一种基于KNN与改进SVM的车牌字符识别算法

提出了一种将KNN(K近邻)和支持向量机相结合的字符识别算法.首先用KNN对字符进行判断,如果输出的置信度大于阈值,则认为分类正确;如果小于阈值则采用支持向量机进行判决.改进了SVM分类器,通过调整支持向量机的分类超平面改进了支持向量机的性能.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.     

基于梯度提升回归树的井下定位算法

为了提高井下定位系统的定位精度,提出了基于梯度提升回归树(gradient boost regression tree, GBRT)的井下定位算法。本文首先介绍了GBRT算法的实现过程,然后利用射线追踪算法模拟井下多径信号叠加后的接收信号强度(received signal strength, RSS)数据集,最后对比了GBRT、K最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和神经网络多层感知器(multi-layer perceptron regressor, MLPR)算法的定位结果并对GBRT的定位结果进行5点平均滤波。实验结果表明,在100个点组成的行人轨迹定位中,GBRT算法的定位结果的均方误差为0.381米,明显优于其他四种算法,平滑滤波后的定位轨迹更加贴合真实轨迹。因此,本算法可以有效提高定位精度,可以满足井下定位系统的精度要求。     

采用WSVM的三维无线传感器网络节点定位

为了提高无线传感器网络三维节点的定位精度,针对SVM的核函数构建问题,提出一种基于小波支持向量机(WSVM)的定位算法.首先,收集三维传感器锚节点信号强度,构建支持向量机学习样本;然后,将其输入到小波支持向量机进行学习,建立三维传感器节点定位模型;最后,采用仿真实验对模型性能进行测试.研究结果表明:与传统三维定位算法对比,使用小波支持向量机中的三维传感器节点进行定位时,精度水平得到有效提升,获得更加稳定的节点定位结果,可以广泛应用于实际无线传感器网络系统中.     

基于扩展卡尔曼滤波的高程估计算法

在室内行人定位系统中,行人的高程定位精度关系到整个定位系统的可靠性。提出一种基于腰间传感器的室内行人高程估计算法。首先利用支持向量机识别行人上楼下楼动作,针对行人的运动状态采用自适应的高程估计算法。针对气压计测量值易受环境影响的问题,采用了基于EKF融合气压和加速度的高度估计算法,提高了高度估计算法的稳定性。经实验验证,当室内人员进行平地走、上楼等一连串动作后,基于差分气压测高法计算的高度误差为9.92%,基于加速度估计的行人高度误差为9.52%,EKF融合后定位误差下降到2.32%,提高了高程估计的精度。     

基于运动模式识别的高程估计算法研究

在室内行人定位系统中,行人的高程定位精度关系到整个定位系统的可靠性。本文提出一种基于腰间传感器的室内行人高程估计算法。首先利用支持向量机识别行人上楼下楼动作,针对行人的运动状态采用自适应的高程估计算法。针对气压计测量值易受环境影响的问题,采用了基于EKF融合气压和加速度的高度估计算法,提高了高度估计算法的稳定性。经实验验证,当室内人员进行平地走、上楼等一连串动作后,基于差分气压测高法计算的高度误差为9.92%,基于加速度估计的行人高度误差为9.52%,EKF融合后定位误差下降到2.32%,提高了高程估计的精度。     

一种面向位置服务的超宽带室内定位算法

超宽带技术由于较高的测距精度和穿透性能,对于位置服务有着重要的应用价值。在实际的高密度定位环境中,传统的定位算法受非视距误差和多径效应的影响,很难实时准确解算出实际位置坐标。虽然增加基站数量可以有效提高定位的精度,但是其成本也在不断提高。针对超宽带在高密度室内定位中实时性差、定位精度低的问题,提出了一种基于支持向量机的超宽带定位方法,提高了定位的精确性和鲁棒性;给出了基于到达时间差(TDOA, time difference of arrival)的支持向量机模型,重点在于将定位问题转化为分类问题的求解;通过TDOA值和坐标值来建立支持向量机分类模型,利用一对一分类模型实现了坐标值的解算,提高了坐标解算速度。仿真结果表明,在高密度实时定位中,相比于传统的Chan算法和Taylor算法,文中方法在定位精度近似的情况下,实时性要高于传统算法,满足实际定位中低功耗、快速高精度定位的要求。     

基于支持向量机可控功率响应的MUSIC-DOA估计方法

针对MUSIC归一化算法在低信噪比时波达方位(DOA)估计性能下降的问题,提出了基于支持向量机(SVM)可控功率响应的MUSIC-DOA算法。该算法首先对宽带信号进行快速傅里叶变换,然后用MUSIC算法进行DOA估计,最后通过SVM对每个子带信号的DOA估计结果进行分类,选择分类后DOA估计结果较为准确的子带信号进行融合,得到宽带信号的DOA估计。该文方法有效解决了MUSIC归一化算法在低信噪比时定位精度不高的问题,提高了定位系统的稳定性。     

基于WiFi的便携式室内定位系统

针对全球定位系统无法满足室内定位的问题,基于Android平台开发了利用Wi Fi信号特征的便携式室内定位系统.该系统由移动定位终端、服务器和数据库组成,移动定位终端和服务器联合完成定位功能.定位算法采用基于接收信号强度指示(RSSI)的指纹算法,以场景分析的手段估算出移动定位终端的坐标.在线定位阶段,采用欧氏距离平方倒数作为权重系数对K最近邻算法的权重系数进行改进,以减小在线阶段的误差.实验表明,系统便于携带,操作简单,单次定位速度小于3 s,并且系统3 m内的定位精度达到80%以上.     

基于加权余弦相似度的WiFi指纹室内定位

基于Wi Fi的室内定位具有低成本、易部署、覆盖范围广、精度高等优点,成为室内定位技术研究的热点.Wi Fi指纹定位法可以对抗多径的影响,具有较高的定位精度.但是由于智能移动终端的种类繁多,使得室内定位系统离线建立的指纹数据库难以兼容不同的智能移动设备,降低了定位系统的适用性.为解决此问题,提出了加权余弦相似度算法,使用信号强度的加权余弦相似度作为匹配特征.实测表明,采用加权余弦相似度算法可有效解决终端差异性,提高了室内定位系统的精度和普适性.