基于泛在信号融合的室内外场景鲁棒感知算法

发布时间：2024-07-07 05:43

　　针对室内外场景结合的导航应用服务需求的发展以及现有室内外场景感知方法的识别稳定性较低、准确率不高问题,本文提出一种基于泛在信号融合的室内外场景鲁棒感知算法,利用室内外场景中融合的泛在信号降低单一信号识别误差;同时为提高传统AdaBoost算法对不平衡数据集的分类精度,采用概率神经网络(PNN)作为训练的弱分类器,并引入熵权法,对迭代产生的弱分类器的权重进行修正来提高强分类器的分类准确率.现实场景下的实验表明,本文算法在采用室内外环境中的WiFi信号、全球卫星导航系统(GNSS)可用星数、光照强度这三种融合的泛在信号进行室内外场景感知时性能最佳,对于不同角度方向下的室内外场景切换,可以在误报率仅为1.7%的情况下,达到98%的识别准确率,验证了本文所提算法的准确性和鲁棒性.

【文章页数】：9 页

【部分图文】：

图1PNN模型

概率神经网络(PNN)是一种基于贝叶斯最小风险准则的结构简单且应用广泛的神经网络,学习速度快,分类能力强,容错性好[20].PNN主要分为四层,分别为输入层(Input)、模式层(Pattern)、求和层(Summation)和输出层(Output),PNN模型如图1所示.1)....

图3泛在信号融合的室内外场景鲁棒感知算法

由于传统的AdaBoost算法对数据分布不平衡数据集的分类精度较差,并且每次迭代的弱分类器所存在的偏差会影响下次迭代的弱分类器.因此,本文采用改进的AdaBoost+PNN模型对传统的AdaBoost算法进行改进,改进的AdaBoost+PNN作为泛在信号融合的室内外场景鲁棒感知....

图4改进的AdaBoost+PNN模型

图3泛在信号融合的室内外场景鲁棒感知算法针对传统AdaBoost算法中的迭代弱分类器的分类精度不高问题,本文采用PNN作为迭代的弱分类器进行学习训练,利用PNN的分类能力强、容错性好等优点来进一步提升迭代过程中单一弱分类器的分类准确率.

图5试验场地示意图

为了对本文所提出改进AdaBoost+PNN模型进行训练和测试,本文对实验环境中的WiFi信号、GNSS信号、光照强度信号以及地磁信号进行大量采集,其中正样本为室内样本,负样本为室外样本,试验场地示意图如图5所示.整个实验区域大小为40m×8m,室内和室外实验区域大小均为2....

本文编号：4003241