發(fā)布時(shí)間：2024-07-07 05:43

　　針對(duì)室內(nèi)外場(chǎng)景結(jié)合的導(dǎo)航應(yīng)用服務(wù)需求的發(fā)展以及現(xiàn)有室內(nèi)外場(chǎng)景感知方法的識(shí)別穩(wěn)定性較低、準(zhǔn)確率不高問題,本文提出一種基于泛在信號(hào)融合的室內(nèi)外場(chǎng)景魯棒感知算法,利用室內(nèi)外場(chǎng)景中融合的泛在信號(hào)降低單一信號(hào)識(shí)別誤差;同時(shí)為提高傳統(tǒng)AdaBoost算法對(duì)不平衡數(shù)據(jù)集的分類精度,采用概率神經(jīng)網(wǎng)絡(luò)(PNN)作為訓(xùn)練的弱分類器,并引入熵權(quán)法,對(duì)迭代產(chǎn)生的弱分類器的權(quán)重進(jìn)行修正來提高強(qiáng)分類器的分類準(zhǔn)確率.現(xiàn)實(shí)場(chǎng)景下的實(shí)驗(yàn)表明,本文算法在采用室內(nèi)外環(huán)境中的WiFi信號(hào)、全球衛(wèi)星導(dǎo)航系統(tǒng)(GNSS)可用星數(shù)、光照強(qiáng)度這三種融合的泛在信號(hào)進(jìn)行室內(nèi)外場(chǎng)景感知時(shí)性能最佳,對(duì)于不同角度方向下的室內(nèi)外場(chǎng)景切換,可以在誤報(bào)率僅為1.7%的情況下,達(dá)到98%的識(shí)別準(zhǔn)確率,驗(yàn)證了本文所提算法的準(zhǔn)確性和魯棒性.

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1PNN模型

概率神經(jīng)網(wǎng)絡(luò)(PNN)是一種基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則的結(jié)構(gòu)簡(jiǎn)單且應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò),學(xué)習(xí)速度快,分類能力強(qiáng),容錯(cuò)性好[20].PNN主要分為四層,分別為輸入層(Input)、模式層(Pattern)、求和層(Summation)和輸出層(Output),PNN模型如圖1所示.1)....

圖3泛在信號(hào)融合的室內(nèi)外場(chǎng)景魯棒感知算法

由于傳統(tǒng)的AdaBoost算法對(duì)數(shù)據(jù)分布不平衡數(shù)據(jù)集的分類精度較差,并且每次迭代的弱分類器所存在的偏差會(huì)影響下次迭代的弱分類器.因此,本文采用改進(jìn)的AdaBoost+PNN模型對(duì)傳統(tǒng)的AdaBoost算法進(jìn)行改進(jìn),改進(jìn)的AdaBoost+PNN作為泛在信號(hào)融合的室內(nèi)外場(chǎng)景魯棒感知....

圖4改進(jìn)的AdaBoost+PNN模型

圖3泛在信號(hào)融合的室內(nèi)外場(chǎng)景魯棒感知算法針對(duì)傳統(tǒng)AdaBoost算法中的迭代弱分類器的分類精度不高問題,本文采用PNN作為迭代的弱分類器進(jìn)行學(xué)習(xí)訓(xùn)練,利用PNN的分類能力強(qiáng)、容錯(cuò)性好等優(yōu)點(diǎn)來進(jìn)一步提升迭代過程中單一弱分類器的分類準(zhǔn)確率.

圖5試驗(yàn)場(chǎng)地示意圖

為了對(duì)本文所提出改進(jìn)AdaBoost+PNN模型進(jìn)行訓(xùn)練和測(cè)試,本文對(duì)實(shí)驗(yàn)環(huán)境中的WiFi信號(hào)、GNSS信號(hào)、光照強(qiáng)度信號(hào)以及地磁信號(hào)進(jìn)行大量采集,其中正樣本為室內(nèi)樣本,負(fù)樣本為室外樣本,試驗(yàn)場(chǎng)地示意圖如圖5所示.整個(gè)實(shí)驗(yàn)區(qū)域大小為40m×8m,室內(nèi)和室外實(shí)驗(yàn)區(qū)域大小均為2....

本文編號(hào)：4003241