为提高非视距场景下超宽带(ultra‑wideband,UWB)定位精度,本文提出一种基于误差因子的改进加权最小二乘(weighted least square,WLS)算法.该算法利用测距值和实时信道冲激响应特征训练1维卷积神经网络,实现误差因子的准确预测;基于预测...为提高非视距场景下超宽带(ultra‑wideband,UWB)定位精度,本文提出一种基于误差因子的改进加权最小二乘(weighted least square,WLS)算法.该算法利用测距值和实时信道冲激响应特征训练1维卷积神经网络,实现误差因子的准确预测;基于预测得到的误差因子设计改进WLS算法的加权矩阵,赋予不同基站合理的权重,以改善非视距场景下UWB定位性能.通过实测采集静态和动态定位数据对改进WLS算法进行性能验证.实验结果表明:视距场景下,改进WLS算法与最小二乘(least square,LS)算法、WLS算法定位性能相近;非视距场景下,改进WLS算法明显优于LS算法、WLS算法,能够有效抑制非视距误差.展开更多
文摘[目的/意义]茶多酚是衡量茶叶品质的关键指标,实现茶鲜叶茶多酚含量快速无损检测对于保障茶叶品质至关重要。同时,实现不同茶叶品种和叶位的快速识别,能够有效指导茶叶生产。[方法]本研究联用可见/短波近红外光谱(400~1050 nm)与长波近红外光谱(1051~1650 nm)技术研制一台茶鲜叶品质成分快速无损检测装置,采用多源数据融合(数据级和特征级融合)和机器学习算法,构建了不同茶叶品种、叶位和茶多酚含量快速检测模型。[结果与讨论]实验结果表明,不同茶树品种或不同叶位的茶多酚含量存在显著差异。相较于单一数据源,基于数据融合所建立的模型能有效提高预测性能,其中经过Savitzky-Golay卷积平滑预处理后结合特征级融合方法建立的偏最小二乘法判别分析模型(Partial Least Squares Discriminant Analysis,PLS-DA)对3个茶树品种和4个叶位识别的预测集准确率分别达到100%和87.93%。此外,基于数据级融合的一维卷积神经网络模型(One-Dimensional Convolutional Neural Network,1D-CNN)对茶鲜叶茶多酚含量的预测决定系数(Predicted Coefficient of Determination,R^(2)_(P))、预测均方根误差(Root Mean Square Error of Prediction,RMSEP)和残差预测偏差(Residual Predictive Deviation,RPD)分别为0.8020、0.6368%和2.2684,优于仅采用可见/短波近红外光谱和长波近红外光谱。[结论]该检测装置能够实现茶鲜叶茶多酚含量的快速检测,也能有效识别茶叶品种和叶位,为多源数据融合技术应用于指导茶叶生产加工提供新思路。
文摘为提高非视距场景下超宽带(ultra‑wideband,UWB)定位精度,本文提出一种基于误差因子的改进加权最小二乘(weighted least square,WLS)算法.该算法利用测距值和实时信道冲激响应特征训练1维卷积神经网络,实现误差因子的准确预测;基于预测得到的误差因子设计改进WLS算法的加权矩阵,赋予不同基站合理的权重,以改善非视距场景下UWB定位性能.通过实测采集静态和动态定位数据对改进WLS算法进行性能验证.实验结果表明:视距场景下,改进WLS算法与最小二乘(least square,LS)算法、WLS算法定位性能相近;非视距场景下,改进WLS算法明显优于LS算法、WLS算法,能够有效抑制非视距误差.
