改进的WKNN算法研究

在不同室内定位算法中,传统WKNN算法原理简单易于实现,但基于该算法的定位结果往往存在定位误差较大、精度不高等问题。为了克服这种不足,将改进的WKNN算法引入室内定位。此方法通过观测每项实测值与存储值的差异量,赋予修正权重值来减少错误信号强度值对整体指纹距离的影响,经实验结果表明,改进后的WKNN算法能够有效减小室内定位误差,优化室内定位精度。

用于复杂场景裂缝分割的多层次特征提取算法

针对目前裂缝识别算法大多基于单一自有数据集进行识别,在更换数据集之后效果较差、难以适应复杂场景检测的问题,提出了一种适用于复杂场景的裂缝分割算法,该算法基于卷积神经网络(Convolutional Neural Network,CNN),在HED网络的基础上增加了卷积层,并在各卷积层中增加了批标准化层,应用引导滤波对分割结果细化,取得了更完善精准的分割。验证结果表明,与Ground Truth平均交并比(mean Intersection over Union,mIoU)达到86.9%,且处理速度与其他算法相比具有一定优势。综合对比验证了算法的优越性及可行性,为解决裂缝识别提供了新的方法。

基于不同度量的指纹定位算法比较

在指纹定位加权K近邻算法中,传统欧氏距离度量原理简单,但会忽略掉样本单元不同特性之间存在的差别,导致定位误差较大。为了克服欧氏距离存在的不足,分别采用马氏距离、卡方距离将其替换,并结合加权K近邻算法进行定位精度对比。试验结果表明,取相同K值的情况下,基于马氏距离度量对指纹定位精度的提升较低,基于卡方距离度量的指纹定位精度明显优于另外两种方法。

基于改进Sobel算子的语义分割算法

针对常用语义分割算法存在丢失边缘信息导致分割不够精确的问题,通过结合边缘检测算法进行语义分割,有效地改善了分割不准确及边缘模糊的问题。算法采用并行结构,通过边缘检测子网络所提取的边缘特征来对语义分割子网络所提取的语义分割特征进行信息的补充,采用concat融合两路特征进行卷积操作来获取最终分割结果。实验基于TensorFlow平台进行,所提出方法相比以往算法在计算速度接近的同时真实值和预测值的交并比上取得了一定提升,增强了分割结果。

融合光照强度的地磁室内定位方法研究

针对单一地磁室内定位技术精度及稳定性较差的问题,该文提出基于Tent-ASO-BP算法模型的地磁/光强融合定位方法。离线阶段数据预处理后,将坐标轴转换的地磁三轴数据与对应光强数据结合提高定位点的特征维度,采用克里金插值法建立不同分辨率指纹库;在线阶段利用已建立的Tent-ASO-BP算法模型输出定位结果。实验结果表明,该定位模型具有较好的定位性能,可有效应用于室内定位;且相比单一地磁定位技术,地磁/光强融合定位技术可明显提升定位精度及稳定性。