RSSI室内定位在线匹配算法的研究与性能比较

针对在基于WiFi信号强度RSSI进行室内定位的指纹库算法的在线匹配环节中存在的不足,该文利用基于阈值R_(0)动态筛选匹配的指纹点数,提出了一种增强加权k近邻算法(EWKNN).因为阈值R_(0)可以动态筛选指纹库中的样本点,所以能够提高增强加权k近邻算法的适用度和高精度.仿真结果表明:在R_(0)设置恰当的情况下,增强加权k近邻算法的计算量与加权k近邻算法(WKNN)相当,但定位精度更高.

基于WiFi的自适应匹配预处理WKNN算法

针对基于接收信号强度(Received Signal Strength,RSS)的WiFi室内定位技术中,传统加权K邻近(Weighted K-nearest Neighbor,WKNN)算法不能自适应获取WLAN中有效接入点(Acess Point,AP)且参考点匹配准确度不高的问题,本文提出了自适应匹配预处理WKNN算法。该算法中每个实时定位点自适应地根据网络状况对AP的RSS均值由大到小排序,然后选择RSS均值较大的前M个AP,与参考点中对应的M个AP一起参与匹配预处理计算,从而优化了传统的指纹定位算法。同时将室内定位和室内地图相结合,使参考点和定位结果直观地展示在地图上,并通过使用地图数据大幅度简化了离线训练过程。此外,本文设计并实现了基于Android平台的室内定位系统,通过该系统验证了本文所提算法在单点定位和移动定位中的有效性。实验结果表明,该算法可获得30以上的定位误差改善,有效提高了定位精度和定位稳定性。

基于双重匹配位置指纹的室内停车场定位方法

为了提高室内停车场的寻车效率,提出了一种基于双重匹配位置指纹的室内停车场定位方法。该方法在加权K邻近算法基础上,利用RSSI值得出用户坐标,融合数据过滤算法与格点对应算法,以降低算法的定位误差,并采用双重数据库方法提高定位效率。实验采用均方根误差与累积分布函数两种指标对比了WKNN算法、过滤WKNN算法、格点WKNN算法与本文算法,实验结果表明本文算法具有较高的定位精度。

面向手机信令数据的交通枢纽人流量短时预测算法

为实现对重点区域人群聚集动态的有效掌握,保障区域人群的及时疏运,预防群体性安全事故的发生,以广州市火车站枢纽区域为例,通过对海量手机信令数据进行信息处理,结合地理信息系统将手机信令数据映射至研究区域,实现区域人流量的实时统计,同时分析了大都市火车站枢纽区域春运人流量变化情况,得出春运期间区域人流量存在周期性变化的规律,以此为基础,构建了以平均绝对百分比误差最小的k值自适应计算模型,设计了基于手机信令数据的城市交通枢纽人流量k近邻预测算法,并以节假日与非节假日两种不同交通模式环境进行算法测试.结果表明:所建立的预测算法在两种模式下其平均绝对百分比误差PMAPE分别在6%与5%以内,均能够较为准确地对区域人流量进行预测.

采用聚类算法优化的K近邻协同过滤算法

协同过滤推荐是电子商务系统最重要的技术之一,而协同过滤技术中一种被广泛使用的算法就是基于用户评分相似度的K近邻算法.该算法简单有效,易于实现.但K近邻算法在决定待预测样本的预测评分时,并未考虑这K个最近邻与其隶属类别的关联程度.作为评分矩阵中的不同样本,由于它们对分类贡献各不相同,因此在评分预测时需要区别对待.本文采用中心聚类算法,先求出各样本与其所属类别的类别关联度,再利用类别关联度来区别对待待预测样本的K个最近邻.通过实验证明,优化后的K近邻算法能较好的提高推荐精度.

基于多维特征向量及ANN技术的色彩传递算法

灰度图像色彩传递可以实现对灰度图像的自动上色处理。分析了目前色彩传递的经典算法——Welsh算法,指出了该算法存在的两大不足之处,提出了一种包含高频纹理信息的向量式像素点描述方式,并结合最近邻域搜索算法(ANN),提出了一种新的色彩传递算法,弥补了传统算法的不足,使灰度图像的彩色化效果有了较大改进。

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统 ,该系统采用两级聚类算法 (改进的最近邻域聚类算法和 Gustafson- Kessel模糊聚类算法 )对输入 /输出数据进行模糊聚类 ,并由模糊聚类的划分熵确定最优划分 ,建立模糊模型 ,模型精度可由梯度下降法进一步提高。仿真结果表明 ,这种神经模糊系统具有结构简单、规则数少。

带有测量噪声的Ⅱ型T-S模糊建模

实际工业生产过程中,系统的数据带有测量噪声。Ⅱ型模糊集的二阶隶属度用来表征一阶隶属度的模糊度,这种模糊度的增加意味着处理不确定信息能力增加。因此,提出了一种基于Ⅱ型模糊集的T-S模糊建模方法来减少由噪声带来不确定信息的影响。首先采用改进的最小邻域算法对带有测量噪声的数据进行聚类,继而确定Ⅱ型模糊集的一阶隶属度,接着根据数据的聚类信息采用高斯混和模型得到二阶隶属度值,然后用正交最小二乘算法确定模糊模型的后件参数,最后通过仿真实验来验证该方法的有效性。

基于贝叶斯概率优化的Wi-Fi室内定位算法

Wi-Fi指纹匹配定位算法具有简单、快捷、方便、经济、易普及等诸多优点,但对位置指纹的匹配精度较低。对此,提出一种贝叶斯与加权K近邻算法相结合的贝叶斯概率优化算法,应用于Wi-Fi指纹匹配定位,在提高传统加权K近邻算法精度的同时,减少了贝叶斯概率匹配算法的平均运行时间。实验结果显示,该算法可以将1 m内的定位精度从原先的57%提升至73%,平均定位精度提高约21.49%,定位稳定性也有所加强。

一种图像空间下的ICM聚类方法

针对图像聚类问题,提出了一种基于图像空间关系的聚类方法,采用场模型描述图像之间的空间关系,利用K-近邻思想构建图像邻域系统,聚类过程中无需手动标记特征表示的图像类别信息,只需要给定初始类别数,通过条件迭代算法(ICM)对图像进行聚类。该文通过实验分析了图像样本大小、图像特征维数、图像特征类型、初始类别标签对聚类结果的影响,通过与多种经典聚类算法进行对比,实验结果充分验证了该方法的有效性。

琼州海峡客滚船渡海车辆配载优化决策研究

为提高琼州海峡客滚船配载决策水平,引入矩形件排样优化理论,以船舱面积利用率最大为目标,建立基于矩形件排样优化理论的客滚船配载决策模型,融合最低水平线算法和K-邻域搜索的遗传算法对模型进行求解。通过模拟不同场景下的客滚船渡海车辆的配载决策过程,得出不同场景下的配载决策方案。在一般场景下或港口出现车辆积压情况时,船舱面积利用率能够达到96%;客滚运输业务处于淡季时,也能输出合理的配载方案。验证了客滚船配载决策模型及算法的有效性。

自适应模糊逻辑系统的聚类学习算法研究

基于模糊逻辑系统一般数学模型，利用最近邻聚类学习算法对样本数据进行自适应分组，并对系统进行训练，从而使模糊逻辑系统具有自学习功能。

一种求解作业车间调度问题的文化遗传算法

针对传统遗传算法缺乏有效指导,容易陷入局部极值的缺点,提出了以一种采用种群空间和信仰空间的双层进化结构进行寻优的作业车间调度算法。该算法针对调度问题的特点,以遗传算法为主群体空间,利用优良调度方案的知识信息构成信仰空间。为充分利用父代个体的优良特征加速收敛,算法采取不同的策略在主群体空间中指导遗传操作,在选择操作中引入k近邻法的思想进行动态学习,在变异操作中通过选择合适的变异点进行邻域搜索变异。典型算例的仿真实验与分析表明,算法在计算效率和求解质量上均具有较好的效果。

求解TSP问题的自适应邻域遗传算法

提出结合自适应邻域法与遗传算法来求解TSP问题。在自适应邻域法中,从某个城市出发,下一城市不一定是其最近城市,而是在比其最近城市稍远的邻域范围进行动态随机选取。在求解TSP时,采用自适应邻域法对种群初始化,然后采用选择、交叉、变异进行迭代,在选择中仅保留父代90%的样本,剩下的采用自适应邻域法产生新样本进行补充。仿真实验结果表明所提算法与其他算法相比具有竞争能力。

基于邻域粗糙集与KNN的网络入侵检测

入侵检测数据中存在噪音属性及部分连续型属性,并具有高维、非线性特征,为了取得更好的检测效果,首先利用邻域粗糙集对数据集进行属性约简,消除冗余属性与噪声,避免了传统粗糙集在连续型属性离散化过程中带来的信息损失;然后采用KNN算法进行异常数据的识别与检测.仿真实验结果表明,该算法能有效提升入侵检测的精度,具有较高的泛化性和稳定性.

基于聚类学习算法的模糊系统辨识方法

在建立模糊辨识器的一般数学模型后，利用最近邻聚类算法对样本数据进行分组，然后再将每一组数据视为一个数据对对系统进行在线训练辨识，从而使模糊辨识器能较快的收敛于真实系统。

基于iBeacon的精细室内定位方法研究

苹果公司发布的i Beacon作为一种粗精度位置感知服务体系,得到了广泛关注。针对更精细的广域位置服务,提出了基于i Beacon的无线指纹定位方法,并给出了图书馆的位置服务示例。

改进的k最邻近算法在海量数据挖掘中的应用

为了提高数据挖掘的效率与准确性,将k最邻近算法与样本均衡策略相结合,在海量数据挖掘中进行应用;首先对样本集文本进行分析,找出样本领域的密集分布区域,对样本密集区域进行有效裁剪优化,实现样本分布均衡,然后对经过样本均衡处理的数据样本执行传统k最邻近算法,根据权重获得分类结果,最后对不同k值的k最邻近算法进行实例仿真。结果表明,在相同的数据样本环境中,相比于其他分类算法,采用改进的k最邻近算法的分类准确度和分类效率更高。

一种具有动态邻域特点的自适应最近邻居算法

传统的最近邻居算法主要分为k-最近邻居和逆最近邻居,然而二者均在邻域参数选择问题中饱受困扰。在这两种思想的基础上,提出一种具有动态邻域特点的最近邻居算法——自然邻居,并围绕其概念与特性形成了一套有效的方法。该算法从根本上克服了传统最近邻居思想在任意形状(如流型)数据集中参数选择的难题,摆脱了传统方法的参数依赖,并且取得了极佳的效果。自然邻居思想具有完善的理论模型和详细的实现算法,并且经验证其具有很强的鲁棒性和适应性。

两种基于K近邻特征选择算法的对比分析

在特征选择过程中,针对近邻错误分类率较低的问题,分别采用正向贪心和逆向贪心思想设计了两种启发式特征选择算法,其目的是在降低数据集中特征数量的同时,能够进一步降低近邻错误分类率。通过8组UCI数据集上的交叉验证结果表明,相比于正向贪心算法,逆向贪心算法能够删除较多的冗余特征,从而得出逆向贪心算法能够更有效地提高近邻算法的分类精度的结论。