改进模糊C均值软划分管理指纹库的WiFi定位

针对WiFi指纹定位中管理指纹库的聚类方法不稳定,且类交界附近定位性能差的问题。研究使用粒子群算法改进模糊C均值聚类,并提出隶属度最小间隔的想法,将不能明确分类的指纹划分至多个子指纹库实现具有交叉的软划分管理。期间针对标准粒子群容易陷入局部最优出现早熟的不足,将满意度与线性递减惯性系数结合并引入突变。通过查看由聚类导致误差增大的发生区域,分析类交界处定位性能差的原因,将指纹库进行不同重合程度的软划分。结果表明,改进后的粒子群算法寻优能力更好,而且与改进粒子群算法融合的模糊C均值聚类结果稳定不受初始值影响,将软划分和多种硬聚类对比,类交界附近定位误差明显减小,说明软划分指纹库更适合指纹定位。     

一种改进的GRU-InFCN人体行为识别模型

为了克服传统机器学习方法在采用传感器数据进行人体行为识别领域上识别效果对人工特征选取依赖严重、识别准确率不高等问题,提出一种改进的全卷积神经网络和多层循环神经网络并联的深度学习模型(GRU-InFCN),并对传感器数据特征进行自动提取,实现人体动作的识别。该模型通过多尺度卷积神经网络和双层GRU网络(Gated Recurrent Unit,GRU)分别对传感器数据进行特征提取,将特征矩阵在矩阵维度上进行特征拼接再通过Softmax完成特征分类。实验结果表明,在开源人体行为识别(HAR)数据集上采用该方法进行人体行为识别,准确率达到了97.76%。该模型在取得高准确率的同时,避免了复杂的信号预处理和特征工程。