排序方式: 共有64条查询结果,搜索用时 15 毫秒
61.
62.
为了减小无线传感器网络(WSN)节点定位中非视距传播误差产生的影响,提高节点定位精度,提出一种基于残差加权的牛顿迭代定位算法。先利用残差加权算法定位,得到未知节点的初步位置,再将该节点位置作为牛顿迭代定位算法的初始值进行迭代计算,最终得到更为精确的节点位置。仿真实验结果表明,该算法能有效地抑制非视距传播误差的影响,提高传感器网络节点定位的精度,且性能稳定。 相似文献
63.
为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题,提出了基于BP神经网络的蜂窝无线定位算法。该算法融合了移动基站提供的AOA、TOA和TDOA测量值来实现移动台的定位,利用神经网络较快的学习特性和逼近任意非线性映射的能力,使其适用于复杂的多径环境。同时充分利用了定位的冗余和互补信息有效地减小了非视距传播的影响。对基于BP神经网络的定位系统性能进行了仿真,结果表明,基于BP网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响,在复杂的多径环境下能够有效地提高定位精度。 相似文献
64.
传统的加权K最近邻算法中以距离作为权值,随着数据维度的增加,计算距离与真实距离的误差越来越大。针对这一问题,提出了一种贝叶斯后验概率的加权K最近邻算法——贝叶斯后验概率(Bayes ian Posterior Probability-Weighted K-Nearest Neighbor,BPP-WKNN)方法。首先用支持向量机算法分类选取测试点的近邻指纹点,其次计算测试点到每个近邻指纹点的贝叶斯后验概率,最后以贝叶斯后验概率的大小作为权值进行BPPWKNN算法定位。实验果表明:与基于曼哈顿距离的加权K最近邻算法和基于欧氏距离的加权K最近邻算法相比,改进后的BPP-WKNN定位算法的定位精确度和稳定性更高;利用支持向量机算法的稀疏性定位完成时间分别缩短了49%与42%。 相似文献