基于神经网络数据融合的无线定位算法

提出了一种基于神经网络数据融合的无线定位算法,该方法融合了到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)、,并考虑了这三种测量值的测量质量(可信度),有效地解决了在常规定位算法中使用线性最小二乘法求解非线性方程使定位精度下降的缺点。通过仿真表明,该算法具有较高的定位精度,能够满足FCC所提出的定位要求。     

一种基于遗传算法径向基神经网络的混合无线定位算法研究

文章提出了一种基于径向基神经网络的混合无线定位算法。采用径向基函数(Radial basis function neural net-works-RBF)神经网络建立移动台位置估计模型,并用递阶遗传算法(HGA)同时训练RBF的网络结构和参数。对进行位置估计的三种参数TOA/TDOA/AOA进行数据融合,以有效地提高定位精度。与传统BP神经网络定位算法进行比较,仿真结果表明,该算法的定位结果能够很好地满足FCC的定位要求。     

基于残差加权的Taylor级数展开TDOA无线定位算法

针对Taylor级数展开算法进行了改进,用残差加权算法的定位结果作为Taylor算法的初始值进行迭代计算,并利用最小残差代替实际中不易获取的TDOA测量均方误差。仿真结果表明,该算法能有效地抑制非视距传播误差的影响,且性能稳定。     

基于到达时间差的无线传感器网络质心定位算法

通过将到达时间差(TDOA)方法与质心定位算法相结合,提出一种基于加权处理的质心混合定位算法。该算法利用TDOA和几种经典的求解双曲线方程组解的定位算法,得到了网络中待求节点的位置,作为质心算法的坐标,并用锚节点与未知节点间的距离作为约束来调整节点的位置,从而减小定位结果与真实值之间的误差。最后通过数值仿真证明了本文算法的有效性。     

一种利用移动通信信号定位的新方法

提出一种利用现有移动通信信号确定移动站位置的定位方法,这种基于到达时间差(TDoA)的递推定位方法克服了传统的高斯-牛顿法对初始位置选择的敏感性,适合在复杂的几何条件下给移动站MS定位。从实证分析来看,这种递推方法的收敛速度很快,并能够在适度的复杂性下达到非常高的精度。     

非视距传播环境下的一种TDOA定位算法

各种基于移动台位置的服务急剧增加，导致提供定位业务成为无线网络发展的必然趋势。针对实际定位应用时常出现的非视距(NLOS)传输问题改进TDOA定位算法，其基本思路是将TDOA估计转化为两步最大似然线性估计，并加入松弛因子表示NLOS的影响，通过迭代方式逐步消除NLOS对定位的影响。该算法结构简单，计算量不大，仿真结果证实了其有效性。     

基于遗传算法的神经网络优化的研究

有效地确定神经网络的参数和结构,一直是神经网络研究中的一个难点。遗传算法是一种基自然选择和自然遗传机理的全局搜索学习算法。本文研究了遗传算法优化神经网络连接权的思想和方法。实验结果表明,遗传算法为训练神经网络提供了一种新的途径。     

基于神经网络和遗传算法的高密集WLAN公平性保障算法

为了满足用户在各类场景下对无线业务日益增长的要求,高密集部署的无线局域网(wireless local area network, WLAN)是未来发展的趋势。但由于频率资源有限,相同信道必然存在多个WLAN无线接入点(access point, AP),然而处于同一信道的AP会互相干扰,造成网络中小区间吞吐量的公平性下降,无法为用户提供良好的服务质量。为了提高网络公平性,改善用户体验,需要制定合理的网络参数调优方法,给出了一种基于神经网络和遗传算法对WLAN参数优化的方法。采用神经网络构建网络参数与网络吞吐量公平性之间的映射,将训练完成的模型作为遗传算法的适应度评估函数,通过遗传算法求解优化参数组合配置来改善WLAN吞吐量公平性问题。仿真结果表明所提出算法能够使得高密集WLAN吞吐量公平性得到提升。     

基于遗传算法的神经网络优化的研究

有效地确定神经网络的参数和结构,一直是神经网络研究中的一个难点。遗传算法是一种基于自然选择和自然遗传机理的全局搜索学习算法。本文研究了用遗传算法优化神经网络连接权的思想和方法。实验结果表明,遗传算法为训练神经网络提供了一种新的途径     

基于GA的BP网络模型在水文计算中的应用

分析了BP神经网络的缺陷和遗传算法GA的特点,在对BP网络模型进行多方面改进的基础上,提出了基于GA的BP网络模型算法,该算法利用遗传算法全局寻优能力强的特点,可克服神经网络易陷入局部极小、收敛速度慢的缺陷.研究表明,基于GA的BP神经网络模型用于水文计算是有效可行的,该算法具有广泛的应用前景.     

基于TDOA的一种简化的非视距误差抑制算法

在蜂窝网络无线定位中,NLOS是影响定位精度的一个重要因素.如何更好的抑制NLOS误差是提高定位精度的关键.为此,考虑普遍存在NLOS的情况,即假定NLOS的概率为1,则得到的TDOA测量值均含有NLOS误差.这样根据信道的先验信息和Greenstein模型就可以估计出NLOS误差的均值,从而可以修正TDOA测量值,即重构TDOA测量值.把重构后的TDOA测量数据,应用到LCLS算法就可以完成对移动台的位置估计.仿真结果表明,在普遍存在NLOS的情况下,该算法能有效抑制NLOS误差,取得较精确的估计位置.     

基于超声波的室内三维定位系统

为满足对室内定位技术和系统应用平台的迫切需求,提出一种基于超声波的室内三维定位系统,阐述了其工作原理并对三边定位算法进行了研究。该系统基于射频和超声波传感器的固有性质,对超声波信号采用CDMA（Code Division Multiple Access）技术进行编码,以便在目标节点上区分每个信标发来的超声波信号,并结合射频信号实现TDOA（Time Difference Of Arrival）测距算法,最终实现三维定位。实验研究表明,以一个信标为原点,另外两个信标分别放置为X轴和Y轴上,建立三维坐标系,能简化三边定位算法,并能实现精度较高的三维定位。     

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法（sparrow search algorithm,SSA）优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了 0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。     

基于遗传算法的汽车复杂注塑件成形工艺参数优化

以汽车外饰件中的观后镜为例子,以注塑件成形质量中的翘曲量为优化目标,依据回归分析和神经网络建立数学模型,并比较其预测精度,得到有效的预测模型;利用遗传算法对得到的数学模型进行寻优,达到对注塑工艺条件优化的目的,以期缩短生产时间,提高制件质量。     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键．基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷．仿真实验验证了GA-WNN预测模型对短时交通流的预测的有效性．     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经网络的交通预测模型GA WNN,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补．在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阚值进行学习，同时确定最佳的网络结构，利用原型观测资料建立了大坝变形预测的遗传神经网络模型。模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持。