基于粒子群优化在线顺序极限学习机动态环境室内定位算法

动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰,信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响。针对该问题,本文提出了一种基于粒子群优化在线顺序极限学习机算法（Particle swarm optimization online sequential extreme learning machine,PSO-OS-ELM）。该算法继承了在线顺序极限学习机（Online sequential extreme learning machine,OS-ELM）算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性,同时又利用粒子群优化（Particle swarm optimization,PSO）解决OS-ELM算法中奇异值问题和鲁棒性问题。在3种不同环境下采集数据,将PSO-OS-ELM算法、OS-ELM算法和WKNN算法进行实验对比。实验结果表明：在动态变化的室内环境中,PSO-OS-ELM算法定位误差较小且鲁棒性增强,优于其他算法;平均定位误差相较于其他算法减少了约15%;算法耗时性相较于传统定位算法加权K近邻算法（Weighted K-nearest neighbor,WKNN）算法减少了约55%。     

基于PCOS-ELM的室内指纹定位算法

针对传统室内指纹定位算法存在定位精度低、对环境适应能力差的问题,提出了一种基于并行混沌优化的在线连续极限学习机(PCOS-ELM)定位算法.离线阶段,通过并行混沌优化算法(PCOA)对极限学习机的隐含层节点参数进行寻优并构建高精度初始定位模型;在线阶段,利用在线连续极限学习机(OS-ELM)使新增位置指纹数据对定位模型进行动态调整,以适应室内环境的变化.结果表明:提出的PCOS-ELM定位算法具有更高的定位精度和更好的环境适应性.     

基于分布式并行分层极限学习机的大数据多模式质量预测

考虑分布式系统质量预测中的大数据处理问题,提出一种基于分布式并行分层极限学习机(distributed parallel hierarchical extreme learning machine, dp-HELM)的大数据多模式质量预测模型。根据Map-Reduce框架,将高效的极限学习机算法转化为分布式并行建模形式。由于分层极限学习机(hierarchical extreme learning machine, HELM)的深度学习网络结构在特征上具备的预测精度优势,结合深层隐藏层的ELM自动编码器,进一步开发了dp-HELM。通过dp-ELM和dp-HELM以同步并行方式进一步训练分布式并行K均值划分的过程模式,利用贝叶斯模型融合技术来集成用于在线预测的局部模型。将所提出的预测模型应用于预脱碳装置中残留的二氧化碳含量估算,实验结果表明了该方法的有效性与可行性。     

基于LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

适用于小子样时间序列预测的动态回归极端学习机

针对设备状态在线监测中的小子样建模问题,提出一种基于动态回归极端学习机(dynamic regression extreme learning machine,DR-ELM)的设备状态在线监测方法.该方法利用设备状态数据训练基于DR-ELM的预测模型,通过逐次增加新数据与删减旧数据的方式,对DR-ELM预测模型进行在线训练,从而实现对设备状态的准确预测.混沌时间序列预测仿真与基于时间序列预测的风机状态监测实例表明,相比于极端学习机(extreme learning machine,ELM)与在线贯序极端学习机(on-line sequential extreme learning machine,OS-ELM),该方法的计算效率与预测精度更高.     

基于BWO-ELM算法与VR-GIS技术的电力光缆故障诊断及定位研究

针对目前电力光缆故障模式识别精度低和故障点定位误差大的问题,提出一种基于BWO-ELM算法与VR-GIS系统的电力光缆故障诊断及定位方法,首先利用白鲸优化算法（BWO,beluga whale optimization）优化极限学习机（ELM,extreme learning machine）初始参数,构建BWO-ELM多分类OTDR曲线分析的故障模式识别方法,获取光纤故障点的直线距离与类型,为故障定位奠定基础;其次,提出基于VR-GIS的光缆故障精确定位方法将光纤故障点的直线距离转换为光缆距离,并与实际地理位置匹配,得到实际故障点的坐标,同时直观展示于VR-GIS系统;最后通过仿真实验来验证所提方法的应用效果,结果表明所提方法故障模式识别精度约为98.66%,故障定位误差在3m上下浮动,平均误差为1.481%,较其他识别模型和故障定位方法具有较高的性能与准确率。     

基于PSO-BP神经网络的煤矿井下自适应定位算法

提出了一种基于PSO-BP神经网络的煤矿井下自适应定位算法。针对传统的基于测距模型的定位算法易受煤矿井下环境干扰、测距误差大的问题,选择指纹匹配定位模型。针对煤矿井下环境强时变性,易增大实时采集的指纹信息与离线阶段建立的静态指纹数据库信息的匹配误差问题,将信标节点作为参考点的校准节点,以更好地反映参考点随环境变化的情况,避免增加额外的校准节点;在不增加硬件成本的同时,通过动态补偿法实时修正目标节点指纹数据,解决了指纹匹配定位模型自适应差的问题。匹配定位阶段采用PSO优化BP神经网络权值,以加速BP神经网络收敛,提高学习速度。实验结果表明,该算法更加适应随时间变化的煤矿井下环境,满足井下自适应定位要求。     

局部信息保持极限学习机的遥感图像分类

极限学习机ELM(Extreme learning machine)以其简单快速和良好的泛化能力在模式识别和机器学习领域得到了广泛的应用。近年来,研究人员将其应用到高光谱遥感图像分类问题中。然而,由于数据样本有限,极限学习机及其相关技术在遥感图像中存在数据学习不充分的问题。流形学习算法揭示了数据内在的几何结构信息。根据遥感图像的特点,基于流形学习的思想,将遥感图像数据样本的流行结构引入到ELM模型中,提出一种基于局部信息保持极限学习机LPKELM(locality information preserving extreme learning machine)。为了验证所提算法的有效性,使用两个高光谱遥感图像数据集进行实验。实验结果表明,LPKELM的分类性能优于SVM、KELM、KCRT-CK和MLR算法。     

基于流形正则化极限学习机的语种识别系统

支持向量机 (Support vector machine, SVM) 在语种识别中已经起到了重要的作用.近些年来,极限学习机 (Extreme learning machine, ELM) 在很多领域取得了成功的应用.相比于 SVM, ELM 最大的优点在于极易实现、训练速度快,而且通常可以取得与 SVM 相近甚至优于 SVM 的识别性能. 鉴于 ELM 这些优异的特点,本文将 ELM 引入到语种识别中,并针对 ELM 由于随机初始化模型参 数所带来的潜在问题,提出了流形正则化极限学习机 (Manifold regularized extreme learning machine, MRELM) 算法.实验结果表明,在高斯超矢量(Gaussian supervector, GSV)特征空间上,相对于 SVM 基线系统,该算法对30秒语音的识别性能有明显的提升. 同时该算法也可以成功地应用到 i-vector 特征空间中,取得与当前主流的打分算法相近的识别性能.     

岭参数优化的ELM岭回归学习算法

针对ELM(extreme learning machine,极限学习机)学习算法可能存在的解的奇异问题,提出了岭参数优化的ELM岭回归学习算法(ELMRR).该算法利用岭回归方法代替原有的线性回归算法,以均方根误差为性能指标,采用粒子群优化算法确定最佳岭参数.为了验证该方法的有效性,对函数回归和分类问题进行仿真实验分析,结果表明该方法改善了ELM的预测性能且克服了传统岭回归算法岭参数难以确定的缺点.     

基于核岭回归方法的定位算法研究

针对无线传感器网络环境下的定位问题,提出了一种基于核岭回归(Kernel ridge regression,KRR)的定位算法。核岭回归算法是在岭回归算法的基础上加入了核函数,该算法在离线阶段采用核岭回归方法提取所有位置指纹数据间的非线性关系,训练出非线性回归定位模型;在线阶段采集目标点的接收信号强度指示（Received signal strength indicator,RSSI）值,利用非线性定位模型估计目标点的物理位置。仿真分析了影响算法性能的各个因素,并在室内典型办公环境下进行了定位实验。实验结果表明,该算法在不同因素的影响下,相比传统加权K近邻算法(Weight K-nearest neighbor,WKNN)算法能达到更好的定位精度,在位置网格间距1.8 m时,WKNN算法平均定位误差为2.53 m,而该算法误差为1.58 m。     

工业机器人定位误差规律分析及基于ELM算法的精度补偿研究

针对工业机器人应用于飞机零部件自动化钻孔时绝对定位精度较差的问题,提出利用极限学习机（ELM）算法建立机器人法兰中心点理论位置与实际位置之间的误差模型,并优化补偿机器人定位精度的方法．首先基于空间网格采样方法,获得了机器人绝对定位误差沿机器人基坐标系不同方向的误差变化规律,分析了建模补偿的可行性;其次建立基于ELM算法的误差补偿模型,并针对误差模型训练中隐含层神经元个数取值问题进行了分析优化．实验结果表明,机器人绝对定位误差值沿其坐标系不同方向存在不同的变化规律,补偿前绝对定位误差分布范围为0.29 mm~0.58 mm,平均误差为0.41 mm;补偿后定位误差分布范围降低到0.04 mm~0.32 mm,平均误差为0.18 mm;采用ELM算法建模的补偿速度快,泛化性能好．     

基于动态损耗因子和权重的改进质心定位算法

针对无线传感器网络（WSN）节点的定位精度受环境和误差权重因子的影响问题,提出一种对路径损耗因子和误差权重因子动态修正的质心定位算法。前期根据实测和路径损耗模型,加权修正得出动态损耗因子;后期通过划分矩形区域,构造权重因子矩阵。首先,使用动态损耗因子,代入传统加权质心定位算法估算出未知节点的位置;然后,查询误差权重因子矩阵,确定最优权重因子,重新计算出未知节点坐标。实验结果表明,改进的算法降低了平均误差和最小误差,定位精度比普通质心算法提高了58%,比动态修正质心算法提高了21%,比动态加权质心算法提高了11%,定位精度有所提高。     

基于惯导/数据链的动态相对定位方法

针对卫星导航定位在复杂环境不可靠情况下如何实现无人机机间相对定位问题,提出一种基于机载惯性导航系统与机间数据链测距相结合的动态相对定位算法。该方法利用机载数据链通信测距能力与机载惯性导航系统输出的无人机速度矢量信息结合,建立机间相对定位模型,通过最小二乘法对无人机之间的相对位置进行估计,实现无人机机间的实时相对定位能力。由于通过最小二乘法解算出的相对定位结果依然存在误差,针对最小二乘法相对定位误差,提出秩亏网平差算法对无人机机群间的相对定位误差进行校正。仿真结果表明：基于最小二乘法的相对定位方法可以减缓惯性导航系统相对定位误差发散速度并且将惯导相对定位精度提高到3倍左右,通过秩亏网平差算法校正将最小二乘相对定位精度提高2倍。     

基于LQI权重和改进粒子群算法的室内定位方法

为解决无线传感网络节点在室内定位中由非视距和多径传输等因素导致定位误差较大的问题,提出了基于三角函数的粒子群算法.针对RSSI波动性引起的测距误差,利用LQI和RSSI值之间的关系对RSSI值进行优化,提出了基于LQI权重的RSSI测距算法.改进的粒子群算法相比较于标准粒子群算法优化了权重模型和速度更新策略,避免陷入局部最优值情况.在对算法进行仿真实验后,进一步将其运用到Zigbee平台的定位实验,通过实测实验证明该算法在测试环境下平均定位误差在0.5m以内,相比于LSE和标准PSO算法,获得较好的定位效果.     

基于dynFWA-SVM的WiFi室内定位算法

针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型.定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型.实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低.     

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。     

基于半监督极限学习机的增量式定位算法

针对目前室内指纹定位算法存在实时性差、对动态环境适应性不足的问题,提出一种新的基于半监督极限学习机的定位算法.该算法首先通过半监督极限学习机建立初始化位置估计模型,然后利用新增的半标记数据对原定位模型进行动态调整,最后为新增训练数据分配合适惩罚权重,使模型具有时效机制.仿真结果表明,该定位算法在保证定位实时性的同时提高了对动态环境的适应性.     

引入虚拟节点的无线传感器网络ELM定位算法

基于大部分距离无关算法能以改善锚节点比例提高无线传感器网络定位精度,提出了一种引入虚拟节点的无线传感器网络极限学习机(ELM)定位算法.通过引入的虚拟节点,寻找合适的未知节点升级为次锚节点,以增加锚节点比例,提高了定位精度.将ELM应用于节点定位,有效提高了定位的速度和精度,并因其强大的泛化性能,为无线传感器网络节点定位提供了新的思路.仿真结果表明:引入ELM定位算法和虚拟节点,有效提高了定位精度.