排序方式: 共有26条查询结果,搜索用时 0 毫秒
2.
为了解决在基于聚类方法的WiFi指纹定位中视角单一所导致的定位精度较低的问题,提出了基于多视角聚类的WiFi指纹定位方法.利用阈值-均值滤波方法对原始数据进行处理;结合K-means聚类算法对多视角信号(信号强度和位置)进行区划,并建立离线指纹库;使用基础分类器对实测信号分类,待测信号依据分类结果在其所属区域内估计K个邻近信号点,用近邻以及相应的权重值综合确定该信号的实际位置.通过对比实验分析可知,在考虑多视角的情况下,WiFi指纹定位精度在4 m以内的概率为83%,相比于单视角聚类的定位精度提高了12%.结果表明,该方法提高了定位精度,也为定位领域的研究提供了多元化思路. 相似文献
3.
4.
针对彩色图像匹配大多数仅利用图像灰度特征,忽视彩色信息,在颜色相近区域易造成误匹配的问题,引入颜色不变量,提出一种用于彩色图像的颜色尺度不变匹配算法.该算法首先将图像的RGB 颜色模型转换到高斯颜色模型.随后,通过计算颜色不变量代替灰度信息作为输入,建立多尺度空间,并使用 SIFT 算法提取特征点,构建特征描述子.最后,选择其中一幅图的特征描述矢量为基准,利用FANN算法在另一幅图的特征描述矢量中,寻找基准图像特征矢量的最优解即匹配对,从而完成两幅图像的匹配.实验证明,相对于传统的SIFT图像匹配算法,本文的算法匹配正确率更高,图像匹配质量更好. 相似文献
5.
6.
7.
8.
9.
图像型火灾探测实际上是不平衡数据的二分类问题,现有方法在处理不平衡数据分类问题时常常会引入新的噪声点或丢掉很重要的信息,算法稳定性较差。根据Adaboost对样本分配不同权重的优势,和SVM在平衡数据条件下较好的分类性能,将Adaboost算法和支持向量机(SVM)相结合,提出Adaboost-SVM算法。把火焰疑似区域的特征值作为SVM分类器的输入参数,利用Adaboost算法重点标记错分样本,并对样本的权重设定阈值,采用一定的准则对少数样本进行再构造使正负样本达到平衡。最后在训练数据的同时,通过投票机制输出最终分类结果。实验结果表明,该算法提高了火灾在正负样本分布不平衡时的分类性能。 相似文献
10.
针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。 相似文献