基于3DCNN的CSI-cluster室内指纹定位算法

针对室内环境中复杂的多径效应影响定位精度问题,提出一种基于3维卷积神经网络(3 dimensional convolutional neural network,3DCNN)多径程度划分的自校准指纹定位算法。该算法利用MeanShift方法分析定位区域内每一个采样点的信道状态信息数据分布特性,得到其可代表多径效应程度的簇类数量,结合阈值原则将指纹库划分为2种不同多径程度的子库,从而减少多径程度差异较大的指纹点对后续定位影响利用3DCNN深度学习2类指纹子库。在定位阶段,根据校准算法判断待测数据所属子库,并采用相应的3DCNN模型估计位置。通过仿真实验验证,该方法在保证指纹库构建合理性和高效性的同时,在定位精度方面实现了明显的提升,优于与之对比的相关算法。     

基于空域的网格匹配定位算法

提出一种基于空域的网格特征匹配定位算法,利用信号衰减模型,将信号空间的匹配计算变换为距离空间的匹配计算,并计算相似度,选出最邻近的目标网格,最后通过加权计算进行精确求解.该方法有效降低非线性空间匹配带来的位置相似度误差,利用网格匹配算法的思想,进一步降低了定位误差,提高了定位精度,与基于信号强度的K近邻算法和基于信号强度的网格匹配算法相比,所提出的基于空域网格匹配算法降低了定位误差,定位精度提升近10%,满足了目前室内高精度定位需求.     

蜂窝网中一种改进的TDOA/AOA联合定位算法

智能天线在第三代移动通信定位中的运用，使信号来波角的测量成为可能，提出在基于TDOA／AOA定位算法的基础上，引入松弛变量，采用反复叠代的方法，消除了大部分NLOS的影响，提高了定位精度．因此，这种方法适合于未来移动通信定位系统的应用．     

WiFi的室内定位技术的改进研究

现行传统Wi Fi(wireless fidelity)接收信号强度指示RSSI(receievd signal strength inication)的位置指纹室内定位技术存在定位误差大、稳定性差的缺陷.因此,我们对原有的K最近邻KNN(K-Nearest neighbor)算法提出了改进的方案.同时,在原有的KNN算法的基础上提出了融合朴素贝叶斯概率算法的新算法-BKWNN(Bayes K-Nearest weighted neighbor)算法.通过仿真实验的结果表明:在相同的实验环境下,BKWNN算法显著地提高了室内定位的精确度,BKWNN算法相比于原来其它常用的指纹匹配算法具有更高的稳定性.     

基于集成学习与BP神经网络的室内地磁定位算法

本文针对当前室内地磁定位技术存在地磁信号不稳定和地磁指纹不唯一所造成定位误差大等问题,提出一种基于集成学习与BP神经网络的室内地磁定位方法,提高地磁定位精度。将BP神经网络作为弱预测器,通过集成学习的方法把多组弱预测器集成为强预测器,使用地磁数据进行室内定位,与地磁指纹库中的真实位置信息进行对比并计算出定位误差。结果表明本方法与KNN、DTW以及BP神经网络相比,总平均定位误差分别降低了2.55、1.33和0.4 m。     

自适应全搜索比特面匹配算法的分析与改进

分析了Feng等提出的简单自适应全搜索比特面匹配运动估计算法的不足，对其中比特面的计算方法、搜索起点的选择及比特面匹配准则搜索失败后的处理策略等方面作了改进，实验结果表明，改进后的算法的运动估计性能比原算法有较大提高，对于可视电话中的头肩视频序列，性能与全搜索法差别不大，且计算量仅为全搜索法的1／6。     

一种基于指纹中心点的匹配算法

针对基于点模式匹配的指纹匹配算法速度较慢的现状。研究了一种基于指纹中心点的指纹匹配算法．该算法首先根据指纹模式区中检测的奇异点结构特征信息对指纹进行粗匹配，判断指纹不匹配的情况．其次，对无法判断的情形，则进行精确匹配．进一步利用奇异点或指纹有效区域的质心点寻找匹配的基准特征点对和相应的变换参数，并将待识指纹相对于模板指纹做姿势纠正，最后采用坐标匹配的方式实现两枚指纹的比对．实验结果证明，该算法可以快速、准确的定位基准点，精确求取变换参数，误识率低，准确性高，并具有图像旋转平移不变性．对面积适中的指纹图像，匹配结果可以满足在线应用的需要．     

改进的匹配追踪在方波信号滤波中的应用

为了克服常规滤波方法对方波信号滤波能力的不足,实现对方波信号的精确滤波,提出了一种改进的匹配追踪算法。针对方波信号特征,构建了与方波信号匹配而对噪声不敏感的方波原子;基于正交匹配追踪,并吸收子空间追踪的回溯思想,改进了最优原子选择方法;鉴于有用信号与噪声信号的能量差异,使用了一种自适应迭代停止标准,能准确找到有用信号和噪声的临界点,解决噪声能量未知的预估问题。对不同信噪比下的仿真方波信号进行滤波,经实测验证,所提方法在信噪比和均方误差方面都优于常规去噪算法,且保留了方波的特征,适用于方波信号的滤波。     

一种改进的WIFI位置指纹室内定位算法

WIFI位置指纹定位作为目前常见的室内定位方法,存在接收信号强度(received signal strength,RSS)波动和时变等问题,导致定位精度不高.文章为此设计了一种采用结合卡尔曼滤波的方差修正加权K最近邻(weighted K-nearest neighbor,WKNN)算法的室内定位方法.离线阶段,经过...     

指纹中心点的定位和特征匹配方法

提出了一种新的指纹中心点搜索的方法及其于中心点的指纹匹配算法，它利用指纹块方向图中块方向的变化进行中心点的粗细两步搜索，首先在粗方向图中搜索方向锐变区域，然后在细方向图中对相应的匹配再进一步搜索方向锐变的区域，最终得到中心点，在此基础上介绍了基于网格的旋转匹配方法，此方法对噪声大的指纹有较强的抗干扰性，算法相对简单且效果良好。     

基于遗传算法的复杂网络节点匹配问题

为提高已知匹配节点较少情况下的网络节点匹配精度,提出一种基于遗传算法的复杂网络节点匹配方法。该方法根据网络结构以及已知的部分节点匹配信息,计算节点相似度矩阵,再由遗传算法求得网络间相似度之和最大的节点匹配方案。将其应用于EA随机网络、WS小世界网络和BA无标度网络,结果表明,三种复杂网络的匹配精度均有提高。该结果验证了文中方法的有效性。     

基于模糊神经网络的地图匹配算法

提出了基于模糊神经网络的新的地图匹配算法.该算法综合了数字道路信息和GPS/DR定位信息,提取两个重要参数作为输入变量,即定位点到候选路段的投影距离及定位航向与候选路段方位角差.设计出了四层模糊神经网络及改进的收敛学习规则.实验结果表明所提出的算法能很好地匹配车辆行驶路段位置.     

改进的Wu-Manber多模式串匹配算法

为提高串匹配算法在实际应用中的运算性能,对W u-M anber算法进行了改进。吸收了Q S(Q u ick Search)算法的思想,并利用匹配过程中匹配失败的信息,达到最大跳跃距离,实现了快速的多模式匹配算法。对改进后的算法和W u-M anber算法进行对比实验,当最小模式长度较大时,改进后的算法性能与原算法基本相同;而当模式最小长度较小时(<9),改进后的算法比原算法有显著提高,用于英文文本时比原算法的所用时间平均减少了8%~20%,用于中文文本时平均减少了15%~30%。     

匹配组合网络的宽直径

图的宽直径是度量并行与分布式网络通讯延迟的重要指标.研究匹配组合网络G(G)0,G1;M的宽直径,并根据该网络的结构性质,用点不交的最短路径方法得到G(G)0,G1;M的宽直径的上界估计式.     

一种改进ICCP水下地形匹配算法

针对水下地形最近等值线迭代（ICCP）匹配算法的原理缺陷和惯性导航累积误差对匹配精度的影响,提出了一种利用粒子群算法优化估计航路的改进ICCP算法．分析了ICCP算法的不足,利用估计航路、惯性导航定位误差和数字地图确定误差椭圆和参考航路,用豪斯多夫距离表征参考航路与实际航路的位置差异,并利用粒子群优化算法实现参考航路的快速寻优．仿真结果证明改进算法具有更好的定位精度和鲁棒性,湖上试验验证了算法的工程可行性．     

关于细胞神经网络稳定的一个充分条件

研究了一类细胞神经网络的稳定性问题.通过构造适当的Liapunov泛函采用一些变换算法并结合不等式分析技巧,进一步探讨了细胞神经网络的稳定性条件.证明了细胞神经网络平衡点的存在性,给出了细胞神经网络的平衡是全局一致渐近稳定的充分条件.这些条件可使细胞神经网络的设计更加容易,因此具有比较重要的理论意义和应用价值.     

一类时滞细胞神经网络稳定性判断标准

目的研究一类细胞神经网络。方法通过构造合适的Lyapunov函数和利用基本不等式技巧na1a2…an≤an1 an2 … ann进行研究。结果获得了时滞细胞神经网络(DCNNs)全局渐进稳定的判断标准。结论改进和一般化了相关结果。     

脉冲时滞细胞神经网络的周期解

细胞神经网络具有高速并行计算且易于硬件实现等特点,已被广泛应用于图像处理、模式识别等领域．本文讨论了一类脉冲时滞细胞神经网络的周期解的存在性,并给出了算例并进行了仿真,仿真结果支持所得结论．     

一种宽带匹配网络的遗传算法设计

为同时兼顾带宽和效率,将遗传算法应用到天线宽带匹配网络设计中。遗传算法中建立了多目标优化目标函数即适应度函数。根据算法寻优结果,结合仿真软件仿真分析了所设计的宽带匹配网络的电特性。结果表明：该宽带匹配网络具有良好的阻抗宽带性能,证明了遗传算法在设计宽带匹配网络中的有效性。     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。