针对动态室内环境的变化及时变的接收信号强度(Received signal strength,RSS)对定位精度的影响,提出了一类基于核自适应滤波算法的农业无线传感器网络室内定位方法。核自适应滤波算法具体包括量化核最小均方(Quantized kernel least me...
详细信息
针对动态室内环境的变化及时变的接收信号强度(Received signal strength,RSS)对定位精度的影响,提出了一类基于核自适应滤波算法的农业无线传感器网络室内定位方法。核自适应滤波算法具体包括量化核最小均方(Quantized kernel least mean square,QKLMS)算法及固定预算(Fixed-budget,FB)核递推最小二乘(Kernel recursive least-squares,KRLS)算法。QKLMS算法基于一种简单在线矢量量化方法替代稀疏化,抑制核自适应滤波中径向基函数结构的增长。FB-KRLS算法是一种固定内存预算的在线学习方法,与以往的"滑窗"技术不同,每次时间更新时并不"修剪"最旧的数据,而是旨在"修剪"最无用的数据,从而抑制核矩阵的不断增长。通过构建RSS指纹信息与物理位置之间的非线性映射关系,核自适应滤波算法实现WSN的室内定位,将所提出的算法应用于仿真与物理环境下的不同实例中,在同等条件下,还与其他核学习算法、极限学习机(Extreme learning machine,ELM)等定位算法进行比较。仿真实验中2种算法在3种情形下的平均定位误差分别为0.746、0.443 m,物理实验中2种算法在2种情形下的平均定位误差分别为0.547、0.282 m。实验结果表明,所提出的核自适应滤波算法均能提高定位精度,其在线学习能力使得所提出的定位算法能自适应环境动态的变化。
针对视频监测得到铁路接触网图像背景复杂、目标细弱而使电力线提取困难、效率降低的问题,提出一种结合背景特征和改进Ratio算子的区域链码(Ratio-based background features and chain code tracking,RBCT)电力线提取方法。首先,分析...
详细信息
针对视频监测得到铁路接触网图像背景复杂、目标细弱而使电力线提取困难、效率降低的问题,提出一种结合背景特征和改进Ratio算子的区域链码(Ratio-based background features and chain code tracking,RBCT)电力线提取方法。首先,分析接触网电力线图像背景特征,对不同类别背景图像进行灰度值分析、预处理加强来消除背景噪声并增强电力线目标。然后,利用分析得到的线特征检测阈值进行边缘检测,对电力线目标边缘做Ratio算子处理。最后,对检测得到目标边缘进行四方向链码聚类分析,识别电力线目标。结果表明,相比传统Canny、Ratio边缘提取方法,所提方法具有良好的抗噪能力和更高的电力线识别精确度。算法能够消除边缘检测出现的噪声,解决电力线检测中出现的断股、分裂问题,可准确完整地提取不同种类复杂背景下的电力线目标,具有较高工程应用价值。
暂无评论