Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 华东师范大学;上海临港华东师大先进技术研究院有限公司;上海欧皮无线技术有限公司杨可欣获国家专利权

华东师范大学;上海临港华东师大先进技术研究院有限公司;上海欧皮无线技术有限公司杨可欣获国家专利权

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!

龙图腾网获悉华东师范大学;上海临港华东师大先进技术研究院有限公司;上海欧皮无线技术有限公司申请的专利一种基于CWGAN和神经网络的指纹库定位方法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:CN119485650B

龙图腾网通过国家知识产权局官网在2026-02-03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:202510024994.9,技术领域涉及:H04W64/00;该发明授权一种基于CWGAN和神经网络的指纹库定位方法是由杨可欣;毛雪婷;赵昆;杨希超;薛元博;余超设计研发完成,并于2025-01-08向国家知识产权局提交的专利申请。

一种基于CWGAN和神经网络的指纹库定位方法在说明书摘要公布了:本发明提供一种基于CWGAN和神经网络的指纹库定位方法,应用于5G室内场景,包括:步骤S1、训练得到第一定位模型,包括步骤S11、获取并过滤离线指纹库,获得过滤后的离线指纹库,将滤波后的离线指纹库进行归一化,获得第一离线指纹库;步骤S12、基于CWGAN处理第一离线指纹库,生成的新的指纹构成第二离线指纹库;步骤S13、合并第一离线指纹库和第二离线指纹库,得到合并离线指纹库;步骤S14、获取CNN‑LSTM模型,完成CNN‑LSTM模型的训练,得到第一定位模型;步骤S2、采集测试点的指纹并按步骤S1进行数据处理;步骤S3、将测试点处理后的指纹输入第一定位模型,第一定位模型输出测试点的预测坐标值。本发明提供的基于CWGAN和神经网络的指纹库定位方法定位误差小,定位精度高。

本发明授权一种基于CWGAN和神经网络的指纹库定位方法在权利要求书中公布了:1.一种基于CWGAN的深度学习指纹库定位方法,应用于5G室内场景,其特征在于,包括: 步骤S1、训练得到第一定位模型,包括: 步骤S11、将定位区域划分为N个网格,定位区域内5G基站的数量为M个,设定每个网格的交点为参考点,获取每个参考点的指纹构成离线指纹库,过滤离线指纹库,获得过滤后的离线指纹库,将滤波后的离线指纹库进行归一化,获得第一离线指纹库;构成所述离线指纹库的指纹为在定位区域的设备采集得到的5G基站主、邻小区的同步信号参考信号接收功率值SS-RSRP; 步骤S12、基于CWGAN处理所述第一离线指纹库,所述CWGAN学习第一离线指纹库的指纹的特征分布,并生成与第一离线指纹库的指纹的特征分布相似的新的指纹,生成的所述新的指纹构成第二离线指纹库;CWGAN包括生成器和判别器,生成器和判别器分别由多层感知机MLP和全连接FC层组成,步骤S12包括: 步骤S121、将所有参考点的独热码C作为先验条件,与随机噪声向量z拼接作为所述生成器的输入,经过MLP、FC层后输出该参考点对应的增强的指纹; 步骤S122、获取判别器输入变量,所述判别器输入包括:从离线指纹库数据中采样的真实指纹与独热码C拼接组成的向量、由生成器根据随机噪声生成的增强指纹与独热码C拼接组成的向量; 步骤S123、将所述判别器输入变量输入MLP和FC层后,判别器对真实指纹和增强指纹输出一维的实数评分值或; 步骤S124、计算判别器的损失函数: , 生成器的损失函数: , 其中,z是服从标准正态分布的随机噪声向量,表示真实指纹的分布,为从分布中采样的真实样本; 步骤S125、通过反向传播算法BP迭代更新网络参数使得损失函数和最小化,当损失函数达到预设条件,结束CWGAN训练,保存CWGAN模型参数; 步骤S126、将每个参考点的独热码和随机噪声向量拼接,并输入CWGAN,得到参考点对应的增强指纹; 步骤S127、将参考点坐标作为对应增强指纹的坐标,合并所有参考点的增强指纹,构成第二离线指纹库; 步骤S13、合并所述第一离线指纹库和所述第二离线指纹库,得到合并离线指纹库;步骤S13包括: 基于采集时间和生成顺序,将所述第一离线指纹库和所述第二离线指纹库中每个参考点的指纹分割成长度为s的若干序列,并将所述第一离线指纹库和所述第二离线指纹库合并,得到合并离线指纹库; 步骤S14、获取CNN-LSTM模型,将所述合并离线指纹库输入所述CNN-LSTM模型,当所述CNN-LSTM模型参数符合预设条件时,完成CNN-LSTM模型的训练,得到第一定位模型;所述步骤S14还包括: 步骤S141、采样所述合并离线指纹库,得到输入序列,将所述输入序列分别输入CNN模型和LSTM模型,所述CNN模型输出一维向量,所述LSTM模型更新细胞状态和隐藏状态; 所述CNN模型输出一维向量具体包括:卷积核沿特征维度进行一维卷积操作; 步骤S2、采集测试点的指纹并按步骤S1进行数据处理; 步骤S3、将测试点处理后的指纹输入所述第一定位模型,所述第一定位模型输出测试点的预测坐标值。

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华东师范大学;上海临港华东师大先进技术研究院有限公司;上海欧皮无线技术有限公司,其通讯地址为:200241 上海市闵行区东川路500号;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”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。