买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利信号干扰下基于Min-Max多层感知机融合的超宽带精确定位系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114089275B 。

龙图腾网通过国家知识产权局官网在2025-07-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111376540.6，技术领域涉及：G01S5/10；该发明授权信号干扰下基于Min-Max多层感知机融合的超宽带精确定位系统是由李菁;欧阳西;王鼎健;杨康;夏鑫;刘娣;李鹏设计研发完成，并于2021-11-19向国家知识产权局提交的专利申请。

本信号干扰下基于Min-Max多层感知机融合的超宽带精确定位系统在说明书摘要公布了：本发明提供了一种室内精准定位系统，属于智能物联网技术领域。解决了实际场景中超宽带技术通信信号易受复杂室内环境影响而导致数据发生异常波动的问题。本发明针对上述问题设计软件部分，主要分为数据预处理部分，特征提取部分，异常判断部分，室内定位部分和运动轨迹定位部分。所述数据预处理部分主要是过滤异常数据；所述特征提取部分用于获取靶点的距离信息和场景信息；所述异常判断模型判别有无信号干扰；所述室内定位部分考虑信号干扰建立数学模型进行精确定位；所述运动轨迹定位部分结合靶点运动规律，对运动轨迹进行精确定位与可视化。本发明具有定位精度高，算法复杂度低和性能稳定的特点，适用于信号干扰情况下的实时精准定位。

本发明授权信号干扰下基于Min-Max多层感知机融合的超宽带精确定位系统在权利要求书中公布了：1.信号干扰下基于Min-Max多层感知机融合的超宽带精确定位系统，其特征在于，包括数据预处理部分、特征提取部分、异常判断部分、室内定位部分和运动轨迹定位部分；所述数据预处理部分用于过滤数据中异常、缺失、相似和相同的数据；所述特征提取部分用于获取靶点的距离信息和场景信息；所述异常判断部分是在特征处理的基础上进行有无信号干扰的判别；所述室内定位部分是在判别出是否有信号干扰后，建立数学模型进行精确定位，同时考虑有效性和泛化性，预测靶点的精确位置；所述运动轨迹定位部分基于随机干扰条件下的动态靶点采集的数据，建立模型，结合靶点运动规律，对运动轨迹进行精确定位，并绘制出靶点的轨迹； 所述数据预处理部分采用3σ法则和四分位检测方法解决遮挡情况下的粗大误差，正常数据下，异常数据表现为偏移量极大的离群点；异常数据下，异常点是受到干扰后，具有巨大波动，远离均值的离群点；根据时间戳可以得到数据的测量次序，在正常无干扰情况下，大部分数据较为平稳，可以观察到数据围绕某个值上下波动，但是部分数据再测试时有明显偏移，给出假设正常无干扰条件下距离测量结果公式： d测＝d真+d偏+e 其中，d测为测量结果，d真为距离的真实值，d偏为模组仪器厂设置不同因素导致的固定偏差，e表示测量的随机误差； 给出假设异常有干扰条件下距离测量结果公式： d测＝d真+d偏+e+d扰+e扰·I 其中，d测为测量结果，d真为距离的真实值，d偏为模组仪器厂设置不同等因素导致的固定偏差，e表示测量的随机误差，d扰为干扰导致的稳定的延迟提高，e扰为干扰带来的额外波动，I为0-1变量； 对于正常情况下和异常情况下的异常数据处理如下： 1正常情况下，采用箱线图四分位检测异常值；四分位距IQR就是上四分位与下四分位的差值，通过IQR的1.5倍为标准，规定：超过上四分位+1.5倍IQR距离，或者下四分位-1.5倍IQR距离的点为异常值； 2异常情况下，首先，根据同位置四分位距计算出的上界，区分出未受干扰部分和受干扰部分数据，未受干扰数据与正常条件下数据基本一致，因此采用四分位检测方法，以上下四分位点±1.5倍四分位距作为筛选边界，若任意一个距离越界则剔除整组数据；针对受干扰部分采用3σ方法剔除离群点；在受干扰部分中，只保留距离该部分数据均值三倍方差以内的数据； 利用Min-Max方法根据若干锚点位置和其与靶点的测距值，创建多个边界框，所有边界框的交集为一矩形，取此矩形的质心为待定位靶点的坐标；多层感知机具有在非线性数据上表现良好并且可以实时学习的优点，多层感知机的输入是场景信息和距离信息，看作一个回归问题，输出是每个点预测的位置； 所述特征提取部分、异常判断部分和室内定位部分的具体算法流程如下，设锚点坐标为xi，yi，zi，各个锚点距离靶点的距离为di，其中i＝0,1,2,3； 第一步：判别数据是否在正常情况下采集，即采集情况下，是否有物体遮挡； 首先，基于Min-Max方法提取场景特征，进行特征数据的增强与补充； 其次，将处理后的数据进行锚点异常判断并添加标签； 最后，基于所得的信息，传入多层感知机3中，该数学模型结构与多层感知机1相近，唯一不同在于模型的输出由4类变为2类，由多分类任务降维成二分类任务； 第二步：将经过清洗后的数据送入多层感知机1中进行训练，多层感知机1由5层全连接层，并且为防止模型过拟合进行两次随机失活，每次随机失活的概率为0.5，激活函数采用ReLU函数；多层感知机1可以识别出异常的锚点，将异常判别模型建模为类别数为4的多分类任务，每次输出异常锚点对应的下标i，而后将异常的锚点进行剔除，建立新的无锚点异常的距离特征newdii＝0,1,2； 第三步：将剔除后的锚点坐标以及其距离靶点的距离放入Min-Max算法中提取场景特征，得到长方体； 第四步：将第二步得到的质心坐标xc,yc,zc以及三条边的长度lx，ly，lz结合正常锚点的距离组合成列向量，而后进行z-score标准化，再放入多层感知机2中进行训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210000 江苏省南京市麒麟科创园智识路26号启迪城立业园04幢；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。