典型文献
K-means+SSA-Elman网络可见光室内位置感知算法
文献摘要：
由于室内环境复杂,基于Elman神经网络的可见光位置感知存在收敛速度慢、定位精度低等缺点.论文提出基于麻雀搜索算法(sparrow?search?algorithm,?SSA)优化Elman神经网络,同时融合K-means聚类的一种可见光室内位置感知算法.对采集到的数据建立数据库,利用SSA对Elman的拓扑结构和连接权阈值进行优化,建立训练模型,解决基于Elman神经网络室内位置感知算法易陷入局部最优的问题,提高收敛速度和稳健性;利用K-means对数据库优化分类,将处理好的数据代入模型训练得初步预测结果;将初步预测结果代入子类二次训练得预测点的最终坐标,进一步提高定位精度.基于0.8?m×0.8?m×0.8?m的立体空间进行实验,结果表明:论文算法平均定位误差3.22?cm,定位误差小于6?cm,概率达到90％,相较SSA-Elman算法定位精度提高7.5％;相较Elman网络算法定位精度提高16％.
文献关键词：
可见光;室内位置感知;麻雀搜索算法;Elman神经网络;K-means聚类算法
中图分类号：
作者姓名：
李宝玉;张峰;彭侠;刘叶楠
作者机构：
西安工业大学 电子信息工程学院,陕西 西安 710065;西安应用光学研究所,陕西 西安 710065
文献出处：
引用格式：
[1]李宝玉;张峰;彭侠;刘叶楠-.K-means+SSA-Elman网络可见光室内位置感知算法)[J].应用光学,2022(03):453-459
A类：
means+SSA,室内位置感知
B类：
Elman,可见光,感知算法,室内环境,环境复杂,收敛速度,速度慢,定位精度,麻雀搜索算法,sparrow,search,algorithm,拓扑结构,训练模型,局部最优,代入,模型训练,练得,子类,立体空间,平均定位误差,网络算法,聚类算法
AB值：
0.211382
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。
