基于核岭回归和粒子滤波的室内移动目标追踪算法研究

本文提出了一种基于核岭回归和粒子滤波的室内移动目标追踪算法,该算法在离线阶段采用核岭回归方法提取传感器之间的距离与RSSI(Received Signal Strength Indicator)信号值之间的非线性关系,从而训练出一种非线性回归距离模型;在线追踪阶段,利用非线性回归模型和粒子滤波算法实现室内移动目标的定位和追踪。本文在典型的室内办公环境下进行实验,并通过MATLAB对实测数据进行仿真。实验结果表明,相比WKNN算法和KF算法,本文所提出的算法能到达更好的定位精度,误差均值为1.2743 m。     

基于粒子滤波的WiFi行人航位推算融合室内定位

为提高室内定位的精度和稳定性,提出使用粒子滤波融合WiFi指纹定位和行人航位推算的室内定位算法。为减少复杂室内环境对WiFi指纹定位的影响,提出将支持向量机分类与回归相结合的两级WiFi指纹定位算法。在基于智能手持设备惯性传感器的行人航位推算中,为减少惯性传感器的误差以及人随意行走带来的影响,采用状态转换的方法识别行走周期并进行步数统计,提出根据实时加速度数据动态设置状态转换的参数,利用步长和垂直加速度之间的关系以及相邻步长之间的关系,应用卡尔曼滤波进行步长计算。仿真实验中,基于支持向量机的WiFi指纹定位的平均误差比最近邻居(NN)算法降低34.4%,比K最近邻居(KNN)算法降低27.7%。改进的行人航位推算的性能优于常用代表性计步软件和步长计算算法,而经过粒子滤波融合后估计的行走轨迹更加接近真实轨迹:直线行走平均误差为1.21 m,优于WiFi的3.18 m和航位推算的2.76 m;曲线行走平均误差为2.75 m,优于WiFi的3.77 m和航位推算的2.87 m。     

基于LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

一种井下人员无线定位算法研究

针对传统井下指纹定位算法存在需要采集大量指纹数据和定位精度不高的问题,提出了一种差分鱼群优化最小二乘支持向量机(DEAFSA-LSSVM)的井下人员无线定位算法.首先将井下实验区域划分为多个小区域,并利用克里金插值算法建立指纹数据库;然后利用差分进化与人工鱼群混合智能算法优化正则化参数和核函数宽度,建立最小二乘支持向量机算法模型,利用无线采集接收终端采集待定位点的无线信息数据,通过最小二乘支持向量机算法模型计算出其所属小区域;最后利用小区域内无线信息数据,通过加权K近邻算法进行实时定位.实验结果表明:该定位算法的收敛速度快,分类准确,准确率达到98.87%;定位精度高,平均定位误差为1.51 m,比未经优化的最小二乘支持向量机算法的定位精度提高18.82%.     

基于dynFWA-SVM的WiFi室内定位算法

针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型.定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型.实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低.     

粒子群优化支持向量机的室内无线定位方法

为了提高室内的定位精度,减少环境因素的不利影响,提出了一种基于粒子群优化支持向量机的室内无线定位方法。选择参考点,构建室内无线定位的学习样本,采用支持向量机建立输入与输出之间的非线性关系模型,并用粒子群算法优化支持向量机参数;进行仿真实验测试其性能。实验结果表明,相对当前经典室内定位方法,该方法提高了提高室内的定位精度,将定位误差控制在实际应用的有效围,而且较好地满足了室内定位的实时性要求。     

萤火虫算法优化支持向量机室内定位研究

针对室内定位指纹库匹配冗余信息多造成定位浮动大,且数据库中样本数过多定位时效性差等问题,提出一种基于萤火虫算法FA优化支持向量机SVM的室内定位算法FA-SVM。利用奇异谱分析SSA预处理数据去除噪声,通过萤火虫算法优化支持向量机参数,建立室内定位回归模型。实验结果表明,相对于目前其它室内定位算法,FA-SVM算法收敛速度快,提高了室内定位精度和稳定性。     

基于 ＣＳＩ 和加权混合回归的室内定位方法

近年来,Wi-Fi 感知凭借低成本、非接触、不受光照影响、隐私性好等优势,成为人机交互的新兴研究方向。为了提高室内定位技术的精度,本文提出了一种基于信道状态信息（Channel State Information,CSI）的加权混合回归(Weighted Mixed Regression, WMR)室内定位算法WMR_SKR。该方法分为离线训练和在线预测两个阶段。离线阶段单独训练支持向量回归（Support Vector Regression, SVR）和K近邻回归（K-Nearest Neighbor Regression, KNR）模型,并获得最优的权重分配,建立加权混合回归模型WMR_SKR。在线阶段通过WMR_SKR模型实时预测目标的位置。实验结果表明,本文的WMR_SKR模型在视距环境中82%的概率下定位精度能够达到1m,非视距环境中80.6%的概率下达到1.5 m,且平均误差和标准误差均小于1.5m。WMR_SKR模型有效融合了SVR和KNR的优点,提高了室内定位技术的性能。     

基于改进支持向量机的Wi-Fi室内定位算法

针对室内复杂环境下无线信号不稳定、传统支持向量机定位算法计算复杂度高等难题,为了提高室内的定位精度,提出一种改进支持向量机的Wi-Fi室内定位算法。采用核主成分分析对特征进行降维处理,提取有用信息、降低计算量,采用支持向量机构建定位特征与物理位置的非线性映射模型,并采用粒子群算法对模型参数进行优化,进行了仿真实验。结果表明,该算法提高了室内定位精度和效率。     

一种基于SVR的定位误差修正算法

针对井下无线信号传播环境发生改变需要重新采集RSS(Received Signal Strength)指纹数据的问题,提出一种基于支持向量回归(SVR)的定位误差修正算法。该算法在离线阶段利用支持向量回归机,建立待训练点的RSS值和定位结果与定位误差之间的非线性关系,在线阶段利用该模型计算RSS样本的定位误差,并修正定位结果。实验结果表明,在离线训练点数量增加前后,该修正算法比指纹匹配算法的定位误差分别减少了22%与38%。     

一种基于SVM重采样的似然粒子滤波算法

针对弱观测噪声条件下非线性、非高斯动态系统的滤波问题,提出一种基于支持向量机的似然粒子滤波算法.首先,采用似然函数作为提议分布,融入最新的观测信息,比采用先验转移密度的一般粒子滤波算法更接近状态的真实后验密度;然后,利用当前粒子及其权值,使用支持向量机估计出状态的后验概率密度模型;最后,根据此模型重采样更新粒子集,有效地克服粒子退化现象并提高状态估计精度.仿真结果表明了所提出算法的可行性和有效性.     

一种基于支持向量回归的802.11无线室内定位方法

802.11无线局域网技术的广泛普及,给无线室内定位系统带来了良好的发展契机.提出了一种基于支持向量回归的802.11无线室内定位方法.该方法主要包括离线训练和在线定位两个阶段.离线阶段的主要工作是得到精确的位置预测模型;在线阶段的主要工作是根据移动设备的接收信号强度(received signal strength,简称RSS)进行在线定位.由于存在室内环境复杂、信道拥塞、障碍物影响和节点的通信半径有限等问题,移动设备的接收信号强度易受干扰,复杂多变.针对以上问题,离线阶段对接收信号强度信息进行统计分析,得出数据过滤规则,对训练数据集进行过滤,以此提高训练样本质量,从而提高支持向量回归预测模型的质量.在线阶段使用连续K次测量定位法获取信号强度信息,保证训练样本与在线输入信息之间的一致性,提高最终的定位精度.通过实验对该定位方法进行了综合对比分析,实验结果表明：与常用概率定位法、神经网络法相比,该方法具有更高的定位精度,同时具有对移动设备的存储容量及其计算能力要求较低的特点.     

基于IMK-WLSSVR的WiFi室内定位算法

针对传统的基于单核加权最小二乘支持向量回归(WLSSVR)定位算法对接收信号强度指示(RSSI)的拟合度较差,导致定位精度不高的问题,提出了一种基于改进多核WLSSVR(IMK-WLSSVR)的Wi Fi室内定位算法。采用多核支持向量回归机模型构建指纹点RSSI值与位置坐标的非线性关系,采用多项式核函数和高斯径向基核函数构建多核函数,利用正态分布权值函数为每个指纹点赋予不同的权重;然后利用改进的模拟退火算法优化定位模型参数,进一步提升模型的定位性能;最后利用构建的定位模型进行定位。实验结果表明:在3 m网格、3 d Bm标准差噪声条件下,算法定位误差小于2 m的概率可达92. 2%,其定位精度优于现有的加权K最近邻(WKNN)算法以及单核WLSSVR方法。     

基于粒子滤波的多信息融合室内定位算法研究

针对现有室内定位技术精度低、实现复杂度高等问题,提出一种基于粒子滤波的多信息融合室内定位算法。在传统的行人航迹推算(PDR)以及地磁匹配等室内定位算法的基础上,通过粒子滤波动态地纠正行人步长和方向角,从而有效地减小了定位误差。通过PDR算法获得行人的步频、步长、方向等信息,由地磁匹配算法得到行人所在位置对应的地磁值,最后利用粒子滤波对以上信息进行融合处理从而得到粒子的权重,由粒子权重对步长和方向角不断地修正。实验结果表明,该算法可以实时动态地补偿PDR的定位误差,能够获得较高的定位精度。     

基于粒子滤波的UWB+惯导融合定位算法研究

为了提高自主导航机器人的室内定位精度,提出一种基于粒子滤波的超带宽(UWB)/惯导融合定位算法.首先,UWB定位采用双边双向测距算法确定距离信息,通过三边定位算法确定位置信息.其次,惯导定位通过编码器采集运动信息,建立非完整约束下的动力学模型,确定运动轨迹.两种定位信息在上位机中通过粒子滤波进行融合,实现高精度融合定位...     

一种改进的支持向量机的室内指纹定位技术

为提高室内定位算法定位的精度和实时性,提出一种改进的支持向量机(A-SVM)的室内指纹定位方法。利用SVM具有较好的学习和泛化能力的特点,把定位匹配转换为多分类问题。为克服SVM分类存在的片面性问题,提出基于SVM与反K近邻融合的位置指纹分类方法得到估计位置,并利用卡尔曼滤波对估计位置进行滤波处理。实验结果表明,算法有效减小了定位结果的波动性,与传统SVM相比具有较高的定位精度。     

基于改进粒子滤波的室内自适应定位算法

精确的室内定位系统具有重要的研究及应用价值。由于GPS在室内受到很多约束条件而无法提供精确的室内定位服务,如何提高室内定位算法的精度已经成为当前研究的热点。通过提出一种基于改进粒子滤波的室内定位算法以减少室内环境影响来提高定位精度。该算法主要思想是通过手机等移动设备接收AP传播的信号,然后根据室内拓扑建立一个信号衰减模型,在移动设备的移动过程中结合粒子滤波进行定位。在定位过程中,移动设备采用自适应的信号采集方法来接收信号,同时随机游走思想和自优化的重采样方法被用来改进粒子滤波。仿真实验结果表明该算法能够有效提高室内定位的精度和鲁棒性。     

基于粒子群优化的支持向量回归车道饱和度预测

针对复杂城市交通系统,建立基于粒子群优化的支持向量回归车道饱和度预测模型。首先,引入悉尼自适应交通控制系统中的交通数据,对路网的交通运行状况以及路口之间的关联关系进行分析,利用均值滤波方法对数据进行预处理,确保数据的可靠性。然后,基于支持向量回归方法建立车道饱和度预测模型,并引入粒子群优化算法对模型的参数值进行寻优,从而得到参数最优的车道饱和度预测回归模型。最后,对基于实际数据建立的模型进行验证。验证结果表明,预测数据与实测数据的拟合程度较高,所建立的预报模型能够有效预测将来车道饱和度信息,以及可能发生的道路拥堵。     

基于核岭回归的自适应蓝牙定位方法*

针对室内高精度定位需求和蓝牙信号强度动态变化特征,提出了一种基于核岭回归（KRR）的定位方法,只需利用蓝牙锚节点之间的信号强度及其物理坐标信息,学习蓝牙信号强度与物理坐标的回归模型,并能在线动态更新模型参数,实现自适应免标定定位。实验结果表明,KRR方法对信号强度的动态变化具有较好的适应性和鲁棒性,平均定位误差为1.25 m,相比信号—距离映射方法（SDM）能取得更高的定位精度;实验也验证了有效的滤波处理能进一步改善定位效果。     

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。