基于GA优化ELM的船舶交通流预测模型

为了提高船舶交通流预测的效率和准确率,分析了船舶流量预测中的影响因素多、非线性、随机性等问题,建立了ELM(极限学习机)预测模型。同时为了避免极限学习机算法受输入权值矩阵和隐含层偏差随机性的影响,算法又采用GA(遗传算法)对极限学习机的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM船舶交通流预测模型。利用上海洋山港船舶流量对该模型进行了实例分析,通过MATLAB仿真进行预测,将GA-ELM模型与单纯的BP模型、ELM模型进行对比和分析,结果表明:GA-ELM模型具有更高的预测精度和效率,从而能够相对准确、高效地对船舶交通流量进行预测。     

一种新的虹膜定位方法

针对传统的虹膜定位算法对采集到的眼部图像质量要求非常严格的缺陷,论文提出了一种新的虹膜定位算法,即利用改进的高斯混合模型(SLGMM)和EM算法来进行虹膜定位。试验结果证明了算法的有效性。     

TDOA/AOA混合定位方案中的UKF算法

针对CDMA无线定位系统中的“听力”问题,在CDMA无线系统中建立到达时间差/到达角度(TDOA/AOA)混合定位方案模型。针对常用滤波算法的性能改善问题,提出无迹卡尔曼滤波(UKF)算法解算定位方程,并结合设定环境对算法进行Matlab仿真。与常用EKF算法的比较表明,在TDOA/AOA混合定位方案中,UKF算法具有更好的收敛性和精度。     

基于改进ELM的无线传感网络水温预测方法研究

为有效地对工厂化水产养殖进行指导和管理,解决实际生产中水温数据预测精度低、稳定性差等问题,在分析水温影响因素的基础上,通过天气指数的计算对传感器采集的异常数据进行校正,进而提出一种遗传算法（GA）结合改进极限学习机（ELM）的池塘水温预测模型（GA-ELM）。在模型建立的过程中,采用Softplus对传统ELM的激活函数进行改进,在GA算法获取ELM最佳初始权值和偏置参数的基础上,对实现数据校正的池塘水温数据进行预测。将GA-ELM与BP神经网络和标准ELM网络模型进行对比,GA-ELM的预测指标MAE、MAPE和RMSE分别为0.1543、0.0054和0.1876,实验结果表明,GA-ELM模型有较好的预测性能,能高效、稳定地实现水温的预测。     

复杂室内环境下的WiFi定位技术研究

在复杂的室内WLAN环境下,利用改进的MK模型和加权K最近邻法对定位性能进行了改进。首先介绍了室内传播模型及改进的MK模型;然后介绍了位置指纹定位方法及两种定位算法的基本原理,根据实测数据,分析了以上方法的定位效果以及误差来源;最后提出了MK模型和加权K最近邻法相结合的混合定位法,并对算法进行了仿真和分析。仿真结果表明,所提算法提高了算法精确度,减小了定位误差。     

煤矿井下超宽带定位混合解算方法

超宽带定位是根据基站测定的标记点距离,基于一组非线性定位方程组,通过泰勒(Taylor)级数展开算法、Chan算法或最小二乘法解算获得精确的设备位置。其中,Taylor级数展开算法的求解精度高,但是对初始值具有很强的依赖性,如果初始值选择不恰当,会导致算法不收敛。针对上述问题,提出了一种结合头脑风暴优化(BSO)和Taylor级数展开的混合解算(BSO-Taylor)方法。采用BSO算法求解移动站到基站的误差函数最小化的最优解,将最优个体的到达时间差(TDOA)值作为Taylor级数展开算法的初始值,进行Taylor展开解算得到定位信息,解决了Taylor级数展开算法需要较好初始值的问题。对Chan算法、Taylor级数展开算法和BSO-Taylor混合解算方法的结果进行了对比实验,结果表明,BSO-Taylor混合解算方法通过全局搜索策略,获得了接近于真实位置的迭代初始值,既可以获得接近真值的定位性能,又解决了Taylor级数展开算法对不良初始值的敏感性;相较于Chan算法,BSO-Taylor混合解算方法的解算结果更加稳定,且准确性更好;相较于初始位置为真实位置的Taylor级数展开算法,BSO-Taylor混合解算方法的解算误差稍大;定位距离的变化和TDOA测量值标准差的变化对Taylor级数展开算法和BSOTaylor混合解算方法的影响基本一致,而对Chan算法的影响较大。     

基于人工蜂群算法的胶囊内窥镜位姿磁定位研究

胶囊内窥镜技术是胃肠道内窥镜检查的一个重大突破,但其临床反馈尚有一些问题待解决,其中一个问题就是定位跟踪。在各种可能的定位技术中,磁体定位技术具有不用供电且体积小等特点,应用于胶囊内窥镜的定位问题是非常合适的。文章针对磁体定位技术中的磁偶极子定位模型,提出一种新的算法——混合人工蜂群算法,并将该算法与标准人工蜂群算法、随机复合形算法、Levenberg-Marquart(LM)算法进行对比。实验结果表明,混合人工蜂群算法在算法定位精度、算法稳定性和抗噪能力等方面,比其他三种算法具有更优越的性能。     

基于UWB的密集行人三维协同定位算法

针对复杂室内环境中密集行人定位精度低、超宽带(UWB)基站密度要求高的问题,提出一种基于UWB的密集行人三维协同定位算法。首先使用聚类算法抑制测距数据中较大非视距(NLOS)误差,并使用高斯均值混合滤波抑制标准测量误差;然后提出双层协同定位算法,建立协同定位数学模型,并结合迭代初始值获取策略进行初步定位,降低了基站数量要求,在筛选出NLOS误差较小的测距数据并修正后,进行二次定位;最后考虑行人高机动性,设计一种交互多模型卡尔曼滤波算法,缓解了定位结果跳变问题。实验结果表明,所提算法在弱NLOS环境和强NLOS环境下定位精度分别达到0.11 m、0.17 m,相比其他算法,具有较高定位精度,进一步降低了对UWB基站密度要求。     

基于全质心-Taylor的UWB室内定位算法

针对室内环境下的非视距(NLOS)传播给定位精度造成较大误差的问题,通过对超宽带(UWB)定位模型进行分析,提出了一种基于全质心-Taylor的混合定位算法.采用对测距误差不敏感的全质心算法将锚点测距数据分组运算,获得目标节点的初始粗定位信息,采用质心修正算法对粗定位节点进行优化运算,从而确定Taylor级数展开初值,再进行迭代求解,进行第二次精细定位.实验结果表明:与Chan-Taylor算法、最小二乘估计(LSE)-Taylor算法相比,本文算法定位精度有明显提高.     

基于MFCC与改进ACF的汽车声音识别算法研究

汽车声音识别是汽车声源定位等研究的基础,对交通事故鉴定、犯罪举证和犯罪现场还原等具有重要意义。现有汽车声音识别算法存在算法复杂度高和识别率相对较低等问题。针对现行问题,将以梅尔倒谱系数( MFCC)特征与自相关函数(ACF)方差作为混合特征的汽车声音识别算法应用到汽车声音识别系统中。该算法使用高斯混合模型(GMM)进行汽车声音建模和识别,获得比MFCC特征及其一阶差分特征组成的混合特征更好的识别效果。并通过仿真实验证明了该算法的有效性。