针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorit...针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorithm,GA)改进支持向量回归(Support Vector Regression,SVR)的室内可见光定位算法。首先,构建指纹库并划分数据集,计算接收器与光源之间的距离动态调整高斯函数的标准差,再结合RSSI信号的波动性进行自适应加权,以减少NLOS对定位的影响。然后,使用GA优化SVR模型的参数,得到最佳定位模型。最后,使用最佳定位模型对加权后的指纹数据进行定位预测。实验结果表明:本算法的平均定位误差为7.1 cm,相较于SVR、SVR-GA等算法降低了21.1%~42.3%,并且能有效降低NLOS的影响、提高室内定位的精度,具有较强的应用前景。展开更多
针对灰狼算法(grey wolf optimizer,GWO)在配电网节点数目较多的情况下进行故障定位时,存在容易陷入局部最优陷阱等缺点,提出一种基于改进狼群算法的配电网故障定位算法。通过引入天牛须算法和改进灰狼算法(beetle grey wolf optimizer,...针对灰狼算法(grey wolf optimizer,GWO)在配电网节点数目较多的情况下进行故障定位时,存在容易陷入局部最优陷阱等缺点,提出一种基于改进狼群算法的配电网故障定位算法。通过引入天牛须算法和改进灰狼算法(beetle grey wolf optimizer,BGWO),提高灰狼算法的性能,并以33节点的配电网为仿真算例验证。结果表明,该算法在定位分布式电源接入的配电网中的故障区段时具有高可靠性与高容错性。展开更多
文摘针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorithm,GA)改进支持向量回归(Support Vector Regression,SVR)的室内可见光定位算法。首先,构建指纹库并划分数据集,计算接收器与光源之间的距离动态调整高斯函数的标准差,再结合RSSI信号的波动性进行自适应加权,以减少NLOS对定位的影响。然后,使用GA优化SVR模型的参数,得到最佳定位模型。最后,使用最佳定位模型对加权后的指纹数据进行定位预测。实验结果表明:本算法的平均定位误差为7.1 cm,相较于SVR、SVR-GA等算法降低了21.1%~42.3%,并且能有效降低NLOS的影响、提高室内定位的精度,具有较强的应用前景。
文摘针对灰狼算法(grey wolf optimizer,GWO)在配电网节点数目较多的情况下进行故障定位时,存在容易陷入局部最优陷阱等缺点,提出一种基于改进狼群算法的配电网故障定位算法。通过引入天牛须算法和改进灰狼算法(beetle grey wolf optimizer,BGWO),提高灰狼算法的性能,并以33节点的配电网为仿真算例验证。结果表明,该算法在定位分布式电源接入的配电网中的故障区段时具有高可靠性与高容错性。
