基于PSO-ELM的双目视觉摄像机标定

针对极限学习机( extreme learning machine,ELM)在隐层节点数较少时标定精度较低的问题,利用粒子群优化算法( particle swarm optimization,PSO)与极限学习机相结合的方法对双目视觉摄像机进行标定。在标定过程中,ELM直接描述图像信息与三维信息之间的非线性关系,然后利用PSO优化ELM的输入权值与隐层阈值。实验结果表明,与ELM相比较,基于粒子群极限学习机( PSO-ELM)的双目视觉摄像机标定方法能仅用较少隐层节点数获得较高精度。     

基于PSO-ELM的射频功率放大器行为建模

为了有效地解决原始极限学习机算法中由于网络输入参数选择的随机性而引起的在射频功放行为建模应用中的建模精度不理想以及不稳定的问题,粒子群优化的极限学习机算法首次被引入到射频功率放大器的行为建模当中.利用粒子群优化方法来选择原始极限学习机算法中单隐藏层前馈神经网络的输入参数(包括输入权重和偏置).对E类射频功放的行为建模实验结果表明,粒子群优化的极限学习机可以有效改进原始极限学习机对射频功率放大器的外部行为的建模和预测能力.     

基于WIFI的室内机器人新型定位算法

随着移动终端的飞速发展,对于位置的服务需求越来越方便,WIFI由于在室内传输距离远、使用方便等优点而被研究者广泛应用于实现室内定位功能中。为了提高室内定位准确度,论文采用WKNN算法与改进粒子群算法相结合的混合定位算法,首先应用高斯滤波算法对WIFI采集的原始数据进行预处理,离线构建完整的指纹数据库;然后采用WKNN算法得到待定位点的估计位置;最后应用改进粒子群算法,实现对待定位点的精确定位。经过实验测试证明,所采用的混合定位算法比传统的位置指纹算法在定位精度上有显著的提高。     

基于PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。     

基于惯性导航的消防室内定位技术研究

面对城市高层建筑火灾,消防室内定位的需求日益凸显。首先讲述了消防室内定位现状,详细介绍惯性导航定位技术腰部方案和脚部方案的原理,并针对目前主流的消防室内定位技术进行对比论证,最后提出了惯性导航消防室内定位技术创新改进方案。     

基于加权极速学习机室内高动态环境的定位算法

随着人们对室内基于位置服务的需求越来越大,室内定位的研究变得越来越重要.Wi-Fi由于其传输距离适中,在智慧城市发展的推动下,热点的覆盖也非常多.因此基于Wi-Fi的定位技术成为众多室内定位技术中最具有可行性的.面对室内无线环境高动态变化的情况,提出了基于加权极速学习机(W-ELM)的定位方法,实验证明该方法能够有效提高定位精度.     

多层ELM分区域可见光室内定位算法

在漫反射光信道中,可见光室内定位受一阶反射、噪声信号等的影响,边界区域的定位误差相比内部区域较大,针对此问题,提出一种基于多层极限学习机的分区域定位算法,并通过仿真实验验证了算法的有效性.首先,对整体的实验区域建立第1层极限学习机神经网络,计算出整体的定位误差.其次,根据定位误差的大小和分布特征建立第2层极限学习机神经网络,将整体实验区域划分为边界区域和内部区域.对提取出的边界区域建立第3层极限学习机神经网络,计算出边界区域的定位误差.最后将边界区域的定位误差更新到整体的定位误差中,以实现定位.实验结果表明,该算法的整体平均定位误差为2.79 cm.与接收信号强度算法和反向传播神经网络相比,该算法的平均定位误差分别降低了13倍和55.36%.与单层极限学习机算法相比,边界区域的平均定位误差降低了65.66%,整体的平均定位误差降低了23.77%.该算法边界区域的定位误差明显降低,具有更高的定位精度和鲁棒性能,可适用于不同的定位场景.     

基于RSSI的WSN节点室内定位分析

基于实验的基础,对基于接收信号强度（received signal strength indication,RSSI）的无线传感器网络（wireless sensor network,WSN）节点室内定位的几种不同情况进行分析.根据室内无线传播模型和实际测量数据得到RSSI室内传播模型;比较在不同位置的未知节点定位精度的不同;针对三点定位结果不理想的问题,采用粒子群优化（particle swarm optimization,PSO）算法对定位结果进行优化;比较不同数量的源节点对于节点定位精度的影响.当信标节点数量比较多时,通过筛选一些可靠的信标节点来提高定位精度.     

融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

多传感器数据融合室内定位方法

研究了基于超宽带技术（ultra wide band,UWB）定位和视觉定位的多传感器融合室内定位方法,设计了UWB定位单元软硬件平台,调用修改了基于MMTracking的视觉定位方法,实现了两种室内定位技术,构建了基于贝叶斯估计的双传感器数据融合模型。实验结果表明,该方法具有较好的定位效果,提高了室内定位的测量精度和稳定性。     

PSO与PCA融合优化核极限学习机说话人识别算法仿真

基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。     

协作室内定位优化算法

在三角质心定位算法的基础上,将协作的思想利用到室内定位方面.针对待测环境中含有两个待测节点的情况,设计出圆域型优化算法.通过仿真实验验证得出,在误差平均值方面,经过圆域型优化算法优化后的三角质心定位算法相对于传统三角质心算法的定位精度约提高11.62%.在优化误差最大值方面,经过圆域型优化算法优化后的三角质心定位算法相对于传统三角质心算法,误差约减小7.74%.在优化误差最小值方面,经过圆域型优化算法优化后的三角质心定位算法相对于传统三角质心算法,误差约减小22.66%.在优化程度方面,优化程度最高约为28.63%,最低约为0.05%.     

基于PSO-ELM的中国石油股票价格预测建模

为了提高股票价格预测的精度,针对中国石油股票价格预测问题,提出了粒子群算法(Particle Swarm Optimization,PSO)优化极限学习机(Extreme Learning Machine,ELM)的股票价格预测模型。通过粒子群算法对极限学习机的权值以及阈值参数进行优化,构建PSO-ELM预测模型,并将其用于中国石油股票价格预测。仿真实验表明,与ELM、PSO-BP、DE-ELM相比,其预测均方误差分别下降了1.84%、1.07%、0.97%,拟合优度决定系数R2为0.974 3,即PSO-ELM有着较高的预测精度。为了给股票投资者更好的投资建议,对PSO-ELM模型分别进行股价短期、中期、长期的预测,结果表明PSO-ELM模型短期预测精度较高,随着时间的推移预测的精度有所下降。     

基于PSO-ELM的低压系统短路电流峰值预测

针对现有短路电流预测技术的不足,在短路电流早期检测的基础上,提出一种基于粒子群优化极端学习机（PSO-ELM）的短路电流峰值预测方法。利用短路电流暂态特性的分析确定预测模型的输入特征量,采用粒子群算法对极端学习机的输入权值和隐层偏置进行优化,最后,将提出的预测算法应用于低压多层级实验平台,并且与传统BP、ELM算法进行比较。实验结果表明,基于PSO-ELM模型的短路电流峰值预测方法能够在全相角范围内准确地预测出短路电流峰值,可作为低压多层级系统全选择性保护的短路故障预测算法。     

PSO-ELM在低压系统短路电流峰值预测中的应用

在短路电流早期检测的基础上,提出一种基于粒子群优化极端学习机(PSO-ELM)的短路电流峰值预测方法.利用短路电流暂态特性分析确定预测模型的输入特征量,采用粒子群算法对极端学习机的输入权值和隐层偏置进行优化,最后,将提出的预测算法应用于低压多层级实验平台,并且与传统BP、 ELM算法进行比较.实验结果表明,基于PSO-ELM模型的短路电流峰值预测方法能够在全相角范围内准确地预测短路电流峰值,可作为低压多层级系统全选择性保护的短路故障预测算法.     

融合MT2503与MEMS传感器的惯性导航定位算法

为提高惯性导航室内定位算法的精度与连续性,提出一种融合MT2503与MEMS传感器的惯性导航定位算法,算法以MT2503芯片作为定位终端,并将加速度计传感器、陀螺仪,磁力计等传感器与其进行融合,通过加速度计传感器解算步长、步幅、步频,通过陀螺仪与磁力计来识别定位终端微动偏移量,最后在初始位置上累加定位终端位移得出定位终端实时位置。实验证实通过零速修正和卡尔曼滤波对误差进行校正,有效的解决了MEMS(micro-electro mechanical system)定位算法中存在的导航解算误差累积问题,提升了MEMS惯性导航室内定位算法的精度。     

基于三角定位算法的WiFi室内定位系统设计

【目的】改善室内定位系统的质量,提高室内定位的准确率和效率。【方法】利用无线WiFi信号自身的特点,在Android平台的基础上设计一种基于三角定位算法的WiFi室内定位系统。【结果】实验测试结果表明该WiFi室内定位系统能准确地进行室内定位。【结论】基于三角定位算法的WiFi室内定位系统定位准确率高,具有很高的商业使用价值。     

引入数据融合的WSN定位算法

理论分析指出,一些不基于测距的WSN定位算法往往需要节点间进行大量的信息交互,存在大量的突发性通信,降低了网络工作效率,浪费了WSN中宝贵的能量。针对此问题,在定位算法中引入数据融合技术,通过仿真验证,引入数据融合的定位算法可以有效的减少执行定位算法所需的无线分组个数和总的通信量。     

基于ISRUKF的UWB/INS组合室内定位方法研究

超宽带(UWB)定位技术是室内定位领域中极具竞争力的技术,但是在室内非视距(NLOS)环境下,UWB定位技术会出现精度低和稳定性差等问题,难以满足较高的室内定位精度需求.UWB定位技术和惯性导航系统(INS)结合,可以减轻NLOS环境对UWB定位的影响,因此提出了一种基于改进平方根无迹卡尔曼滤波(ISRUKF)的UWB...