基于有序聚类和MSKPCA的室内定位算法

针对指纹室内定位算法中环境动态变化对Wi-Fi信号的干扰和定位实时性较差的问题,提出一种基于有序聚类和多尺度核主成分分析的Wi Fi指纹室内定位算法.离线阶段采用参考点可检测接入点序列的最长公共子序列衡量相似度,通过有序聚类划分子区域.在线阶段先进行粗定位,选择最优尺度的核主成分分析模型处理子区域指纹数据,使用朴素贝叶斯加权K近邻算法预测目标节点位置.实验结果表明,该算法可有效提升定位精度,86.7％的定位误差在1.2m以内.     

一种模糊聚类KNN位置指纹定位算法

阐述了位置指纹定位算法在室内WLAN环境中的应用,分析了KNN定位算法存在的不足,提出一种模糊聚类KNN位置指纹定位算法。该算法首先选取与空间相关性较好的4个信号参数,构成多径纹信号数据库;然后应用主分量分析法(PCA)对原始信号数据库作降维运算,滤除奇异性接入点(AP);最后用模糊C均值聚类算法(FCM)处理数据,进一步滤除奇异性参考点(RP),实现提高定位算法效率与精度的目的。实验表明,改进后的定位算法产生的定位误差明显减小。     

参考点对WiFi位置指纹算法的影响

随着室内定位技术的发展,WiFi位置指纹定位算法得到了人们的广泛关注,主要探讨了参考点数量与参考点间隔对于算法精度的影响.采用Matlab软件对位置指纹算法分别在实验环境和模拟环境中进行了仿真,通过实验数据得出随着参考点数量的增加,KNN与WKNN算法定位精度差不断减小,参考点数量越多,后改进的WKNN算法相比于KNN算法的定位精度提高的也越来越小,基本无明显差别.参考点数量越多计算越复杂,采用白化的K-Means聚类算法提高计算效率和定位精度,对参考点间隔对于定位精度的影响进行了实验,得出定位精度并不是参考点间隔越小越精确,而是在1.5m左右的间隔为佳.     

基于CMAES-SVR的WLAN室内定位算法研究

针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题,提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点（AP）的接收信号强度（RSS）进行统计分析,采用高斯滤波对信号进行预处理,然后利用k-means聚类算法将原始指纹数据库中的定位区域进行聚类分块;其次采用协方差矩阵自适应进化策略（CMAES）优化支持向量回归机（SVR）参数,从而建立CMAES-SVR室内定位学习模型,通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系;最后判断测试点所属类簇,根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明,与WKNN、传统SVR以及PSO-SVR算法相比,该算法在定位精度、稳定性以及实时性方面均有所提高。     

室内信号强度指纹定位算法改进

由于人们对基于位置服务的需求越来越高,室内定位技术在诸多领域得到了广泛的应用,而定位算法则是室内定位研究的重点。首先介绍了最近邻和KNN两种信号强度指纹定位算法,并说明了KNN信号强度指纹算法的不足。在KNN信号强度指纹定位算法的基础上,提出了改进的基于区域划分的定位算法。在定位阶段,首先对接收信号强度进行补偿和滤波处理,以降低各种外在因素对定位精度的影响;同时对定位区域进行划分,选择主参考节点,并基于加权的最近邻匹配来选择最近的信号强度指纹;最后对定位结果进行计算并验证。仿真实验表明,改进的区域划分算法相对于传统的KNN算法,定位精度提高了22.2%,达到2.1m,证明了改进算法的可行性。     

基于模糊核c-means 算法的位置指纹聚类

提出一种针对位置指纹的模糊核c-means聚类算法.将位置指纹归结为一种服从正态分布的区间值数据以反映接入点信号强度采样值的不确定性,通过区间中值和大小确定的正态分布函数将位置指纹映射为特征空间中的一点,并在该特征空间中采用基于核方法的模糊c-means算法对其进行聚类.通过ZigBee定位实验表明,该方法对于位置指纹的分类效果明显好于基于信号强度平均值的c-means聚类,可在保证定位精度的前提下有效降低定位的计算量.     

基于特征聚类的大视差图像拼接算法

针对大视差图像拼接过程中出现的错位、重影等问题,提出一种基于特征聚类的图像拼接算法.首先,以已匹配的特征点分布为依据在目标图像重叠区域构造泰森多边形.然后使用改进的AG-N ES层次聚类算法对特征点聚类,合并对应组内特征点所代表的泰森多边形,得到目标图像重叠区域的各个子平面.最后,求解对应子平面的单应性矩阵,并采取就近...     

基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类（K-Means）和模糊C-均值聚类（FCM）对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略（ECS）应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.     

基于DBSCAN与KNN的室内定位算法

针对位置指纹室内定位算法中定位精度不足、计算量大、实时性较差的问题，提出了一种将聚类算法（DBSCAN）应用于传统定位算法的解决方案。离线阶段通过各参考点的接收信号强度进行聚类，将定位区域划分为多个子区域，在每个子区域选择一个中心节点，构造新型位置指纹数据库存储数据。在现阶段，通过各个子区域中心节点进行粗定位，根据参考标签所在的子区域对传统定位算法进行权重优化。实验结果表明，平均定位误差为1.63 m。该算法在提升定位精度的同时，提升了定位的实时性。     

基于半监督仿射传播聚类和KLDA的室内定位算法*

室内定位中位置指纹库采集的密集程度往往跟定位精度密切相关,针对离线阶段时指纹库稀疏的情况下定位精度低的问题,提出了一种基于半监督仿射传播聚类和KLDA的室内定位算法。该算法结合了在线阶段采集无位置标签的RSSI数据,通过建立局部邻域图将无位置标签的RSSI信息反映到离线指纹数据的结构中,并使用KLDA方法抽取位置指纹库中最大的特征信息,有效利用了无位置标签的RSSI信息从而提高定位精度。实验结果表明,该算法结合在线阶段RSSI数据后定位精度得到了明显的提高。而且在仅保留离线指纹数据库三分之二的情况下,也几乎能够取得与传统KNN算法使用全指纹库时相同的定位精度,相当于减少了离线阶段采集指纹库的工作开销。     

基于WIFI指纹定位的仿生SLAM研究

针对复杂室内环境下移动机器人的定位问题,基于RatSLAM模型的定位方法,由于室内环境的复杂性及易变性,定位精度及准确性很难得到保证。本文基于此提出RatSLAM和WIFI相结合的策略,利用基于WIFI信号强度的指纹识别方法,离线阶段建立位置指纹数据库,在线定位阶段采用位置指纹定位算法完成认知点的匹配,从局部场景中获取更加精确的经历制图。实验分析表明:两种算法的结合使得移动机器人的定位精确度更高,提高了系统的鲁棒性,使系统具备了良好的定位性能。     

一种改进的基于KNN的动态预测指纹定位算法*

针对目前的WiFi室内定位普遍存在定位精度不高、定位结果不稳定等问题进行了研究,为了改善这些不稳定因素,根据室内传播信号波动较大的特点提出了一种基于KNN的指纹定位改进算法。该算法通过动态预测节点位置,从无线地图中过滤掉到标签处没有相似RSS向量的RP来寻找最近邻,以降低KNN算法的时间和计算复杂度。实验结果表明,改进后的算法在定位精确度方面有了较大的提高。因此,得出结论：改进后的KNN定位算法在减小位置漂移和定位的平均误差, 确实可以提高定位的精确度。     

基于双阶段位置修正的室内定位算法

WLAN指纹定位技术已经成为室内定位领域的研究热点，但空间环境变化易导致传统定位算法精度降低。针对此问题，提出基于双阶段位置修正的室内定位算法。分析空气介质电导率变化对RSSI的影响，以传统算法的定位结果作为初始位置，首先利用K邻近法（KNN）构建初始位置指纹映射；在此基础上，利用多维标度法（MDS）计算离线、在线阶段的用户间相对位置修正值；最后，利用双阶段位置修正值对初始位置进行优化，得出最终目标位置。实验结果表明，该算法能够有效应对环境变化，修正定位结果，传统算法经其优化后平均误差均有10%以上的降低。     

机器人听觉系统中指纹定位改进方法

针对传统指纹定位方法中高定位精度依赖于高参考点密度、计算复杂度高的问题,提出了一种改进的声音位置指纹定位方法。基于声音位置的聚类算法首先被用来构建位置指纹数据库,从而降低在线搜索数据库的计算成本,同时线性插值方法被采用在选定聚类内生成虚拟参考点来更新数据库,最后,目标位置由声源与虚拟参考点的指纹相似度计算得出。实验结果表明,该方法能有效提高低参考点密度下的系统定位精度,同时算法复杂度低。     

基于值差度量和聚类优化的K最近邻算法在银行客户行为预测中的应用

为提升贷款金融客户行为预测的准确性,针对传统的K-最近邻（KNN）算法在数据分析中处理非数值因素的不完备问题,提出了一种采用值差度量（VDM）距离的对聚类结果迭代优化的改进KNN算法。首先对收集到的数据信息进行基于VDM距离的KNN算法的聚类,再对聚类结果进行迭代分析,最后通过联合训练提高了预测精度。基于葡萄牙零售银行2008-2013年收集的客户数据比较可知,改进的KNN算法与传统的KNN算法、基于属性值相关距离的KNN改进（FCD-KNN）算法、高斯贝叶斯算法、Gradient Boosting等现有算法相比具有更好的性能和稳定性,在银行数据预测客户行为中具有很大的应用价值。     

基于VWMC的传感器网络移动节点定位算法

为了解决无线传感器网络移动节点定位精度低、计算方法复杂以及响应时间长的问题,提出了一种基于VWMC的传感器网络移动节点定位算法(VWMCL).该算法利用Monte Carlo算法作为移动节点的基本定位算法,并在预测阶段加入航位推算方法,通过减少预测角度的误差来提高粒子位置预测的精度;并把Voronoi图和权值融合在MCL算法的粒子过滤阶段,采用Voronoi图和权值的双重筛选的机制,提高粒子过滤的准确性.仿真结果表明,该算法可以显著改善定位精度,减少算法的计算量,从而提高定位的效率.     

基于密度峰值和近邻优化的聚类算法

针对密度峰值算法在选取聚类中心时的时间复杂度过高,需要人工选择截断距离并且处理流形数据时有可能出现多个密度峰值,导致聚类准确率下降等问题,提出一种新的密度峰值聚类算法,从聚类中心选择、离群点筛选、数据点分配三方面进行讨论和分析,并给出相应的聚类算法。在聚类中心的选择上采取KNN的思想计算数据点的密度,离群点的筛选和剪枝以及数据点分配则利用Voronoi图的性质,结合数据点的分布特征进行处理,并在最后应用层次聚类的思想以合并相似类簇,提高聚类准确率。实验结果表明:所提算法与实验对比算法相比较,具有较好的聚类效果和准确性。