- 1、本文档共51页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
学 校 华中科技大学
参赛队号 No.21104870136
1. 孙晨
队员姓名 2. 刘川
3. 曹云康
题 目
摘 要:
在智能化时代,基于位置的服务逐渐成为人们关注的热点,其中室内定位
技术在城市场景中应用更为广泛。基于超频宽带(UltraWideband,UWB) 的技术
通过发送纳秒级的极窄脉冲来传输数据,具有传输功耗低,带宽大,传输能力强
等优点,为室内定位技术的研究热点。但在复杂的室内环境下,UWB 的信号由
于时间延时、多路径效应等因素不可避免地产生测量误差,因而信号干扰下的
UWB 精确定位成为了亟需解决的问题。
对于任务一,首先分析给定的数据文件格式,提取所需的测量值数据,并按
要求转换为二维表格式。之后通过设定判定准则,重复值、缺失值、异常值、相
似值等除冗余及无用数据,得到最终所需的数据,其中重复值为不同组之间四个
锚点观测距离完全相同的数据值;缺失值为某一锚点观测距离缺失的数据;异常
值为3σ 准则以外的数据;并依据设定的预测精度(1cm)建立相似度判定准则,
通过对数据进行相似度度量及聚类,保留可信度高的数据,删除相似数据。
对于任务二,首先将“锚点定位”问题抽象建模为最小二乘拟合问题。针
对正常数据的定位问题,本文提出了基于多层感知机的最小二乘优化定位模型
(LSMLP),将该最小二乘问题建模为一个优化问题,并使用神经网络进行解决。
通过设计神经网络的输入、输出、损失函数以及网络结构,实现了初步的位置
预测。对已生成的若干预测值,使用Kmeans 算法进行聚类和选择,保留一致
性较高的结果并进行统计学分析,进一步提高定位精度。为了衡量所提方法的
定位有效性和精确性,本文使用了多维度的评价方式,在x, y 轴上定位的相对
误差为3%,3%;在XY 平面上定位的RMSE 为6.95cm;在三维空间中,定位的
RMSE 为37.04cm。相较于传统数值计算方法,所提方法具有不依赖于初始解、
精度高、抗噪声能力强的特点。针对异常数据的定位问题,通过数据可视化分
析,做出合理假设:任一时刻最多只有一个基站的信号受到干扰。基于所提假设,
本文在LSMLP 模型的基础上,提出了置信度赋权的联合定位模型(CECL)。
所提CECL 模型通过模拟不同锚点异常的情况,对异常数据进行切片采样,使
用LSMLP 模型得到多种位置估计数据。构建基于交叉熵损失的Softmax 分类
1
器,训练位置估计数据,得到其置信度水平,并对估计结果及其置信度进行带权
重的聚类,以最大簇的均值和方差作为最终预测。将所提CECL 模型在异常数
据上进行评估,在x, y 轴的相对误差分别为7%,8%,XY 平面定位的RMSE 为
18.24cm,三维定位的RMSE 为46.21cm,在信号传输受到干扰的情况下仍能保持
一定的精度。
对于任务三,首先分析了所提LSMLP 模型的内在特性:本质为最小二乘拟
合优化器,通过将实验场景信息编码到损失函数中,设计可微的损失函数来指
导网络进行优化,实现了网络结构与实验场景信息的剥离。因此,在解决场景2
下的定位问题时,将更新的场景信息重编码到模型中,使用更新后的损失函数对
LSMLP 进行训练完成任务场景的迁移。由于每个对应靶点的测量数据仅包含一
组,为此无法使用任务二所提的聚类方法,因此在数据异常的情况下,提出了加
权聚合方法,对不同抽样下得到的预测值,使用置信度进行加权平均,得到最终
结果。
对于任务四,首先确定了任务实质为有监督分类问题。为提升分类的性能,
本文采用了特征工程、优化器选择、自动机器学习、投票法等方法。在特征工程
阶段,利用任务二构建的LSMLP 模型,构建观测距离、预测距离、两距离平方
差等共计12 个维度的特征,极大地挖掘了距离信息的内在表征。选择极限梯度
提升算法(XGBoost) 作为分类器,并使用基于贝叶斯的自动机器学习技术优化分
类器的关键参数。在模型预测阶段,利用集成学习的思想,基于多模型的输出,
进行投票获得最终结果。通过以上方法,分类器在测试集精度可达99.26%。任
务四所给的测试数据,对应的分类结果为:正常、异常、正常、异常、异常、正
常、异常、异常、异常、正常。
您可能关注的文档
- 【研究生数学建模】基于 EKF 和 BP 神经网络的超宽带定位抗干扰综合研究.pdf
- 【研究生数学建模】基于 LSTM-FC 的大气污染物浓度预测模型.pdf
- 【研究生数学建模】基于机器学习的 UWB 定位与分类技术研究.pdf
- 【研究生数学建模】基于机组排班问题的多目标规划模型.pdf
- 【研究生数学建模】基于神经元 Hodgkin-Huxley 模型的脑.pdf
- 【研究生数学建模】基于数据挖掘的抗乳腺癌候选药物的优化模型.pdf
- 【研究生数学建模】基于整数线性规划的机组航班匹配问题研究.pdf
- 【研究生数学建模】抗乳腺癌候选药物的优化建模.pdf
- 【研究生数学建模】抗乳腺癌候选药物的优化建模研究.pdf
- 2023高考作文素材积累:大国工匠(年度人物盘点+金句).pdf
最近下载
- 九年级英语上Module8 Sports life Unit 2 He trained hard to be the best教学设计-英语九年级上册.docx VIP
- 知到智慧树网课音乐艺术概论 答案.docx
- 第一单元《新闻写作》教学设计2024-2025学年统编版语文八年级上册.docx
- 设计技术服务方案(投标用).doc
- 高校教师资格证面试说课课件-醛酮.pptx VIP
- 小学五年级上册期中考试数学试卷含答案(共5套,新人教版).docx
- 袁隆平英文ppt.ppt
- 职业性皮肤病医学课件.pptx
- 道路施工交通组织方案模板.doc VIP
- 2020年北京大学全国中学生模拟联合国大会学术标准手册.pdf
文档评论(0)