KPCA-IWKNN-BFPLN混合式楼宇内定位系统

传统室内定位系统无法实现楼宇内的三维位置定位,无法实现移动终端与物联网终端的兼容服务。对此提出一种KPCA-IWKNN-BFPLN混合式楼宇内定位系统(KPCA-IWKNN-BFPLN hybrid in-building position system,KIB HIPS)。该系统通过KPCA-IWKNN-BFPLN算法可以预测被服务终端的楼宇内三维位置信息。结合基于Cordova框架混合式开发的终端和基于node.js框架开发的混合式室内定位服务器,KIB HIPS定位系统能够很好地解决传统室内定位系统所存在的问题,同时也具有跨平台部署和服务多平台的能力。仿真结果表明,KIB HIPS系统相关实验定位数据指标表现优异,具有研究与利用价值。

类不平衡稀疏重构度量学习软件缺陷预测

软件缺陷预测是提升软件质量的重要手段。为了改善缺陷预测性能,目前许多机器学习领域的最新成果已经引入到软件缺陷预测中。但是,软件缺陷预测数据通常存在类别分布不平衡的问题,这会影响预测效果。针对这个问题,提出了类不平衡稀疏重构距离度量学习软件缺陷预测方法。该方法首先在度量学习中加入代价敏感因素,学习距离度量特征矩阵并解决软件缺陷预测中分类错误代价不同的问题。其次,通过在目标函数中加入权重来进一步提高小类样本距离度量学习的准确性。最后,为了解决预测阶段数据集的类别不平衡问题,采用了改进加权KNN算法预测测试样本标签。在NASA软件缺陷预测标准数据集上的实验结果证明了该方法能提高召回率与F-measure值,改善分类性能。