文章16篇，聚焦如下問題
問題1：指紋庫采集不可能全面且耗費(fèi)人工（小樣本、眾包）
內(nèi)插1，數(shù)據(jù)增強(qiáng)2，眾包3，
問題2：不同終端射頻器件不同，測量結(jié)果不同，導(dǎo)致精度差（優(yōu)先級低）
WiFi+PDR 4，接收信號強(qiáng)度差和壓縮感知 8
問題3：指紋特征識別精度低
融合不同的特征量，融合歷史信息。
RSS+TDOA 14，RSS+AOA 13，RSS+CSI+前一個(gè)歷史信息 6，RSS衍生指紋 7， RSS+地磁 9
低通濾波器處理CSI+相位差校正 12
問題4：環(huán)境變化和多徑影響，魯棒性差
機(jī)器學(xué)習(xí)反饋環(huán) 5，不同AI算法的折中 11，遷移學(xué)習(xí)15
1、基于內(nèi)插預(yù)處理 csi 相位和貝葉斯跟蹤的指紋室內(nèi)定位
Fingerprinting-based indoor localization using interpolated preprocessed csi phases and bayesian tracking
CSI特征。內(nèi)插。
（1）預(yù)處理階段，為指紋建立模型，在指紋不可測量的位置獲得指紋精確插值?！?b>懷疑精度
（2）指紋定位階段，指紋匹配估計(jì)接收機(jī)位置；
（3）后處理階段，結(jié)合本次估計(jì)，運(yùn)動模型，給出最終估計(jì)。
2、一種改進(jìn)的基于 RSSI 的指紋室內(nèi)定位數(shù)據(jù)增強(qiáng)技術(shù)
Improved RSSI based data augmentation technique for fingerprint indoor localisation
減少指紋采集工作量。數(shù)據(jù)擴(kuò)增技術(shù)。RSS特征
我們提出了一種改進(jìn)的基于 RSSI 值的指紋室內(nèi)定位系統(tǒng)的接收信號強(qiáng)度指示增強(qiáng)技術(shù)。 該技術(shù)是實(shí)現(xiàn)使用一個(gè)參考點(diǎn)可用的 RSSI 值，不同于現(xiàn)有的技術(shù)，它模仿不斷變化的 RSSI 信號。 該方法在實(shí)驗(yàn)室模擬和實(shí)時(shí)環(huán)境下的測試精度分別達(dá)到95.26% 和94.59% ，平均定位誤差分別為1.45和1.60 m。?
3、基于 Co-Forest 和 Bayesian 壓縮感知的眾包網(wǎng)絡(luò)室內(nèi)定位研究
Research on Crowdsourcing network indoor localization based on Co-Forest and Bayesian Compressed Sensing
少量標(biāo)記數(shù)據(jù)的指紋庫構(gòu)建。RSS特征
提出了一種基于共生森林和貝葉斯壓縮感知的室內(nèi)指紋定位方法(ILM-CFBCS) ，利用眾包網(wǎng)絡(luò)技術(shù)收集 RSS 數(shù)據(jù)，采用最小最大值法對數(shù)據(jù)進(jìn)行預(yù)處理，建立室內(nèi)指紋數(shù)據(jù)庫。 根據(jù) Co-Forest 算法訓(xùn)練的隨機(jī)森林分類器的判決結(jié)果，結(jié)合多數(shù)原則確定用戶的位置。 最后，結(jié)合貝葉斯壓縮感知理論和參考點(diǎn)指紋相似性，提出了一種離線指紋數(shù)據(jù)庫的構(gòu)建方法，實(shí)現(xiàn)了指紋數(shù)據(jù)庫的更新。
4、基于位置調(diào)整和設(shè)備校準(zhǔn)的室內(nèi)無線電地圖構(gòu)建
Indoor radio map construction based on position adjustment and equipment calibration
終端設(shè)備多樣，眾包定標(biāo)不準(zhǔn)問題。
融合PDR的眾包修正。
5、惡劣工業(yè)制造環(huán)境中的基于多定位技術(shù)的強(qiáng)適應(yīng)性定位系統(tǒng)
Multi-wireless interface system based on industrial Internet of things in harsh manufacturing environment
通過提出一種使系統(tǒng)適應(yīng)高度可變條件的解決方案，本文填補(bǔ)了靜態(tài)方法和室內(nèi)動態(tài)方法之間的空白。所提出的解決方案利用了基于機(jī)器學(xué)習(xí)的反饋環(huán)，該反饋環(huán)學(xué)習(xí)了環(huán)境的可變性。即使在存在電磁環(huán)境變化的不同機(jī)器和工業(yè)物聯(lián)網(wǎng)傳感器的情況下，該反饋也使連續(xù)指紋校準(zhǔn)變得可行。
6、室內(nèi)定位增強(qiáng)的半序貫概率模型
Semi-Sequential Probabilistic Model for Indoor Localization Enhancement?
利用短時(shí)記憶來提高室內(nèi)定位性能的概率。RSS特征和CSI特征。前一個(gè)位置。
7、基于多分類器融合RSS衍生指紋的WiFi魯棒定位（郭）
Robust WiFi Localization by Fusing Derivative Fingerprints of RSS and Multiple Classifiers
多特征融合架構(gòu)
提出了一種基于多分類器(DIFMIC)融合 RSS 指紋圖譜的無線局域網(wǎng)(WiFi)定位方法。 Difmic 首先從 RSS 指紋中提取雙曲線位置指紋(HLF)和信號強(qiáng)度差異指紋(DIFF) ，構(gòu)建多指紋群。 然后通過對每個(gè)指紋進(jìn)行基本分類器的訓(xùn)練，獲得多個(gè)指紋訓(xùn)練分類器。 為了充分利用指紋和分類器之間固有的補(bǔ)充性，提出了一種多約束的兩層融合輪廓(權(quán))聯(lián)合優(yōu)化算法。 我們還提出了一種融合輪廓選擇(FPS)算法，智能地從兩層融合輪廓中選擇融合權(quán)重，從而實(shí)現(xiàn)更準(zhǔn)確的定位。?
8、一種基于接收信號強(qiáng)度差異的壓縮感知室內(nèi)指紋定位方法
A method of fingerprint indoor localization based on received signal strength difference by using compressive sensing
不同終端在同一時(shí)間同一位置的RSS不同。?針對這一問題，本文提出了一種基于接收信號強(qiáng)度差和壓縮感知的融合方法(RSSD-CS) ，以減小終端不均勻性的影響。
9、室內(nèi)外環(huán)境中指紋定位的深度學(xué)習(xí)方法（wifi+地磁）
Deep learning for fingerprint localization in indoor and outdoor environments
?本文提出了一種基于深度學(xué)習(xí)的 Wi-Fi 和磁場定位系統(tǒng)。
10、模糊邏輯在無線定位中的應(yīng)用綜述
A survey of fuzzy logic in wireless localization
模糊集合和模糊推理系統(tǒng)最初是為了結(jié)合人類知識的粒度和靈活性，這些知識描述了復(fù)雜的系統(tǒng)行為，而不需要明確的精確的數(shù)學(xué)模型。
這項(xiàng)研究證明了模糊集合、模糊邏輯和模糊推理系統(tǒng)在無線定位問題中的好處。我們回顧和調(diào)查了各種模糊相關(guān)的技術(shù)和方法。
11、Smartloc: 基于機(jī)器學(xué)習(xí)的室內(nèi)智能無線定位（郭）
SmartLoc: Smart Wireless Indoor Localization Empowered by Machine Learning
現(xiàn)有的基于 ml 的室內(nèi)定位系統(tǒng)由于只采用概率最大的輸出，魯棒性較差。?
提出 SmartLoc，在離線階段，利用數(shù)據(jù)庫訓(xùn)練多個(gè) MLAs。 我們進(jìn)一步應(yīng)用概率比對來保證在相同的置信水平下每個(gè) MLA 的預(yù)測概率。 在在線階段，給定一個(gè)未知地點(diǎn)用戶的測試 RSS 樣本，從每個(gè) MLA 中提取出概率大于一定閾值的標(biāo)簽，構(gòu)造候選標(biāo)簽空間(SCL)。 利用本文提出的動態(tài)尺寸確定算法，可以自適應(yīng)地確定 SCL 的尺寸。?
在75% 的準(zhǔn)確率上比各種比較方法中表現(xiàn)最好的方法高出10.8% 。魯棒性更好。
12、基于 CSI 的離散 Hopfield 神經(jīng)網(wǎng)絡(luò)室內(nèi) Wi-Fi 定位
Discrete Hopfield neural network based indoor Wi-Fi localization using CSI
CSI由于指紋識別精度低、分類匹配效果不理想、易受環(huán)境影響等原因，定位效果差。相位校正方法？
在離線階段，采用低通濾波器對每個(gè)參考點(diǎn)的指紋信息進(jìn)行初步處理，然后采用相位差法對所有參考點(diǎn)的指紋數(shù)據(jù)進(jìn)行校正。 該方法提高了指紋數(shù)據(jù)的質(zhì)量，避免了室內(nèi)環(huán)境的變化和信號的多徑效應(yīng)等影響指紋數(shù)據(jù)質(zhì)量的問題。在實(shí)驗(yàn)環(huán)境下，該方法可以實(shí)現(xiàn)1.6 m 的定位精度。
13、?一種基于指紋的蜂窩移動無線電定位到達(dá)角機(jī)器學(xué)習(xí)方法
A scalable fingerprint-based angle-of-arrival machine learning approach for cellular mobile radio localization
蜂窩網(wǎng)，RSSI+到達(dá)角特征量。在基站較少和培訓(xùn)數(shù)據(jù)少的情況下更加穩(wěn)定。
14、基于剛性圖理論的 rss / tdoa 聯(lián)合定位算法及克拉美羅下界分析
Cramér-Rao lower bound analysis of RSS/TDoA joint localization algorithms based on rigid graph theory
分析了幾個(gè)參數(shù)對定位誤差的影響，為這種室內(nèi)定位算法提供了一致的評價(jià)方法。
15、基于遷移學(xué)習(xí)的設(shè)施維護(hù)管理增強(qiáng) AR 空間注冊
Transfer learning enhanced AR spatial registration for facility maintenance management?
?為了提高指紋識別的魯棒性，提出了一種遷移學(xué)習(xí)技術(shù)——遷移 CNN-LSTM。 嵌入長短期記憶(LSTM)網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測未標(biāo)記指紋的位置。 該算法采用最大均值偏差(MK-MMD)的多核變異，以減小源域和目標(biāo)域的分布差異，從而準(zhǔn)確預(yù)測新收集的未標(biāo)記指紋的位置。 實(shí)驗(yàn)驗(yàn)證表明，可轉(zhuǎn)移 CNN-LSTM 空間配準(zhǔn)的準(zhǔn)確率為97.1% ，長期空間配準(zhǔn)的準(zhǔn)確率為87.8% ，多設(shè)備空間配準(zhǔn)的準(zhǔn)確率為90% 左右，與其他常規(guī)方法相比，具有更高的準(zhǔn)確率和更好的魯棒性。
16、一種新的基于 csi 的指紋定位系統(tǒng)
WiCLoc: A Novel CSI-based Fingerprint Localization System
在訓(xùn)練階段融合 CSI 的幅度和相位信息生成指紋，在估計(jì)階段采用加權(quán) k 近鄰算法進(jìn)行指紋匹配。該系統(tǒng)在展廳和實(shí)驗(yàn)室的平均距離誤差分別為0.85 m 和1.28 m。
