CN109116300A - 一种基于非充分指纹信息的极限学习定位方法 - Google Patents
一种基于非充分指纹信息的极限学习定位方法 Download PDFInfo
- Publication number
- CN109116300A CN109116300A CN201810685557.1A CN201810685557A CN109116300A CN 109116300 A CN109116300 A CN 109116300A CN 201810685557 A CN201810685557 A CN 201810685557A CN 109116300 A CN109116300 A CN 109116300A
- Authority
- CN
- China
- Prior art keywords
- value
- fingerprint base
- individual
- rssi
- elm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于非充分指纹信息的极限学习定位方法,属于无线传感器网络定位领域。通过在离线阶段提出利用反距离加权插值法扩充指纹库,增加了指纹库的数据量并提高数据平滑性,并利用3σ准则对已扩充的指纹库进行奇异值剔除,提高了指纹库的健壮性;在线匹配阶段利用极限学习机的匹配速度快,精度高的优势进行定位计算;引入遗传算法优化随机初始化权值与偏置过程,提高定位的稳定性;达到了建库简单且提高了在线匹配精度的效率。
Description
技术领域
本发明涉及一种基于非充分指纹信息的极限学习定位方法,属于无线传感器网络定位领域。
背景技术
随着室内定位技术的迅速发展,指纹定位技术因其低廉的设备成本、广泛的适用性而备受关注。
随着指纹定位算法的应用越来越广泛,定位区域的增大,因此在指纹定位离线阶段,需要相应地增加大量的人力与时间来采集接收信号强度指示(Received SignalStrength Indication,RSSI)值;在指纹定位在线匹配阶段,传统的匹配算法存在着定位时间长,匹配精度低等问题。
为了解决这些问题,RSSI数据采集阶段常用的解决方法有优化访问接入点(Access Point,AP)分布,利用辅助变量加强指纹库的可靠性,同时减少测量工作量;建模部分常用的解决方法有利用K领域法或者神经网络来对输入所得的RSSI值进行匹配定位。但是,上述方法存在着建库困难与在线匹配精度效率低的问题。
发明内容
反距离加权插值法具有针对多维数据进行插值计算的特点,可以针对多维指纹库进行插值运算,增加指纹库的数据量并提高数据平滑性
而极限学习机(Extreme Learning Machine,ELM)作为新型的单层神经网络,不同于经典神经网络采用梯度下降法迭代更新权重偏置的工作原理,而是基于随机初始化输入层的权值和偏置,利用最小二乘法确定输出层权重;因此本发明利用ELM进行建模。
ELM是一种单隐含层的前馈神经网络,相对于BP(Back Propagation)与径向基函数(Radial Basis Function Neural Network,RBF)神经网络,虽然有着更快的训练速度,但容易陷入局部最优状况,并且对隐含层节点个数与学习速率的敏感度较高,因此ELM在指纹定位的过程中稳定性相对于其他机器学习方法较差。而遗传算法(Genetic Algorithm)是模拟物竞天择的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。利用遗传算法(Genetic Algorithm,GA)对ELM的随机初始化的权重wl与偏置b进行优化,以保证系统可以获得神经网络输出层权值矩阵B的解析解。
针对现有技术中存在的建库困难与在线匹配精度效率低的问题,本发明提出了一种基于非充分指纹信息的极限学习定位方法。
在建库阶段利用反距离加权插值法(Inverse Distance WeightedInterpolation,IDW),在选取可靠性强的AP的RSSI信号所构建的指纹库的基础上对指纹库数据进行扩充,并利用3σ准则提升指纹库可靠性,尽可能减少前期数据测量工作。
在建模阶段,利用极限学习机的(Extreme Learning Machine,ELM)训练速度快,精度较高的特性进行匹配定位,并引入遗传算法(Genetic Algorithm,GA)优化ELM初始阶段的稳定性。
对于接收到的RSSI信号输入ELL-IF,得到最终的定位坐标。
所述基于非充分指纹信息的极限学习定位方法包括:
步骤1:将定位区域划分成若干个边长为单位距离的正方形网格,根据应用需要定义网格个数与网格边长,并在网格点上进行接收信号强度指示RSSI值采集,由每个网格点上对应的RSSI构成指纹库FI与每个网格点对应的坐标构成位置信息库PI:
其中,为原始指纹库FI对应第i个网格点接收到的第n个访问接入点AP的RSSI值,为FI的第i组RSSI值对应网格点的x轴坐标为FI的第i组RSSI值对应网格点的y轴坐标;根据采集的RSSI组数确定M1值,根据AP的个数确定N值,i=1,2,…M1,n=1,…,N;
步骤2:当指纹库FI与位置信息库PI建立完成后,随机生成M2*N维RSSI值,构建补充指纹库FⅡ;
其中, 与为指纹库FI中RSSI信号的最小值与最大值,j=1,2,…M2,M2根据实际场景大小和对计算机计算量随机设置,M2≥M1;
步骤3:利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点,计算FII对应的指纹信息库PII;以确定与FII相对应的扩充位置信息库PII;其中为与的欧式距离;
定义位置权值与PII的对应关系如下:
其中,为随机生成指纹库FII的第j组随机生成RSSI值对应位置点的x轴坐标,同理,为FII的第j组随机生成RSSI值对应位置点的y轴坐标;
步骤4:将上述FI与FII合并成新的指纹库FIII,PI与PII合并成新的位置信息库PIII:
其中,M3=M1+M2;
步骤5:利用极限学习机ELM对所得到的指纹库FIII进行回归建模;
所述ELM即基于一个单层神经网络,利用对未知位置进行估计,令其输入样本为新的指纹库FIII中的数据输出即为FIII中每组RSSI值对应的定位坐标的估计值其中,k=1,2,…,M3;
ELM的结构如(3)所示:
其中,输入层权重wl=[wl1,wl2,…,wlN]T,输出层权重βl=[βlx,βly]T,L为输入层节点数,l=1,2,…,L,L≥N+1,sig(·)为sigmoid激活函数,b为输入层偏置量;
步骤6:利用步骤5得到的ELM模型,对任意定位区域的未知点所接收到的N维RSSI信号,计算其对应的估计坐标[xo,yo]。
可选的,针对所述步骤5,还包括:
利用遗传算法GA对ELM的权重值进行优化;
所述步骤6为利用GA优化权重值后得到的ELM模型,对任意未知位置点所接收到的N维RSSI信号,进行计算,即可获得其对应的估计坐标[xo,yo]。
可选的,在所述步骤3中,引入3σ准则的增强判断,以来提高指纹库FIII的平滑性。
可选的,步骤5中,
为使定位坐标的期望值与估计值之间的误差E最小;
其中,
通过结合式(3)和(4),得
可见,欲使得E最小化,应存在一组βl,wl,b使得式(6)成立;
即:
HB=PIII (7)
其中,
基于极限学习机ELM工作原理,对于任意给定的wl,b,可求解βl。
可选的,所述求解βl的方法包括:
随机设置权值wl与偏置b,为确定输出层权值βl,将问题转化成求解线性系统HB=PIII,从而可得输出权值为
从而,确定当前神经网络的参数βl,其中是矩阵H的广义逆矩阵。
可选的,所述利用遗传算法GA对ELM的初始化权值进行优化,具体步骤包括:
A步:随机产生L个输入层权值wl与阈值b,并利用每一个wl和b进行二进制编码,作为L个初代个体,设置迭代初始次数m=1,迭代次数上限M;
B步:设置个体筛选轮数p的初始值为p=2,个体筛选轮数上限P,利用式(8),计算所有个体的输出层权值βl,其中,P为大于等于2的偶数;
C步:基于式(5)计算第m代个体的适应度E,并利用每个个体的适应度除以所有个体适应度总和计算生存概率;
D步:利用步骤C得到的每个个体的生存概率来生成轮盘,并基于轮盘选择法对个体进行p轮筛选,p=2,4,6,…,P;
E步:若p≥P,得到筛选出的p个个体,通过交叉变异生成新个体,;否则,返回步骤D。
F步:若m≥M时,得到当前适应度最高个体的wl和b,完成对ELM权值的优化;否则,返回B步;
其中,第E步中,交叉概率和变异概率在可根据参与交叉变异的个体数目确定。不失一般性,变异概率在0.1至0.3即可,较差概率在0.9至0.7之间,即在保持绝大多数样本特性的情况下,可得到较优的交叉变异效果。
可选的,所述步骤1之前还包括:
在所需定位区域进行AP布置,并对区域进行以单位距离为边长的正方形网格划分,建立坐标系。
本发明有益效果是:
通过在离线阶段提出利用反距离加权插值法扩充指纹库,增加了指纹库的数据量并提高数据平滑性,并利用3σ准则对已扩充的指纹库进行奇异值剔除,提高了指纹库的健壮性;在线匹配阶段利用极限学习机的匹配速度快,精度高的优势进行定位计算;引入遗传算法优化随机初始化权值与偏置过程,,提高定位的稳定性;达到了建库简单且提高了在线匹配精度的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是针对指纹定位的ELM神经网络模型;
图2是ELL-IF定位系统数据流图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于非充分指纹信息的极限学习定位方法,参见图1,所述方法包括:
1.1在所需定位区域进行AP点布置,并对区域进行网格划分,建立坐标系。
将定位区域划分成若干个边长为单位距离的正方形网格,根据定位场景大小以及所需定位的精度定义网格个数与网格边长,例如所需定位精度为1米,则划分正方形网格的边长即为1米。若定位区域为100m2,则将定位区域划分为100个1m×1m的正方形网格,并在网格点上进行接收信号强度指示RSSI值采集,由每个网格点上对应的RSSI构成指纹库FI与每个网格点对应的坐标构成位置信息库PI;
1.2在网格点上进行RSSI值采集,生成对应的RSSI指纹库FI与位置信息库PI:
其中,为原始指纹库FI对应第i个网格点接收到的第n个访问接入点AP的RSSI值,为FI的第i组RSSI值对应网格点的x轴坐标为FI的第i组RSSI值对应网格点的y轴坐标;根据采集的RSSI组数确定M1值,根据AP节点个数确定N值,i=1,2,…M1,n=1,…,N。
1.3当指纹库FI与位置信息库PI建立完成后,随机生成M2*N维RSSI值,构建补充指纹库FⅡ;
其中, 与为指纹库FI中RSSI信号的最小值与最大值,j=1,2,…M2。
M2根据实际场景大小和对计算机计算量设置,通常M2>M1;比如,现已采集M1=400组RSSI值,设置IDW扩充样本的RSSI组数为M2=800;
1.4利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点,计算FII对应的指纹信息库PII;以确定与FII相对应的扩充位置信息库PII;其中为与的欧式距离;
定义位置权值与PII的对应关系如下:
其中,为随机生成指纹库FII的第j组随机生成RSSI值对应位置点的x轴坐标,为FII的第j组随机生成RSSI值对应位置点的y轴坐标。
将FI与FII合并成新的指纹库FIII,PI与PII合并成新的位置信息库PIII:
其中,M3=M1+M2;
考虑到随机生成的指纹库FII带有一定的随机性,为避免离群点使FIII偏离原始数据分布,引入3σ准则的增强判断,以来提高指纹库FIII的平滑性。
1.5利用极限学习机ELM对指纹库FIII进行回归建模;
所述ELM的回归建模即基于一个单层神经网络,即一种数据驱动模型,利用对未知位置进行预测,令其输入样本为新的指纹库FIII中单组数据输出即为FIII中每组RSSI值对应的定位坐标的估计值其中,k=1,2,…,M3。
基于极限学习机的一般模型结构如(3)所示,可确定输入-输出关系如下:
其中,输入层权重wl=[wl1,wl2,…,wlN]T,输出层权重βl=[βlx,βly]T,L为输入层节点数,l=1,2,…,L,L≥N+1,sig(·)为sigmoid激活函数,b为输入层偏置量。
为使定位坐标的期望值与估计值之间的误差E最小;其中,
通过结合式(3)和(4),得
可见,欲使得E最小,即应存在一组βl,wl,b使得式(6)成立。
即:
HB=PIII (7)
其中,
1.6基于ELM工作原理,对于任意给定的wl,b,可求解βl;
所述求解βl的方法包括:
随机设置权值wl与偏置b,为确定输出层权值βl,需将问题转化成求解线性系统HB=PIII,从而可得输出权值为
从而,确定当前神经网络的参数βl,其中是对于矩阵H的广义逆矩阵b。
1.7利用遗传算法GA对ELM的初始化权值进行优化。具体步骤可以包括:
A步:随机产生L个输入层权值wl与阈值b,并利用每一个wl和b进行二进制编码,生成L个初代个体,设置迭代次数m=1,迭代次数上限M;
B步:利用ELM(式(8)),计算所有个体的输出层权值βl;
C步:基于式(5)计算第m代个体的适应度E,并利用每个个体的适应度除以所有个体适应度总和计算生存概率;
D步:利用步骤C得到的每个个体的生存概率生成轮盘,并基于轮盘选择法对个体进行p轮筛选,p=2,4,6,…,P,其中P为大于等于2的偶数,随机筛选适应度最高的p个个体,筛选出的p个个体,通过交叉变异生成新个体,m=m+1,其中,交叉概率设置为0.9,变异概率为0.1;
E步:当m≥M时,输出当前适应度最高个体的wl和b,完成对ELM的初始化权值优化;否则,返回B。
其中,第E步中,交叉概率和变异概率在可根据参与交叉变异的个体数目确定,不失一般性,变异概率在0.1至0.3即可,较差概率在0.9至0.7之间,即在保持绝大多数样本特性的情况下,可得到较优的交叉变异效果。
1.8利用GA经过得到的ELM模型,可以对任意未知点所接收到的N维RSSI信号,进行指纹匹配计算,获得其对应的估计坐标[xo,yo]。
本发明通过在离线阶段提出利用反距离加权插值法扩充指纹库,增加了指纹库的数据量并提高数据平滑性,并利用3σ准则对已扩充的指纹库进行奇异值剔除,提高了指纹库的健壮性;在线匹配阶段利用极限学习机的匹配速度快,精度高的优势进行定位计算;引入遗传算法优化随机初始化权值与偏置过程,,提高定位的稳定性;达到了建库简单且提高了在线匹配精度的效率。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于非充分指纹信息的极限学习定位方法,其特征在于,所述方法包括:
步骤1:采集接收信号强度指示RSSI值,生成对应的RSSI指纹库FI与位置信息库PI:
其中,为原始指纹库FI对应第i个网格点接收到的第n个访问接入点AP的RSSI值,为FI的第i组RSSI值对应网格点的x轴坐标为FI的第i组RSSI值对应网格点的y轴坐标;根据采集的RSSI组数确定M1值,根据AP的个数确定N值,i=1,2,…M1,n=1,…,N;
步骤2:当指纹库FI与位置信息库PI建立完成后,随机生成M2*N维RSSI值,构建补充指纹库FⅡ;
其中, 与为指纹库FI中RSSI信号的最小值与最大值,j=1,2,…M2,M2≥M1;
步骤3:利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点,计算FII对应的指纹信息库PII;以确定与FII相对应的扩充位置信息库PII;其中为与的欧式距离;
定义位置权值与PII的对应关系如下:
其中,为随机生成指纹库FII的第j组随机生成RSSI值对应位置点的x轴坐标,同理,为FII的第j组随机生成RSSI值对应位置点的y轴坐标;
步骤4:将上述FI与FII合并成新的指纹库FIII,PI与PII合并成新的位置信息库PIII:
其中,M3=M1+M2;
步骤5:利用极限学习机ELM对所得到的指纹库FIII进行回归建模;
所述ELM即基于一个单层神经网络,利用对未知位置进行估计,令其输入样本为新的指纹库FIII中的数据输出即为FIII中每组RSSI值对应的定位坐标的估计值其中,k=1,2,…,M3;
ELM的结构如式(3)所示:
其中,输入层权重wl=[wl1,wl2,…,wlN]T,输出层权重βl=[βlx,βly]T,L为输入层节点数,l=1,2,…,L,L≥N+1,sig(·)为sigmoid激活函数,b为输入层偏置量;
步骤6:利用步骤5得到的ELM模型,对任意定位区域的未知点所接收到的N维RSSI信号,计算其对应的估计坐标[xo,yo]。
2.根据权利要求1所述的方法,其特征在于,针对所述步骤5,还包括:
利用遗传算法GA对ELM的权重值进行优化;
所述步骤6为利用GA优化权重值后得到的ELM模型,对任意未知位置点所接收到的N维RSSI信号,进行计算,即可获得其对应的估计坐标[xo,yo]。
3.根据权利要求1所述的方法,其特征在于,在所述步骤3中,引入3σ准则的增强判断,以来提高指纹库FIII的平滑性。
4.根据权利要求1所述的方法,其特征在于,步骤5中,
为使定位坐标的期望值与估计值之间的误差E最小;
其中,
通过结合式(3)和(4),得
可见,欲使得E最小化,应存在一组βl,wl,b使得式(6)成立;
即:
HB=PIII (7)
其中,
B=[β1,…,βL]T;
基于极限学习机ELM工作原理,对于任意给定的wl,b,可求解βl。
5.根据权利要求4所述的方法,其特征在于,所述求解βl的方法包括:
随机设置权值wl与偏置b,为确定输出层权值βl,将问题转化成求解线性系统HB=PIII,从而可得输出权值为
从而,确定当前神经网络的参数βl,其中是矩阵H的广义逆矩阵。
6.根据权利要求2所述的方法,其特征在于,所述利用遗传算法GA对ELM的初始化权值进行优化,具体步骤包括:
A步:随机产生L个输入层权值wl与阈值b,并利用每一个wl和b进行二进制编码,作为L个初代个体,设置迭代初始次数m=1,迭代次数上限M;
B步:设置个体筛选轮数p的初始值为p=2,个体筛选轮数上限P,利用式(8),计算所有个体的输出层权值βl,其中,P为大于等于2的偶数;
C步:基于式(5)计算第m代个体的适应度E,并利用每个个体的适应度除以所有个体适应度总和计算生存概率;
D步:利用步骤C得到的每个个体的生存概率来生成轮盘,并基于轮盘选择法对个体进行p轮筛选,p=2,4,6,…,P;
E步:若p≥P,得到筛选出的p个个体,通过交叉变异生成新个体,;否则,返回步骤D;
F步:若m≥M时,得到当前适应度最高个体的wl和b,完成对ELM权值的优化;否则,返回B步。
7.根据权利要求1所述的方法,其特征在于,所述步骤1之前还包括:
在所需定位区域进行AP布置,并对区域进行以单位距离为边长的正方形网格划分,建立坐标系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685557.1A CN109116300B (zh) | 2018-06-28 | 2018-06-28 | 一种基于非充分指纹信息的极限学习定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685557.1A CN109116300B (zh) | 2018-06-28 | 2018-06-28 | 一种基于非充分指纹信息的极限学习定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116300A true CN109116300A (zh) | 2019-01-01 |
CN109116300B CN109116300B (zh) | 2020-09-25 |
Family
ID=64822449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810685557.1A Active CN109116300B (zh) | 2018-06-28 | 2018-06-28 | 一种基于非充分指纹信息的极限学习定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116300B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598320A (zh) * | 2019-01-16 | 2019-04-09 | 广西大学 | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 |
CN111654843A (zh) * | 2019-03-04 | 2020-09-11 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
CN112543428A (zh) * | 2020-12-02 | 2021-03-23 | 南京邮电大学 | 基于ELM-AdaBoost分类学习的室内定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332277A (zh) * | 2016-09-05 | 2017-01-11 | 中南大学 | 一种基于信道状态信息分布的室内定位方法 |
CN107423762A (zh) * | 2017-07-26 | 2017-12-01 | 江南大学 | 基于流形正则化的半监督指纹定位算法 |
CN107798383A (zh) * | 2017-10-27 | 2018-03-13 | 天津大学 | 改进的核极限学习机定位方法 |
-
2018
- 2018-06-28 CN CN201810685557.1A patent/CN109116300B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332277A (zh) * | 2016-09-05 | 2017-01-11 | 中南大学 | 一种基于信道状态信息分布的室内定位方法 |
CN107423762A (zh) * | 2017-07-26 | 2017-12-01 | 江南大学 | 基于流形正则化的半监督指纹定位算法 |
CN107798383A (zh) * | 2017-10-27 | 2018-03-13 | 天津大学 | 改进的核极限学习机定位方法 |
Non-Patent Citations (2)
Title |
---|
夏林元等: "多基站模式下的实时与自适应室内定位方法研究", 《测绘通报》 * |
李耀先: "高精度RSSI的定位方法及其定位系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598320A (zh) * | 2019-01-16 | 2019-04-09 | 广西大学 | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 |
CN111654843A (zh) * | 2019-03-04 | 2020-09-11 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
CN111654843B (zh) * | 2019-03-04 | 2024-04-30 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
CN112543428A (zh) * | 2020-12-02 | 2021-03-23 | 南京邮电大学 | 基于ELM-AdaBoost分类学习的室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109116300B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xuan et al. | Multi-model fusion short-term load forecasting based on random forest feature selection and hybrid neural network | |
CN107784380B (zh) | 一种巡检最短路径的优化方法及优化系统 | |
Obayashi et al. | Multi-objective design exploration for aerodynamic configurations | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN110705029B (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN105554873A (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
CN112308961A (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN110442143A (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN115907436B (zh) | 基于量质耦合预报的水资源水环境调控方法和系统 | |
Subbotin et al. | Individual prediction of the hypertensive patient condition based on computational intelligence | |
Syama et al. | A hybrid extreme learning machine model with Lévy flight chaotic whale optimization algorithm for wind speed forecasting | |
CN107436969B (zh) | 一种基于遗传算法的三维多目标定位方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
Zhang et al. | End‐to‐end generation of structural topology for complex architectural layouts with graph neural networks | |
Han et al. | An efficient genetic algorithm for optimization problems with time-consuming fitness evaluation | |
CN116629137B (zh) | 风电机组能效管理方法、装置及变桨通讯控制系统 | |
CN112183721B (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 | |
CN103473599A (zh) | 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法 | |
CN103489037A (zh) | 一种可发电风资源的预测方法 | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |