基于PCA-WBayes的WiFi室内定位算法

针对朴素贝叶斯(Bayes)室内定位算法忽略各无线接入点(AP)信号间的相关性,最终导致定位精度损失这一不足,提出一种基于主成分分析结合加权Bayes(PCA-WBayes)的WiFi室内定位算法.在离线阶段采集参考点处来自各AP的WiFi信号强度,运用PCA进行去相关性、降维处理,提取主要数据特征,结合参考点位置坐标,构建位置指纹数据库;在线定位阶段,在位置指纹数据库中匹配待测点的信号特征,通过Bayes算法估算待测点位置,获取前w个后验概率最大的参考点坐标,按后验概率分配权重,以加权结果作为待测点位置.实验结果表明:相比K最近邻(KNN)、Bayes等常用WiFi室内定位算法,PCA-WBayes算法定位误差更小,将朴素Bayes室内定位算法的精度提升了15.44％.     

分布式AP选择策略在室内定位中的应用

由于物体遮挡和无线接入点(AP)故障等因素,导致将所有AP节点作为特征输入的定位效果并不一定最优.传统AP选择方法通过比较整体区域的信号特征参数进行选择,并没有考虑不同子区域与AP节点之间的相关性.针对该问题,提出一种分布式AP选择算法,能够有效去除较大噪声和位置分辨能力弱的AP节点.通过将室内区域划分为若干个子区域,并计算子区域与AP节点的相关性,选取相关性优的AP节点作为该子区域的训练节点,最后通过深度置信网络模型进行定位模型训练.实验结果表明:在12m ×12m的区域范围内,该算法平均定位误差为0.4151m,较BP算法、RADAR算法而言,平均定位误差分别降低了35.95％,46.78％,运行时间分别减少了22.8％,32.9％.     

基于WiFi信号强度特征的室内定位系统设计

针对室内GPS定位无法准确获取位置信息的问题,在Android平台上设计利用WiFi信号强度特征进行定位的系统。该系统由安卓客户端、Tomcat服务器以及MySQL数据库组成,在一般位置指纹定位算法的基础上,通过MAC地址对无线接入点( AP)进行过滤,选取固定的参考AP获取位置指纹信息,并结合改进的K最近邻匹配算法,进一步减小定位误差。实验结果表明,该系统定位速度快、定位精度高,具有较好的室内定位效果。     

基于有序聚类和MSKPCA的室内定位算法

针对指纹室内定位算法中环境动态变化对Wi-Fi信号的干扰和定位实时性较差的问题,提出一种基于有序聚类和多尺度核主成分分析的Wi Fi指纹室内定位算法.离线阶段采用参考点可检测接入点序列的最长公共子序列衡量相似度,通过有序聚类划分子区域.在线阶段先进行粗定位,选择最优尺度的核主成分分析模型处理子区域指纹数据,使用朴素贝叶斯加权K近邻算法预测目标节点位置.实验结果表明,该算法可有效提升定位精度,86.7％的定位误差在1.2m以内.     

基于可靠AP选择和深度置信网络的室内定位算法*

因受到非视距传播等影响,基于位置指纹的室内定位精度不高。针对此问题,提出一种基于可靠AP选择和深度置信网络(DBN)的室内定位算法(RAP-DBN)。离线阶段,利用改进k-means聚类算法将定位区域划分成若干子区域,并依据Fisher准则和各AP缺失频率,选取分辨能力强且可靠的AP节点作为子区域的训练节点,最后采用DBN模型对各子区域参考点数据进行训练;在线阶段,根据接收信号强度判别测试点所属的类簇,并根据训练好的DBN模型在线估计测试点位置。实验结果表明,和WKNN算法、M-WKNN算法以及PSO-ANN算法相比,改进算法在定位精度和稳定性方面均有所提高。     

基于分布重叠和特征加权的无线局域网室内定位算法

受复杂室内环境下无线信号时变特性和随机特性的影响,传统的以接收信号强度均值为指纹信息的定位算法定位精度较低。针对该问题,提出了一种基于分布重叠和特征加权的位置指纹匹配定位算法。该方法采用接入点(Access Point,AP)信号包络的概率分布作为位置指纹特征,首先根据终端与AP的连通性为指纹特征设定权值,用信号包络概率分布重叠来表征指纹特征的相似度,然后取各特征相似度的加权和为指纹的相似度,最后根据最大指纹相似度原则估计目标位置。实验结果表明,所提算法的定位精度明显高于传统定位算法,具有较高的实用性。     

针对WLAN室内定位的移动AP筛选算法

由于现实定位场景内移动AP(access point)等因素的影响,基于位置指纹的WLAN室内定位精度难以保障。针对这一问题,本文提出一种在传统WLAN室内定位算法,不增添格外成本的移动AP筛选算法(RMAP),该算法通过在定位场景内划分区域,找到不同时间同一地点的信息,依靠AP的信号强度(RSS)与位置置信度之间的关系,实现数据增补从而筛选出场景内的移动AP,实验阶段通过实验场景测试了场景内移动AP的筛选结果,并用去除移动AP的指纹库测试了传统定位算法NN、KNN、WKNN,整体定位精度会显著提高。     

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题,提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度,使用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征,构建位置指纹数据库;在线定位阶段,使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信号强度特征进行匹配,通过近邻算法估计待测点位置。实验结果表明,基于堆叠自动编码机的室内定位算法具有更高的定位精度。     

基于智能手机无线信号和图像距离感知融合的室内定位算法

针对于目前面向个人使用的手机室内定位精度低、效果差,且成本较高难以拓展的问题,提出了一种利用普通智能手机作为硬件设备,融合Wi-Fi无线信号和图像数据,通过双层过滤的方式对用户进行高精度室内定位的算法。算法分为线下阶段和线上阶段。在线下阶段,对目标场地建立坐标系,在坐标系多个目标位置进行Wi-Fi采样并建立指纹库,同时对环境进行拍照取样并抽取图像特征。在线上阶段,通过实时获取的Wi-Fi信息进行第一层过滤,以确定当前用户可能的位置区间;然后,结合提出的一种距离补偿算法对用户手机当前捕获的图像进行特征提取,在第一层过滤的基础上,确定用户的精准位置。在实际场地进行的实验表明,相比传统Wi-Fi及二维图像定位方法,该算法能够在探测接入点（AP）数量较少及室内场景相似的情况下提高室内定位精度,可以应用于一般室内定位应用或结合基于位置的服务（LBS）应用。     

基于相似度的K阶临近定位算法

基于WIFI位置指纹的定位系统能实现较高精度的室内定位,其中基于接收信号强度指示（RSSI）的近邻选择算法在进行室内定位时容易引入奇异点,导致定位精度降低.针对该问题,本文提出了一种基于相似度的K阶临近定位算法（SKNN）.该算法借鉴二部分网络中求解节点相似性的思想,建立位置指纹与AP之间的二部分网络,并提出一个相似度参数,用该参数去修正K阶临近定位算法.实验结果表明,本文提出的SKNN算法可以有效的降低奇异点对定位结果的影响,提高定位精度,80%的定位误差均在2 m以内,且在大场景中效果明显.     

基于邻域粗糙互信息熵的非单调性属性约简

属性约简是粗糙集理论一项重要的应用,目前已广泛运用于机器学习和数据挖掘等领域,邻域粗糙集是粗糙集理论中处理连续型数据的一种重要方法.针对目前邻域粗糙集模型中属性约简存在的缺陷,构造一种基于邻域粗糙集的邻域粗糙熵模型,并基于此给出邻域粗糙联合熵、邻域粗糙条件熵和邻域粗糙互信息熵等概念.邻域粗糙互信息熵是评估属性集相关性的一种重要的方法,具有非单调性变化的特性,对此,提出一种基于邻域粗糙互信息熵的非单调性属性约简算法.实验分析表明,所提出算法不仅比目前已有的单调性属性约简算法具有更优越的属性约简结果,而且具有更高的约简效率.     

结合SURF描述符和广义近邻图的图像配准算法

针对传统互信息配准方法计算量较大且未利用图像空间信息的缺点,提出了一种结合SURF描述符和广义近邻图的图像配准算法。该算法用SURF从图像中提取尺度空间特征点并获得特征点描述子,然后用广义近邻图来估计Rényi熵与互信息。该算法结合了SURF描述子的鲁棒性和广义近邻图估计Rényi熵的高效性。实验结果表明,对于真实遥感图像,该算法在配准准确度、鲁棒性和速度上都明显优于几种传统配准方法。     

一种基于最优轨迹的假查询隐私保护机制

随着移动通信技术和无线传感器的发展, 基于位置服务的应用给我们的生活带来极大的便利。在实际使用中, 用户需要向不可信的LBS服务提供商发送自己的实时位置和相关的查询信息, 这可能会导致用户的个人隐私信息遭到泄露, 特别是在使用连续位置查询服务时, 服务提供商可以利用位置的时空相关性来构建用户的轨迹信息, 进而推断出用户的居住地址、公司位置等敏感信息。传统的位置隐私保护方法通常只考虑到当前位置, 在解决连续位置查询时存在挑战, 因此, 为了解决连续位置查询中难以权衡轨迹可用性与隐私性的问题, 提出一种基于最优位置轨迹的假查询隐私保护机制。首先, 通过真实轨迹和假轨迹间的互信息来度量轨迹的隐私, 解决轨迹隐私难以量化的问题。在此基础上, 提出一种基于马尔科夫链的轨迹互信息计算方法, 简化了轨迹互信息的计算过程,并使用两条轨迹上对应位置点间的欧几里距离来量化位置轨迹的可用性。其次, 考虑到生成的假轨迹可能并不符合用户的通行习惯, 容易被识别出来, 我们选择历史轨迹作为假轨迹。为了减少轨迹上位置点的数量, 使用四叉树法对路网区域进行划分, 将轨迹划分为不同的片段, 在相关约束条件下寻找最优的历史轨迹作为假轨迹, 从而保证使用的假轨迹更加真实、合理。最后, 实验结果表明,本文的方案可以最大程度的实现位置数据隐私性和可用性平衡, 与其他方案相比, 安全性更高、系统计算开销更少。     

基于波段影像统计信息量加权K-means聚类的高光谱影像分类

针对分类过程中如何合理利用高光谱影像波段问题,提出一种基于波段影像统计量加权K-means聚类的高光谱影像分类算法.该算法的核心思想在于:由波段含有的信息量及波段间的相关性确定各波段权重,同时考虑各波段对各聚类的重要性.首先,根据波段影像的熵、标准差及均值定义波段信息量函数,根据相邻波段影像互信息定义相关性函数;其次,由上述波段信息量函数及波段间相关性函数定义波段权重函数;然后,结合波段权重和波段-类属权重定义规则化目标函数;最后,依据参数特性设计目标函数求解方案.对Salinas高光谱影像和Pavia Centre高光谱影像分别采用所提出的算法与传统K-means算法、PCA$+K$-means算法及子空间波段选择$+K$-means算法进行对比实验,对于总精度及Kappa系数,所提出的算法都高于其他3种对比算法,结果验证了所提出算法的有效性.相对于其他3种算法而言,所提出的算法可有效改善高光谱影像分类的性能.     

一种基于广义互信息的图像配准算法

互信息作为图像配准中的相关度矩阵有着广泛的应用,通常采用的是基于Shannon熵的互信息。采用一个广义的信息熵——Renyi熵,提出了一种基于广义互信息的图像配准方法。在全局搜索阶段,采用q取较小值的Renyi熵,此时,Renyi熵可以消除局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优,以找到全局最优解;在局部优化阶段,使用基于q→1时的Renyi熵的归一化互信息测度作为目标函数。实验结果表明:相对于归一化互信息图像配准算法,基于Renyi熵的互信息配准算法有良好的配准效果,且提高了配准速度。     

融合显著特征和互信息熵的SLAM闭环检测算法

针对移动机器人SLAM闭环检测存在的闭环错误判定问题,提出了一种融合显著特征和互信息熵的闭环检测算法.首先,通过帧间位姿变化和信息熵差异得到关键帧,利用词袋模型逆向索引查询关键帧获取闭环候选帧.然后,引入图像颜色与深度信息计算当前关键帧与闭环候选帧的显著特征生成显著图.最后,将显著图均匀划分四块,计算两匹配关键帧显著图对应块的互信息熵,由每块对应互信息熵生成一个表征两幅图像相似度的四维向量,通过四维向量将满足互信息熵条件的闭环帧进行几何验证,判断是否产生闭环.实验结果表明,该算法能够降低机器人累积误差,生成全局一致的地图,同时满足实时性要求.     

基于互信息的软测量变量选择

针对软测量建模中的变量选择问题,提出了一种结合信息论中最大熵和互信息的方法。该方法采用最大熵原理,对软测量中各辅助变量和主导变量的概率分布进行估计,得到主导变量和各辅助变量间的互信息,这些互信息间接地反映了主导变量和各辅助变量间的相关性,包括线性相关和非线性相关。然后产生随机样本并计算和主导变量间的互信息,重复多次该过程就可以得到一个无关变量和主导变量间的互信息样本。用T检验寻找一个阈值作为判断相关性的标准。对于互信息小于阈值的变量作不相关变量处理,并结合测试效果筛选出最佳的软测量辅助变量。仿真结果证明,基于互信息的软测量变量选择方法具有直观、简单实用和可靠性高的优点,并且有效地改善了模型的估计精度。     

基于梯度广义近邻图的多模医学图像配准

提出一种融合梯度信息的医学图像配准算法。提取图像中互补的尺度空间特征点,并计算特征点周围的梯度信息,以Rényi互信息作为目标函数,利用广义近邻图估计Rényi熵。实验结果表明,在受外界因素影响较大的情况下,该算法速度较快、准确率较高,具有较强的鲁棒性。     

基于语义分割不确定性的特征点选择算法

针对基于特征点法的视觉里程计中的特征点提取问题,提出一种基于互信息和语义分割不确定性的特征点选择算法。算法依据特征点的语义信息和几何信息,保留提取于潜在静态物体的特征点。算法根据语义上下文信息对特征点的语义不确定性进行修正,并根据特征点的信息熵变化量对特征点进行筛选。最后,用公开的KITTI视觉里程计数据集评估上述算法,并与其他算法的实验结果对比。结果表明,该算法能够实现更准确的位姿估计,验证了算法的有效性和可行性。     

一种基于反向文本频率互信息的文本挖掘算法研究

针对传统的文本分类算法存在着各特征词对分类结果的影响相同,分类准确率较低,同时造成了算法时间复杂度的增加,在分析了文本分类系统的一般模型,以及在应用了互信息量的特征提取方法提取特征项的基础上,提出一种基于反向文本频率互信息熵文本分类算法。该算法首先采用基于向量空间模型(vector spacemodel,VSM)对文本样本向量进行特征提取;然后对文本信息提取关键词集,筛选文本中的关键词,采用互信息来表示并计算词汇与文档分类相关度;最后计算关键词在文档中的权重。实验结果表明了提出的改进算法与传统的分类算法相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果。