基于蚁群算法的支持向量机室内蓝牙标定定位

发布时间：2021-08-08 06:31

　　针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位. 

【文章来源】：江西师范大学学报(自然科学版). 2020,44(02)北大核心

【文章页数】：5 页

【部分图文】：

基于蚁群算法的支持向量机参数优化流程图

将用户设备在某个采集点所有AP的RSSI平均值作为自变量xi,并将参考设备在该采集点对应AP的RSSI平均值作为因变量yi,并通过python代码建立模型.将与线性模型和支持向量机模型进行对比,结果如图2和图3所示.图3 支持向量机模型

图2 线性标定模型图2为经线性模型标定后的信号强度与参考设备之间蓝牙RSSI观测值的函数关系,图3为经支持向量机预测模型标定后的华为Mate8手机与参考设备之间蓝牙RSSI观测值的函数关系.为验证模型的有效性,分别使用2种模型对不同品牌不同型号的智能手机在用户定位时的蓝牙RSSI观测值进行实时校正,校正结果如表2所示.使用校正结果进行定位蓝牙指纹定位实验,定位误差结果如表3所示.

【参考文献】：
期刊论文
[1]基于分形理论的支持向量机核函数选择[J]. 梁礼明,陈明理,刘博文,吴健.  江西师范大学学报(自然科学版). 2019(03)
[2]一种BP神经网络的室内定位WiFi标定方法[J]. 宋斌斌,余敏,何肖娜,薛峰,阮超.  导航定位学报. 2019(01)
[3]室内定位关键技术综述[J]. 邓中亮,尹露,唐诗浩,刘延旭,宋汶轩.  导航定位与授时. 2018(03)
[4]基于智能手机的室内定位技术的发展现状和挑战[J]. 陈锐志,陈亮.  测绘学报. 2017(10)
[5]基于蚁群算法的移动机器人全局路径规划方法研究[J]. 史恩秀,陈敏敏,李俊,黄玉美.  农业机械学报. 2014(06)
[6]基于蚁群算法的支持向量机参数选择方法研究[J]. 庄严,白振林,许云峰.  计算机仿真. 2011(05)
[7]传感器非线性校正的遗传支持向量机方法[J]. 刘涛,王华.  电子测量与仪器学报. 2011(01)
[8]支持向量机回归的参数选择方法[J]. 闫国华,朱永生.  计算机工程. 2009(14)
[9]基于RBF核函数的支持向量机参数选择[J]. 林升梁,刘志.  浙江工业大学学报. 2007(02)
[10]关于统计学习理论与支持向量机[J]. 张学工.  自动化学报. 2000(01)

硕士论文
[1]基于RSSI的核函数机器学习室内定位技术[D]. 赵琳.南京邮电大学 2018



本文编号：3329419