基于机器学习与多光电二极管的可见光定位实验研究

针对单个光电二极管接收器的倾斜问题和几何算法的不足,搭建了多光电二极管接收器的真实可见光定位场景,并采用基于接收信号强度的指纹定位技术及其常用的机器学习算法,实验研究了4种典型的机器学习算法的定位性能。结果发现:在二维定位时,K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为96.67%、48.57%、67.14%和15.24%;在三维定位时,K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为74.52%、38.81%、59.76%和6.43%。结果均表明,K最近邻的定位性能较佳。在此基础上,比较了发光二极管个数、光电二极管个数和发光二极管发射功率等因素对定位精度的影响。结果表明:发光二极管个数和光电二极管个数的增加均有效地降低了定位误差,发光二极管的发射功率为5 W时,已经实现了定位误差的收敛。该结果为发光二极管分布密度较低时可见光定位系统的设计提供新的理论支持与实际应用参考价值。

基于4G移动通信的综合性实验平台建设

就新工科要求下对高校的工程实践教学进行深入研究探讨,引入新型的科研技术与仪器设备,提出并完成了基于4G移动通信的综合性实验平台的建设。设计了基于该实验平台的开放探索型教学实践课程,具有综合性、应用性以及前沿性,符合高等教育发展、改革的趋势和走向。将人才培养制度、课程体系、师资队伍建设和实践教学体系相互融合,更有助于创新性应用型人才的培养,对实践教学改革和相关专业建设具有较好的借鉴和推广意义。

基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法

手掌静脉纹识别技术作为新一代高精度的生物特征识别技术,被广泛用于个人身份鉴定领域.然而,其识别效果受限于图像的质量,低质量的图像往往造成识别准确度偏低,如何有效的对图像质量进行评价从而筛选出高质量的图像成为掌静脉识别技术中的一项重要研究内容.本文旨在解决这一问题,提出了一种基于BP-AdaBoost神经网络的多参数的掌静脉图像质量评价法.根据掌静脉图像质量特点,提出多个参数的评价指标(对比度(contrast)、信息熵(entropy)、清晰度(sharpness)和等效视数(enl)).利用BP网络优良的非线性拟合特点,以多个评价参数为网络输入,分类结果为网络输出,训练10个BP弱分类器;在此基础上利用AdaBoost算法得到最终的强分类器.实验结果显示,对比传统加权融合的评价分类方法,分类的结果准确度较高,系统具有具有良好的应用价值.

基于粒子群优化压缩感知的可见光定位算法

目前,基于压缩感知的可见光定位采用线性最小二乘法重构信号,容易陷入局部最优解,且需要高密度的发光二极管布局。针对这些问题,提出了一种基于粒子群优化压缩感知的可见光定位算法。首先,建立一种基于重构接收信号强度残差的适应度函数;其次,将指纹定位的权重求解问题转换为稀疏矩阵的重构问题;最后,采用粒子群优化重构信号。仿真结果表明,所提算法的时间复杂度较低、鲁棒性好,即使在低密度的发光二极管布局下,定位误差依然很小。当信噪比为10 dB、网格间距为50 cm时,所提算法定位误差的平均值为3.67 cm,显著低于现有的10种同类算法。还详细分析了不同参数对所提算法定位误差的影响,所得结果可为实际可见光定位系统的设计提供有益的参考。