基于ELM的无线传感网络位置指纹定位方法研究

发布时间：2017-08-24 05:21

  本文关键词：基于ELM的无线传感网络位置指纹定位方法研究

  更多相关文章： 无线传感网络 WiFi 位置指纹定位 极限学习机 在线定位

【摘要】：GPS(Global Positioning System,全球定位系统)定位技术当前已经十分成熟,但是在室内环境中,其信号受到建筑物和墙壁阻挡的影响使得定位效果很差,有些建筑物内甚至无法接收GPS信号。因此,室内定位技术被国内外学者广泛关注。基于WiFi的位置指纹室内定位技术,已经成为研究热点。考虑到位置指纹的非线性特性,提出ELM(Extreme Learning Machine,极限学习机)以及KELM(Kernel Extreme Learning Machine,核极限学习机)的位置指纹定位方法。KELM以其快速学习的特点,同时拥有紧密的网络结构,有效解决传统定位算法离线学习时间较长和泛化性较弱的问题。文章给出OS-ELM(Online Sequential Extreme Learning Machine,在线极限学习机)的位置指纹定位方法,用来解决在线定位问题,并通过实验验证KELM和OS-ELM的定位性能,结果表明KELM与当前主流算法相比有较好的定位能力,OS-ELM可实现在线定位。研究主要包括如下几个方面:(1)深入研究ELM、KELM算法理论及性能,分析核函数对ELM算法的改进效果,研究OS-ELM学习算法的理论及其推导。(2)基于WiFi的位置指纹定位研究。包括RSSI(Received Signal Strength Indication,接收信号强度值)的信息采集、WiFi接入点的工作模式、不同AP(Access Point,接入点)的设置以及多方向指纹信息对定位的影响。(3)研究ELM、KELM以及OS-ELM的定位性能。通过改变离线数据收集环境,采用不同WiFi接入点作信号源以及多方向指纹信息来分析KELM算法的定位性能。实验结果表明,同等条件下与基本ELM、SVM(Support Vectoc Machines,支持向量机)、BP(Back Propagation,反向传播)神经网络、kNN(k-Nearest Neighbor,k近邻)、WkNN(Weighted k-Nearest Neighbors,加权k近邻)等位置指纹定位方法相比,KELM表现出极快的定位速度和较高的定位精度。对于OS-ELM的在线定位能力进行研究,实验结果表明,OS-ELM的定位精度满足室内定位的需求。
【关键词】：无线传感网络 WiFi 位置指纹定位 极限学习机 在线定位
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP212.9;TN929.5
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-13
• 1.1 引言8
• 1.2 国内外研究现状8-10
• 1.3 选题背景及意义10
• 1.4 研究内容10-12
• 1.5 本文的工作安排12-13
• 2 位置指纹定位方法研究13-18
• 2.1 室内定位系统13-14
• 2.2 位置指纹定位14-17
• 2.2.1 位置指纹定位原理14
• 2.2.2 指纹定位的主要算法14-17
• 2.3 小结17-18
• 3 极限学习机及其算法18-28
• 3.1 极限学习机18-22
• 3.2 核极限学习机22-23
• 3.3 在线极限学习机23-27
• 3.4 小结27-28
• 4 KELM离线学习算法的定位研究28-44
• 4.1 KELM定位方法28-29
• 4.2 不同AP数量的定位实验29-39
• 4.2.1 单方向指纹信息定位31-36
• 4.2.2 多方向指纹信息定位36-39
• 4.3 固定AP的定位实验39-43
• 4.4 小结43-44
• 5 OS-ELM在线学习算法定位研究44-51
• 5.1 OS-ELM定位方法44-45
• 5.2 不同AP数量的定位实验45-49
• 5.2.1 单方向指纹信息定位45-47
• 5.2.2 多方向指纹信息定位47-49
• 5.3 固定AP数量的定位实验49
• 5.4 小结49-51
• 结论51-53
• 致谢53-54
• 参考文献54-58
• 攻读学位期间的研究成果58

【相似文献】

中国期刊全文数据库 前8条

1 李彬;李贻斌;;基于ELM学习算法的混沌时间序列预测[J];天津大学学报;2011年08期

2 朱博;张天侠;;基于极限学习机(ELM)的视线落点估计方法[J];东北大学学报(自然科学版);2013年03期

3 周江Z，

本文编号：729428