【摘 要】
：
针对室内空间内的人员定位困难问题进行了研究,提出了一种基于Wi-Fi指纹法和循环神经网络(re-current neural network,RNN)的多传感器融合室内定位算法.该算法将智能手机接收到的路由器信号强度作为时间序列输入RN N,通过RN N获得对行人精度较高的定位,与此同时获取智能手机中惯性测量单元提供的位置信息.随后,通过粒子滤波算法对两种定位方式的定位结果进行融合.在实际场景下设计了多组实验进行对比.实验结果表明,该算法定位平均误差为0.9 m,优于加权K近邻等算法,可以为行人提供实时的
【机 构】
：
上海理工大学 光电信息与计算机工程学院,上海200093;上海理工大学 理学院,上海200093
论文部分内容阅读
针对室内空间内的人员定位困难问题进行了研究,提出了一种基于Wi-Fi指纹法和循环神经网络(re-current neural network,RNN)的多传感器融合室内定位算法.该算法将智能手机接收到的路由器信号强度作为时间序列输入RN N,通过RN N获得对行人精度较高的定位,与此同时获取智能手机中惯性测量单元提供的位置信息.随后,通过粒子滤波算法对两种定位方式的定位结果进行融合.在实际场景下设计了多组实验进行对比.实验结果表明,该算法定位平均误差为0.9 m,优于加权K近邻等算法,可以为行人提供实时的定位.
其他文献
有约束竞争选址问题是组合优化中一个经典的NP-hard问题,现有算法研究该问题时或是无法求得最优解或是求解速度慢.针对现有算法的缺点,首先在这个经典问题的基础上进行修改,构建了一个新的数学模型;接着对该模型的数学性质进行研究,并在数学性质的基础上提出了上下界算法和降阶子算法对问题进行降阶,达到了缩减问题搜索解空间的目的,降阶的过程中既有单个的降阶,也有成批的降阶;然后在前面的基础上设计了一个回溯子算法来求解问题的最优解;最后通过两个示例分析更清楚地阐述该算法的原理,结果证明该算法可以较快求得最优解.
利用AI(artificial intelligence)技术可从遥感影像上快速提取矢量数据,尤其可以获取实时性较好的矢量路网数据,但提取的数据没有属性信息;而已有的众源数据如OSM(open street map)路网具有开源、属性信息丰富等特点,但现势性相对于提取路网较低.针对上述情况,以AI提取路网为基准数据,OSM路网为匹配数据,将一种基于多因子几何匹配算法用于路网匹配中,并在匹配后引入匹配度的概念,以最优匹配对象进行属性重建.实验结果表明能有效地对AI提取路网的属性信息进行重建,并基于此开发了一
针对多部件设备进行维护时未考虑需要拆卸的问题,建立了一种基于拆卸序列的多部件设备机会维护策略模型.首先,以拆卸混合图表示部件间的拆卸序列,进而得出各部件的拆卸时间和拆卸成本;然后针对各部件的衰退过程,结合役龄递减因子和故障率递增因子的混合故障率来描述各部件的衰退特性;其次,在此基础上,以设备的机会维护时间窗为决策变量,在设备满足一定可用度的情况下,以设备在有限运行时间内的最低维护成本为优化目标,求解设备的最优预防维护计划;最后,通过数值仿真分析,验证所提出的多部件设备机会维护策略的有效性.
为了在缺失数据和噪声数据的脑电信号中保持较好的鲁棒性,并揭示脑电信号多通道之间相互作用关系,利用随机森林算法挑选出具有相互作用的重要通道,去除不相关和冗余的通道;利用状态空间模型描述多通道之间的内部运动规律,反映输入输出与内部状态之间的关系;采用EM算法实现状态空间模型的参数辨识作为识别特征;将提取的特征通过SE-GRU模型进行识别,增加了重要特征的权重.上述方法在公共数据集和虚拟人引导的脑电信号数据集上有效提高了分类准确率,相比不进行通道选择的方法取得了更好的效果,并通过最终训练模型实现了对虚拟人的控制
随着装备系统集成化、信息化程度的提高,复杂装备的工作可靠性至关重要,对其进行健康状态评估有着重要意义;健康度是对装备健康状态进行定量评估的方法,相对于分级的健康状态评估,可以更加细致地反映装备退化状况,能为装备视情维修提供准确依据,近年来得到越来越多的关注;通过对近几年国内外涉及装备健康度评估方法的相关文献整理,综述了复杂装备健康度评估研究的发展现状和相关评估方法,并从部件级和系统级两个方面对各种健康度评估方法进行了分类阐述和优缺点分析;着重指出了复杂装备在健康度评估中存在的权重问题、样本不均衡问题和健康
针对带有输出约束和模型不确定的柔性关节机械臂系统,运用奇异摄动法将系统解耦成慢子与快子系统且分别进行控制器设计,从而实现与刚性控制方法的联系且能减少计算量.针对快子系统,采用速度差值反馈来抑制关节柔性引起的系统弹性振动.针对慢子系统提出了一种全局收敛的分段控制策略,将收敛域拓展到全局,克服了基于tan-障碍Lyapuov函数(BLF)反演控制需要系统初始误差在收敛域内的缺陷,且应用径向基(RBF)神经网络消除未知干扰和模型不确定性引起的误差,至此保证了系统的轨迹跟踪和输出约束要求.仿真对比表明,所提方法能
针对持续集成环境下回归测试需要进行持续优化的问题,提出一种依据回归测试目标自适应调整策略的优化方法.首先将失败标志、缺陷检测数、重要性因子、新旧功能标志作为用例属性进行标记,根据历史数据和关联关系对用例属性进行初始化;而后根据阶段测试目标,区分新功能测试、修改性测试,将需求映射为具体的用例属性指标,据此对用例进行选择;计算重要性因子,更新用例属性标签,根据用例属性进行优先级自动排序;用例执行中,按照时间、资源要求,根据用例属性选择相应规模的测试用例进行执行.最后选择开源数据集进行实验,结果表明该方法针对不
V2G网络下PLC链路带宽受限、高误码率等特点导致现有的TCP NewReno拥塞控制机制缺乏对丢包类型的有效判断,将链路上由噪声干扰的随机错误丢包与网络拥塞丢包统一当做拥塞事件处理,从而造成不必要的拥塞避免,导致了低吞吐量问题.根据此问题,提出了一种基于带宽自适应的拥塞控制算法.该算法通过分组预测拥塞等级感知网络状态,由此估计可用带宽来判断丢包类型,实现了拥塞窗口自适应调节.仿真结果表明该算法在拥塞窗口的增长、吞吐量、公平性、收敛性和友好性等方面都优于现有算法,V2 G网络的吞吐量得到明显提升.
针对无人机(unmanned aerial vehicle,UAV)多输入多输出(multiple input multiple output,MIMO)信道,提出了使用二维单环和三维半球体建模的无人机信道模型.在提出信道模型的基础上,推导并分析了参考模型和仿真模型的空—时相关函数(space time correlation function,STCF)、多普勒功率谱密度(Doppler power spectral density,DPSD)和二阶统计特性如包络电平交叉率(level crossing
当前对于短期负荷预测的研究主要针对影响因素的分析以及模型的改进,很少有对模型的鲁棒性进行研究.以极限学习机(extreme learning machine,ELM)作为研究对象,针对ELM模型的鲁棒性问题进行了深入的研究,并将其应用到短期负荷预测问题中.ELM模型的鲁棒性受损失函数的影响,当前ELM模型在处理含异常点样本时,鲁棒性差、预测精度较低.针对该问题,提出了一种基于p阶最大相关熵准则的损失函数,并将该损失函数应用到ELM模型中,以提高其在短期负荷预测问题中的鲁棒性.提出了一种估计实际样本中异常点