超宽带技术由于较高的测距精度和穿透性能,对于位置服务有着重要的应用价值。在实际的高密度定位环境中,传统的定位算法受非视距误差和多径效应的影响,很难实时准确解算出实际位置坐标。虽然增加基站数量可以有效提高定位的精度,但是其成本也在不断提高。针对超宽带在高密度室内定位中实时性差、定位精度低的问题,提出了一种基于支持向量机的超宽带定位方法,提高了定位的精确性和鲁棒性;给出了基于到达时间差(TDOA,time difference of arrival)的支持向量机模型,重点在于将定位问题转化为分类问题的求解;通过TDOA值和坐标值来建立支持向量机分类模型,利用一对一分类模型实现了坐标值的解算,提高了坐标解算速度。仿真结果表明,在高密度实时定位中,相比于传统的Chan算法和Taylor算法,文中方法在定位精度近似的情况下,实时性要高于传统算法,满足实际定位中低功耗、快速高精度定位的要求。
针对滑坡位移具有高度非线性和复杂性,难以利用传统优化算法结合人工智能方法进行更合理、准确的预测建模的问题,本文提出一种Lévy飞行策略的混沌麻雀优化算法(CLSSA)-变分模态分解(VMD)-支持向量回归(SVR)的滑坡位移预测模型。首先利用CLSSA优化VMD分解参数对滑坡位移时间序列进行分解,其次采用CLSSA-SVR模型对VMD分解子序列进行预测,最后通过叠加子序列预测数据求出累计位移预测。以白水河滑坡为例,对该模型进行验证,实验结果表明,所提方法在最终累计位移预测结果中MAE为2.24 mm, RMSE为3.37 mm, R^(2)为0.995,相对于麻雀优化算法-变分模态分解-支持向量回归(SSA-VMD-SVR),所改进的优化算法增加了VMD的自适应能力,提高滑坡位移各分量预测效率。
暂无评论