Clustering-Based方法改善超宽频传感器的室内定位系统的准确性

文摘

有几种方法可用于定位一个物体或人在室内的位置。超宽带(UWB)是一个特别有前途的室内定位技术因其精度高、抵抗干扰,和更好的渗透。本研究旨在改善超宽频传感器的室内定位系统的准确性。实现,该系统是由使用k - means算法训练额外平均轮廓的方法。这帮助我们定义的最优数量的集群使用的k - means算法基于轮廓系数的值。添加模糊c均值漂移算法进行比较。本文还介绍了卡尔曼滤波的影响在使用测量超宽频测试点作为输入的卡尔曼滤波器为了获得一个更好的估计位置。因此,平均定位误差减少43.26%(从16.3442厘米到9.2745厘米),结合k - means算法和卡尔曼滤波的Kalman-filtered UWB-measured测试点作为输入用于拟议的系统。

1。介绍

信息技术的发展,室内定位技术发展迅速。定位方法主要分为两类:位置指纹法和三边测量定位算法(1]。需要高精度室内定位是一个非常重要的问题。确定病人在医院的位置,定位工人在一个大办公室,还有人被困在燃烧的大楼都是场景的一部分,需要高精度室内定位系统。许多解决方案提出了室内目标位置估计(2,3]。大量的这些解决方案依赖multilateration和三角测量方法利用超声波、红外线和无线电信号。这些解决方案能够提供与位置相关的信息。三角利用三角形的性质来确定目标的位置。它包括两个派生:首先,lateration,第二,测角。lateration派生确定目标的位置通过测量的距离这一目标从多个参考点,而不是直接测量的距离。到达时差(辐射源脉冲),到达时间(ToA),或接收信号强度(RSS)通常测量;,通过计算得到的距离衰减的传输信号强度,或者在另一个案件中,通过增加旅行时间和无线电信号的速度。往返飞行时间(RToF)方法也用于区间估计在某些系统。然而,测角帮助我们定位目标通过计算角度相对于参考点的到达角(AoA)方法(4,5]。许多定位系统有不同的体系结构、配置、精度和可靠性来确定物体或人的位置。一些室内定位系统GPS,红外线,wi - fi, RFID,祝福信标,超声波定位系统、超宽频(6,7]。超宽频信号有一个非常大的带宽,超过500 MHz。超宽频信号传送器允许更好的电源效率由于其低消费的权力,而其他的室内定位技术(7,8]。超宽频无线系统提供了一个良好的多路径决议自室内必须应付几个多路径情况下(8,9]。如此大的带宽提供很多好处的通信和雷达的应用程序。换句话说,大带宽将提高可靠性,因为信号包括各种频率成分不同。因此,至少其中的一些可以绕过或通过障碍。因此,超宽频使一个更加可靠和精确定位(10,11]。

最重要的一个应用程序的室内定位系统是实现高效的生产过程在工业设施有必要跟踪产品,对象,和机器。这样的环境中被认为是更复杂的比其他常规的室内定位场景大型机械块视线路径和增加反射和多路径效应。因此,在[12),使用ultra-wideband-based时间(UWB) difference-of-arrival定位系统研究。它包括四个收发器自超宽频多路径问题提供了一个解决方案。在这项研究中,提出的评价系统中执行三种不同的测量装置。单和多通道的设置,结果是指提高准确性和四个每个基站收发器。有几个多路径信号的情况下,测量位置的标准偏差减少多道锚。

超宽频系统进行可靠地在室内区域,错误减排技术应用基于测距误差建模方法(13]。在这方面,一个商业超宽频系统是用于开发基于获得的数据的误差校正模型的室内区域。三种校正方法实现静态和运动测试场景以生成相应的校准模型。校准模型的评价时,原始和校准范围获得验证点的位置与相应的参考距离。

另一个功能,可以受益于室内定位系统是确定资产的位置在一个网络。GPS是足够的室外环境;然而,GPS是很难适用于室内环境,因为墙壁和障碍物。在[14),超宽频直接混沌通信,提出了多个有利的特性,如硬件复杂度低,低功耗,低成本,和大带宽,大于500 MHz。他们调查的可行性测距系统通过使用一个不相干的混乱的收发器。位置实验进行的模糊逻辑算法是用来降低的影响nonline-of-sight(仿真结果错误在真正的室内环境。应用双向测距(TWR)方法来测量信号往返时间(RTT)两个异步收发器。实现测距精度高,尽管使用非相干接收和较低的时钟频率,使用模糊逻辑。模糊逻辑算法产生模糊输入隶属函数(FIMF)可以减轻仿真结果传播效果。

有一个广泛的医疗应用程序也可以受益于室内定位的功能。病人患有痴呆经常给流浪的行为,因为失忆或者无聊。这种情况下是很难理解和管理。杨et al。15)提出了一个设计和评估相关的漫游场景的人遭受这种情况使用年代乐队(2 - 4 GHz)传感技术。在一个室内环境中,不同的行为,包括研磨、随机,和节奏运动可以监测和使用这种频率的特征。流浪的模式是公认的基于两个因素:相位信息及其振幅,措施引起的任何干扰的理想的无线电信号。支持向量机也用作二次分析,以观察到的模式进行分类。

在[16),研究了监测和检测冻结的步态(雾)。雾是一种nonmotor条件出现老龄患者。雾的评价可以减少继发性疾病的机会。在这项研究中,无线电信号的振幅和相位信息使用一个探索特定时间段内的漏波电缆(LWC),可后来区分电动机和nonmotor症状。使用LWC的原因是获得一个更好的性能时,方向性和易于部署。支持向量机方法用于分类的振幅信息,而线性变换获得执行消毒相位信息,可以用于检测目的。该方法的应用提供了高精度(约99%)的性能,基于观察的几个病人。

不干扰呼吸监测系统,受益于c波段遥感技术提出了(17]。糖尿病患者的呼吸运动是由这种技术以识别监控室内地区糖尿病酮症酸中毒,这可以从外部访问通过触觉的连接互联网。当谈到收集无线信号,该系统利用microwave-sensing平台在c波段(MSP)。除此之外,呼吸传感器是用来验证该系统的准确性。

大多数predescribed作品利用超宽频的室内定位系统,因为广泛的超宽频的室内定位系统提供有利的属性。它尤其提供了精度比30厘米。在我们的论文中,超宽频开发工具包是用来实现这个实验,为本研究提供数据。此外,这种超宽频开发工具包提供了精度比20厘米,和借助聚类算法,它提供了精度优于10厘米,大约9厘米。

关于这些引用中使用机器学习方法,支持向量机方法在多个研究用于分类的目的。在我们的论文研究提供方法使用聚类方法的好处,包括具有类似属性的数据点的分组。我们提出了使用聚类的方法对超宽频室内定位系统的准确性。

2。相关的工作

因为它的许多优点,超宽频室内环境中是一个新兴的和有前途的技术。然而,视距(LoS)堵塞的存在会影响定位精度。首先,影响发生因为《屏蔽材料,具有高的介电常数,介绍传播延迟。其次,通过传播信道的多径结构复杂,使得它很难估计信号路径的ToA (18,19]。

提出了一种方法来估计移动物体的位置瞬间通过结合机器学习算法与卡尔曼滤波器(20.]。在[21方法,提出了室内无线定位,基于k - means wi - fi。首先,利用距离公式结果首先考虑属性值的影响。第二,不同的对象之间的区别是,可以更准确地计算。尽管改善,仍存在若干技术问题的基于无线室内定位是不固定的很好。剩下的最重要的问题是室内定位的准确性。

与概率方法使用multilateration RFID使用地图的开发技术来确定未知的位置标记。卡尔曼滤波器也实现提高标签的估计位置。应用这种方法可以获得准确的位置和加速度的估计(22]。

在[23),模糊c均值(FCM)聚类算法用于室内定位方法;和一个新的实现指纹的无线电频率。使用这样的实现使定位系统更有效;它是有益的低功耗和时间效率。

提出了一种详细的相似性分析(24)采用平方欧氏的k - means聚类算法。平均轮廓的方法是利用验证如何分离产生的集群。

的问题选择正确的集群研究数量(25]。k - means算法实现,而集群数量设置是基于最高平均轮廓宽度。因此,最优数量的集群从给定的数据集。此外,也没有需要使用用户定义的参数。

智能质心定位(ICL)方法提出了(26]。这个方法是以前的转换实现节点定位方法,目的是确定未知的位置传感器的位置。RSSI值作为模糊系统的输入发达ICL的方法。

3所示。实验装置和室内定位数据集

在这个工作中,使用一个数据集,收集从一个主动学习的教室(ALC),如图1。教室里包含了可移动的桌子,椅子,桌子,所以它提供了多个选择座位。教室容量是28人;和地区开发提供完全控制用户。共有12人设置时使用收集的数据集。设计功能预计将支持使用在这个教室里的所有位置在执行不同的活动。

而主动学习教室,测量7.35米×5.41米,设计作为一个测试床上收集数据,天花板系统,连接到天花板和锚(显示为A0, A1, A2, A3在图1),在测试的每一个角落举行床2.85米高度不变。

如图2,Decawave MDEK1001超宽频开发工具包(27)是用来实现这个实验,包括4锚在天花板和一个测试测试用户的标签。总共180个地点标记测试用户的超宽频传感器标签穿在他/她的脖子上。然后,测试用户的位置数据收集。数据收集的总时间是9小时排除观测周期的设置和改变的时候了。收集27000位置测量。

一个特殊的天花板系统如图3开发提供更好的洛杉矶,也直接路径之间的锚和标签(11]。测试用户在测试床至少3分钟提供150个样本为每一个标记的位置。

4所示。提出的方法

该方法用于这项研究在以下部分中简要描述。这些方法是k - means,模糊c均值漂移聚类,卡尔曼滤波,最后,平均轮廓初始化方法最优数量的集群。

4.1。k - means聚类算法

k - means被认为是最重要的一个聚类算法。k - means算法选择k随机初始数量的重心。k在这种情况下是由用户定义的集群的数量。现在,每个点被分配到集群中心接近这一点。基于集群中的点,重心会更新。这一过程持续进行直到没有变化点在他们的集群。该算法由以下步骤(28]:(1)集群数量设置(2)选择k集群随机重心(3)计算点的数据和集群质心之间的距离(4)如果类似的数据点靠近重心,此举集群(5)获得新的聚类中心,平均在每个集群数据点(6)重复步骤(3)(5),直到没有改变集群重心或达到最大迭代次数

4.2。模糊c均值算法

FCM算法对数据聚类。基于模糊集理论,它允许一个模糊的数据属于两个或两个以上的集群意味着“不清楚”或“没有定义”和C表示“集群”。

该算法的优点是其强劲的行为,不确定性数据建模能力,适用于多通道数据,和它的直接实现23]。

目标函数给出了方程(1被认为是;这个目标是最小化目标函数(23]: 在哪里米是指一个实数高于1,u_ij是指的隶属度x_我在集群中j,x_我指的是我^th测量d维数据,c_j指的是d维集群中心是表达的规范中心和任何测量数据之间的相似性。

模糊分区过程的迭代优化目标函数方程所示(1),会员的更新u_ij和c_j集群中心由[29日]:

迭代停止时(29日] 在哪里ε指的是终止准则,这是在0和1之间,而k是迭代步骤。这个过程收敛于一个局部最小值。FCM算法包括以下步骤:(1)初始化U= (u_ij]矩阵,(2)计算中心向量k一步,C(k)= (c_j)与U(k使用方程()3)(3)更新两个U(k),U(k在方程(+ 1)2)(4)停止如果| |U(k+ 1)−U(k)| | <ε;否则,返回步骤(2)

4.3。均值漂移算法

均值移位算法是基于局部平均数据的大意导致更高的密度和移动,因此,更典型地区(30.]。该算法是一种非参数估计量的密度梯度。使用迭代方法,当地最大的获得。

该算法用于各种各样的目的。聚类分析、图像分割、对象跟踪、信息融合、边缘检测和过滤一些例子。均值漂移算法中使用的核函数算法的计算步骤和估计点的梯度方向31日]。

均值移位算法非常有吸引力,因为它是基于非参数核密度估计(KDE)中,用户不需要定义集群的数量。唯一的参数,用户需要指定集群的规模(带宽)。意味着改变聚类,算法的输入是数据点和带宽或规模。调用 ,集群的数据点。核密度估计是定义如下30.]: 在带宽σ> 0和内核K(t),K(t)=e−t/ 2,高斯的内核。高斯均值移位算法算法所示1(30.]。

的结果意味着转变进行到内核,每个测试点都有自己的重量和还自己的带宽。利用高斯内核,因为它更容易分析和它会导致简单的公式。

4.4。的卡尔曼滤波器

卡尔曼滤波器使用一系列的数据观察到随着时间的推移,可能包含不准确,如噪音,目的是来估计未知的变量有更好的精度。卡尔曼滤波器已成为标准方法在实时的最优估计由于其优点,效率、速度、和很强的抗干扰。现在,应用卡尔曼滤波领域的目标跟踪和导航,如机动目标的跟踪和定位的GPS (32]。卡尔曼滤波是在1960年首先提出的r·e·卡尔曼(33]。算法2总结了卡尔曼滤波器的步骤。

X_{美国东部时间},P_{美国东部时间},z,T,米,R,问状态向量,状态向量的协方差,观察向量,状态转换矩阵,观测矩阵,测量噪声的协方差矩阵,分别和过程噪声协方差。在这里,和完全参数化后验分布,这是一个改进的估计系统的状态向量X_{美国东部时间}其协方差P_{美国东部时间}。

4.5。平均轮廓法

平均轮廓是一种定义集群的数量,通过测量聚类的质量。换句话说,它决定了每个数据点位于集群。轮廓范围从−1 + 1,高价值是指良好的聚类。平均轮廓系数越高(接近1比0),更高的集群的数据点(24]。如果一个_我平均之间的不同吗我^th数据点和集群中的所有其他点平均距离吗我^th点对点另一个集群k,然后的轮廓系数我^th数据点是25]

平均轮廓的步骤如下:(1)执行聚类算法,如k - means或模糊c均值为不同的值k(2)计算每个观测的平均轮廓k(3)考虑适当数量的集群基于最大的位置

5。实验研究和结果

实验使用酒精度数据集执行。我们的目标集中在改善超宽频的准确性室内定位系统使用机器学习的方法。相比精度作为性能指标的聚类方法。精度指标与实际位置之间的距离和测量位置对于一个给定的点。欧氏距离计算使用的距离方程: 在哪里 是真正的坐标位置和 是测量的坐标位置。酒精度数据集有180个测试点位置,和每个测试点都有150个样本。数据集随机划分为训练数据和测试数据的训练数据集包括样本的70%,有30%的样本和测试数据集。该系统显示在图4。

5.1。独立的聚类实现

该系统适用于k - means, FCM,均值漂移算法。平均轮廓方法来定义最优数量的集群在k - means和FCM算法为每个测试点通过改变k(集群)的数量从2到6集群。为每一个k,平均轮廓系数计算使用方程(6)。然后,集群的数量选择最高的平均轮廓系数,为训练集和测试集数据5和6显示的最大平均轮廓系数k - means和FCM的训练集,分别。数据7和8显示的最大平均轮廓系数k - means和FCM的测试集,分别。

图9(一个)显示的最优分布测量超宽频测试点(180点)/集群应用聚类算法对训练集时。在设置的集群获得所有实现的算法对训练集,结果集群之一是选为代表根据其距离真正的位置 使用方程(7)。然后,选择的集群的中心 计算。在这一步中,每个测试点的选择集群中心给出训练集,这是协调相关的,因为有180个代表真正的位置的坐标。

当涉及到测试集,平均轮廓方法还用于定义最优数量的集群为k - means和FCM算法。测试集的最优分布在集群如图9 (b)。结果集群之一是基于其距离选为代表 为每个测试点。为了确定哪些 值属于测试点的测试集,平均为每一个测试点 在训练集和测试集的计算。然后,测试点的平均值 在测试组测试点最近的距离 在训练集。它使用相应的 价值选择委托集群。

训练集的平均定位误差的比较如图10 (),而平均位置误差测试集的比较如图10 (b)。

5.2。集群与卡尔曼滤波器实现

获得一个更好的优化结果,提高聚类算法的准确性,在第二个模拟,应用卡尔曼滤波对酒精度的数据集。

过滤噪声信号是重要的因为很多传感器直接输出太嘈杂的使用;利用卡尔曼滤波器让你考虑的不确定性信号/状态。

重复相同的模拟,而是使用行UWB-measured测试点,现在卡尔曼过滤超宽频测试点作为输入使用。

数据11和12显示的最大平均轮廓系数应用卡尔曼滤波器时k - means和FCM算法的训练集,分别。最大平均轮廓系数应用卡尔曼滤波器时测试设置如图13k - means算法和数字14的FCM算法。

测试点的分布在集群应用卡尔曼滤波后的训练集和测试集的数据所示(15日)和15 (b),分别。应用卡尔曼滤波后的平均误差比较测试如图16。

如图16,结果明显改善,k - means算法优于FCM和均值漂移算法。

6。讨论

本研究的主要目的是探讨使用不同的聚类算法来提高超宽频室内定位系统的准确性,检查每一个算法的性能。应用k - means算法时获得的最高精度。因此,建议应用k - means算法在相关研究的基础上,获得的结果。使用k - means聚类算法的局限性之一是初始化集群的数量,所以很难预测k价值。能够克服这个缺点通过实现平均轮廓法定义集群的数量作为k - means算法的输入。

次要目的是介绍使用的卡尔曼滤波精度的影响。因此,原始的超宽频数据集被用来喂养卡尔曼滤波器。然后,Kalman-filtered超宽频数据集作为聚类算法的输入。通过与k - means结合卡尔曼滤波,获得尽可能高的精度。实现卡尔曼滤波器时应高度考虑提高室内定位系统的准确性。时还应该考虑成本因素结合卡尔曼滤波和任何聚类算法,特别是计算时间的因素。

7所示。结论

本文三个聚类算法的精度相比,使用数据集酒精度。作为一个结论,它可以推断,k - means算法优于其他方法,精度最高的测试集(14.0864厘米),尤其是当平均轮廓法用于确定最优数量的集群。然而,均值漂移算法精度最低(14.4748厘米),当它与k - means和FCM算法相比,尽管它的优势。均值漂移算法的主要优势源于非参数核密度估计的性质(KDE);和用户只需要设置一个参数,带宽。这通常是更方便不必选择明确的群集的数量或使用其他方法来定义集群的数量平均轮廓或肘部等方法。

FCM算法有一个14.2743厘米的准确性,这是非常接近从k - means算法获得的结果。然而,FCM算法的运行速度往往与k - means时因为在流程完成更多的工作,每个数据点评估每个集群;每个评估,更多的操作。FCM需要做一个完整的inverse-distance权重,而k - means只需要做一个距离计算。因此,k - means更简单,计算速度快。

在[26应用),测量的RSSI值作为模糊系统的输入,和基值模糊系统的输出调整隶属度函数通过使用遗传算法来减少定位误差。位置的误差也会减少约57%,和65%相比,质心定位法和APIT(三角形)近似点算法。在我们的论文中,超宽频测量值作为系统的输入。集群的数量为每个测试点选择在k - means算法和FCM算法是基于轮廓系数的值来确定每个对象位于集群。作为实现卡尔曼滤波的优点,精度显著提高,平均定位误差减少31.05%的测试集。

最后,Kalman-filtered超宽频应用数据作为输入的训练集和测试集的聚类算法。最好的结果是得到的k - means算法的平均误差减少43.26%(从16.3442厘米到9.2745厘米)。因为它可以清楚地观察到考虑卡尔曼滤波器对原始数据的影响,噪声和干扰的影响可以从信号中删除。然后,如果过滤数据可以考虑聚类方法,它将更有效和更准确。基于聚类算法的结果,可以得出结论,k - means是最合适的一个室内定位系统由于其简单、快速的计算,尤其是它的精度高。推荐的k - means算法考虑的另一个特点是,它可以扩展到大型数据集。高级版本的k - means未来的研究应该考虑选择更好的初始质心值。自k - means自然梯度下降法,该算法对初始位置高度敏感的集群中心。

数据可用性

原始数据用来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由个人研究项目(BAP)赠款收到Kadir也有大学(格兰特号码:2017 - BAP - 09)。

引用

1. w·雪,x,李问:w·邱和彭x,“改进的聚类算法基于资讯的邻近参考点的室内定位,”学报2018年无处不在的定位、室内导航和基于位置的服务(UPINLBS),页1 - 4,武汉,中国,2018年3月。视图:出版商的网站|谷歌学术搜索
2. r·f·Brena j.p. Garcia-Vazquez, c, e . Galvan-Tejada d . Munoz-Rodriguez c . Vargas-Rosales和j·Fangmeyer Jr .)“进化的室内定位技术:一项调查,”杂志上的传感器卷,2017篇文章ID 2630413, 21页,2017。视图:出版商的网站|谷歌学术搜索
3. b·g·李,李y s . w . y .涌,“3 d导航实时RSSI-based室内跟踪应用程序,”JUCT:无处不在的融合技术杂志》上,卷2,不。2、67 - 77年,2008页。视图:谷歌学术搜索
4. 周任,f, A·拉赫曼n .赵、杨x, x Wang”室内定位的研究基于超宽频基站配置,”学报2017年IEEE 2先进的信息技术、电子和自动化控制会议(IAEAC)重庆,页1939 - 1943年,中国,2017年3月。视图:出版商的网站|谷歌学术搜索
5. 大学李”,基于加权平均的AOA参数估计LR-UWB无线定位系统,”IEICE交易通讯,E94-B卷,不。12日,第3602 - 3599页,2011年。视图:出版商的网站|谷歌学术搜索
6. k . Pahlavan p•a . Beneat,“宽带无线电传播建模为室内定位应用程序。”IEEE通讯杂志,36卷,不。4,60 - 65、1998页。视图:出版商的网站|谷歌学术搜索
7. a . Alarifi a . Al-Salman m . Alsaleh et al .,“超宽带室内定位技术:分析和最新进展,”传感器,16卷,不。5,707页,2016。视图:出版商的网站|谷歌学术搜索
8. 诉Dizdarevic t . Gigl g·j·詹森,k . Witrisal和z . Irahhauten”分析的超宽频室内定位系统基于接收信号强度,”学报》2007年第四届研讨会上定位、导航和通信,页97 - 101,汉诺威,德国,2007年3月。视图:出版商的网站|谷歌学术搜索
9. s . Gezici z之田,g . b . Giannakis et al .,“本地化通过超宽带无线电:一看未来传感器网络定位方面,“IEEE信号处理杂志,22卷,不。4、70 - 84年,2005页。视图:出版商的网站|谷歌学术搜索
10. t . Dag和t . Arsan基于接收信号强度的最小二乘算法lateration室内定位,“计算机与电气工程卷,66年,第126 - 114页,2018年。视图:出版商的网站|谷歌学术搜索
11. t . Arsan和o . Kepez早期步骤自动化行为映射通过室内传感器,”传感器,17卷,不。12,2925页,2017。视图:出版商的网站|谷歌学术搜索
12. g . Schroeer“实时超宽频多通道工业场景,室内定位系统”学报》国际会议室内定位和室内导航(IPIN)法国南特,页1 - 5,2018年9月。视图:出版商的网站|谷歌学术搜索
13. h . Perakis诉Gikas,“距离误差校正模型评价室内超宽频定位应用,”《2018国际会议室内定位和室内导航(IPIN)南特,页206 - 212年,法国,2018年9月。视图:出版商的网站|谷歌学术搜索
14. 郑胜耀李和w·c·杨”,非相干性的超宽频直接混乱的室内定位系统使用模糊逻辑算法”学报》第九届国际会议上先进的通信技术,3卷,第2025 - 2021页,冈本神户,日本,2007年2月。视图:出版商的网站|谷歌学术搜索
15. x, s . a .沙任a . et al .,“漫步在s波段遥感模式,”IEEE生物医学和卫生信息学杂志》上,22卷,不。6,1863 - 1870年,2018页。视图:出版商的网站|谷歌学术搜索
16. x, s . a .沙任a . et al .,“冻结步态检测考虑漏波电缆。”IEEE天线和传播,卷67,不。1,第561 - 554页,2019。视图:出版商的网站|谷歌学术搜索
17. x, d .粉丝,a . Ren n .赵和m·阿拉姆”在c波段5 g以用户为中心建设传感,”IEEE工业信息,15卷,不。5,3040 - 3047年,2019页。视图:出版商的网站|谷歌学术搜索
18. j.y.李和r . a . Scholtz”包括在密集多径环境中使用一个超宽频无线链接,”IEEE在选定地区通讯》杂志上,20卷,不。9日,第1683 - 1677页,2002年。视图:出版商的网站|谷歌学术搜索
19. n . a . Alsindi b Alavi, k . Pahlavan”测量和建模的超宽频TOA-based等在室内多径环境中,“IEEE车辆技术,卷。58岁的没有。3、1046 - 1058年,2009页。视图:出版商的网站|谷歌学术搜索
20. s•马哈福兹,f . Mourad-Chehade p . Honeine j .法拉和h . Snoussi”目标跟踪使用机器学习和卡尔曼滤波器在无线传感器网络中,“IEEE传感器杂志,14卷,不。10日,3715 - 3725年,2014页。视图:出版商的网站|谷歌学术搜索
21. 吴y中,f, j·张,侗族,“无线室内定位基于k - means,”《2016年国际会议上音频,语言和图像处理(ICALIP),第667 - 663页,上海,中国,2016年4月。视图:出版商的网站|谷歌学术搜索
22. a . Bekkali h .桑丘,m .松本,“基于概率RFID射频识别室内定位地图和卡尔曼滤波,”诉讼第三IEEE无线和移动计算国际会议上,网络和通信(WiMob 2007)美国纽约,21页,怀特普莱恩斯,2007年10月。视图:出版商的网站|谷歌学术搜索
23. d . j . Suroso p . Cherntanomwong p . Sooraksa和j .高田”位置指纹法采用模糊c均值聚类算法对于室内定位,”学报》2011 - 2011年TENCON IEEE 10地区会议,页88 - 92,巴厘岛,印度尼西亚,2011年11月。视图:出版商的网站|谷歌学术搜索
24. m . Yesilbudak”使用k - means聚类分析的多维风速数据的方法,”学报2016年IEEE国际可再生能源会议上研究和应用程序(ICRERA)英国伯明翰,页961 - 965,,2016年11月。视图:出版商的网站|谷歌学术搜索
25. n Paivinen和t . Gronfors”,找到最优的集群人工数据集”学报2006年IEEE国际会议上计算控制论,页1 - 6,布达佩斯,匈牙利,2006年8月。视图:出版商的网站|谷歌学术搜索
26. t . Tuncer“智能质心定位基于模糊逻辑、遗传算法”国际期刊的计算智能系统,10卷,不。1,第1065 - 1056页,2017。视图:出版商的网站|谷歌学术搜索
27. Decawave,MDEK1001设备用户手册DWM1001模块开发和评估工具,2017,https://www.decawave.com/wp-content/uploads/2019/01/MDEK1001_System_User_Manual-1.1.pdf。
28. b . s . Shedthi, s·谢蒂和m . Siddappa“k - means和模糊c均值算法的实现和比较农业数据,”《2017年国际会议上的通信和计算技术(ICICCT)哥印拜陀,页105 - 108年,印度,2017年3月。视图:出版商的网站|谷歌学术搜索
29. Naik a、s . c . Satapathy和k . Parvathi“改进的初始聚类中心c使用基于教学学习的优化,“Procedia技术》第六卷,第435 - 428页,2012年。视图:出版商的网站|谷歌学术搜索
30. m·A。Carreira-Perpinan,对均值漂移聚类算法,2015,https://arxiv.org/abs/1503.00687。
31. 问:郭、x Chang和h·楚,“基于均值聚类分析的转变,”《2007年国际会议上机电一体化和自动化哈尔滨,页309 - 313年,中国,2007年8月。视图:出版商的网站|谷歌学术搜索
32. k问:李,r . Li霁,w•戴“卡尔曼滤波及其应用”学报》2015年第八届国际智能网络和智能会议系统(ICINIS)天津,页74 - 77年,中国,2015年11月。视图:谷歌学术搜索
33. r·e·卡尔曼“线性滤波和预测问题的新方法,”《基础工程,卷82,不。1、35 - 45,1960页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019谭Arsan和穆罕默德Muwafaq这Hameez。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。