基于局部嵌入算法和神经网络的WLAN室内定位算法研究

发布时间：2017-05-04 20:04

  本文关键词：基于局部嵌入算法和神经网络的WLAN室内定位算法研究，，由笔耕文化传播整理发布。

【摘要】：随着科学技术的发展,在很多领域,在数据处理上出现了维数灾难,大量的高维数据使得计算机在数据处理上变得复杂,包括机器学习,数据处理,模式识别,中心计算等等。室内WLAN的定位算法在离线定位中储存的Radio Map数据由于维数过多,在不需要整张地图,需要实时更新的情况下,数据量过于庞大成为了实时下载的难题。首先,本文研究了一个局部线性嵌入算法(LLE),作为一个非监督算法,它能发掘嵌入在高维数据中内部的低维流形结构,而这种算法作为一个局部算法,能保持局部近邻不变性。首先是邻域点的选取,通过选取的邻域点构造样本点,这种映射关系是建立在局部线性重构的假设基础上的,通过导出重构权值矩阵,并且最后的实际计算低维嵌入结果变成求解一个稀疏矩阵的特征值和特征向量问题。显然,LLE算法对于嵌入在高维数据内部的低维流形的降维易于实现。本文先后研究了LLE算法的数学推导和实现过程,并通过一些改进使得算法呈现更好的降维效果。进而,通过仿真展示了LLE算法对于三维数据中嵌入的二维流形的降维效果,并对该算法参数变化进行了仿真。其次,本文针对实时数据传输量大的问题,提出了一种在发送端利用BP网络进行压缩,之后保存权值,在终端重构数据的方法,大大减少了在实时传输中的数据量,保证了实时定位的快速有效性。首先阐述了室内定位的基本应用背景和研究现状,采用的仿真环境是所在楼的27个AP进行数据采集和实时仿真,应用的算法是目前比较通用的KNN算法,采取的核心压缩数据方法是改进后的BP神经网络,对网络训练和仿真。最后,本文针对BP网络输入端的数据,对实时的Radiomap图进行了归一化处理和仿真参数的预先设置。仿真结果表明,在选择合适的参数进行仿真的情况下,相比于RAR压缩,可以将整个Radiomap压缩到1/2甚至是1/3的数据量,并且能在一定的压缩程度上保持很高的稳定性,同时能保证压缩重构后的数据有允许的定位精度范围内的有损压缩。并针对网络参数的合理选择问题,应对不同的定位环境,结合半监督降维算法,给出最后的最优方案。
【关键词】：局部嵌入算法 半监督算法 室内WLAN定位 BP神经网络
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP183;TN925.93
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-14
• 1.1 课题背景及研究意义8-10
• 1.2 国内外研究现状10-11
• 1.2.1 WLAN室内定位研究现状10
• 1.2.2 流形学习研究现状10-11
• 1.3 主要研究内容和结构安排11-14
• 第2章WLAN室内定位的理论基础14-22
• 2.1 经典WLAN室内定位算法分析14-15
• 2.2 流形学习的理论基础15-18
• 2.3 现有的降维算法分析18-21
• 2.3.1 线性降维方法18
• 2.3.2 等距映射法18-19
• 2.3.3 局部嵌入算法19-20
• 2.3.4 BP神经网络压缩法20-21
• 2.4 本章小结21-22
• 第3章 局部线性嵌入算法研究22-41
• 3.1 局部嵌入算法概述22-23
• 3.2 算法理论模型分析23-30
• 3.2.1 邻域图的搜索和确定23-24
• 3.2.2 重构权值矩阵的建立24-27
• 3.2.3 低维嵌入的导出27-30
• 3.3 算法性能仿真及分析30-40
• 3.3.1 LLE降维算法仿真30-34
• 3.3.2 参数变化对降维结果的影响34-37
• 3.3.3 基于改进距离的局部嵌入算法分析37-40
• 3.4 本章小结40-41
• 第4章 基于流形对齐和BP网络的定位算法41-60
• 4.1 非监督局部嵌入算法的局限性41-42
• 4.2 基于流形对齐的在线数据匹配仿真分析42-47
• 4.2.1 绝对坐标法43-44
• 4.2.2 相对关系法44-45
• 4.2.3 算法比较分析和仿真结果45-47
• 4.3 基于BP神经网络再降维的算法性能分析47-59
• 4.3.1 BP神经网络算法的理论分析和建模47-50
• 4.3.2 基于BP神经网络的压缩重构仿真分析50-57
• 4.3.3 基于BP神经网络和流形对齐的改进算法仿真分析57-59
• 4.4 本章小结59-60
• 结论60-61
• 参考文献61-65
• 攻读硕士学位期间发表的学术论文及其它成果65-67
• 致谢67

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 曾U喺

本文编号：345699