欢迎来到天天文库
浏览记录
ID:33324988
大小:1.86 MB
页数:57页
时间:2019-02-24
《基于elm的无线传感网络位置指纹定位方法研究》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含获得兰州交通大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名:签字日期:年月日学位论文版权使用授权书本学位论文作者完全了解兰州交通大学有关保留、使用学位论文的规定。特授权兰州交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索,并
2、采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名:导师签名:签字日期:年月日签字日期:年月日兰州交通大学硕士学位论文摘要GPS(GlobalPositioningSystem,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
3、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(ExtremeLearningMachine,极限学习机)以及KELM(KernelExtremeLearningMachine,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(OnlineSequentialExtremeLearningMachine,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
4、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(ReceivedSignalStrengthIndication,接收信号强度值)的信息采集、WiFi接入点的工作模式、不同AP(AccessPoint,接入点)的设置以及多方向指纹信息
5、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(SupportVectocMachines,支持向量机)、BP(BackPropagation,反向传播)神经网络、kNN(k-NearestNeighbor,k近邻)、WkNN(Weig-htedk-NearestNeighbors,加权k近邻)等位置指纹定位方法相比,KELM表现出
6、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;在线定位论文类型:应用基础研究-I-基于ELM的无线传感网络位置指纹定位方法研究AbstractAlthoughGPSglobalpositioningsystem(GPS)hasbeenwelldevelopped,itisverypoorintheindoorenvironment.Becauseoftheblo
7、ckedbythebuildingsandwalls,someofthemcannotevenreceivedGPSsignals.Therefore,Itispayextensiveattentionbyscholarsathomeandabroadtoindoorpositioningtechnology.IthasbecomeahotspotresearchforindoorpositioningtechnologythatbasedonthepositionoftheWiFifingerpr
8、int.Afeedforwardneuralnetworknamedextremelearningmachine(ELM)andkernelextremelearningmachine(KELM)areappliedtotheprobelmofindoorfingerprintpositioningbasedonthenolinearlocationfingerprinting.ThefastlearningspeedandtightnessofKELMnetwork
此文档下载收益归作者所有