改进差分进化算法优化BP神经网络用于入侵检测

为解决BP神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(SAMDE)优化BP神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(SA)和一种融合DE/rand/1与DE/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化BP神经网络权值阈值。通过逐次的迭代训练使BP神经网络收敛,将优化过的BP神经网络用于入侵检测。仿真实验结果显示,优化的BP网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。     

自适应差分进化算法优化BP神经网络的时间序列预测

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中,差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值,再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试,然后用一个经典时间序列问题对提出的混合算法进行了检验,并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比,实验结果表明,本文提出的混合算法有效并且明显提高了预测精度。     

四轴飞行器平台的WiFi室内定位系统研究

在无人机应用过程中一般使用GPS进行定位,然而在室内情况下,由于受建筑物的影响无法使用GPS.因此,设计了一种在四轴飞行器平台上基于位置指纹算法的 WiFi室内定位系统,以此来解决无人机的室内定位问题.针对WiFi信号强度易受环境影响问题,在数据采集过程中添加了Kalman滤波以改进位置指纹算法.实验结果表明,改进后的算法在定位精度上有了一定提高.     

基于WiFi和IMU结合的室内定位方法的研究

针对单一的WiFi定位误差较大的问题,提出了利用IMU人体姿态传感器来辅助WiFi进行室内定位的方案。首先在实验场所建立合适的WiFi位置指纹库,然后利用改进的K-NN算法对终端进行实时定位。同时利用IMU所测得的角度变化和终端前一个位置的坐标来判断终端处于哪一个象限,再和该象限的WiFi指纹库进行匹配计算出终端的坐标,从而不仅缩小了算法的复杂度,也提高了室内定位的精确度。     

基于卷积神经网络的室内指纹定位算法

随着无线网络和智能设备的普及,室内定位得到了迅速发展.在室内定位中,基于指纹的定位方法因为无需外部设施、抗干扰性强等优点逐渐成为研究热点.近几年深度学习的发展为提高指纹定位算法的精度带来了新的机遇.因此提出了一种基于CNN的指纹定位算法,使用卷积神经网络（convolutional neural network,简称CNN）来改进指纹库的构建.首先,在收集了CSI与磁场数据后,通过CNN对这些数据进行处理,将每个参考点处的CNN模型参数值用作为指纹.然后使用一种概率方法来进行最后的指纹匹配.实验结果表明,该定位算法比传统的指纹定位算法具有更好的鲁棒性和更高的定位精度.     

基于改进郊狼优化算法的浅层神经进化方法研究

神经进化作为一种不同于随机梯度下降的神经网络训练方法,现已成为机器学习研究领域的一个重要分支.如何设计更好的进化策略,探索新型神经网络权值的神经进化方法是当前研究的热点问题之一.本文提出了一种基于改进郊狼优化算法的浅层神经网络进化方法.该方法首先通过引入自适应影响权重因子与选择性的混沌扰动执行机制分别从收敛速度和寻优能力两个方面对传统郊狼优化算法进行了改进.其次,以改进郊狼优化算法为神经进化策略,融入到浅层神经网络的神经进化过程,并以BP神经网络为例,构建了一种全新的BP神经网络权值、阈值优化更新方法.最后,文中采用UCI标准数据库中几组代表性数据验证了算法的有效性.实验结果表明:改进郊狼优化算法的进化策略充分发挥了启发式优化算法在BP神经网络参数空间中的全局寻优能力,能够快速逼近最优解,经过神经进化后的BP神经网络在分类任务中表现出了优异性能,充分验证了改进郊狼优化算法作为一种新型神经进化策略的可行性和有效性.本文研究成果丰富并拓展了神经进化领域的研究内容,为构建以神经进化为主体的新型机器学习工具箱提供了重要的参考依据.     

基于改进HC算法的WiFi室内楼层识别方法

为了解决室内楼层识别中,依靠WiFi电磁指纹定位方法对楼层进行判别时存在误差大、效率低的问题,提出了一种基于改进的层次聚类(HC)算法的室内楼层判别方法。通过密度分层的思想,对基本层次聚类算法进行改进,解决了普通层次聚类对孤立点敏感的问题,提高了室内WiFi指纹数据聚类的准确性,并结合切分数据的算法,将离线阶段的指纹数据进行切分,使得较大的数据集变成若干小数据集的聚类,降低了指纹定位数据的计算复杂度。仿真实验结果表明:本文提出的室内楼层判别方法,能够有效地提高楼层定位精度和识别率,该方法与经典K-means、CURE、ROCK聚类算法相比,在楼层判别上具有更好的定位效果。     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

改进的粒子群算法优化神经网络及应用

针对神经网络权值选取不精确的问题,提出改进的粒子群优化算法结合BP神经网络动态选取权值的方法。在改进的粒子群优化算法中,采用动态惯性权重,并且认知参数与社会参数相互制约。同时,改进的粒子群优化算法结合差分进化算法使粒子拥有变异与交叉操作,保持粒子的多样性。基于改进的粒子群优化算法与BP神经网络,构建IPSONN神经网络模型并运用于酒类品质的预测。实验分别从训练精度、正确率及粒子多样性三方面验证了IPSONN模型的有效性。     

基于人工鱼群算法的无线室内定位优化

针对基于BP神经网络室内定位算法收敛速度慢和定位精度低的问题,提出了改进的人工鱼群算法( AFSA)和距离加权质心法。通过改进人工鱼觅食和寻优方式来提高人工鱼全局寻优的能力和速度,并用该算法来选取室内定位神经网络参数;通过改进的加权质心法计算距离,以减小室内复杂环境干扰造成的定位的误差。实验证明该改进方法使室内定位的平均精度比BP神经网络模型提高8%左右,并提高了室内定位的可靠性。     

一种多传感器融合的室内三维导航系统

提出了一种多传感器融合的室内三维导航系统,利用了建筑物内的地磁信号,结合转向角传感器记录转过的角度、气压传感器检测用户所处环境中楼层高度,采用众包思想收集数据进行地磁地图的构建,使用地磁指纹匹配技术实现室内任意位置的定位及导航.相比基于WiFi和蓝牙的室内导航系统,基于地磁的室内导航系统不需要任何基础网络设施,应用广泛、灵活,实现成本低.通过在智能手机上部署系统进行实验性能评估,结果显示最高精度达到1 m以内,有95%的导航误差在3m之内,平均误差不超过2m,证明其有良好的定位功能并适用于一般大型建筑物.     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

基于改进BKM聚类算法的WiFi室内定位方法

为了解决用户在室内定位中,依靠WiFi指纹定位存在精度不高、误差偏大的问题,提出一种基于改进二分K-means聚类算法的室内定位方法。通过层次聚类的思想对二分K-means聚类算法（BKM）进行改进,解决了BKM聚类算法需要提前确定聚类中心、导致指纹定位中聚类结果受初始聚类个数影响的缺陷,并结合变色龙算法（Chameleon）,将部分划分过细的簇合并,优化定位指纹库的可靠性。仿真实验结果表明所提出的方法有效降低了计算复杂度,提高了定位精度。此外,该方法与目前常用的BKM聚类算法相比,具有更好的聚类效果和定位精度。     

一种基于WiFi的改进型室内位置指纹定位方法

在室内WiFi位置指纹定位系统中,由于室内环境的复杂性及易变性,定位精度很难得到保证。通过实验测试分析人体对WiFi信号的影响以及不同位置设备接入点数目的变化情况,本文提出一种在手持设备的定位系统中增加位置指纹特征以提高定位精度的改进型定位方法。该方法将手持设备的方向角和接入点数目这2个位置特征加入位置指纹中,丰富了离线数据库的位置特征。通过对常规位置指纹库定位和改进的位置指纹库定位的测试对比,得出使用改进的位置指纹库定位可以提高系统的定位精度的结论。     

基于双神经网络的RFID室内定位方法

在室内定位中,传统的RFID定位方法由于方法简单,无法随着室内环境的变化准确估计当前的路径损耗系数,存在受环境影响大,定位精度不高,实时性差等缺点.为了解决以上问题,提出一种基于双神经网络模型的室内定位算法,建立BP网络和DNN网络的双神经网络模型,将采集到的RSSI信号值预处理后输入到BP网络模型中,输出路径损耗系数n,再将接收信号强度值RSSI和通过BP模型得到的路径损耗系数n作为输入,输入到DNN网络模型中,得到待测标签的精确定位坐标.实验表明,与传统的基于RSSI和基于ANN模型的室内定位算法相比,本算法有效提高了定位精度和定位实时性.     

多传感器辅助的WiFi信号指纹室内定位技术

近年来,基于室内定位的应用服务越来越普及,吸引了大量的研究工作.其中,基于WiFi信号指纹的室内定位技术发展尤为迅速.但无线信号传输易受环境影响,会导致WiFi信号指纹定位存在偏差.为了提高定位精度并减小环境因素带来的不利影响,提出了智能手机内置传感器辅助WiFi信号指纹定位的方法,即利用智能设备上内置的传感器如加速计、陀螺仪等采集数据,计算得到用户轨迹信息和轨迹可信度,将轨迹信息与信号指纹信息结合起来建立综合概率模型,进行位置匹配,确定最近参考点.实验结果表明,与经典WiFi信号指纹定位方法相比,利用传感器所估测的用户轨迹信息能够有效应对环境变化的影响,提高平均定位精度.     

基于30°角同心圆环形取样的室内人员检测方法

在现有基于信道状态信息的室内无源定位方法中,取样点的选取对指纹库的特征匹配准确率以及定位精度具有较大影响.根据WiFi信号的传输特性和信道的衰落特征,提出一种30°角同心圆环形取样法.离线阶段,按照同心圆对检测区域实现环形划分并每隔30.进行一次取样,运用主成分分析算法提取差异化信号特征并构建指纹库.在线阶段,通过陆地移动距离算法进行入侵检测,当检测到有人存在时,利用改进的支持向量回归算法并引入高斯核函数对数据进行特征匹配,最终实现人员的精确定位.实验结果表明,与CSI-MIMO、FIFS方法相比,该方法定位精度更高,定位误差更小.     

基于XGBoost的客户所在店铺WiFi定位技术研究

为了减小室内复杂环境等因素对WiFi定位的影响,降低定位成本,提高定位精度并缩小定位区域,通过对室内定位系统和相关机器学习算法进行深入分析和探讨,提出了一种基于XGBoost的WiFi室内定位算法。根据WiFi信号强度分布不均匀的特点,此算法通过提取WiFi强度特征,并利用XGBoost分类器对信号来源进行定位。实验结果表明,该定位算法在WiFi强度特征可检测时达到了87.72%的定位精度,达到预期的定位效果,同时定位时间较短,稳定性较好,可以基本满足实时定位的要求。