典型文献
基于SSAOS-KELM的指纹库自适应室内定位算法
文献摘要：
在室内定位场景中,传统指纹库定位方法存在着定位精度低、对环境变化适应能力差的问题,且当目标区域较大时,重新训练模型计算复杂度高.为解决该问题,提出了一种基于在线连续核极限学习机(Online Sequential Kernel Extreme Learning Machine,OS-KELM)的室内定位算法.离线阶段,为缩小待测点所属区域,减小定位数据计算量,使用皮尔森系数优化的K-Means聚类算法对定位区域进行划分,通过樽海鞘优化算法(Slap Swarm Algorithm,SSA)对核极限学习机的参数进行寻优从而构建各区域的初始定位模型;在线阶段,使用OS-KELM对已构建好的定位模型进行调整,将更新后的模型用于实时定位,以适应环境变化.实验结果表明:该算法能够实现更高的定位精度并针对环境变化做出调整,相比于其他传统算法,精度、自适应性得到显著提升.
文献关键词：
室内定位;分区;樽海鞘优化算法;核极限学习机;指纹库更新
中图分类号：
作者姓名：
孙顺远;徐逸飞;秦宁宁
作者机构：
江南大学轻工过程先进控制教育部重点实验室 物联网工程学院,江苏 无锡214122;南京航空航天大学电磁频谱空间认知动态系统工信部重点实验室,江苏 南京211106
文献出处：
引用格式：
[1]孙顺远;徐逸飞;秦宁宁-.基于SSAOS-KELM的指纹库自适应室内定位算法)[J].传感技术学报,2022(11):1475-1482
A类：
SSAOS,Slap
B类：
KELM,室内定位算法,位场,定位方法,定位精度,目标区域,新训,训练模型,计算复杂度,核极限学习机,Online,Sequential,Kernel,Extreme,Learning,Machine,离线阶段,属区,定位数据,数据计算,计算量,皮尔森系数,系数优化,Means,聚类算法,樽海鞘优化算法,Swarm,Algorithm,始定,定位模型,在线阶段,建好,实时定位,适应环境,化做,出调,传统算法,自适应性,指纹库更新
AB值：
0.410358
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。
