資源描述:
《131貝葉斯網(wǎng)絡(luò)的室內(nèi)無線信號(hào)強(qiáng)度學(xué)習(xí)算法_華馳》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、第34卷第6期青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版)Vol.34No.62013年12月JournalofQingdaoUniversityofScienceandTechnology(NaturalScienceEdition)Dec.2013文章編號(hào):1672-6987(2013)06-0633-06基于貝葉斯網(wǎng)絡(luò)的室內(nèi)無線信號(hào)強(qiáng)度學(xué)習(xí)算法華馳1,王輝2,楊慧3(1.江蘇信息職業(yè)技術(shù)學(xué)院物聯(lián)網(wǎng)工程系,江蘇無錫214101;2.無錫英臻科技有限公司,江蘇無錫214101;3.中國礦業(yè)大學(xué)資源與地球科學(xué)
2、學(xué)院,江蘇徐州221009)摘要:考慮到接收信號(hào)強(qiáng)度(RSS)算法的定位結(jié)果有著其不確定性,提出了一種新的生成場(chǎng)強(qiáng)分布圖的自動(dòng)學(xué)習(xí)算法。在此算法中,在初始簡易場(chǎng)強(qiáng)分布圖的基礎(chǔ)上,首先啟動(dòng)一個(gè)帶有默認(rèn)參數(shù)值的線性模型,然后自動(dòng)學(xué)習(xí)各類在線RSS數(shù)據(jù);在學(xué)習(xí)的過程中,基于現(xiàn)有的支持RSS測(cè)量的WLAN、Zigbee、UMB等無線網(wǎng)絡(luò),擴(kuò)展了標(biāo)準(zhǔn)的最大期望(EM)算法,推算出場(chǎng)強(qiáng)分布圖的一種最大似然(ML)估計(jì)算法并運(yùn)用到自動(dòng)學(xué)習(xí)中,就可以生成一較精確的場(chǎng)強(qiáng)分布圖。模擬表明,無需任何校準(zhǔn)數(shù)據(jù),該方法可
3、以提供較高的精度。關(guān)鍵詞:室內(nèi)定位;自適應(yīng);EM;最大似然(ML)估計(jì)算法;自動(dòng)學(xué)習(xí)中圖分類號(hào):TN911.23文獻(xiàn)標(biāo)志碼:ABayesianRadioMapLearningforRobustIndoorPositioning1,WANGHui2,YANGHui3HUAChi(1.InternetofThingsEnginearingDepartment,JiangsuCollegeofInformationTechnology,Wuxi214101,China,2.InstituteofAut
4、omaticControlEngineering,Wuxi214101,China,3.SchoolofResourceandEarthScience,ChinaMiningUniversity,Xuzhou221009,China)Abstract:ConsideringthereissomeuncertainwiththepositioningresultsofRSSac-counts,inthispaper,weproposeanewfieldintensitydistributionof
5、automaticlearningalgorithms.Thisalgorithm,basedontheinitialradiomap,startswithalinearmodelwithdefaultparameters,andthenautomaticallylearnallkindsofonlineRSSdata.Inthelearningprocess,thisalgorithm,basedonthetheWLAN,Zigbee,UMBandotherwirelessnetworkwhi
6、chsupportsRSSmeasurement,extendsthestandardmaximumex-pected(EM)algorithmandcalculatesmaximumlikelihood(ML)estimationalgorithmofthefieldintensitydistributionwhichbeappliedtotheautomaticlearningandgenerateamoreaccurateradiomap.Simulationsshowthatthenew
7、algorithmcanprovidehigheraccuracywithoutanycalibrationdata.Keywords:indoorpositioning;Bayesianalgorithm;expectationmaximization;maxi-mumlikelihoodestimationalgorithm;automaticlearning收稿日期:2013-06-18基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目(6097406);江蘇省自然科學(xué)基金項(xiàng)目(BK20131097);江蘇省
8、高?!扒嗨{(lán)工程”資助項(xiàng)目(蘇教師〔2012〕39號(hào));江蘇省教育科學(xué)“十二五”規(guī)劃項(xiàng)目(D/2011/03/046);江蘇省高等教育教改研究立項(xiàng)課題項(xiàng)目(2013JSJG339);中國博士后科學(xué)基金一等資助項(xiàng)目(2012M510193).作者簡介:華馳(1979—),男,講師.634青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版)第34卷2011年7月13日,物聯(lián)網(wǎng)國家標(biāo)準(zhǔn)在無錫文獻(xiàn)[5]及文獻(xiàn)[6]中提出的算法就是基于此發(fā)布,此次發(fā)布的這項(xiàng)標(biāo)準(zhǔn)將為我國物聯(lián)網(wǎng)技術(shù)過程的,該算法中需要對(duì)每個(gè)采集點(diǎn)完成若干次發(fā)展提供