weixin_42963026的博客

原创 6.11 MTLNetLoc：基于 1D‑CAE 与交叉注意力特征融合的 Wi‑Fi 指纹端到端多任务室内定位

MTLNetLoc提出一种面向Wi-Fi指纹的端到端多任务学习模型，结合1D卷积自编码器（1D-CAE）与交叉注意力机制，实现信号重构、建筑-楼层分类与坐标回归联合优化。通过引入统计辅助特征与动态数据增强，提升环境鲁棒性；采用轻量化设计（5.39M参数），兼顾精度与边缘部署能力。在UJIIndoorLoc和TUT2018数据集上表现优异，MAE低至7.17m，分类准确率超98%，显著优于传统两阶段方法。研究为高维噪声环境下轻量级室内定位提供了高效范式，具备工程落地潜力。

原创 2.62 GC-Loc：基于图注意力机制的无基础设施信号协同室内定位框架

论文标题：，发表于，来自中山大学，提出一套无基础设施、基于图注意力网络的协同室内定位框架GC‑Loc，利用地磁、蓝牙、IMU传感器信号，解决传统指纹定位离散指纹区分度低、连续信号序列采集时间开销大的痛点。

原创 2.61 GraphKANLoc：基于KAN回归的物理信息异构图注意力网络用于室内定位

传统做法：先插值强行对齐 Wi‑Fi 与 IMU 时间戳，再输入网络；输出轨迹后期再滤波平滑。不做插值对齐；用图的红色时延因果边显式建模传感器之间的时间滞后；HGATv2+LSTM 提取时空特征；KAN 做坐标回归，训练阶段内置运动学物理约束；直接输出平滑、物理可信的定位轨迹，省去后处理。这一节对异步 Wi‑Fi+IMU 融合室内定位任务做数学形式化描述，明确输入、输出、模型要达成的双重目标：不仅预测位置，还要满足运动物理合理性。IMU 是高频相对运动信息；

原创 2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing（TMC）2026年6月，面向极稀疏指纹条件下的WiFi室内定位，针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点，提出注意力图元学习模型AGML（Attentional Graph Meta‑Learning），结合图神经网络、元学习、两种指纹数据增强与分布对齐技术，在标记指纹极少的场景实现高精度室内定位，同时公开了多套真实+仿真定位数据集用于基准测试。场景：二维室内空间，障碍物造成信号遮挡，

原创 室内定位+人工智能——顶刊

原创 7.26 实用型WiFi室内定位：挖掘图神经网络在定位精度与鲁棒性方面的潜力

提出GraphFi，一套基于GNN的WiFi室内定位系统，同时解决动态天线配置、障碍物遮挡、环境域偏移三个现实难题，摆脱过去研究对干净环境、固定天线配置的理想假设。创新双层图：AP内图捕获天线级局部特征，AP间图融合AP全局关系；搭配对应的三元GNN。设计基于图自编码器的异常检测GNN，识别并滤除障碍物污染AP的CSI，提升鲁棒性。将GRL无监督域自适应UDA集成进GNN框架，仅需要少量目标域无标签数据完成跨域适配，降低系统维护成本。

原创 7.25 D2IO: 基于扩散模型的行人室内定位深度惯性里程计

文献来源：该论文发表于，提出框架，将扩散模型与Transformer结合，面向行人室内惯性里程计，解决低成本MEMS‑IMU存在的累积误差、传感器噪声复杂、跨数据集域偏移的问题；模型在训练阶段利用扩散做数据增强，推理仅单次前向运算，兼顾定位精度与实时性。

原创 17.5 基于角加速度计与陀螺仪融合的深度学习辅助卡尔曼滤波低成本姿态估计

该论文发表于2026，来自北京理工大学自动化学院，针对低成本MEMS陀螺仪姿态估计漂移严重的问题，利用**液体环形角加速度计（LCAA）**与MEMS陀螺仪做传感器融合，并引入深度学习自动调优卡尔曼滤波噪声协方差，实现低成本惯性系统高精度姿态解算。

原创 17.4 多源GNSS数据与深度学习驱动的智能手机RTK定位误差预测

该数据集为自研实测数据集，无公开下载，城市小车动态采集；标签不是位置坐标，是RTK解算与高精度参考之间的三维定位误差；原始采集文件（RINEX、IMU、真值）经过RTK解算、误差计算、特征组织、5s时间窗口切片之后，才成为CNN‑LSTM的输入数据集；包含两台不同手机、两类城市遮挡场景，用来验证模型跨设备、不同环境适应性。如果你写论文，我可以帮你把这部分整理成方法章节可直接复制的段落。3.复现论文可替代的公开数据集原文数据集是作者自采，无公开下载；

原创 14.8 CCPos: WiFi Fingerprint Indoor Positioning System Based on CDAE-CNN

**大场景（UJIIndoorLoc数据集）**：平均定位误差为**12.4米**，楼层预测准确率95.3%，建筑预测准确率99.6%。将全部数据按照 **4:1** 的比例划分为 **“全训练集（All-Training Set, AT）”** 和 **“测试集（Test Set）”**。- 模型的输入是**RSSI向量**，输出是**坐标**。3. 找到距离每个聚类中心**最近的1个样本点**，提取出来组成**验证集（Validation Set）**。

原创 3.57 OFVL-MS：一次用于多个室内场景的视觉定位

在这项工作中，我们试图通过多任务学习的方式来预测场景中的摄像机姿势，其中我们将每个场景的定位视为一项新的任务。我们提出了OFVL-MS，这是一个统一的框架，它摒弃了为每个单独的场景训练模型的传统做法，缓解了由于整体优化多个场景而导致的梯度冲突，从而实现了对所有场景的高效存储和精确的视觉定位。在技术上，在OFVL-MS的前向传递中，我们设计了一种层自适应的共享策略，每一层都有一个可学习的分数来自动确定该层是否共享。

原创 3.51 Centra-Net：一种跨场景的集中式视觉定位网络

我们提出了Centra-Net，这是一个集中式网络，可以同时优化不同数据集域下的多个场景的视觉定位。Centra-Net通过将具有任务共享参数的多个模型合并到一个单一的内聚结构中来例示存储效率。在技术上，我们开发了一个具有两个并行分支的基本特征提取单元(basic feature extraction unit， BFEU)：一个致力于局部特征提取，另一个擅长自适应地生成用于特征校准的特定于任务的注意掩模，从而增强了其跨不同场景的特征提取能力。在BFEU的基础上，

原创 3.50 WebARNav：边缘辅助视觉定位的移动Web AR室内导航

的 AR 室内导航，是首个兼顾跨平台、轻量化、鲁棒性的 Web AR 室内定位系统，完美适配资源受限的移动网页环境。WebARNav 采用。WebARNav 实现。

原创 3.56 语义视觉同步定位与映射研究综述

视觉同时定位与测绘(VSLAM)是计算机视觉和机器人学中的一项基石技术，为自主车辆和机器人导航等应用奠定了基础。虽然传统的vSLAM系统在室内或室外环境中取得了显著的进步，但它们在复杂场景中的性能往往会下降，限制了它们的适应性和健壮性。语义vSLAM将高级语义信息集成到vSLAM系统中，通过实现对环境的更丰富理解，已成为解决这些限制的一种有前途的解决方案。在本文中，我们对语义vSLAM进行了全面的回顾，并对其发展、方法和挑战进行了批判性的分析。

原创 3.55 面向视觉定位与建图的深度学习：综述

这是，并构建统一分类框架。

原创 3.47 室内环境下全向成像孪生神经网络机器人定位的实验评价

验证了孪生神经网络在全景视觉室内定位的有效性，提供完整实验范式。提出光照自适应数据增强，显著提升弱光定位性能。给出可直接落地的网络结构与训练参数最优组合，为工程应用提供参考。系统对比现有方法，证明该方案在阴天 / 夜晚场景的先进性。本文的目的是利用安装在机器人上的折射式视觉系统获取的全方位图像来解决定位问题。为此，我们探索了暹罗神经网络在使用全景图像作为唯一信息源来建模室内环境方面的潜力。暹罗神经网络的特点是能够在两个输入数据之间生成相似性函数，在这种情况下，是在两个全景图像之间。

原创 3.49 HVLF：一种跨场景的整体视觉定位框架

通过。

原创 3.46 基于改进孪生神经网络的手机摄影视觉定位

本文针对智能手机单目相机室内视觉定位存在的耗时高、易受环境干扰、匹配鲁棒性差、精定位误差大等问题，提出一套低开销、高鲁棒的 2D–2D 室内定位方案：通过改进孪生神经网络（SNN）实现图像相似度度量与粗定位，大幅降低样本标注工作量并适配多类别少样本场景；结合自适应 EightPoint‑RANSAC 算法优化基础矩阵、剔除匹配野值，完成相机位姿解算与精定位；实验在走廊与办公室场景实现平均定位误差 0.50m，较传统方法精度最高提升44.32%。定位需求与技术局限室外依赖 GPS/GNSS，室内信号遮挡失效。

原创 3.41 一种高效的室内定位Wi-Fi视觉地图构建及自维护方法

如今，基于Wi‑Fi的室内定位技术已被证明是最具前景的技术之一，可用于室内导航、机器人操作以及健康监测等场景。它主要有两大优势：一是**部署成本低**，Wi‑Fi信号在大型室内环境（如图书馆、机场、教学楼）中已十分普及，并且无线接入点（AP）设备价格低廉；二是**Wi‑Fi信号无处不在**，大多数移动设备（如智能手机、笔记本电脑、平板）都搭载无线传感器，能够轻松获取Wi‑Fi信号。在室内定位技术中，**指纹定位**是最具可行性的方法之一。

原创 3.40 基于接收信号强度的WiFi室内定位补充开放数据集

基于接收信号强度(RSS)的无线保真(WiFi)指纹数据集已经被共享用于室内定位。然而，它们并不能满足基于WiFi RSS的本地化的所有需求。提出了一种基于RSS的WIFI室内定位补充开放数据集，覆盖了三栋多层建筑。该数据集包括密集且均匀分布的参考点(RP)，相邻参考点之间的平均距离小于1.2m。此外，中汇总了预装接入点(AP)的位置和信道信息。此外，还提供了各楼层的计算机辅助设计图。SODIndoor Loc提供9个培训和5个测试表。

原创 3.38 一种基于烧瓶形自动编码器的室内定位数据集蒸馏框架设计

本文针对WiFi 指纹室内定位在边缘计算、网络不稳定、数据集冗余与类别不平衡场景下的痛点，提出非对称烧瓶形自编码器（FSA）数据集蒸馏框架，融合k-Disagreeing Neighbor（kDN）实例硬度评分实现样本压缩与关键特征保留，在火车站数据集（RSD）与两大基准数据集上验证，蒸馏后数据集体积减少 36%、DNN 训练时间缩短 45.98%，所有数据集定位准确率超 95%，兼顾轻量化与高精度，适配边缘端实时定位部署。城市规划。

原创 2.23 MGLoc: A WiFi Indoor Localization Method based on Multi-Task Learning and Geographical Correlat

本文提出MGLoc（基于多任务学习与地理相关性的 WiFi 室内定位方法），以参考点坐标为标签保留位置地理关联，通过MTLC 多任务分类器输出位置概率分布，搭配KL 散度 + 多元高斯损失函数与CPM 聚类预测模块，在教室、办公室、大厅三类场景中定位误差均值最低达2.2046m，较传统方法精度提升6.5% 以上，适配消费电子 WiFi CSI 室内定位场景。

原创 3.37 基于简化图卷积与对抗高斯过程回归的小样本室内定位模型

本文针对RSSI 指纹室内定位中采样成本高、数据稀疏、环境干扰导致匹配不准的问题，提出稀疏采样策略与SGC-AGPR 小样本定位模型：通过改进 GAN生成高质量指纹数据训练高斯过程回归（GPR），为虚拟参考点提供初始指纹，再利用简化图卷积（SGC）融合空间拓扑与自适应相似度权重完成指纹增强；最终在8m×8m实验区域实现平均定位误差 0.84m，精度超越传统密集采样与稀疏直接定位方法，大幅降低离线建库成本。

原创 6.1 LCVAE-CNN：基于LCVAE的室内Wi‑Fi指纹CNN定位方法

论文表明，所提出的LCVAE-CNN方法通过创新的数据增强和高效的多任务学习，有效缓解了数据稀缺问题，并显著提升了复杂室内环境下的定位精度与鲁棒性。：在标准VAE的重建损失和KL散度损失之外，引入了一个新的地理信息损失函数，用于强制生成的数据在空间拓扑上保持一致，确保合成指纹的地理合理性。：以楼层和建筑物信息作为条件变量，引导生成过程，使生成的数据与特定的室内空间约束相符。：在保持高精度的同时，运行时间优于多数对比的CNN类方法，展示了良好的精度-效率平衡。与分别训练两个独立模型相比，这种多任务学习架构。

原创 第8章 集成学习

降低弱学习器的泛化误差:样本扩充、范数惩罚等机器学习正则化策略。作用：通过增加训练数据的覆盖性（样本扩充），或限制模型复杂度（范数惩罚，如 L1/L2 正则），减少弱学习器自身的过拟合风险，提升其基础预测能力。提高个体学习器的多样性：改变训练样本和改变模型训练参数。作用：通过调整训练数据分布（如 Bagging 的随机抽样）或模型参数（如不同的初始化权重、学习率），让各弱学习器的预测结果产生差异，从而增强集成后模型的方差抑制效果。改变训练样本的角度：

原创 第9章 主成分分析

本文通过两个实例展示了主成分分析(PCA)的实现过程。在例4.4中，对8名中学生的4项身体指标进行PCA分析，第一主成分贡献89.62%的方差，反映整体发育程度，前两个主成分累计贡献率达97.09%。例4.5对30个省份的8项经济指标进行PCA，得到3个综合指标累计贡献89.58%，分别反映经济规模、民生消费和价格波动三个维度。两个案例均通过标准化数据、计算协方差矩阵、特征值分解等步骤，实现了有效降维，同时保留了原始数据的主要信息，为后续分析提供了简化而全面的数据表示。

原创 第7章 聚类分析

本文使用k-means聚类算法对15支球队的3项赛事积分数据进行分组分析。通过Python代码实现，详细展示了从数据准备、初始中心选择到迭代优化的全过程。算法经过2轮迭代快速收敛，最终将球队分为3个聚类：簇1（8支球队，中心点[50,47.5,7.5]）包含整体表现优秀的队伍；簇2（2支球队，中心点[22.5,12,3.5]）为表现较差的队伍；簇3（5支球队，中心点[34.6,38.4,7.6]）代表中等水平队伍。研究还通过3D可视化展示了聚类过程，验证了算法快速收敛的特性。

原创 10.7 进化深度卷积变分自编码器的图像分类

本文提出一种名为的新方法，基于自动设计用于图像分类的变分自编码器（VAE）最优架构，以解决传统 VAE 依赖人工设计架构、存在对称结构限制的问题；EvoVAE 将传统 VAE 推广为含 h-block、μ-block、σ-block、t-block 的非对称通用架构，采用搜索最优网络深度，并设计适配的遗传算子；在 MNIST、SVHN、CIFAR-10 三个基准数据集上，与 9 种自动编码器（AE）及 VAE 变体对比，EvoVAE 在 24 次对比中赢 21 次，分别比最优竞争对手高出，验证了其优越性。

原创 10.2 一种融合深度空间特征增强与注意力去噪的新型 3D 室内定位方法研究总结

本文提出了一种融合深度空间特征增强与注意力去噪的3D室内定位方法，针对数据稀缺、噪声干扰和全局特征捕捉困难等核心问题。方法采用SVAE-WGAN生成高质量合成数据缓解数据稀缺，通过ADE模块结合注意力机制和去噪自编码器提升特征提取鲁棒性，最终结合DNN实现定位。实验在UJIIndoorLoc等数据集上验证了有效性，仅用10%数据即达到100%建筑定位准确率和94.7%楼层准确率，显著降低定位误差。研究通过多模块协同优化解决了室内定位的关键技术挑战。

原创 第6章 支持向量机

SVM 是一种面向二分类任务的机器学习模型，其模型结构能够在特征空间上产生最大间隔的超平面。构造 SVM 模型的关键在于找到一个使得两类不同类型样本之间间隔最大的超平面，通常采用间隔最大的优化计算方式构造 SVM。适合解决小样本、非线性及高维模式识别。

原创 第五章 贝叶斯模型

本文探讨了贝叶斯方法在概率计算和分类预测中的应用。首先通过蒙提霍尔问题展示了贝叶斯公式的动态修正特性，从先验概率到后验概率的更新过程。然后详细介绍了贝叶斯分类器、朴素贝叶斯分类器和半朴素贝叶斯分类器的实现方法，包括先验概率计算、类条件概率评估以及决策过程。特别是在苹果质量分类的案例中，比较了不同特征依赖假设对分类结果的影响。最后通过客流量与销售量的回归预测问题，对比了传统线性回归和贝叶斯回归的差异，展示了贝叶斯方法在提供预测置信区间方面的优势。

原创 文献10.3 多视图变分深度学习及其在实际室内定位中的应用

本文提出一种视图选择性深度学习（VSDL）系统，基于 WiFi 的信道状态信息（CSI）实现室内定位，通过多视图训练（利用多组接入点（AP）获取的 CSI）在监督变分深度网络上生成潜在特征，并结合额外网络进行主导视图分类以最小化定位回归损失，同时剔除无信息的多视图潜在特征；在复杂建筑环境（300m²，113 个训练点、22 个测试点）中实现1.28m 的定位精度。

原创 实验二-决策树-葡萄酒

基础模型测试集正确率：0.9862。

原创 第四章 决策树

│ │ │ └── 结果: 否。│ │ └── 结果: 否。│ │ │ ├── 取值: 否。│ │ │ └── 取值: 是。│ │ ┌── 特征: 流鼻涕。│ │ └── 结果: 否。│ └── 结果: 否。│ │ ├── 取值: 非常高。│ │ ├── 取值: 正常。│ │ └── 取值: 较高。

原创 机器学习-第三章 线性模型

斜率0.994表示：月广告费每增加1万元，月销售量平均增加0.994万元。- 截距-0.220表示：当广告费为0时，销售量的基准值约为-0.220万元。线性回归方程：y = 0.994x + -0.220。决定系数R²：0.9642（越接近1，拟合效果越好）

原创 机器学习-第2章 模型评估与选择

（3）100次多项式拟合。（2）10次多项式拟合。（1）2次多项式拟合。

原创 机器学习-第一章

C:\Users\71042\.conda\envs\tf_gpu_new\python.exe E:\教学\2025教学\机器学习\机器学习数据代码\1-2章数据代码\ch1.1_iris_classification.py。

原创 9.13 基于Wi-Fi CSI指纹的室内定位，使用深度学习和向量嵌入实现时间稳定性

文献来源：Reyes J M R, Ho I W H, Mak M W. Wi-Fi CSI fingerprinting-based indoor positioning using deep learning and vector embedding for temporal stability[J]. Expert Systems with Applications, 2025, 264: 125802.

原创 9.11基于因子图的室内定位：一个统一的框架

**Wi-Fi指纹信息**：基于Log-distance path loss模型，结合位置相近模型来描述Wi-Fi指纹与位置的关系，运用高斯核函数和K近邻（KNN）算法找到相似指纹。- **迭代计算**：在因子图上传递消息，包括从因子节点到变量节点的消息计算，以及从变量节点到因子节点的消息计算。- **似然比方法**：引入二元变量表示测距是否为异常值，并基于似然比进行检测。- **统一框架**：提出了一种基于因子图的统一框架，将测距和指纹定位技术结合起来，通过众包方式减少构建指纹数据库所需的人工干预。

原创 9.9 基于学习域不变模型的WiFi室内定位

文献来源：Wang G, Zhang D, Zhang T, et al. Learning domain-invariant model for WiFi-based indoor localization[J]. IEEE Transactions on Mobile Computing, 2024.本文针对基于WiFi的室内定位中信号处理方法空间分辨率有限、深度学习方法跨域能力不足的问题，