传感器网络中阈值Nesterov加速梯度下降定位方法

在传感器网络定位问题中,利用接收信号强度RSSI(Received Signal Strength Indication)的定位方法存在着接收信号传播不稳定,定位精度较低的问题。为解决该问题,提出了一种基于阈值Nesterov加速梯度下降NAGT(Nesterov Accelerated Gradient Descent with Threshold)的RSSI定位算法。算法引入Nesterov思想,不断更新寻优动量,以达到损失函数最小,从而求取对应的未知基站坐标,通过增设阈值,降低了算法陷入局部最优的概率。经仿真比较分析,NAGT方法相对于粒子群算法与随机梯度法,在定位精度与效率上有着较为明显的优势。

运动加速度抑制的动态步长梯度下降姿态解算算法

为了提高微型四旋翼飞行器在强机动、高速运动情况下的姿态解算性能,提出了一种对运动加速度抑制的动态步长梯度下降姿态融合算法.该算法对强机动运动过程中机体产生的运动加速度进行抑制处理,消除运动加速度对姿态解算的不利影响,提高了微型四旋翼飞行器姿态解算的跟踪精度;对高速运动过程中梯度下降法的梯度步长进行动态处理,使得算法步长与四旋翼飞行器的运动合角速度成正比,增强了微型四旋翼飞行器姿态解算的动态性能.为了验证本文所设计算法的可行性和有效性,基于STM32单片机搭建微型四旋翼实验平台系统.实时在线性能实验结果表明,所设计算法提高了微型四旋翼飞行器在强机动、高速运动情况下的姿态跟踪精度、动态性能及增强姿态融合算法的抗干扰性,保证了微型四旋翼飞行器的稳定飞行.

基于负相关性增强的不平衡多标签学习算法

由于标签空间过大,标签分布不平衡问题在多标签数据集中广泛存在,解决该问题在一定程度上可以提高多标签学习的分类性能。通过标签相关性提升分类性能是解决该问题的一种最常见的有效策略,众多学者进行了大量研究,然而这些研究更多地是采用基于正相关性策略提升性能。在实际问题中,除了正相关性外,标签的负相关性也可能存在,如果在考虑正相关性的同时,兼顾负相关性,无疑能够进一步改善分类器的性能。基于此,提出了一种基于负相关性增强的不平衡多标签学习算法——MLNCE,旨在解决多标签不平衡问题的同时,兼顾标签间的正负相关性,从而提高多标签分类器的分类性能。首先利用标签密度信息改造标签空间;然后在密度标签空间中探究标签真实的正反相关性信息,并添加到分类器目标函数中;最后利用加速梯度下降法求解输出权重以得到预测结果。在11个多标签标准数据集上与其他6种多标签学习算法进行对比实验,结果表明MLNCE算法可以有效提高分类精度。