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。     

基于粒子群优化在线顺序极限学习机动态环境室内定位算法

动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰,信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响。针对该问题,本文提出了一种基于粒子群优化在线顺序极限学习机算法（Particle swarm optimization online sequential extreme learning machine,PSO-OS-ELM）。该算法继承了在线顺序极限学习机（Online sequential extreme learning machine,OS-ELM）算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性,同时又利用粒子群优化（Particle swarm optimization,PSO）解决OS-ELM算法中奇异值问题和鲁棒性问题。在3种不同环境下采集数据,将PSO-OS-ELM算法、OS-ELM算法和WKNN算法进行实验对比。实验结果表明：在动态变化的室内环境中,PSO-OS-ELM算法定位误差较小且鲁棒性增强,优于其他算法;平均定位误差相较于其他算法减少了约15%;算法耗时性相较于传统定位算法加权K近邻算法（Weighted K-nearest neighbor,WKNN）算法减少了约55%。