距离无关的室内路径损耗模型的建立

针对传统室内路径损耗依赖于距离以及其信道参数在LOS(视距)和NLOS(非视距)下的不确定性问题,提出了一种室内的纯统计路径损耗模型.该模型以距离作为随机变量,并引入室内路径切换频度表示LOS和NLOS的信道条件,从而消除路径损耗对距离的依赖以及信道参数的不确定性.通过该模型,在毋需知道路径长度的情况下,根据操作空间的半径和室内路径切换频度以及路径损耗的置信度估算出路径损耗,同时该模型也提出了3种服务质量(QoS)以满足不同的客户需求,与总是以最大功率发送信号的传统模型相比大大优化了资源配置.经实例验证表明,此模型应用方便,是一种简单且实用的模型.     

导航系统中多目标路径平滑化规划的研究

路径规划是车辆、机器人出行、无人机航路推荐和计算机游戏等许多应用中的关键任务。现有的大多路径规划常简化为单目标优化问题进行求解。但在现实生活中,还需要同时考虑多种规划目标,且用于规划路径的目标之间还存在着彼此不能变换的问题。在熟知的路径规划算法（D*Lite）上提出了一种新的多目标路径平滑化规划算法-平滑多目标D*Lite算法。通过构造一条初始多目标平滑路径,当检测到环境变化时采用增量搜索思想,仅更新受影响结点并从当前结点重新进行规划得到一条新的多目标平滑路径。仿真结果表明,该算法不但能有效躲避突发障碍物,规划路径拐点较少,还能提高搜索效率,可有效应用于具有不同非交互规划目标的导航系统。     

基于人工神经网络的宽幅铝合金中厚板厚度预测模型

厚度预测模型的精度是影响厚度控制的重要因素。针对本项目国内水平领先、最宽幅的"1+4"热连轧生产线,根据生产现场获取的5083宽幅铝合金中厚板实测数据,在研究分析关键影响因素的基础上,运用人工神经网络技术建立了铝合金宽幅中厚板厚度预测的BP神经网络模型。其相对误差在0.5%之内,高于已有模型预测精度,能实现高精度预报。应用模型预测了5052宽幅铝合金中厚板的出口厚度,结果表明,模型能较好的预测轧件厚度的变化,有很好的泛化能力。     

相关性匹配蓝牙信标位置指纹库的室内定位

针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法.通过比较待定位点和位置指纹库中参考样点的相似程度,并进行数据差异显著性检验,来检验采集的待定位点数据与指纹库数据是否显著相关,然后取相关性较高的样本点进行加权平均匹配定位.实验结果显示,相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%,相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势.     

基于贝叶斯概率优化的Wi-Fi室内定位算法

Wi-Fi指纹匹配定位算法具有简单、快捷、方便、经济、易普及等诸多优点,但对位置指纹的匹配精度较低。对此,提出一种贝叶斯与加权K近邻算法相结合的贝叶斯概率优化算法,应用于Wi-Fi指纹匹配定位,在提高传统加权K近邻算法精度的同时,减少了贝叶斯概率匹配算法的平均运行时间。实验结果显示,该算法可以将1 m内的定位精度从原先的57%提升至73%,平均定位精度提高约21.49%,定位稳定性也有所加强。