基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication,RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点.为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题.将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真.结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.4257 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.2887 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.

基于改进粒子群算法在煤矿安全预警中的研究

煤矿安全预警及决策任务部署在云端已成为一种趋势,云资源和监测预警任务的动态异构性,导致任务调度是云计算系统中的一个急需解决的问题。煤矿安全预警决策中需要实现最小化任务执行时间,提出一种基于种群分类的粒子群任务调度算法,提高算法的收敛精度,并建立煤矿云平台的任务调度模型,以优化任务的执行时间。实验结果表明,该算法在解决任务调度过程中与传统粒子群算法相比将执行时间提高7.13%,从而提升煤矿安全预警能力。