基于近邻传播算法的动态自适应室内指纹定位算法

目前传统的室内指纹定位算法中存在以下几个问题,首先在构建指纹库时采用平均值的方式构造指纹库容易受到噪声点影响而降低定位精度,其次使用欧式距离衡量待定位点与指纹点之间的距离可能引入信号强度距离较近,物理距离较远的参考点参与估计待定位点的位置从而增大定位误差,以及当参考点数量较大时,由于K近邻算法的计算量较大,从而造成定位过程耗时较大,能源耗费较多的情况,除此之外,由于K近邻算法无法根据实际情况确定参与定位的参考点个数从而限制了定位系统的精确性和拓展性。针对上述问题,本文设计了一种基于近邻传播算法的动态自适应室内指纹定位算法。该算法在离线阶段对在每一个参考点采集的信号强度值使用方差滤波算法去除噪声值,然后利用加入了参考点物理信息的近邻传播算法对参考点进行聚类处理。在在线阶段,通过进行粗略定位和精确定位动态的估计待定位点的物理位置。经过实验证明,本文所提出的新算法较对比算法有较高的精确度和稳定度。     

基于物理邻近点辅助的无线局域网指纹定位方法

针对传统位置指纹图中的邻近参考点（ARP）信息未能得到较好利用的问题,提出一种在离线训练阶段建立基于接收信号强度（RSS）的位置指纹库和参考点(RP)物理邻近信息库的方法。通过利用待定位点与其所对应的最近邻参考点及参考点之间的物理邻近关系,来提高指纹概率定位方法的定位精度,即：在在线定位阶段,首先根据基于信号强度概率分布的贝叶斯算法计算得到待定位点的最近邻点;然后在物理邻近信息库中搜索最近邻点的物理邻近点,并在该最近邻和物理邻近点集合中,选取特征点集合用于贝叶斯二次估计;最后将具有最大后验（MAP）概率的特征点组的均值位置作为待定位点的估计位置。实验结果表明,与传统的无物理邻近数据库的指纹概率定位方法相比,在3m内的定位精度提高了约10%,有效提高了定位的可靠性。     

基于方差滤波的动态自适应室内指纹定位算法

目前常用的室内定位算法在构建指纹库时,因为在参考点处接收到的信号强度值存在噪声值,传统的欧式距离计算公式忽略信号发射器的稳定程度从而造成定位误差,以及K近邻算法无法根据实际情况动态的确定参与定位的参考点个数,从而造成定位算法缺乏拓展性和稳定性。针对上述情况,本文设计了一种经过方差滤波的动态自适应室内指纹定位算法。该算法首先在离线阶段利用方差滤波去掉噪声值,之后在在线阶段利用新的基于方差的相似度计算公式计算待定位点与各个参考点之间的相似度,然后动态自适应的确定距离较小的K个点来参与定位计算,最后利用确定的K个点加权估计待定位点的位置。实验结果证明,该算法较对比算法能够有效的提高定位精度和定位的稳定性。     

基于聚类和K近邻算法的井下人员定位算法

针对现有基于指纹模的井下定位算法存在的计算量大、实时性低、定位精度较低的问题,提出了基于聚类和K近邻算法的井下人员定位算法。用二分k-means聚类算法对采集的RSSI数据进行分类,建立离线指纹数据库;无线移动终端和动态修正器实时采集RSSI值,分别存储到在线定位数据库和动态修正数据库;根据待测点和动态修正器的离线数据和实时数据,采用软硬件动态修正加权K近邻算法计算权重值,结合离线指纹数据库中待测点的物理位置信息估算其实时位置。实验分析结果表明,所提定位算法的最小标准误差为0.46m,最大标准误差为3.26m,平均误差为1.62m。对比分析结果表明,与未进行聚类分析的算法相比,本文算法的精度更高,实时性更好;与未动态修正权重值的算法相比,本文算法的运算时间略有增加,但定位精度提高了37.21%。     

K近邻快速匹配的WiFi指纹定位方法

为解决室内WiFi指纹定位速度慢及定位波动大的问题,采用高斯拟合和多次测量取平均值的方法对接收的信号进行平滑处理;以距离为相似性测度,规定一个阈值对建立指纹数据库进行分类;改进K近邻算法,并在分类的基础上实现K近邻快速匹配.实验结果表明:经过分类处理过的定位系统耗时有很大程度的改善,平均降幅62.8％;WiFi指纹定位精度的平均误差从4.17 m降到了2.12 m.     

基于RSSI概率统计分布的室内定位方法

针对接收信号强度指示（Received Signal Strength Indication,RSSI）时变现象影响WLAN室内定位精度问题进行了研究,提出了一种基于RSSI概率统计分布（Statistical Probability Distribution,SPD）的加权K最近邻（Weighted K-Nearest Neighbor,WKNN）方法--SPD-WKNN方法。该方法首先利用SPD方法得到指纹点RSSI向量区间;然后运用SVM算法选取测试点K个近邻指纹点,计算测试点RSSI向量到每个近邻指纹点的最小欧氏距离;最后结合WKNN算法获取定位结果。实验结果表明,SPD-WKNN方法与NN、KNN、WKNN、SVR和LSSVM方法相比定位误差分别降低了47.3%、41.6%、31.9%、27.1%和16.3%,呈现了良好的定位效果;利用SVM算法的稀疏性明显减小了运算时间。     

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。     

面向NB-IoT终端的指纹匹配定位改进算法

窄带物联网具有成本低、功耗小、连接量大和覆盖范围广等特性,但其超低的复杂度和较强的穿透衰落导致定位精度不高。基于信道状态信息(CSI)幅度和窄带参考信号接收功率(NRSRP),提出一种指纹匹配定位算法。利用CSI幅值和NRSRP离线构建指纹,并在线收集待定位终端的指纹信息,采用K近邻(KNN)算法得到最近的K个近邻点,充分利用待定位终端和K个近邻点的NRSRP信息并通过无线信道传播模型估计距离差。在此基础上,使用极大似然估计算法得到最终的估计位置。实验结果表明,与KNN、WKNN等算法相比,该算法能有效降低定位误差,提高定位精度。     

基于相似度的K阶临近定位算法

基于WIFI位置指纹的定位系统能实现较高精度的室内定位,其中基于接收信号强度指示（RSSI）的近邻选择算法在进行室内定位时容易引入奇异点,导致定位精度降低.针对该问题,本文提出了一种基于相似度的K阶临近定位算法（SKNN）.该算法借鉴二部分网络中求解节点相似性的思想,建立位置指纹与AP之间的二部分网络,并提出一个相似度参数,用该参数去修正K阶临近定位算法.实验结果表明,本文提出的SKNN算法可以有效的降低奇异点对定位结果的影响,提高定位精度,80%的定位误差均在2 m以内,且在大场景中效果明显.     

基于Pearson相关系数的快速虚拟网格匹配定位算法

针对室内环境下位置指纹匹配定位算法中离线数据库采集工作量较大的问题,提出了一种基于Pearson相关系数的快速虚拟网格匹配的定位算法。首先,将接收信号强度指示（RSSI）进行高斯滤波预处理得到接收信号强度向量;然后,利用Bounding-Box方法确定初始虚拟网格区域,将该网格区域快速迭代细分并计算网格中心点到各信标节点的距离对数向量,计算接收信号强度向量和距离对数向量之间的Pearson相关系数;最后,选取Pearson相关系数接近于-1的k个近邻坐标以相关系数加权估计确定待定位节点的最优估计位置。仿真实验结果表明,在1m虚拟网格且RSSI噪声标准差为3dBm的条件下,算法定位误差小于2m的概率大于94.2%,其定位精度优于位置指纹匹配算法,且无需建立RSSI指纹数据库,大大减少了定位工作量。     

基于动态创建局部Voronoi图的连续近邻查询

在充分认识到k阶Voronoi图在解决连续k个近邻查询优越性和现实不可行性的基础上,用分支限界的思想去界定预创建Voronoi图生成点范围的上界,提出了一种动态地创建局部Voronoi图的办法解决连续近邻查询问题。该方法只是在给定查询段上所有点的k个近邻范围上界内创建一个局部的k阶Voronoi图,这样大大降低了基于Voronoi图的连续k近邻查询的代价。     

K近邻和加权相似性的密度峰值聚类算法

密度峰值聚类算法的局部密度定义未考虑密度分布不均数据类簇间的样本密度差异影响, 易导致误选类簇中心; 其分配策略依据欧氏距离通过密度峰值进行链式分配, 而流形数据通常有较多样本距离其密度峰值较远, 导致大量本应属于同一个类簇的样本被错误分配给其他类簇, 致使聚类精度不高. 鉴于此, 本文提出了一种K近邻和加权相似性的密度峰值聚类算法. 该算法基于样本的K近邻信息重新定义了样本局部密度, 此定义方式可以调节样本局部密度的大小, 能够准确找到密度峰值; 采用样本的共享最近邻及自然最近邻信息定义样本间的相似性, 摒弃了欧氏距离对分配策略的影响, 避免了样本分配策略产生的错误连带效应. 流形及密度分布不均数据集上的对比实验表明, 本文算法能准确找到疏密程度相差较大数据集的密度峰值, 避免了流形数据的分配错误连带效应, 得到了满意的聚类效果; 同时在真实数据集上的聚类效果也十分优秀.     

一种改进的基于反k近邻的流数据离群点检测算法

现有反k邻域的流数据离群点挖掘算法存在一些不足之处,即需要遍历每个数据对象,计算复杂度较高,稳定性较差。为了解决这些问题,本文提出一种改进的基于反k近邻的离群点检测算法OL-ORND。该算法采用细胞邻域思想,加入伪反k邻域点概念（反k邻域为空集的点对象）,增加了算法的严密性,从而大大提高了算法的效率和准确率。实验表明,算法具有较好的性能。     

基于动态网格划分的散乱点k邻近快速搜索算法

提出一种新的k邻近的获取方法,将测量数据点的x, y和z坐标按照空间坐标系x轴、y轴和z轴的方向进行三维排序。找到所求点在三维排序中的位置,得到一个动态的网格,并在该网格内搜索k邻近。与传统的包容盒搜索k邻近方法相比,该文算法避免了包容盒法在划分空间网格时,由于网格内点数的不确定性所带来的缺陷。该算法的创新性是根据点的密度,随意扩大或缩小该网格,从而可以快速求得k邻近点。     

一种基于自适应最近邻的聚类融合方法

聚类融合通过把具有一定差异性的聚类成员进行组合,能够得到比单一算法更为优越的结果,是近年来聚类算法研究领域的热点问题之一。提出了一种基于自适应最近邻的聚类融合算法ANNCE,能够根据数据分布密度的不同,为每一个数据点自动选择合适的最近邻选取范围。该算法与已有的基于KNN的算法相比,不仅解决了KNN算法中存在的过多参数需要实验确定的问题,还进一步提高了聚类效果。     

基于局部密度的快速离群点检测算法

已有的密度离群点检测算法LOF不能适应数据分布异常情况离群点检测,INFLO算法虽引入反向k近邻点集有效地解决了数据分布异常情况的离群点检测问题,但存在需要对所有数据点不加区分地分析其k近邻和反向k近邻点集导致的效率降低问题。针对该问题,提出局部密度离群点检测算法--LDBO,引入强k近邻点和弱k近邻点概念,通过分析邻近数据点的离群相关性,对数据点区别对待;并提出数据点离群性预判断策略,尽可能避免不必要的反向k近邻分析,有效提高数据分布异常情况离群点检测算法的效率。理论分析和实验结果表明,LDBO算法效率优于INFLO,算法是有效可行的。     

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。     

三维散乱数据的k个最近邻域快速搜索算法

提出一种新的快速搜索算法．首先，采用空间分块策略，把数据空间分成许多大小相同的立方体子空间，立方体的大小决定了最近点的搜索速度；然后，综合考虑了数据集的范围、点的总数及最近点数目k，给出了一种新的估算立方体边长的方法．大量真实数据的实验结果表明：文中算法可以快速地给出接近于最佳搜索速度的立方体边长．     

基于最近邻相似度的孤立点检测及半监督聚类算法

传统的聚类算法是一种无监督的学习过程,聚类的精度受到相似性度量方式以及数据集中孤立点的影响,并且算法也没有很好的利用先验知识,无法体现用户的需求。因此提出了基于共享最近邻的孤立点检测及半监督聚类算法。该算法采用共享最近邻为相似度,根据数据点的最近邻居数目来判断是否为孤立点,并在删除孤立点的数据集上进行半监督聚类。在半监督聚类过程中加入了经过扩展的先验知识,同时根据图形分割原理对数据集进行聚类。文中使用真实的数据集进行仿真,其仿真结果表明,本文所提出的算法能有效的检测出孤立点,并具有很好的聚类效果。     

一种基于共享近邻的密度峰值聚类算法

基于加权K近邻的密度峰值发现算法(FKNN-DPC)是一种简单、高效的聚类算法,能够自动发现簇中心,并采用加权K近邻的思想快速、准确地完成对非簇中心样本的分配,在各种规模、任意维度、任意形状的数据集上都能得到高质量的聚类结果,但其样本分配策略中的权重仅考虑了样本间的欧氏距离。文中提出了一种基于共享近邻的相似度度量方式,并以此相似度改进样本分配策略,使得样本的分配更符合真实的簇归属情况,从而提高聚类质量。在UCI真实数据集上进行实验,并将所提算法与K-means,DBSCAN,AP,DPC,FKNN-DPC等算法进行对比,验证了其有效性。