改进K均值聚类BP神经网络超宽带室内定位方法

室内定位技术随着生产生活对室内定位的需求不断提高而成为热点问题之一,超宽带定位技术以其独特的优势而快速发展,针对超宽带定位系统定位数据存在稳定性差、精度低的问题,提出改进K均值聚类BP神经网络超宽带室内定位方法。该方法对超宽带定位系统中原始数据进行改进K均值聚类算法的预处理,过滤位置偏差大的数据。再对测定区域内多点进行基于真实坐标和聚类过滤坐标的BP神经网络建模。定位过程则将过滤后的待定位坐标输入建好的BP神经网络定位模型,进行识别定位。通过实验测定,该室内定位方法精度可达26cm,且稳定性好。

改进K-means聚类剪枝的DTW动态手势识别方法

由于人体的灵活性,对非特定人的大量动态手势进行建模,高效、准确地识别出结果存在困难。该工作在使用数据手套采集数据的基础上,提出一种改进K-means聚类剪枝的DTW动态手势识别方法。方法首先使用数据手套采集手势时间序列,建立模板手势库;其次对手势库中的序列,取片段进行DTW计算序列相似度,作为K-means聚类算法的距离度量尺度并对手势库进行聚类预处理;最后在聚类剪枝的基础上,利用DTW算法实现手势完整序列从所在类到具体含义的识别。经测试,使用该方法在识别容量为{8,16,32,64,128}的手势数量模板库中平均识别精度90%,标准差2.03%。实验结果表明,该方法在有效剪去无效计算的同时保持着良好的扩展性,能够比较准确地在大量模板中识别非特定人的动态手势。

共享汽车系统空车调度的鲁棒优化模型

面向共享汽车系统的运营商与潜在用户,针对实现最大利润的空车调度问题,同时考虑乘客需求信息的不确定性对调度过程的影响,利用基于可调决策规则的鲁棒优化方法进行建模与求解.在共享汽车系统中,乘客的出行需求是不确定的,给出相应的不确定集合描述,将乘客的出行需求限制在一定的区间内,并灵活限制时间上的乘客需求之和,以减小模型的保守性.在此基础上引入可调决策规则,使得空车调度的策略可以根据已实现的需求进行调整,提出空车调度的鲁棒优化模型及其可解的线性规划形式.仿真实验利用真实的滴滴订单信息模拟用户使用共享汽车出行的需求,展示该模型所提出的空车调度策略(相较于确定性模型)会投入更多的费用在空车调度上,使运营商在平均意义和最差情况下均获得更大的利润并满足更多的乘客需求,表明所提出模型的鲁棒性和实用性.