射频识别技术(radio frequency identification,RFID)以其非接触、非视距、低成本及高精度等优点成为室内定位技术的研究热点.为了加强信号稳定性并提高实时性,该文用流水线方式接收到的包信息作为定位信号参数,针对室内环境对信号传播...射频识别技术(radio frequency identification,RFID)以其非接触、非视距、低成本及高精度等优点成为室内定位技术的研究热点.为了加强信号稳定性并提高实时性,该文用流水线方式接收到的包信息作为定位信号参数,针对室内环境对信号传播影响的复杂性,提出了流水线型局部加权回归定位算法,将室内环境对信号传播到各位置的影响融合进算法,以实现精确定位.实验表明,对于室内定位,所提出的基于RFID技术的流水线型局部加权回归定位算法相对于经典的LANDMARK算法和VIRE算法,定位精度分别提高56.56%和36.73%.在多目标的情况下,也可以实现实时精确的定位跟踪,具有良好的实用价值和应用前景.展开更多
最大均值差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)作为一种基于最大均值差异(MaximumMean Discrepancy,MMD)度量的特征提取方法被成功地运用.然而通过分析得知,该方法在处理原始输入空间上的特征提取问题时一定程度上缺乏适...最大均值差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)作为一种基于最大均值差异(MaximumMean Discrepancy,MMD)度量的特征提取方法被成功地运用.然而通过分析得知,该方法在处理原始输入空间上的特征提取问题时一定程度上缺乏适应性.因此本文在MMD准则的基础上,并结合已经被广泛研究和探讨的局部学习方法,提出一个新的评价度量:最大局部加权均值差异(Maximum LocalWeightedMean Discrepancy,MLMD),该度量反映源域和目标域分布差异时能充分考虑两个区域内在的局部结构,同时还能通过局部分布差异去反映全局分布差异.本文还在此度量的基础上提出一种能实现迁移学习任务并具有一定局部学习能力的特征提取方法:最大局部加权均值差异嵌入(Maximum Local WeightedMean Discrepancy Embedding,MWME).该方法不但能完成传统意义上的特征提取,同时还能完成在两个分布存在差异但相关的两个区域上实现领域适应学习,从而表明该特征提取方法具有较好的鲁棒性和适应性.实验证明MLMD准则和MWME方法具有上述优势.展开更多
全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全...全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。展开更多
文摘射频识别技术(radio frequency identification,RFID)以其非接触、非视距、低成本及高精度等优点成为室内定位技术的研究热点.为了加强信号稳定性并提高实时性,该文用流水线方式接收到的包信息作为定位信号参数,针对室内环境对信号传播影响的复杂性,提出了流水线型局部加权回归定位算法,将室内环境对信号传播到各位置的影响融合进算法,以实现精确定位.实验表明,对于室内定位,所提出的基于RFID技术的流水线型局部加权回归定位算法相对于经典的LANDMARK算法和VIRE算法,定位精度分别提高56.56%和36.73%.在多目标的情况下,也可以实现实时精确的定位跟踪,具有良好的实用价值和应用前景.
文摘全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。
