基于迁移学习的室内波束选择优化方法

使用基于深度学习的室内波束选择方法可以显著提高波束匹配概率和搜索效率,但该方法需要大型数据集来调整其大量可训练参数,导致了额外的系统开销。针对这一不足,结合一种迁移学习技术,使得目标场景神经网络以小数据集方式获得与大数据集相近的匹配精度,从而减小基于深度学习的波束选择方法中数据集大小对匹配结果产生的影响。首先使用大型数据集在一个源场景中对源神经网络进行充分训练,使得网络参数能够充分包含信道状态信息以及环境信息;而后利用源神经网络参数对目标场景中的神经网络进行不同程度初始化,使该神经网络在经过小数据集训练后依然可以获得较好的波束匹配性能。仿真结果表明,针对室内波束选择场景,在数据集有限的情况下,使用迁移学习方法进行波束选择,同样可以获得较高的匹配精度。

一种基于SSA-DBN的室内可见光指纹定位算法

室内可见光定位在精度方面有着较高的要求,针对这一问题,文中提出了一种麻雀搜索算法(Sparrow Search Algorithm,SSA)优化深度置信网络(Deep Belief Network,DBN)的室内可见光指纹定位算法。首先,采用信号强度特征值与位置坐标建立离线指纹库;其次,利用麻雀搜索算法较好的全局探索和局部开发的能力,对深度置信网络的初始权阈值进行优化,建立网络训练模型,对待定位目标的位置进行预测,避免了DBN陷入局部最优以及收敛速度较慢的问题。最后,利用已建立的离线指纹库数据,计算定位误差并分析。在4 m×4 m×2.5 m的空间中进行实验,结果表明:文中算法的平均定位误差为3.51 cm,定位误差在6 cm以内的概率为89.9%,与DBN定位算法相比,平均定位误差下降了约22.5%。

基于目标检测的室内自动视觉寻物系统设计

针对人们日常的寻物需求,文章设计了一款基于视觉目标检测的室内自动寻物系统。该系统主要由视觉信息采集、目标检测算法和云台运动控制组成。其中,ESP32读取OV2640摄像头拍摄的室内场景视频图像,PC服务器接收ESP32上传的图像。随后,文章采用YOLOv5目标检测算法确定目标物的空间位置,并在图像中检测红外激光发射器投射的光斑,通过增量式PID算法计算两者的位移偏差,由串口向STM32F103C8T6主控芯片发送运动指令,驱动2台舵机调整二自由度云台位姿,最终使得光斑能够对准目标物,形成寻物引导信号。实际测试结果验证了系统的有效性,该设计为室内自动视觉寻物提供了一种新的解决方案。

考虑信号统计特征的神经网络室内测距方法

针对现有神经网络测距方法易陷入局部极值而降低测距精度的问题,提出一种考虑信号统计特征的神经网络蓝牙室内测距方法:提出一种反馈-卡尔曼混合滤波算法进行数据预处理;并分析接收信号的传播特性,引入信号统计特征参数作为输入信号,构建改进麻雀搜索算法优化的埃尔曼(Elman)神经网络(ISSA-Elman)测距模型。实验结果表明,该测距方法能够有效提高测距精度,平均测距误差约为15 cm。

基于子区域切分与SSA-XGBoost的室内定位方法

在利用位置指纹进行实时室内定位时,由于多径效应、信号闭塞或无线AP本身不稳定,而影响最终的定位效果。对此,提出了一种基于子区域切分结合麻雀算法(Sparrow Search Algorithm,SSA)优化XGBoost的室内定位方法。离线训练阶段,利用改进的FCM(Fuzzy C-means)算法和区域相关系数指标将待定位区域划分为多个子域,通过AP优化为每个子域选择最优AP集合。针对XGBoost算法性能易受到初始参数问题影响,利用麻雀算法对XGBoost初始参数寻优得到相对较优的参数,并分别为各个子区域构建SSA-XGBoost定位模型。在线定位阶段,目标点通过匹配子区域的聚类中心得到所属子区域,最终利用该子区域的定位模型预测目标点的位置。与其他定位算法相比,所提算法平均误差分别减少14.7%、22.4%、37.1%,证明所提方法在实际环境中较其他算法具有更好的定位效果。

特征标记下大型室内空间疏散最优路径三维虚拟搜索模型

为保证火灾情况下,大型室内空间受困人员可以及时获取最佳的空间疏散路径,研究特征标记下大型室内空间疏散最优路径三维虚拟搜索模型。利用三维激光扫描技术获取大型室内建筑的点云数据,标记、提取点云数据特征信息,构建大型室内空间三维模型;以建筑的建设空间数据为依据,生成大型室内疏散路径模型;构建疏散最优路径虚拟搜索目标函数,采用改进麻雀搜索算法进行求解,获取最优路径。测试结果表明:应用所提出的模型后,疏散路径长度为52.9 m,路径拐点数量为10个,达到出口的时间为11.5 s,可以有效搜索最优的疏散路径。

基于RSSI和辅助节点协作的Wi-Fi室内定位方法

随着Wi-Fi的广泛应用,基于RSSI的位置指纹信息的室内定位也越来越受到研究者的关注。针对传统的基于RSSI的指纹匹配定位中只利用单个节点信息的缺陷,提出了一种基于RSSI和辅助节点协作的Wi-Fi室内定位方法,该算法首先基于RSSI序列相似性选择合适的辅助节点,并测量节点间的距离作为辅助信息以提高定位精度,同时还采用了自适应有色噪声卡尔曼滤波减小室内复杂NLOS环境造成的TOF测距误差,最后通过建模搜索以得到节点的精确位置。实验表明,在复杂环境下该算法定位精度优于其他主流方法,适用于基于Wi-Fi的室内定位系统。

背景线索对室内场景中目标搜索的注意引导

以室内3D场景图为实验材料,采用眼动追踪技术,探讨背景线索对真实场景视觉搜索过程中的注意引导。结果发现:在室内场景目标搜索过程中存在背景线索效应,该效应基于对背景-目标共变关系的外显记忆;背景线索对搜索的启动和确认阶段无影响,对扫描阶段的注视行为有促进作用,有助于更有效地选择注视区域,将注视更直接地导向目标所在位置。

网格搜索法优化的支持向量机室内可见光定位

采用信号强度特征建立指纹库,通过网格搜索法对支持向量机参数进行优化,利用SVM回归算法建模位置坐标和信号强度特征的映射关系,实现对待定位点位置坐标的预测。在待定位点误差范围内建立子集指纹库,根据欧式距离的远近分配权值,对预测到的坐标进一步优化,实现误差最小化。将没有优化的支持向量机与用网格搜索法、蚁群算法、粒子群算法优化后进行对比,实验结果表明,使用网格搜索法优化后的SVM回归算法可以实现良好的定位效果,最终平均定位误差可达到0.042 m,且算法所需时间优于蚁群算法,寻找全局最优解优于粒子群算法。

基于天牛须搜索优化的室内定位算法

室内定位技术受到广泛的关注,基于接受信号强度指示(RSSI)的测距技术目前在节点定位中得到广泛应用.在基于RSSI测距的基础上,提出将天牛须搜索优化(BAS)算法应用到室内定位中.首先通过RSSI测距获得未知节点与锚节点之间的距离,在计算距离时对数据进行了预处理,从而提高测距的精度.然后引入BAS算法计算出未知节点的位置坐标.通过与粒子群定位算法(PSO)和遗传定位算法(GA)对比试验结果,验证了BAS定位算法对室内定位效率的提高更加明显.

一种基于区域分割和目标搜索的室内定位方法

基于参考标签的最近邻居思想提出区域分割和目标点搜索方法,对室内平面物体进行定位.对最近邻居参考标签围成的矩形定位区域进行两次连续分割,缩小定位区域范围,选取该范围中心点作为起始点,向x,y轴正负方向以规定步长进行目标搜索,找出与待定位标签信号强度值之间的欧氏距离满足精度要求的点作为最终定位点.仿真实验结果表明,在不改变硬件条件的基础上,改进算法的定位精度比传统LANDMARC方法提高了64%.

基于改进禁忌搜索的基站布局优化算法

由于室内定位场景的非视距特点,基站布局对于蜂窝网的定位精度具有重要影响,而目前基站布局仅关注容量、覆盖、信号质量,尚未考虑对室内定位精度的影响。提出了一种改进禁忌搜索的基站布局优化算法ITSA,改进了代价函数、邻域产生规则和解禁规则。对所提出的算法在相同的室内场景中仿真实验,结果说明,相比RFID读写器部署优化算法,该算法能够更好地降低定位区域的整体误差。

基于P-PSO算法的室内有障碍通风环境下的多机器人气味源搜索

受湍流影响,室内通风环境下的烟羽分布表现出波动变化且不连续的特性;在一些角落处,较大的漩涡会产生长时间的局部浓度极值区;另外室内的障碍物也会改变烟羽的分布状况.因此室内有障碍通风环境下的机器人气味源搜索问题变得很复杂.本文提出了基于概率适应度函数的粒子群优化(Probability-fitness-function based particle swarm optimization,P-PSO)算法并用于多机器人气味源搜索.P-PSO算法的特点是采用概率而非确定数来表达适应度函数值.针对气味源搜索问题,P-PSO算法的适应度函数值由贝叶斯和变论域模糊推理估计的气味源概率表达.为验证提出的搜索策略,构建了对应实际边界条件的室内通风环境的烟羽模型.仿真研究证明了本文提出的P-PSO搜索算法用于解决气味源搜索问题的可行性.

基于区域划分和目标搜索的室内RFID三维定位算法

为提高室内三维定位系统的性能,提出一种基于区域划分和目标搜索的室内RFID三维定位算法.通过布置在室内顶部和侧面的参考标签划分一个待定位标签所在的区域,选取该区域中心点作为目标搜索的初始点,向x,y,z轴正负方向对待定位标签进行搜索,通过不断逼近,最终确定待定位标签的坐标.仿真实验表明,该算法定位误差小,稳定性优良.

复杂环境下基于CFSFDP的自适应室内定位方法

针对复杂环境下WI-FI定位受限于多径效应等因素影响,提出一种基于CFSFDP(Clustering by Fast Search and Find of Density Peaks)的自适应室内定位算法。该算法分为三个阶段:第一预处理阶段,采用CFSFDP方法训练原始指纹,从中挖掘出稳定且有效的指纹特征;第二离线阶段进一步构建多层覆盖的采样点策略,建立指纹地图;第三在线阶段针对提取到的RSS信号进行参数训练,建立一种自适应信号传播模型,结合离线阶段的指纹地图实现指纹匹配。指纹地图可弥补自适应传播模型测距方案精度不高的缺陷,而测距方案降低在线阶段指纹批匹配开销。仿真结果表明:本文提出的算法在复杂环境下具有明显的优势,且使用的测距模型性能较高。

基于采用天牛须搜索算法优化神经网络的可见光室内定位方法

针对基于神经网络的可见光室内定位技术存在训练速度慢、泛化能力弱而导致定位精度不高的问题,提出采用天牛须搜索(BAS)算法优化神经网络的可见光定位方法,搭建了0.8 m×0.8 m×0.8 m的实测模型。该方法使用BAS算法优化神经网络的连接权重矩阵,拟合了室内无线信道参数,实现室内定位。仿真与实验结果表明:该方法仿真时的平均定位误差不超过3.42 cm,比神经网络训练速度提升40%;实验时,在高度h=0.25 m的平面测得平均定位误差不超过4.0 cm。

回溯搜索优化改进矩阵填充的高效位置指纹库构建

针对基于信号强度指示(RSSI)的位置指纹定位过程中用于其离线位置指纹库构建的全采法采集工作量较大、位置指纹库构建效率较低、而插值法通常精度有限等问题,提出一种基于回溯搜索优化算法改进奇异值阈值(SVT)矩阵填充(MC)算法的离线位置指纹库高效构建方法。首先,利用定位区域内采集到的部分参考点的位置指纹数据建立低秩矩阵填充模型;然后通过基于奇异值阈值的低秩矩阵填充算法来求解该模型,进而快速准确重构出完整的位置指纹数据库;同时,针对传统矩阵填充算法最优解模糊及平滑性欠佳的问题,引入回溯搜索优化算法,以核范数最小建立适应度函数,对矩阵填充算法的寻优过程进行改进,进一步提高了求解精度。实验结果表明,利用所提方法构建的位置指纹库与实际采集的位置指纹库之间的平均误差仅为2.705 4 d B,平均定位误差仅相差0.086 3 m,但却节约了近50%的离线采集工作量。上述结果表明所提算法用于离线位置指纹库构建可以在保证精度的基础上,有效降低离线采集阶段的工作量,显著提高位置指纹库构建效率,在一定程度上提高位置指纹定位方法的实用性。

基于稀疏指纹采集和改进WKNN的定位算法

为解决位置指纹定位算法中指纹采集工作量大、定位精度低的问题,提出一种基于稀疏指纹采集和改进加权K最近邻(weighted k-nearest neighbor,WKNN)的定位算法。稀疏选定参考点并采集来自各接入点(access point,AP)的接收信号强度(received signal strength,RSS),根据容错四分位法对采集的RSS进行异常值预处理;利用经过预处理的指纹数据训练高斯过程回归(Gaussian process regression,GPR)模型,通过共栖生物搜索算法(symbiotic organisms search,SOS)求取模型最优超参数以提高模型的泛化能力,进而预测定位区域内非参考点的RSS;由有限参考点数据通过SOS-GPR模型的训练与预测生成密集位置指纹库,结合由卡方距离和AP加权改进的WKNN算法完成仿真验证。实验结果表明,在保证定位精度的前提下,稀疏指纹采集法较传统全采集法减少50%的采集工作量;与原WKNN算法和M-KWNN算法相比,提出的WKNN算法有效提高了定位精度。

和声搜索算法优化神经网络的无线网络室内定位

室内环境复杂多变,无线信号具有强烈的时变性,支持向量机存在定位效率低,神经网络参数难以确定等难题。为了改善无线网络室内的定位效果,提出了和声搜索算法优化神经网络的无线网络室内定位模型。首先收集无线网络定位的训练样本,采用压缩感知算法减少训练样本的规模,然后采用聚类算法对样本进行聚类分析,选择最有效的训练样本,最后采用和声搜索算法优化神经网络实现无线网络定位,并通过具体仿真对比实验测试了该算法的可行性。测试结果表明,该算法的定位效果可以满足无线网络的定位实际要求。