基于粒子群优化在线顺序极限学习机动态环境室内定位算法

摘要：

动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰,信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响.针对该问题,本文提出了一种基于粒子群优化在线顺序极限学习机算法(Particle swarm optimization online sequential extreme learning machine,PSO?OS?ELM).该算法继承了在线顺序极限学习机(Online sequential extreme learning machine,OS?ELM)算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性,同时又利用粒子群优化(Particle swarm optimization,PSO)解决OS?ELM算法中奇异值问题和鲁棒性问题.在3种不同环境下采集数据,将PSO?OS?ELM算法、OS?ELM算法和WKNN算法进行实验对比.实验结果表明:在动态变化的室内环境中,PSO?OS?ELM算法定位误差较小且鲁棒性增强,优于其他算法;平均定位误差相较于其他算法减少了约15％;算法耗时性相较于传统定位算法加权K近邻算法(Weighted K?nearest neighbor,WKNN)算法减少了约55％.

关键词：粒子群优化、在线顺序极限学习机、接收信号强度、动态环境、室内定位

所属期刊栏目：37

分类号：TN92

在线出版日期：2022-12-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1345-1352