共查询到20条相似文献，搜索用时 31 毫秒
1.
针对UWB在室内定位的应用中会受到非视距环境影响导致定位性能减弱甚至丧失的问题，提出在使用功率增益判决结合概率统计方法识别非视距信号后，开展基于卡尔曼滤波的UWB/INS组合定位；通过在非视距环境下使用INS系统解算UWB位置信息，实现非视距室内定位。仿真实验结果表明，使用拓展卡尔曼滤波得到的X、Y、Z三轴定位误差可控制在0.5 m内但定位性能不稳定；使用无迹卡尔曼滤波处理得到的X、Y、Z三轴定位误差可以控制在0.3 m内且定位性能稳定。该结果为非视距环境下的UWB室内定位提供了技术支持。 相似文献
2.
3.
针对超宽带技术在非视距环境下存在较大测距误差的问题,文章基于时间到达法采集多组距离下的非视距测距值,与实际距离做差值统计,分析其测距误差的变化规律,提出了一种顾及超宽带穿墙信号入射角度的方法,将测距值拆分为两个分量,建立多项式曲面改正模型来降低测距误差。选取3个检核点验证该模型的适用性,结果表明:多项式曲面改正模型能使测距值趋近真实距离,与原始测距值相比,测距精度提高了80%左右,可以提升超宽带的定位精度。 相似文献
4.
针对超宽带室内定位系统中的标准偏差和非视距误差问题,该文设计了一种基于改进卡尔曼滤波动态定位方法。该方法首先针对双向到达时间测距信息进行标定,利用线性拟合剔除测距信息中的标准偏差,针对超宽带平面定位系统中的非线性量测方程推导得到线性化的量测方程,将改正后的测距信息作为改进卡尔曼滤波量测信息,通过设定阈值调整卡尔曼滤波增益,从而剔除非视距误差。实验结果表明,该方法能有效抑制标准偏差和非视距误差的影响,视距环境下能达到厘米级精度,非视距环境下亚分米级精度,实现室内环境下的高精度动态定位。 相似文献
5.
针对室内及室内外过渡区域,GNSS信号受到严重影响导致的定位精度下降甚至无法定位的问题,该文提出了一种新的多传感器组合的室内定位方法。充分利用超宽带(UWB)超高的时间分辨率、良好的抗多径能力和较强的穿透能力,以及激光雷达(LiDAR)所表现在构图与定位方面主动、高效、精确的特点。使得两个系统相互作用,在复杂的室内环境下能够获得厘米级的定位结果。基于室内环境下的实测实验结果表明:无论是在非视距环境下UWB定位能力受到严重影响,还是在LiDAR定位结果出现较大发散的情况下,基于EKF的UWB/LiDAR组合定位系统都能够稳定维持厘米级的定位精度,定位结果比较接近参考轨迹。本文提出的基于EKF的UWB/LiDAR组合定位模型,实现了复杂室内环境下的高精度定位。 相似文献
6.
7.
针对室内定位过程中超宽带(UWB)信号容易受到非视距(NLOS)环境的影响从而降低定位的精度和稳定性的问题，该文提出了基于粒子群优化支持向量机(PSO-SVM)和自主完好性监测(RAIM)的误差识别算法，通过粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化，将优化后的支持向量机模型用于UWB NLOS信号的识别，并利用自主完好性监测算法将异常的UWB测距值剔除。实验结果表明，该文算法能够对NLOS信号进行准确的识别，并有效提升了NLOS环境下UWB定位的精度及稳定性，平面定位误差可控制在0.26 m以内，东、北方向的均方根误差分别为0.09、0.11 m。 相似文献
8.
北斗伪卫星系统因其较强的抗干扰能力和灵活机动的组网能力可以应用于室内位置服务。多径效应是影响伪卫星定位精度的主要因素，因此，掌握北斗伪卫星室内多径传播特性是抑制多径、提高定位精度的前提。本文针对北斗伪卫星特有的信号体制，利用射线追踪法，研究了室内环境下伪卫星信号路径损耗、功率角度分布等多径特性参数，通过Wireless Insite软件，构建了大型商场的三维模型，在此基础上进行了仿真试验验证。结果表明，伪卫星多径数量在非视距条件下会急剧减少，且伪卫星多径分量以相近功率值分布在特定范围的水平方向角内；同时其衰落信道模型服从小尺度衰落，符合瑞利-对数正态分布，大尺度衰落与对数距离路径损耗模型相吻合。 相似文献
9.
针对PM2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘，而深度学习算法在数据较少情况下效果不佳的问题，综合考虑深度学习与随机森林的特点，提出一种基于深度学习与随机森林的PM2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM2.5地面观测数据构建训练数据集，通过深度学习方法对训练数据内部深层次隐含特征进行提取，将提取得到的隐含特征用于随机森林模型训练，并使用随机森林回归算法得到PM2.5浓度的预测值。为验证方法的有效性，以河南省区域2018年—2019年的PM2.5浓度估算为例，将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明，在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度，其中以LSTM为特征选择器，RF为回归器的组合模型是本实验的最优模型，在即使只有35%... 相似文献
10.
针对开放街道地图道路语义信息评估与改善方面的研究不足，提出了一种新的自动识别道路类型的方法。该方法基于道路的几何和拓扑特征，将道路弧段组织为Stroke,并提取出其几何拓扑特征。随后，通过监督学习训练随机森林分类器，建立了特征与道路类型之间的映射关系，从而实现了对道路类型的自动识别。在实验中，我们构建的道路类型识别模型的精度达到了81.20%,这证明了我们的方法是有效的。与支持向量机、逻辑回归和K最邻近算法相比，我们使用随机森林构建的道路类型识别模型表现最优。总的来说，本研究为评估和改进OSM道路语义信息提供了一种新的可能性，展示了利用道路几何和拓扑特征进行道路类型自动识别的潜力。 相似文献
11.
《测绘科学》2020,(1):4-10
针对相对于室外更为复杂的室内或者灾害环境中,全球导航定位系统(GNSS)信号受到严重影响导致定位精度下降甚至会无法定位的问题,该文充分利用了超宽带(UWB)极高的时间分辨率、优异的抗多径能力和非视距(NLOS)环境下较强的穿透力,从信号传播层面改进定位算法,通过经验值判断测量环境,在基准站与移动站之间不存在障碍物遮挡的情况下,通过UWB定位模型进行定位并通过卡尔曼距离滤波模型去除噪声;在基准站与移动站之间存在障碍物且在信号可以穿透障碍物的情况下,通过路径损耗模型实现对NLOS误差的粗略估计,在此基础上加入卡尔曼距离滤波模型做进一步估计,进而以此估计值对定位结果进行改正。基于室内环境下的实测实验结果表明:无论静态或者动态,在产生NLOS误差导致定位结果轨迹与实际参考轨迹差别较大的时候,该文定位算法会对定位结果有较好的改正,通过经验值判断的方法可实现复杂环境下较好的定位。 相似文献
12.
本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。 相似文献
13.
基于Sentinel-1A数据的多种机器学习算法识别冰山的比较 总被引：1，自引：0，他引：1
冰山识别对于海洋环境监测和船只安全运行等具有重要的意义,是北极航道开通和北极开发过程中的重要内容。采用合成孔径雷达(SAR)影像进行冰山识别具有独特的优势,多种机器学习算法均可用于SAR影像的冰山识别中。为了最大限度地发挥机器学习算法的性能,有必要对不同机器学习算法及其搭配使用的特征与特征标准化方法进行评估,从而进行最优冰山识别方法的选择。因此,本文基于Sentinel-1A SAR影像,采用多种机器学习方法、多种特征组合及多种特征标准化方法进行冰山识别,并比较各流程方法的识别性能差异。采用的机器学习算法包括贝叶斯分类器(Bayes)、反向神经网络(BPNN)、线性判别分析(LDA)、随机森林(RF)以及支持向量机(SVM);特征标准化方法包括Min-max标准化、Z-score标准化及log函数标准化;数据集是含有12个SAR影像特征的969个冰山与非冰山样本,样本主要位于格陵兰岛东海岸。分类效果采用接收者操作特性(ROC)曲线下的面积(AUC)进行衡量。结果显示,最佳搭配下的RF的AUC值最高,达到了0.945,比最差的Bayes高出0.09。从识别率上来看,RF在冰山查全率为80%的情况下非冰山查全率达到92.6%,效果最好,比第2位的BPNN高出1.4%,比最差的Bayes高出2.6%;BPNN在冰山查全率为90%的情况下非冰山查全率达到87.4%,比第2位的RF高出0.8%,比最差的Bayes高出2.7%。上述结果表明,对冰山识别而言,选择最优的机器学习算法和最佳的特征与特征标准化方法都是十分重要的。 相似文献
14.
城中村作为一种特殊的城市聚落类型,对其进行精确有效的监控识别有助于实现城乡协调发展、优化城乡生态环境。现有面向对象的城中村识别方法通常需要大量样本数据,导致训练成本较高,数据更新效率偏低。针对以上问题,本文提出了顾及多分辨率特征的复合字典城中村识别方法。首先通过密集格网采样提取尺度不变特征转换(SIFT)全局特征,并与多分辨率颜色矢量角直方图特征融合,形成视觉词典;然后将影像表示为视觉词频率直方图;最后使用随机森林分类器进行分类,以实现场景尺度的城中村识别。以高分二号影像为测试数据对该方法进行验证,结果表明,其总体精度达90.08%,Kappa系数达80.16%,相较于加速稳健特征(SURF)、SIFT、VGG16、ResNet50,总体精度分别高出8.99%、3.51%、4.78%、2.28%。 相似文献
15.
高分辨率遥感影像的随机森林变化检测方法 总被引：3，自引：0，他引：3
基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。 相似文献
16.
针对超宽带井下定位方法中,信号易受到非视距(NLOS)误差的影响,导致定位算法的精确度与环境适应性较差的问题,本文提出了一种融合改进小波去噪和T-Taylor算法的井下定位算法。对原始测距值进行降噪处理,抑制NLOS误差对定位的影响;同时引入三球交会算法,将其作为Taylor算法的初始算法,确保Taylor算法收敛的同时,增强定位算法在井下复杂环境的定位精度与环境适应性;通过蒙特卡罗仿真试验进行验证。结果表明,融合算法能够在一定程度上降低测距误差,增强算法对于复杂环境的适应性,提高定位精度,在NLOS环境下较C-Taylor算法有更高的定位精度与抗噪声性能。经实地定位试验验证,融合算法平均定位精度相比于C-Taylor算法有一定程度的提升,提高了37.3%。 相似文献
17.
针对GNSS接收机在室内环境中面临的强烈的信号衰减、非视距传播和互相关效应的问题,提出了一种基于粗时段导航和RAIM算法解决A-GNSS室内定位问题的方法,并利用BDS数据验证了该方法的可靠性。结果表明,粗时段导航算法能够提供连续可靠的定位结果,应用于微弱信号环境;基于组合FDE的RAIM算法能够增加定位结果可用率,解决室内卫星信号存在的非视距传播和互相关效应的问题。基于粗时段导航与RAIM算法的A-GNSS定位技术能够应用于室内定位,仿真定位结果水平方向RMS在10 m以内。 相似文献
18.
随机森林是一种新兴的、高度灵活的机器学习算法，在预测和分类方面有着良好的稳定性，且算法性能要优于许多单预测器。鉴于此，本文提出了随机森林的遥感影像变化检测算法，利用熵率法对遥感影像进行超像素分割，获取最优分割结果；构建了基于随机森林的遥感影像变化检测模型，以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测，并将有决策树的投票作为最终的变化检测结果。试验结果表明，本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法，且总体正确率高，在算法时间上也明显优于其他算法。 相似文献
19.
针对室内环境下的5G定位需求,提出了利用神经网络算法对粗略定位结果进行优化的方法,减小了多径、非视距传播造成的定位误差,改善了结果域的定位精度. 优化算法利用测距定位中的到达时间(TOA)定位法和到达时间差(TDOA)定位法获得粗略定位结果,分别结合BP神经网络、Elman神经网络及通过遗传算法(GA)优化后的GA-BP神经网络、GA-Elman神经网络共利用4种神经网络进行训练,得到修正后的精确定位结果,并对4种神经网络算法进行了分析与评估. Elman算法相较于BP算法具有迭代收敛快、迭代次数少、误差改正好的特点,更适合5G定位结果域的优化;融入 GA 后结果精度均有所提高,其中GA-Elman算法能够训练得到最好的定位结果. 相似文献
20.
深度学习在遥感影像分类与识别中的研究进展综述 总被引：5，自引：0，他引：5
深度学习一直是机器学习和人工智能研究的热门主题，特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来，使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性，其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状，最后对未来深度学习应用于遥感识别与分类趋势进行了展望。 相似文献