針對室內外場景結合的導航應用服務需求的發展以及現有室內外場景感知方法的識別穩定性較低、準確率不高問題,本文提出一種基于泛在信號融合的室內外場景魯棒感知算法,利用室內外場景中融合的泛在信號降低單一信號識別誤差;同時為提高傳統AdaBoost算法對不平衡數據集的分類精度,采用概率神經網絡(PNN)作為訓練的弱分類器,并引入熵權法,對迭代產生的弱分類器的權重進行修正來提高強分類器的分類準確率.現實場景下的實驗表明,本文算法在采用室內外環境中的WiFi信號、全球衛星導航系統(GNSS)可用星數、光照強度這三種融合的泛在信號進行室內外場景感知時性能最佳,對于不同角度方向下的室內外場景切換,可以在誤報率僅為1.7%的情況下,達到98%的識別準確率,驗證了本文所提算法的準確性和魯棒性.

【文章頁數】：9 頁

【部分圖文】：

圖1PNN模型

概率神經網絡(PNN)是一種基于貝葉斯最小風險準則的結構簡單且應用廣泛的神經網絡,學習速度快,分類能力強,容錯性好[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泛在信號融合的室內外場景魯棒感知算法

由于傳統的AdaBoost算法對數據分布不平衡數據集的分類精度較差,并且每次迭代的弱分類器所存在的偏差會影響下次迭代的弱分類器.因此,本文采用改進的AdaBoost+PNN模型對傳統的AdaBoost算法進行改進,改進的AdaBoost+PNN作為泛在信號融合的室內外場景魯棒感知....

圖4改進的AdaBoost+PNN模型

圖3泛在信號融合的室內外場景魯棒感知算法針對傳統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行學習訓練,利用PNN的分類能力強、容錯性好等優點來進一步提升迭代過程中單一弱分類器的分類準確率.

圖5試驗場地示意圖

為了對本文所提出改進AdaBoost+PNN模型進行訓練和測試,本文對實驗環境中的WiFi信號、GNSS信號、光照強度信號以及地磁信號進行大量采集,其中正樣本為室內樣本,負樣本為室外樣本,試驗場地示意圖如圖5所示.整個實驗區域大小為40m×8m,室內和室外實驗區域大小均為2....

本文編號：4003241