立训练深度神经网络模型；(2)对各个训练好的深度神经网络模型进行知识蒸馏，得到单个压缩的深度神经网络模型；(3)对得到的单个压缩的深度神经网络模型进行回归计算，提高模型参数的精度；(4)利用回归计算后的深度神经网络模型进行用户的位置估计；本发明提出了一个正确处理回归学习问题的联邦蒸馏框架，克服了联邦蒸馏算法都只设计用于分类任务，对回归任务的关注较少的问题；本发明在通信负载与精度之间表现出良好的折中。
一种基于联邦蒸馏联网室内定位方法

[发明专利]基于堆叠自编码器深度学习框架的室内定位楼层识别方法-CN202210409259.6在审
发明人： 鲍沁宇;史秀纺;杨旭升 -专利权人：浙江工业大学
申请日： 2022-04-19 - 公布日： 2022-07-29 - 主分类号： G06K9/00 文献下载
摘要：基于堆叠自编码器深度学习框架的室内定位楼层识别方法，包括：利用堆叠自编码器的编码过程(Encoder)对不同位置的RSS进行特征提取，再利用解码过程(Decoder)对原始信息进行重构之后，去除解码层，并加上分类层，再训练网络，最后对于移动设备所获取的WiFi的相关AP和RSS值，对于其位置实现楼层识别。本发明基于以上深度学习的框架对移动设备得到的WiFi信息进行室内楼层定位。主要步骤是对移动设备接收到的WiFi信号的AP和RSS采集，然后进行特征提取，输入基于堆叠自编码器的WiFi指纹定位模型计算从而识别此时的楼层定位。
基于堆叠编码器深度学习框架室内定位楼层识别方法