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
