基于RFID室内可视化定位系统设计与实现

目前,RFID室内定位数据的可视化方法简单,视觉效果不理想。为了解决这一问题,提出了一种新型的RFID室内定位系统,即在地理信息系统上执行RFID室内定位算法,并给出了兼顾实时性与定位精度的室内定位算法。文中定位所用装置与传统的RFID阅读器相比,无需调节天线的发射功率。在定位过程中,与传统的基于RSSI信号强度的LandMarc定位算法及其改进Vire算法相比,降低了器件的复杂度,将阅读器模块最小化,提高了定位的实时性,有效解决了室内定位的精度与实时性问题。基于该方法,本文设计并实现了一个基于RFID室内可视化定位系统,并验证了算法的有效性。     

基于Android的室内WiFi定位系统设计与实现

室内定位是目前普及性较小、实际需求很迫切的技术,为了实现在室内复杂环境中的准确定位,设计了一种轻型、方便、可离线的WiFi定位系统。系统基于Android平台开发,在K近邻值RSSI算法的基础上加了后校验方法以避免定位坐标的过度偏移。与传统WiFi定位系统相比,该系统的数据库在设备端集成,避免了与数据库连接和通信不便带来的定位延时和失败。经测试,该系统能在楼道房间等场景中稳定工作且误差范围控制在3m以内,基本能满足室内移动定位的需求。     

基于计算机视觉的室内定位系统设计与实现

现在传统的室内定位技术大多需要在被定位物体上安装标签或者终端设备,在一些特定场合存在很大的局限性。为此提出了一种基于计算机视觉的室内定位系统。该系统通过目标检测算法检测出特定物体并获取其图像坐标,经过目标点判定算法判断该物体是否在待定位区域内,最后通过投影变换算法获取到该物体对应的地图坐标。在被定位物体无感知的情况下,完成对其定位且定位误差在1米以内。为了方便用户直观的观察,采用网页的形式,将实际地图与物体位置显示在终端设备上。     

基于LSTM的室内定位系统设计与实现

针对基于蓝牙低功耗技术(BLE)的室内定位系统使用多层感知机(MLP)等机器学习算法作为定位算法,导致定位结果精度不足的问题。提出一种基于长短时记忆网络(LSTM)的室内定位方法,利用定位过程中的时域信息以提高定位精度。首先通过采集接收信号强度指示(RSSI)构建指纹数据库,然后依靠RSSI和二维坐标的映射关系进行网络模型训练获得权重系数。最后,使用训练好的网络模型构建室内定位系统。测试结果表明,本系统使用的定位方法平均误差为1.41m,与MLP和RNN算法相比分别提高了49%和16%,定位精度明显提升,能满足室内定位的需求。     

基于 WiFi 指纹的层级学习室内定位模型

随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展.基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究.针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor ...     

基于CSS技术的室内导航系统设计与实现

设计并实现了一种基于Chirp信号往返飞行时间（round time of flight ,RTOF）的室内导航系统,用于在复杂建筑物内部多个目标点的定位及跟踪。系统采用时分算法允许多标签同时定位,移动标签与锚节点之间实现双边双向测距（symmetrical double‐sided two‐way ranging ,SDS‐TWR）算法,移动标签并把测距结果传送给定位基站,定位基站再将结果透传到计算中心处理。计算中心利用改进的卡尔曼滤波算法减弱NLOS误差影响,采用加权矫正三点定位算法计算出移动标签位置信息,并存储定位结果于定位服务器。客户端可访问定位服务器查看所需要标签的定位结果。实验结果表明,在特定复杂楼层内,系统定位精度能达到2m,满足室内导航精度需求。本系统实现了定位刷新时间与标签个数的最优化,也具有较好的规模伸缩度以及易部署性。     

基于深度学习的声源无网格定位及量化方法

波束形成技术是一种常用的声源定位方法,但在多数研究中声源强度往往没有考虑到。为准确定位和量化复杂环境下的单一点声源,本文在常规波束形成图的基础上,提出一种基于残差网络的声源定位及其强度估计方法,旨在精确预测点声源的位置和强度。研究采用Acoular软件模拟时间信号,对神经网络进行训练得到预测模型,并通过计算机仿真对深度神经网络能否从麦克风阵列数据中得到单一点源的精确描述进行了验证。结果表明,该方法不仅能够快速准确地给出单一点声源的位置和强度,其中距离误差edist / ∆x ≈ 0.15,水平误差均值,且对于较大的频率有更好的预测效果。     

基于深度学习的智能变电站二次设备故障定位研究

为提高智能变电站二次设备故障定位的准确率和运维效率,提出一种基于深度学习的智能变电站二次设备故障定位方法.依据二次设备不同模块故障时的特征信息,梳理故障定位的推理知识库;结合二次设备的自检信息、报文的订阅关系以及采样值提出了故障断面的特征信息表征方式;利用深度学习的训练规则,建立基于循环神经网络的二次设备故障定位模型并...     

基于深度学习的采摘机器人目标识别定位算法

为了提升采摘机器人对果实的识别准确率以及定位定精度,提出一种基于深度学习Faster-RCNN框架的采摘机器人目标识别和定位算法。首先采用卷积神经网络VGG16模型提取输入图像的特性信息,并利用区域提议网络RPN生成含有目标的候选框,通过引入自适应候选框数的方法有效提升了算法性能,然后利用多任务损失函数对目标进行分类识别和预测框校正定位,从而得到目标在图像坐标系统的高精准度坐标,最后通过标定求解出采摘机器人手眼两个坐标系之间的映射关系,从而实现了对果实的精确识别和定位。通过对苹果的识别和定位实验结果表明：所提算法具有较高的识别度,平均精度达97.5%,且定位误差更低,最大误差仅为1.33cm,可为智慧农业发展提供有力的技术支持。     

基于深度Q学习的强鲁棒性智能发电控制器设计

在现代互联大电网背景下,研究了多区域强鲁棒性的智能发电控制策略。在Q学习的架构下,将深度神经网络的预测机制作为强化学习的动作选择机制,提出了一种具有强鲁棒性的深度Q学习算法,设计了基于该算法的智能发电控制器。针对智能电网下的智能发电控制问题,在多智能体系统的框架下采用所提深度Q学习算法进行控制,并与传统的PID、Q学习和Q(λ)算法进行对比。在IEEE标准2区域和以南方电网4区域为背景的仿真模型(采用了23 328种不同模型参数)中进行数值仿真,仿真结果验证了所提深度Q学习算法的可行性和有效性,也验证了所设计控制器的强鲁棒性。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于红外同步的室内超声定位系统的设计

提出了一种室内定位方案,利用红外作为发射超声信号的同步计时信号、FPGA内部多路计数模块同步对超声计数,并将采样得到的多路数据通过SPI总线分别上传至主控芯片STM32,并对数据进一步处理,最后由定位算法得到目标点的位置。主要实现的功能是FPGA多路信号采集、FPGA与SPI通信的设计以及定位算法的设计,精度可以达到cm级,在实际应用中具有较高的参考价值。     

基于激光扫描的室内定位系统的设计与研究

室内定位系统在无人机、机器人、医学和VR等领域具有广泛的应用。Lighthouse空间定位技术最初是作为VR设备的跟踪定位系统而开发的,在精度、延迟性上有较大的优势,但该算法的实现常常依赖于集中式的官方跟踪软件,多基站的应用场景部署过程较复杂,且VR设备的跟踪器大、价格高。针对于此,本文提出了单基站的姿态解算算法,并设计了基于FPGA的低成本、轻量化、可扩展的定位跟踪器。定位跟踪器通过捕获来自基站的光学信号,对其进行滤波、解码、数据同步以及姿态解算,通过串口实时输出高精度定位数据,提高了定位系统的集成度以及运算效率。通过搭建实验场景,对本文设计的定位跟踪器和姿态解算算法进行验证,实验结果表明定位系统精度达毫米级,位置抖动范围小于4%。