共查询到20条相似文献,搜索用时 15 毫秒
1.
为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network, GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明:在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。 相似文献
2.
3.
4.
为提高室内定位精度,提出了一种基于黄金正弦与Sigmoid连续化海鸥优化算法(GSCSOA)的接收信号强度(Received Signal Strength Indication,RSSI)可见光室内定位技术。传统的海鸥优化算法(SOA)收敛速度慢、寻优精度低,在海鸥搜寻过程中引入Sigmoid函数使算法在后期快速收敛,在海鸥扑食过程中加入黄金正弦机制能提高算法的寻优能力。在6 m×6 m×3 m的房间顶板上按3×3的网格状布设9盏LED灯,经过实验表明:利用传统的RSSI定位估计算法得到的定位精度为1.28 m,改进的海鸥优化算法结合RSSI的定位算法得到的定位精度为7.17 cm。显然,改进后的室内定位算法精度更高,可应用于大部分的室内定位场所。 相似文献
5.
针对Wi-Fi信号强度的相似性对室内定位的影响,本文提出一种基于Wi-Fi指纹和随机森林的室内定位算法.该算法采用Wi-Fi作为信号源,以接收信号强度指示和基本服务集标识符来构建Wi-Fi指纹库,从而建立随机森林模型用于室内位置感知.仿真实验表明,该算法的定位误差约为2.26 m,与同类算法相比,在执行时间和定位精度上具有较好的优越性,算法精度提高约3.2%. 相似文献
6.
针对人们对室内定位需求的不断提高,以及现有室内定位算法定位精度不高等问题,提出了一种融合神经网络和可见光指纹的室内高精度定位算法。该算法利用反向传播神经网络(BPNN)确定待测目标的粗略位置,并以其预测坐标和最大误差作为约束条件,进行指纹匹配以确定待测目标精确位置。仿真结果表明,该算法平均定位误差为1.5cm,具有一定的应用价值。 相似文献
7.
8.
提出一种可见光重构指纹室内定位算法(RFP),通过融合到达时间差(TDOA)算法和指纹算法可快速完成室内高精度定位。该算法首先利用TDOA算法多次估计得到的解集定义一个区域,然后在该区域中构建三维精细指纹库,再利用匹配算法定位未知节点。仿真结果表明,该算法的平均定位误差约为0.1719m,与传统的TDOA算法相比,提高了定位精度,与传统精细指纹算法相比,节省了定位时间。 相似文献
9.
搭建了室内可见光定位系统,实验上探索了接收信号强度比定位算法的可行性.通过控制多个LED光源在不同时隙的亮暗,分别传输直流与正弦信号,使用照度计及光电探测器测试接收信号强度,对接收机位置进行了估计.其中使用直流信号时,在与光源所在平面相距59 cm的接收平面内,得到最大误差为2.05 cm、平均误差为8.64 mm的定位精度;使用正弦信号时,在与光源平面相距30 cm的接收平面内,得到最大误差为1.09 cm、平均误差为5.6mm的定位精度,并且使用交流信号时实验结果不受环境杂散光的干扰. 相似文献
10.
11.
本文主要针对WLAN室内定位算法中的NN、KNN、WKNN算法进行阐述,并采用MATLAB进行模拟仿真.仿真结果表明,WKNN算法优于KNN算法,KNN算法优于NN算法. 相似文献
12.
13.
14.
15.
室内可见光定位在精度方面有着较高的要求,针对这一问题,文中提出了一种麻雀搜索算法(Sparrow Search Algorithm, SSA)优化深度置信网络(Deep Belief Network, DBN)的室内可见光指纹定位算法。首先,采用信号强度特征值与位置坐标建立离线指纹库;其次,利用麻雀搜索算法较好的全局探索和局部开发的能力,对深度置信网络的初始权阈值进行优化,建立网络训练模型,对待定位目标的位置进行预测,避免了DBN陷入局部最优以及收敛速度较慢的问题。最后,利用已建立的离线指纹库数据,计算定位误差并分析。在4 m×4 m×2.5 m的空间中进行实验,结果表明:文中算法的平均定位误差为3.51 cm,定位误差在6 cm以内的概率为89.9%,与DBN定位算法相比,平均定位误差下降了约22.5%。 相似文献
16.
针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGO-Elman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。 相似文献
17.
针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization, SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network, CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network, BPNN)、多层感知器(Multilayer Perceptron, MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。 相似文献
18.
19.
介绍了指纹定位技术的基本原理,在对指纹定位技术中常用算法KNN匹配算法定位结果进行分析的基础上,给出了一种基于RSSI相关系数的匹配算法,并对该算法的定位结果在实际环境中进行测试分析,实验结果表明:该算法在满足定位实时性要求的基础上提高了指纹定位技术的定位精度。 相似文献
20.
针对目前对高精度室内定位算法的需求,提出一种基于接收信号强度识别(RSSI)和惯性导航的融合室内定位算法。基于无线传感网中ZigBee节点的RSSI值,采用位置指纹识别算法,对网络中的未知节点进行定位。结合惯性传感单元(IMU)提供的惯性数据,对RSSI定位结果进行融合修正。利用Kalman滤波器,采用状态方程描述待定位节点位置坐标的动态变化规律,从而实现一种以无线传感网络定位为主、IMU为辅的融合定位方法。仿真结果表明,提出的融合定位算法既能改善单独使用RSSI定位受环境干扰较大的问题,又能避免单独使用惯性导航带来的累积误差,极大地提高了定位精度。 相似文献