| 摘要:在室内定位场景中，传统指纹库定位方法存在着定位精度低、对环境变化适应能力差的问题，且当目标区域较大时，计算复杂度高。为解决该问题，提出了一种基于在线连续核极限学习机(Online Sequential Kernel Extreme Learning Machine, OS-KELM)的室内定位算法。离线阶段，为缩小待测点所属区域，减小定位数据计算量，使用皮尔森系数优化的K-Means聚类算法对定位区域进行划分，通过樽海鞘优化算法(Slap Swarm Algorithm, SSA)对核极限学习机的参数进行寻优从而构建各区域的初始定位模型；在线阶段，使用OS-KELM对已构建好的定位模型进行调整，将更新后的模型用于实时定位，以适应环境变化。实验结果表明:该算法能够实现更高的定位精度并针对环境变化做出调整，相比于其他传统算法，精度、自适应性得到显著提升。 |
| 关键词: 室内定位 分区 樽海鞘优化算法 核极限学习机 指纹库更新 |
|
|
|
|
| Abstract: |
| Key words: |