一种改进的RSSI室内加权质心定位算法

针对现有基于信号强度的质心算法定位精度不能满足特定场景下对高精度室内定位需求的问题,该文提出了一种改进的接收信号强度(RSSI)室内加权质心定位算法。该算法通过RSSI测距得出4个已知锚节点到待测点的距离,以相应的锚节点为圆心画圆弧,得到由4段圆弧相交的四边形,其任取3个顶点可以组成一个三角形,然后以距离平方倒数之和作为权值计算4个三角形质心坐标,再以4个三角形质心坐标作为初始值以信号强度之和作为权值求解待测点坐标。实验结果表明:该算法最大误差值为1.02m,最小误差值为0.21m,平均误差值为0.68m;该算法室内定位精度比基于RSSI的质心算法最大提高24cm,最小提高12cm,平均提高了18cm;比加权质心算法最大提高10cm,最小提高3cm,平均提高了8cm。     

一种改进的RSSI加权质心定位算法

针对现有加权质心定位算法易受环境因素影响、权重确定不合理导致的室内定位精度低的问题,该文提出了一种基于RSSI的改进加权质心定位算法,该方法在原算法基础上对权重的确定进行了改进,以RSSI值解算的距离值的倒数和作为权重,有效降低了较远距离在权值中所占的比重,提高了室内定位精度;针对权值修正系数n的取值对定位精度的影响,通过实例得出n=6时定位精度最高的结论,同时证明了本文算法优于现有的质心定位算法及加权质心定位算法。本文算法降低了室内复杂环境因素的影响,提高了利用无线传感网络的定位精度,可为智慧城市、智能交通、矿井及灾害救援等领域精确的位置估计提供帮助。     

一种基于RSSI的三维加权质心定位算法

定位技术是无线传感器网络的重要支撑技术.基于RSSI的定位技术以其不需额外的硬件、成本低廉而成为无线传感器网络的首选之一.本文在分析一些常用的算法基础上,提出了一种适用于RSSI技术的三维加权质心定位算法,在室外用ZigBee硬件平台进行实验,结果表明定位误差在4m以内,相对定位误差在20％以内的概率到达70％.     

一种WiFi距离交会加权融合定位算法

基于距离交会的WIFI室内定位算法受环境的影响,距离反演精度较低导致定位误差较大,不同距离反演模型对定位误差影响特性存在差异。考虑到GPR距离反演模型过度平滑引起定位结果扎堆的缺陷和传统损耗模型反演精度过低引起定位结果误差较大的缺陷,提出一种基于GPR预测模型和损耗模型的加权融合定位算法。实验结果表明:该融合算法能够有效提高定位精度并明显改善基于GPR模型定位算法的定位结果扎堆现象。     

一种用于RSS提取的改进粒子滤波算法

针对室内WiFi指纹位置定位中取RSS的平均值作为其定位特征值在室内环境的复杂性和动态性不能准确地反映RSS信号真值的问题,以及卡尔曼滤波和粒子滤波算法等用于RSS信号的提取只针对线性噪声或非线性噪声中的一种,在室内动态多变、干扰复杂多样的环境下鲁棒性不理想的问题,结合卡尔曼滤波和粒子滤波,提出一种用于RSS提取的改进的粒子滤波算法。给出了算法实现的步骤,并且在不同地点不同环境条件(静态环境和动态环境)下分别进行了指纹定位在线端的数据采集实验。实验结果表明:基于改进粒子滤波的RSS提取算法的定位精度和鲁棒性均优于均值算法、卡尔曼滤波算法、粒子滤波算法等已有算法。     

基于GF-KF修正RSSI的室内指纹定位方法

针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示（RSSI）与真实值存在偏差而导致定位精度不高的问题,本文提出了一种基于GF-KF修正RSSI的室内指纹定位方法．由于采集的RSSI不稳定,该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合,以得到较为确定的RSSI值．在此基础上,引入卡尔曼滤波算法对拟合后的RSSI数据进行误差修正,结合加权K近邻（WKNN）匹配算法进行定位．实验结果表明:本文方法的平均定位误差为1.5 m,2.0 m以内的误差累积分布概率为90.06％,定位效果优于同类方法．      

一种虚拟空间划分的室内指纹库定位方法

RSSI测量距离技术被广泛应用于距离定位的领域。针对传统的Zigbee指纹定位算法和复杂环境,文章提出了一种虚拟空间划分的Zigbee指纹库定位算法,其中包括虚拟空间划分最邻近定位算法、虚拟空间划分加权最邻近定位算法和虚拟空间划分贝叶斯定位算法。实验结果表明,在最优情况下,此方法能将定位误差抑制在1.50m。     

一种基于RSSI的三维加权质心定位算法

定位技术是无线传感器网络的重要支撑技术。基于RSSI的定位技术以其不需额外的硬件、成本低廉而成为无线传感器网络的首选之一。本文在分析一些常用的算法基础上,提出了一种适用于RSSI技术的三维加权质心定位算法,在室外用ZigBee硬件平台进行实验,结果表明定位误差在4m以内,相对定位误差在20%以内的概率到达70%。     

基于RSSI联合算法的二维室内定位系统设计与实现

针对位置指纹匹配算法计算量大导致室内定位精度不高的问题,提出了一种基于接收信号强度指示(RSSI)的联合算法. 该算法以K近邻位置指纹匹配算法为基础算法,加入三角定位辅助算法,首先进行三角定位得出参考区域,再进行位置指纹匹配进行精准定位,有效地提高了定位精度. 使用Android Studio基于Java语言开发了一款集Wi-Fi位置指纹采集与在线定位一体化的软件,并在试验场地进行测试.实验结果表明:该算法定位精度在二维平面内达到 1～3 m,较单一算法定位精度有所提高.      

面向林地信息提取的 Pleiades-1影像融合算法评价分析

以Pleiades-1影像为对象,以探究其面向林地信息提取的融合算法选择为视角,通过基于目视和定量特征分析、辅助面向对象分类分析的方法,为林业部门遥感影像大规模融合应用提供参考。研究认为Pansharp和GramSchmidt算法融合结果目视效果良好,各波段与原多光谱相关系数均高达0.8以上,清晰度与纹理增强明显。两种融合算法影像在不同林地层次信息提取能力各有优势,Pansharp融合结果在林地层次分类总精度可达86.55%,Gram-Schmidt融合结果则在森林类型层次具有最高的分类总精度78.76%。具体融合算法的选取需根据其应用的信息提取层次而定。     

面向光谱特征优化的遥感图像融合算法

针对传统遥感图像融合方法不能充分利用遥感系统的物理特征信息,使融合结果产生光谱扭曲的问题,该文结合小波变换与非下采样Contourlet变换的优点,提出了一种面向光谱特征优化的图像融合方法。通过对变换所得的高频分量依据决策因子阈值抽取全色图像细节信息,将经反方向滤波得到的有效高频细节面附加给多光谱图像分量,实现融合结果影像的光谱特征优化。结合小波变换、非下采样Contourlet变换的融合方法,实现Aster多光谱与资源二号全色影像的融合。试验结果表明:该算法在增强空间信息的同时,高效地实现了融合图像光谱特征的优化。     

PDR算法对地磁室内定位精度的提升研究

利用建筑物中金属结构引起的地磁场扰动可以对室内的行人目标进行定位,而且基于地磁场的定位无需布设任何额外设施,因此可以以低成本实现定位。但仅靠单一的地磁技术无法满足室内定位的精度要求。为了解决磁场数据中单点定位的模糊性问题,本文提出了一种利用粒子滤波算法将PDR与地磁相融合的室内定位方法,并开发了地磁室内导航系统,以智能手机为硬件平台构建磁力计传感器模型,建立匹配轨迹的均方误差准则并实现PDR累积误差实时校正的迭代计算。在68 m×1.8 m的试验区域内,产生的平均定位误差为1.13 m,最大定位误差为2.17 m。本文算法的定位精度比单独PDR算法提升了42%;与单一地磁指纹匹配算法相比,定位精度提高了57%。试验证明,本文提出的融合算法对提高室内定位精度具有显著的作用。     

基于维度特征的RANSAC建筑物点云分割算法

提出一种以建筑物表面形状特征为分割依据的改进RANSAC点云分割算法。该算法以主成分分析算法为基础计算维度特征和熵函数,并以熵函数最小准则确定最优邻域,继而进行表面形状分类,运用法向量夹角作为约束条件对分类结果进行优化。将分类结果作为随机抽样一致性(RANSAC)点云分割算法的模型选择依据,进行建筑物表面分割,采用法向量和距离等约束条件对分割结果进行优化,从而分割出具有不同形状的特征表面。实验表明:文中提出的改进的RANSAC点云分割算法是可行的,能有效保留表面特征。     

基于融和算法的二维Delaunay三角网任意点定位研究

二维Delaunay三角网中任意点定位的快慢是影响整个内插构网速度的关键因素。针对目前各种算法还不能在定位速度和穿越路径惟一性之间达到一个有效平衡,本文从计算机实现角度出发,将三角形面积坐标、重心和点与有向线段的关系三者有机结合,构建出一种新的点定位算法。算法定位路径惟一,速度快,是一种健壮高效的最短路径定位算法。     

贪心算法的地理加权回归特征变量选择方法

针对建立地理加权回归(GWR)模型时,无法直接应用普通线性回归(OLR)常用的特征变量选择方法,且计算过程较复杂的问题,该文基于贪心算法原理,通过引入Akaike信息法则,设计了适用于GWR的特征变量选择方法:逐个引入或删除特征变量,判断该变量对模型置信水平影响程度,根据评价准则决定该变量的取舍,最终实现模型外没有关系强的变量、模型内没有关系弱的变量。实验结果表明,比较基于OLR的逐步回归、向前引入法和向后删除法3种方法选择变量建立模型,向前引入法优于向后剔除法,两者都优于基于OLR的逐步回归法,更适用于GWR分析。     

An efficient application of fusion approach for hot spot detection with MODIS and PALSAR-1 data

Hot spot detection with satellite images, especially with synthetic aperture radar (SAR) images is still a challenging task. Several researchers have used TM/optical data for identification of hot spot but the use of SAR data is very limited for this type of application. The fusion of SAR data with TM/optical data may add additional information which in turn will lead for enhancement of detection capability of the hot spot. Therefore, this study explores the possibility of fusion of Moderate Resolution Imaging Spectroradiometer (MODIS) and Phased Array L-band Synthetic Aperture Radar (PALSAR) satellite images for the hot spot detection. Image fusion is emerging as a powerful tool where information of various sensors can be used for obtaining better results. For this purpose, vegetation greenness and roughness information which is obtained from MODIS and PALSAR satellite images, respectively, are used for fusion, and then, a contextual-based thresholding algorithm is applied to the fused image for hot spot detection. The proposed approach comprises of two steps: (1) application of genetic algorithm-based scheme for image fusion of MODIS and PALSAR satellite images, and (2) classification of the fused image as either hot spot or non-hot spot pixels by employing a contextual thresholding technique. The algorithm is tested over the Jharia Coal Field region of India, where hot spot is one of the major problems and it is observed that the proposed thresholding technique classifies the each pixel of the fused image into two categories: hot spot and non-hot spot and the proposed approach detects the hot spot with better accuracy and less false alarm.