改进克里金插值算法的井下无线定位指纹库构建方法

针对煤矿井下巷道中构建一个采集点密集分布的无线定位指纹库,需要逐点采集信号,会耗费大量的人力和时间,为此提出基于模拟退火SA(Simulated Annealing)人工蜂群ABC(Artificial Bee Colony)混合算法优化克里金(Kriging)插值算法的构建井下无线定位指纹库的方法。首先通过无线网络采集井下巷道部分采集点的指纹数据,并建立采集指纹数据库。其次利用采集指纹数据库构建Kriging插值算法模型,再通过SA-ABC算法对变异函数的参数寻优,建立SA-ABC-Kriging插值算法模型。再次用插值算法估算出预测点的信息数据,并建立插值指纹数据库。最后将采集指纹数据库和插值指纹数据库构建井下无线定位指纹库。实验表明,该构建方法比传统Kriging插值算法的定位精度和插值精度更高,而且可减少50%的人工采集指纹数据工作量。     

基于泛克里金插值的WSN位置指纹预处理

基于接收信号强度(RSS, Received Signal Strength)的位置指纹是室内定位中最常用的方法之一,其定位精度与采样指纹的分布密度存在一定的相关度,考虑到RSS信号的空间相关性以及在室内复杂环境下的变异特性,通过漂移函数和变异函数提取RSS信号的分布特点,利用有限的采样点通过泛克里金插值(UK, Universal Kriging)形成采样密度高的位置指纹库,实验表明,基于泛克里金插值构成的指纹库有更高的定位精度,在确定的定位精度要求情况下,可有效降低离线阶段的人力和时间成本,为达到良好的插值效果,需选择合理的采样密度和插值密度,实验中考虑6~ 8倍原采样点数量的插值进行构建的指纹库性能较佳。     

一种融合遥感和地面观测资料的雪深空间插值方法

针对积雪观测站点稀少的问题,提出一种考虑海拔影响,能够融合MODIS积雪面积产品和站点观测的雪深空间插值方法,该方法利用去云后MODIS积雪面积产品构建的无积雪“虚拟站点”弥补站点分布不均匀和稀少的不足,利用泛协克里金插值方法考虑海拔对雪深的影响。利用北疆地区50个气象站点的逐日雪深观测资料、逐日MODIS积雪面积产品和AMSR-E被动微波雪水当量和雪深产品,对普通克里金、泛克里金、普通协克里金和泛协克里金插值结果进行了比较研究。研究结果表明:积雪覆盖范围较大时,站点雪深与海拔之间相关系数较大,利用泛协克里金插值结果精度高且稳定;否则利用普通克里金插值精度较高且稳定。通过增加“虚拟站点”,能够提高雪深插值精度,并在一定程度上修正了克里金插值中存在的平滑效应。
     

一种基于插值的室内指纹定位系统设计与实现

由于室内环境的复杂性,无线传感器网络WSN(Wireless Sensor Networks)室内定位的精度一直不够理想.本系统在测距定位算法和非测距定位算法的基础上,提出了基于信号强度RSSI(Received Signal Strength Indication)的指纹定位方法.该方法利用Cokriging插值算法建立定位区域的多维RSSI向量指纹,通过匹配目标节点的RSSI向量与指纹RSSI向量确定目标节点的位置范围,最后使用K-中心点聚类算法提取目标节点的实际位置.实际场景实验和仿真实验结果都表明此方法在复杂的室内环境中具有较高的定位精度.     

基于克里金空间插值的位置指纹数据库建立算法*

为解决室内定位系统中建立位置指纹数据库工作量庞大的问题,提出了一种融合信号衰减因素的普通克里金空间插值建库算法。该方法首先采用高斯滤波对有限预选参考点的信号强度采样数据进行预处理,并基于球状模型由参考点预处理数据拟合出空间变异函数,然后采用普通克里金插值法对其它位置的信号强度进行估值并生成相应的位置指纹,最后由有限实测数据生成大容量高分辨位置指纹数据库,并通过KNN_Filter算法和对数权重算法完成了定位仿真,验证了该建库方法的有效性。仿真实验结果表明,该算法在保证定位精度的前提下相比传统建库方法可降低40%左右的工作量,提高了室内位置指纹定位方法的工作效率。     

三峡区间面雨量空间插值方法对比分析

空间插值是常用的面雨量计算方法,以三峡区间为研究对象,选取反距离加权、普通克里金、协同克里金3种空间插值算法,进行面雨量空间插值计算和对比分析,其中协同克里金插值将地形作为影响因素。三峡区间面雨量插值结果表明:克里金插值在精度上要优于反距离加权插值,插值效果也更平滑;协同克里金的插值精度优于普通克里金,平均绝对误差、误差均方根相对于普通克里金插值分别降低了19%,10%。因此,在山区或地形复杂区域的面雨量计算,将地形作为协同区域化属性的协同克里金插值更合适。     

基于Delaunay三角网的克里金并行算法优化

当采样点数据量较大时, 可以采用Delaunay三角剖分建立三角网来使用局部邻域采样点进行克里金插值. 但是该算法需要对每个插值点拟合半变异函数, 插值点规模大时造成巨大开销. 为此, 本文提出了一种以三角形为单位拟合半变异函数的克里金插值方法, 采用CPU-GPU负载均衡将部分计算优化, 充分考虑不均匀样本对克里金插值效果的影响. 结果表明, 本文算法能够保证不均匀样本集的插值效果, 提升了计算性能且能够保证较高的精度.     

基于张量积样条混合算法的计算机建模可视化

为获取精确光滑的地层面图形,首先利用测井数据对其进行克里金插值建模,然后根据数据的疏密性,获取两种网格数据,细化克里金估计网格;稀疏克里金估计网格.为了使其光滑可视化,在克里金估计基础上采用张量积样条算法对细化网格进行光滑处理;对稀疏网格进行y与x方向插值处理.该方法不仅利用克里金估计建模的精确性与Matlab样条函数的封装性及其光滑处理效果,而且采用混编技术;极大地提高了地层面构造的光滑度且不失估计精度,因此该方法在油藏表征与计算机建模中具有一定的实用意义.     

一种用于指纹方向场估计的网格插值模型

指纹方向场的估计是指纹识别预处理算法中的重要环节,对算法识别效率起到关键作用。本文提出了一种网格插值模型,该模型以指纹奇异点为中心,将指纹平面做网格划分,利用插值算法建立了方向场与指纹奇异点之间的非线性关系。模型中利用了指纹的全局信息来调整网格点的值,使得它与传统的基于局部信息的方向场算法有本质的区别。在FVC2002 和FVC2004 指纹数据库上的实验结果表明,该模型比传统算法具有更高的准确性和鲁棒性,同时对于低质量的指纹图像,仍然能够给出很好的方向场估计。     

WSN中基于指纹匹配的室内定位方法

定位技术在无线传感器网络应用中发挥着重要的意义,GPS等室外定位方法在室内环境中信号差,在场景复杂的室内环境中很难有效定位,因此本文实现的一种基于指纹匹配的WSN室内定位方法。 首先构建定位区域中的信号强度指纹地图,利用Kriging插值算法构建分辨率较高的定位指纹地图,然后进行匹配指纹地图定位,采用余弦相似度和空间索引进行目标定位。最后采用K-means提高定位精度并进行优化,基于该定位方法开发了一套WSN室内定位系统,采用Micaz节点作为基站节点,通过实际实验和仿真实验验证了定位方法在室内定位场景中具有较好的抗障碍物干扰性,定位误差在5cm左右。     

融合多源信息的地表气温插值研究

为了提高地表气温的插值精度,提出了融合多源信息的地表气温插值方法,该方法以地表气温和辅助信息之间显著相关为前提条件,利用多元地统计（拟协同克里金、基于局部变化均值的简单克里金、带外部漂移的克里金）来实现多源信息的融合。对中国720多个气象站2008年8月的月平均地表气温进行了空间插值实验,实验结果表明,综合考虑两种辅助信息的SKlm和KED插值方法最优,其原因在于：1）地表气温和海拔及地表温度显著相关,海拔反映地表气温的总体趋势,而地表温度更侧重反映它的局部趋势,综合考虑它们能更准确地预测地表气温。2）SKlm和KED均是基于非二阶平稳的插值方法,而地表气温的空间分布往往呈非平稳性,因此它们要优于其他方法。     

一种分区域多方向数据融合图像插值方法

为满足高端工业检测中对检测精度和检测时间的严格要求,针对现有图像插值方法在插值速度与精度方面的矛盾,本文提出了一种分区域多方向数据融合图像插值方法。在灰度平坦区域,采用双线性插值算法进行插值。在边缘纹理区域,则选取待插值点在源图像中对应点的4×4邻域内4个插值方向上距离最近的12个像素点,基于距离平方反比计算估计值;然后结合方向灰度梯度和插值距离两个权 重因子,进行数据融合,获得最终插值。实验表明,新提出的插值方法运行速度快,并且在图像任意级别变换时都具有较高的插值精度,能够很好地保持图像的边缘纹理细节。     

VAOS克里金插值在三维地震属性平面图的应用

三维地震属性数据巨大,在实际应用中一般采用局域克里金插值算法进行插值。目前常用的指定距离半径、指定点数、kd-tree等搜索算法均涉及距离计算、遍历已知点,相对较为费时。对此,提出一种无须距离计算、无须遍历已知点而直接利用待插值点位置的增减实现邻域点的选取方法(VAOS),以高效实现克里金插值。经过实验验证,在同精度下,该算法比距离半径搜索法快数十倍。     

基于地理信息系统的空间插值算法研究

本文根据"北海区环境预报信息集成系统"对于ArcGis Engine中常用空间插值算法进行研究,主要研究了反距离加权插值算法、克里金插值算法、样条函数插值算法,并对反距离加权插值算法进行了改进,在本系统中利用该算法进行插值计算。研究各个算法的实现原理及各个算法的有缺点。经研究发现:应用Kriging插值算法的插值效果较好,IDW插值算法简单、易于实现,Spline算法计算量小,可以产生平滑的曲线。     

基于数据融合的DEM插值与可视化

针对某航海训练仿真系统对三维地形实时性及逼真性的需要,提出了对DEM数据进行插值以提高数据的精度。在概略介绍空间插值原理及分类的基础上,分别着重介绍了克里金插值算法及改进谢别德插值算法的原理和特点。为了兼顾这两种插值算法的优点,克服单一插值方法的不足,提出了基于数据融合的插值方法。详细阐述了DEM插值的过程,并结合实例,利用SRTM3数据进行了测试,实现了DEM的可视化。仿真结果表明,与单独采用两种插值算法相比,基于数据融合所得数据插值效果较好,插值精度得到了明显的提升。     

基于半监督学习的克里金插值方法

针对数据量较小时,克里金插值精度低的问题,将克里金插值模型与半监督学习理论相结合,利用未标记样本参与训练改进模型性能,提出基于半监督学习的克里金插值模型,即自训练克里金插值模型（STK）和协同训练克里金插值模型（CTK）。以北京地区2017年4月和5月的PM2.5浓度数据作为实验数据,采用克里金插值模型、STK和CTK进行对比实验。实验结果表明,这两个模型既具有半监督学习的优点,适用于只有少量标记样本的情况,又可以分析空间现象的分布模式。其中CTK采用两个模型协同训练,有效削弱了早期误差对后期训练的影响,利用未标记样本提升了模型的性能。     

基于虚拟信息库的粒子滤波指纹库定位算法

指纹库定位算法的关键在于根据不同参考节点的接受信号强度指示RSSI(Receive signal strength indication)建立有效指纹信息数据库。传统的方法是在定位区域内标定多个信息采样点,而大量样本数据的采集会导致算法离线训练阶段工作量增大。Zigbee传感器网络平台下,综合考虑了目标自身对信号的干扰以及节点数对函数逼近能力的影响,利用信号强度的非线性特性,提出了一种基于多项式分区插值的虚拟指纹库生成方法;同时使用粒子滤波对预估计的结果进行处理,以解决RSSI不规则分布问题。实验结果表明该方式可以快速、简捷地生成细粒度的定位信息数据库,提高了定位精度。     

一种层次Levenshtein距离的无指纹校准的室内定位方法

随着移动计算领域的兴起,基于位置的服务越来越受青睐。目前各种室内定位的方法层出不穷,由于室内广泛部署了无线基础设施,基于WiFi指纹信息的室内定位技术是其主流方法。设备异构和室内环境变化是影响定位精度的主要因素。本文针对以上两个问题,提出一种层次Levenshtein距离（HLD）的WiFi指纹距离计算算法,实现异构设备的指纹无校准比对。将不同移动设备采集的RSSI信息转化为AP序列,根据AP对应的RSSI值的差异性计算其层次能级,结合Levenshtein距离计算WiFi指纹之间的距离。对于需定位的WiFi指纹RSSI信息,利用HLD算法获取K个近邻,采用WKNN算法进行预测定位。实验中,为了验证算法的鲁棒性和有效性,在3种不同类型的室内环境中采用5种不同的移动设备来采集WiFi的RSSI信息,其定位的平均精度达1.5 m。     

跨异构设备的室内Wi-Fi指纹定位方法

基于Wi-Fi位置指纹的室内定位中,采用异构设备在同一位置、同一时间采集的无线信号接收强度（Received signal strength indicator,RSSI）存在差异,使得离线指纹库与不同用户在线采集的信号难以兼容而影响定位精度。针对该问题,本文提出一种适应异构设备的定位算法。该方法首先通过接入点（Access point, AP）选择,构建信号稳定的离线指纹数据库,再使用普氏分析法（Procrustes analysis, PA）对指纹库标准化,消除异构设备引入的信号差异。在线阶段采用余弦相似度（Cosine similarity, CS）算法得到目标的位置估计。在2种典型室内环境中利用4台手机测试了所提方法的定位性能,并分析了影响定位性能的因素。实验结果表明,所提方法在2种室内环境中的平均定位误差分别为2.96 m和2.29 m,相比较加权K近邻（Weight K-nearest neighbor, WKNN）算法定位精度分别提高了21.3%和21.6%。     

基于空间加权的虚拟视点绘制算法

在自由视点视频系统中,如何能在视频终端得到高质量的视频图像已成为基于深度图的绘制（DIBR）技术所研究的主要任务,其中虚拟视点像素插值是该技术中影响绘制质量的一个重要环节。针对虚拟视点绘制标准方案中存在的问题,提出了一种基于空间加权的像素插值算法。它是通过对多个投影像素点的深度值和水平方向绝对距离进行加权操作来实现像素插值的。在插值过程中,该算法考虑了不同区域投影像素点个数对像素插值准确性的影响,从而剔除了部分失真像素点,并且在图像输出前还分别对左、右参考虚拟视点进行了失真检测和矫正。实验结果表明,该算法改善了绘制的主、客观质量,其中,PSNR平均提高0.30 dB,SSIM平均提高0.001 3。因此,该算法可以有效地抑制像素插值过程引入的噪声,提高像素插值的精度。