不完整数据集下基于极限学习机的室内定位算法研究

发布时间：2020-11-10 09:47

　　 随着机器学习的不断发展,位置指纹定位的问题可以转化为机器学习的问题。极限学习机(ELM)算法具有学习速度快,计算复杂度低,泛化性能好的优点,已经被广泛应用于室内定位中。但是在室内定位中,训练数据中的指纹-接收信号强度(RSS)测量值容易受到恶意节点的攻击。同时由于离线数据库采集开销大,往往训练数据样本比较少。因此,本文开展了基于上述两个问题的极限学习机定位算法的研究工作。研究内容如下:(1)首先介绍了指纹定位技术的系统模型和工作原理,在此基础上描述了常用的位置指纹匹配算法。然后研究了极限学习机的相关理论,并对激活函数进行了详细描述,为后续的研究工作打下理论基础。(2)在恶意节点攻击条件下,提出了一种基于在线极限学习机和层次聚类技术的安全定位算法。在离线阶段,利用层次聚类技术辨别受到攻击的训练数据样本。最后利用在线极限学习机训练离线指纹数据训练库中未受到攻击的训练数据样本,获得接收信号强度测量值和所在位置的关系,得到位置递归函数。在线阶段,将采集到的信号强度向量代入离线阶段训练好的位置递归模型,得到位置估计值。算法将层次聚类技术和在线极限学习机应用于定位,利用层次聚类技术辨别受攻击的训练数据样本,排除野值点对离线训练的影响。同时利用在线极限学习机的连续学习能力,提升在线定位性能。(3)在小训练数据集下,提出基于多激活函数的极限学习机定位算法。离线阶段,为了增加非线性以及灵活性,由多种激活函数组成的多激活函数对训练数据进行基于位置的回归学习。利用交叉验证算法获得多激活函数的最优权重系数,从而获得更好的学习和泛化性能。在线阶段,当接收到RSS测量值后,利用位置回归函数计算最终的目标位置。同时对所提算法的训练误差进行了理论分析,理论推导给出了该算法定位误差的上、下限,从而证明该算法定位性能的优越性。
【学位单位】：南京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP181;TN92
【部分图文】：

论文 第二章 指纹定位算法和极限学习机理论介绍8图 2.1 位置指纹定位算法的流程图2.1.3 指纹定位算法的理论分析在位置指纹定位过程中，我们通常会运用到如下一些技术：（1）信号滤波算法由于室内的复杂环境，我们采集到的信号仍然会受到各种干扰：人的走动造成的阻挡，环境噪声等，所以需要对采集到的信号进行滤波。因为需要在离线阶段采集非常多的数据，可以选用平均滤波，高斯滤波等方法；但是在线定位阶段不需要采集很多数据然后再滤波，所以可以选用输入与输出比值为 1：1 的滤波算法，通常选择滑动加权滤波，卡尔曼滤波方法。（2）融合其他传感器当今的移动终端比如手机中含有非常多的各种类型的传感器：加速度传感器，陀螺仪，方向传感器等，实验证明，信号的接收方向对定位精度有着很大的影响，所以位置指纹定位方法可以融合其他传感器实现惯性导航定位。（3）数据库技术在位置指纹定位方法中，我们需要运用一定的数据组织来保存我们采集到的指纹数据，指纹数据包括不同点的位置坐标以及对应的接收信号强度 RSS，让后续的匹配算法更加高效。（4）位置指纹匹配算法我们需要通过匹配算法将目标定位点测得的接收信号强度与指纹数据库中的数据进行匹配，获得相应的位置信息，完成定位[50]。我们将在 2.2 节介绍一些常用的位置指纹匹配算法。位置指纹定位最大的优点就是硬件要求低

图 2.4 ELM 算法结构框图输入层，n表示样本的特征维度，jx 表示第 j 个独中间的是隐层，L 表示隐层节点的数目， 的值越层 节 点 与 输 入 层 的 连 接 权 值 为 aii， 1,2, 一个 维向量，第 个隐层节点的偏差值为ib ，是中不需要调整， h (x)表示的是激活函数，第 个隐是输出层，输出为jo 。本 xjNjj( ,t)， 1,2, ，那么这个单隐层前馈神经haxbojNijijLii(),1,2, 1 +
【相似文献】

相关期刊论文 前10条

1 冯林;刘胜蓝;张晶;王辉兵;;高维数据中鲁棒激活函数的极端学习机及线性降维[J];计算机研究与发展;2014年06期

2 黄敬频,周永权;可调激活函数神经元参数选取方法研究[J];工程数学学报;2005年06期

3 吴佑寿,赵明生;激活函数可调的神经元模型及其有监督学习与应用[J];中国科学E辑:技术科学;2001年03期

4 郑宗生;刘兆荣;黄冬梅;宋巍;邹国良;侯倩;郝剑波;;基于改进激活函数的用于台风等级分类的深度学习模型[J];计算机科学;2018年12期

5 王平;韩琦;;陟槽型激活函数细胞神经网络稳定点研究[J];重庆大学学报;2014年08期

6 黄敬频,周永权;可调激活函数递进提升输出维的选参方法[J];数学的实践与认识;2005年01期

7 贺扬;成凌飞;张培玲;李艳;;一种新型激活函数:提高深层神经网络建模能力[J];测控技术;2019年04期

8 王东平,周尚波,虞厥邦;时延神经元振荡激活函数模型中的混沌[J];四川大学学报(自然科学版);2001年03期

9 麦应潮;陈云华;张灵;;具有生物真实性的强抗噪性神经元激活函数[J];计算机科学;2019年07期

10 田娟;李英祥;李彤岩;;激活函数在卷积神经网络中的对比研究[J];计算机系统应用;2018年07期

相关博士学位论文 前8条

1 黄玉娇;具有广义分段线性激活函数的递归神经网络的多稳定性分析[D];东北大学;2014年

2 孙炜晨;基于深度学习的图像分类[D];北京邮电大学;2017年

3 阿卜杜杰力力·阿卜杜热合曼;具有连续或不连续激活函数的忆阻神经网络的同步控制研究[D];新疆大学;2016年

4 李金城;大规模图像检索和识别中的神经网络学习及其应用[D];华南理工大学;2013年

5 张新明;水电站水库群中长期径流预报及短期优化调度研究[D];华北电力大学;2014年

6 王鑫;基于高分辨率遥感影像的植被分类方法研究[D];北京林业大学;2015年

7 李雨珂;神经网络协同学习理论及应用研究[D];浙江大学;2015年

8 常飞;卫星地面站数传资源配置优化模型与算法研究[D];国防科学技术大学;2010年

相关硕士学位论文 前10条

1 李乾;人脸情绪识别深度学习模型研究与应用[D];湘潭大学;2019年

2 常圆圆;深度学习网络的快速计算关键技术研究[D];南京邮电大学;2019年

3 路培彬;不完整数据集下基于极限学习机的室内定位算法研究[D];南京邮电大学;2019年

4 范宗皓;基于深度学习的火灾烟雾识别算法研究[D];华北电力大学(北京);2019年

5 李红梅;深度回声状态网络的优化算法研究[D];电子科技大学;2019年

6 罗诚;面向深度学习的自适应激活函数的研究[D];浙江工业大学;2018年

7 张林;基于短文本（句子级）的情感分类研究[D];吉林大学;2019年

8 李晓晓;非线性和容忍噪声的零化神经网络研究及其在优化计算中的应用[D];曲阜师范大学;2019年

9 骆训浩;卷积神经网络中非线性激活函数的研究与应用[D];大连理工大学;2018年

10 李赵迪;基于深度学习的程序识别算法的优化[D];西安电子科技大学;2018年

本文编号：2877791