典型文献
基于粒子群优化在线顺序极限学习机动态环境室内定位算法
文献摘要：
动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰,信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响.针对该问题,本文提出了一种基于粒子群优化在线顺序极限学习机算法(Particle swarm optimization online sequential extreme learning machine,PSO?OS?ELM).该算法继承了在线顺序极限学习机(Online sequential extreme learning machine,OS?ELM)算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性,同时又利用粒子群优化(Particle swarm optimization,PSO)解决OS?ELM算法中奇异值问题和鲁棒性问题.在3种不同环境下采集数据,将PSO?OS?ELM算法、OS?ELM算法和WKNN算法进行实验对比.实验结果表明:在动态变化的室内环境中,PSO?OS?ELM算法定位误差较小且鲁棒性增强,优于其他算法;平均定位误差相较于其他算法减少了约15％;算法耗时性相较于传统定位算法加权K近邻算法(Weighted K?nearest neighbor,WKNN)算法减少了约55％.
文献关键词：
粒子群优化;在线顺序极限学习机;接收信号强度;动态环境;室内定位
中图分类号：
作者姓名：
韩承毅;苏胜君;施伟斌;乐燕芬;李瑞祥
作者机构：
上海理工大学光电信息与计算机工程学院,上海 200093
文献出处：
引用格式：
[1]韩承毅;苏胜君;施伟斌;乐燕芬;李瑞祥-.基于粒子群优化在线顺序极限学习机动态环境室内定位算法)[J].数据采集与处理,2022(06):1345-1352
A类：
B类：
粒子群优化,在线顺序极限学习机,动态环境,环境室,室内定位算法,障碍物,时变性,极限学习机算法,Particle,swarm,optimization,online,sequential,extreme,learning,machine,PSO,OS,ELM,Online,适应环境,收敛速度,定位精度,奇异值,不同环境,采集数据,WKNN,实验对比,室内环境,平均定位误差,近邻算法,Weighted,nearest,neighbor,接收信号强度
AB值：
0.295607
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
