改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法。算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值。实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44%,可为相关应用提供更精确的定位服务。

一种层次聚类和自适应加权K近邻组合的室内定位算法

针对基于接收信号强度的位置指纹室内定位算法定位精度不高的问题,提出了一种均值层次聚类和自适应加权K近邻(weighted K nearest neighbor,WKNN)的室内定位算法。算法首先在设置的参考点上采集蓝牙信号强度构建离线指纹数据库,然后采用均值层次聚类方法将所有参考点根据各自之间的相似度分为n个类,滤除掉相似度较小的参考点,最后根据待定位点和参考点间的信号距离的相似度,计算出距离差的标准差来自适应确定K值,并进行位置估算。实验结果表明,本文提出的算法在定位精度上比WKNN、动态加权K近邻(enhanced weighted K nearest neighbor,EWKNN)方法分别提升了30.0%和18.0%,在定位实时性上比WKNN和EWKNN方法分别提高了19.2%和28.4%。将该算法用于室内物体定位,可以同时提高定位精度和定位实时性。

基于AP加权的自适应动态室内定位方法

针对传统定位算法存在大量不同接入点(AP)的冗余信息,且在定位范围较大时定位时效性差的问题,提出一种基于卡方距离的AP加权自适应动态定位算法。指纹匹配阶段利用卡方距离代替传统加权K近邻算法(WKNN)中的欧式距离,用AP方差对相似度进行加权,从而自适应调整距离阈值,并引入动态K值,精确提取数据库信息。实验结果表明,与传统定位算法相比,该算法更有利于去掉冗余的AP,使定位误差范围缩小,可显著提高定位精度与稳定性。

基于OTT与MR数据的自适应WKNN室外定位方法

随着无线通信技术的快速发展和日趋成熟,基于位置的无线定位服务对于无线通信网络优化分析越来越重要。当GPS不能达到全覆盖时,类似于指纹库的定位技术逐渐产生。本文提出了一种自适应WKNN指纹库定位算法,该算法引入了随机森林算法,计算出每个特征的重要性,并通过丢弃不可靠的参考点进行自适应选择,以提升每个用户定位结果的准确性。整个方法是使用Apache Spark框架实现的,并在运营商的真实数据流上进行测试。结果表明,与TA+AOA和传统的WKNN指纹库定位方法相比,该方法有了显著的改进。

基于农村发展模式分析的中长期负荷预测方法

针对农村用电方式和用电需求变化问题,本文在考虑国家政策、农村经济等影响农村发展模式及负荷变化因素的基础上,提出了一种基于农村发展模式分析的中长期负荷预测方法。首先,对电力系统大数据进行了分析,提出了K-means-Robust聚类算法与加权自适应K近邻算法,搭建了农村发展模式预测模型。然后,针对不同农村发展模式,使用基于灰色关联度分析的正则化门控循环神经网络模型预测农村中长期负荷变化曲线。最后,以某农村为例,验证了所提方法的可行性。

基于改进ISODATA聚类的Wi-Fi室内定位算法

为解决传统聚类算法在Wi-Fi室内定位中易陷入局部最优影响定位精度的问题,提出一种改进迭代自组织数据分析聚类Wi-Fi室内定位算法。离线阶段通过计算指纹数据库中各点欧氏距离标准差,优化初始参数阈值,动态选择聚类中心,减少定位误差;在线阶段将自适应加权K近邻与聚类算法结合,避免固定K值对定位结果影响,有效提高定位精度;将改进算法用于工程实例进行验证。结果表明,提出的算法在定位精度1 m范围内时概率为63.33%,定位精度2 m范围内时概率为90.00%,验证了该算法的有效性。