针对在医院室内非视距环境中,多径现象明显、测距误差较大的问题,本文基于超宽带技术(Ultra-wideband,UWB)功耗低、多径分辨率高、测距精度高等优点,研究了位置指纹法的定位原理与NN指纹定位法及其改进算法。实验采用基于飞行时间(Time ...针对在医院室内非视距环境中,多径现象明显、测距误差较大的问题,本文基于超宽带技术(Ultra-wideband,UWB)功耗低、多径分辨率高、测距精度高等优点,研究了位置指纹法的定位原理与NN指纹定位法及其改进算法。实验采用基于飞行时间(Time of Fight,TOF)测距数据作为指纹建立数据库,分别研究了NN算法和WKNN的定位性能,并进行误差分析。结果表明两种算法均能达到厘米级的定位精度,且WKNN算法相对NN算法的定位误差改善了18.09%,提高了在非视距环境中定位的精确度和稳健性。展开更多
文摘针对在医院室内非视距环境中,多径现象明显、测距误差较大的问题,本文基于超宽带技术(Ultra-wideband,UWB)功耗低、多径分辨率高、测距精度高等优点,研究了位置指纹法的定位原理与NN指纹定位法及其改进算法。实验采用基于飞行时间(Time of Fight,TOF)测距数据作为指纹建立数据库,分别研究了NN算法和WKNN的定位性能,并进行误差分析。结果表明两种算法均能达到厘米级的定位精度,且WKNN算法相对NN算法的定位误差改善了18.09%,提高了在非视距环境中定位的精确度和稳健性。
文摘实际生活中,经常会遇到大规模数据的分类问题,传统k-近邻k-NN(k-Nearest Neighbor)分类方法需要遍历整个训练样本集,因此分类效率较低,无法处理具有大规模训练集的分类任务。针对这个问题,提出一种基于聚类的加速k-NN分类方法 C_kNN(Speeding k-NN Classification Method Based on Clustering)。该方法首先对训练样本进行聚类,得到初始聚类结果,并计算每个类的聚类中心,选择与聚类中心相似度最高的训练样本构成新的训练样本集,然后针对每个测试样本,计算新训练样本集中与其相似度最高的k个样本,并选择该k个近邻样本中最多的类别标签作为该测试样本的预测模式类别。实验结果表明,C_k-NN分类方法在保持较高分类精度的同时大幅度提高模型的分类效率。
