基于改进KNN-RF的信息补全算法

针对室内指纹定位指纹库数据在实际环境中存在数据缺失导致定位误差大的问题,本文提出了一种改进距离公式的K近邻-随机森林的信息补全算法。首先,采用高斯滤波对收集的指纹数据进行预处理,去除干扰数据项,提高数据可靠性。其次,在将指纹数据划分为训练集和测试集的基础上,采用结合欧氏距离和曼哈顿距离的KNN算法获得近邻集合样本,随后用RF算法对近邻集合训练进行优化,再把各个决策树的预测结果取平均值,得到缺失数据的预测值。最后,将改进的补全算法与KNN、改进的KNN、RF和KNN-RF补全算法进行对比。实验结果表明,本文的改进补全算法的预测准确率和精度均优于其他算法,预测的准确率达91.3%。同时本文补全算法的指纹库平均定位误差为1.82 m,相较于其他补全算法的指纹库定位误差降低了1.6%~7.2%,定位性能更好。

基于改进LightGBM的室内指纹定位算法

针对室内定位算法在定位时所用时间较长和定位精度较低的问题,提出了一种基于改进LightGBM(light gradient boosting machine)算法的室内定位算法。该算法首先针对指纹库中的数据进行预处理,通过KNN(K-nearest neighborhood)算法去除异常点和离群点,降低环境噪声干扰,提高数据可靠性。接下来,将样本集划分为训练集和测试集,使用LightGBM算法对进行建模。同时,使用遗传算法调整LightGBM算法中的参数,并根据适应度函数寻找最优参数,得到LightGBM+GA(genetic algorithm)坐标预测模型。最后,根据优化后的参数建立预测模型实现坐标预测。实验结果表明,该算法在WiFi定位的精度上较与极限梯度提升(extreme gradient boosting,XGBoost)算法提高0.1 m,相较于GBDT(gradient boosting decision tree)算法提高0.19 m,在定位时间上,LightGBM+GA算法比GBDT算法快5.10 s,比XGBoost算法快5.97 s,具有较好的实用性。

基于KNN和XGBoost的室内指纹定位算法

针对KNN算法定位精度有待提高以及定位稳定性较差的问题,本文提出了一种基于KNN算法和XGBoost算法的室内指纹定位算法。该算法首先将样本集划分为训练集和测试集,将训练集中AP的RSSI数据作为特征,坐标作为标签,使用XGBoost算法进行建模。其次,融合KNN模型,将KNN算法寻找到的近邻集合引入XGBoost模型中,再结合单独XGBoost算法的预测结果,以实现坐标定位。最后,在实际环境下研究了算法的K值、回归树数量、决策树深度和学习率对误差的影响,确定算法的相关参数。通过搭建的实际实验环境进行了测试,实验结果表明,本文提出算法的平均定位误差为1.55 m,较于KNN算法和XGBoost算法分别减少了24.76%和11.93%,并且累积分布函数曲线的收敛速度更快,具有较好的定位性能。

多层可延展柔性电路皮肤舒适性及器件延展性优化

柔性电子在与皮肤佩戴的过程中会对皮肤产生约束,为了提高穿戴舒适性,将分析通孔尺寸、导线焊盘尺寸对皮肤舒适性的影响及蛇形导线宽度对导线弹性应变的影响。并以参数化建模的思想,利用响应面法与多目标遗传算法相结合的实验方法,获取对皮肤界面应力影响最小和最佳弹性应变的通孔、导线焊盘及导线宽度尺寸最佳参数组合。相较于初始尺寸,优化后皮肤界面法向应力最大值及导线弹性应变最大值均有所减小,其中优化后的法向应力相较于初始值31.659 kPa降低到了18.015 kPa,降低了43.1%;导线弹性应变相较于初始值0.258 5降低到了0.169 4,降低了34.5%。并通过Six Sigma方法分析验证了最终优化结果的可靠性。