| 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 |
| |
| 引用本文： | 韩承毅,苏胜君,施伟斌,乐燕芬,李瑞祥. 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[J]. 数据采集与处理, 2022, 37(6): 1345-1352 |
| |
| 作者姓名： | 韩承毅 苏胜君 施伟斌 乐燕芬 李瑞祥 |
| |
| 作者单位： | 上海理工大学光电信息与计算机工程学院，上海 200093 |
| |
| 摘 要： | 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%。
|
| 关 键 词： | 粒子群优化 在线顺序极限学习机 接收信号强度 动态环境 室内定位 |
| 收稿时间： | 2021-05-26 |
| 修稿时间： | 2021-10-11 |
Indoor Positioning in Dynamic Environment Based on PSO-OS-ELM |
| |
| Han Chengyi,Su Shengjun,Shi Weibin,Le Yanfen,Li Ruixiang. Indoor Positioning in Dynamic Environment Based on PSO-OS-ELM[J]. Journal of Data Acquisition & Processing, 2022, 37(6): 1345-1352 |
| |
| Authors: | Han Chengyi Su Shengjun Shi Weibin Le Yanfen Li Ruixiang |
| |
| Affiliation: | School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China |
| |
| Abstract: | |
| |
| Keywords: | particle swarm optimization(PSO) online sequential extreme learning machine(OS-ELM) received signal strength dynamic environment indoor positioning |
|
| 点击此处可从《数据采集与处理》浏览原始摘要信息 |
|
点击此处可从《数据采集与处理》下载全文 |
