基于WiFi和蓝牙信号融合的楼宇资产定位系统设计与实现
这是一篇关于楼宇资产定位管理,WiFi和蓝牙融合定位,嵌入式开发,广义回归神经网络,遗传算法的论文, 主要内容为随着数字化和信息化的发展,基于位置的服务需求呈现出大幅增长的趋势。室内是人们停留最多的场合,各类资产的存放也主要位于室内环境中,传统的资产定位管理方法存在信息记录遗漏、过程繁琐、信息滞后等缺点,尤其是学校、公司、医院、车站、机场等场景,具有资产种类数量多、房间楼层多、人员与资产流动频繁的特点。室内定位技术为资产定位创造了条件,如果将每个资产的位置实时记录,将有助于提高楼宇资产定位管理的智能化、信息化、数字化和便捷化。目前已有利用电子标签进行资产定位的探索和应用,但是大多针对局部范围进行资产定位,定位效果欠佳。为了提升楼宇资产定位的速度和精度,本文提出了基于WiFi和蓝牙的融合定位方法,采用粗定位和精定位两步实现资产定位。粗定位采用蓝牙RSSI测距定位算法实现,确定出资产所在的楼层和重点子区域;精定位采用WiFi和蓝牙融合的指纹进行位置指纹法定位,待定位指纹只与重点子区域的定位指纹进行匹配,从而降低了定位耗时,提升了定位精度。完成了硬件和软件定位平台的设计搭建,实现了楼宇资产的精确定位,主要工作内容如下:1.介绍了基于WiFi和蓝牙的室内定位算法,阐述了不同定位算法的原理和问题,分析各方法用于资产定位的可行性,综合考虑硬件成本与定位精度,确定采用基于RSSI测距定位法和位置指纹定位法相融合的方法,用于楼宇资产的定位。2.根据位置指纹法和基于RSSI测距定位算法的特点,设计了楼宇资产定位系统的总体方案。完成了硬件设备选型、硬件搭建及嵌入式软件开发,包括信号采集设备、定位终端设备、蓝牙定位基站和服务器无线接收设备。硬件设备配合数据采集平台,实现了定位数据的采集。3.对定位算法进行设计和优化,资产定位分为粗定位和精定位两个过程。定位前先采用卡尔曼滤波对原始信号进行预处理,减小信号波动对定位精度的影响。粗定位采用基于蓝牙RSSI测距的定位法,设计资产楼层判断算法判断资产所在的楼层,设计基于置信度的定位基站选择方法确定每次用于粗定位的基站,目的是得到资产所在的楼层和重点子区域。精定位采用WiFi和蓝牙融合的指纹进行位置指纹法定位,在指纹库中筛选出重点子区域内的定位指纹数据,采用基于遗传算法优化的广义回归神经网络(GRNN)进行指纹匹配,确定出资产具体位置;在实际楼宇实验,融合指纹相比单一指纹效果更佳,定位平均绝对误差为82.93厘米,定位效果良好,适合用于楼宇资产定位。4.完成了楼宇资产定位平台的开发,平台基于Py Charm编程环境,采用Python语言,选择Py Qt5插件进行图形界面编辑,服务器端数据库采用关系型数据库MYSQL5.7。平台由定位服务和功能模块组成,定位服务实现了资产的位置更新和记录,功能模块实现了对楼宇内各资产的定位、查找、入库出库、历史位置查看等功能。
基于视觉的球形机器人建模与路径跟踪控制系统
这是一篇关于球形机器人,视觉反馈,广义回归神经网络,数据驱动建模,滑模控制的论文, 主要内容为球形机器人是一类将各种装置包含于球壳内部,实现滚动式自主移动的机器人,在生活娱乐、工业、军事和空间探索等领域具有独特优势和广泛应用前景。针对提升球形机器人的环境感知能力和控制性能的需求,本文设计并实现了一种视觉装置与球体分离的球形机器人,研究了其机械结构设计、运动性能、数据驱动式建模方法及路径跟踪控制系统。首先,设计了一种基于视觉反馈的球形机器人。采用视觉装置与球体独立设计的结构方式,无遮挡地获取外部环境信息;搭建了云台,通过磁力连接视觉装置,以提高球形机器人位姿运动参数的准确性;同时由三个互成120°分布的全向轮组成的驱动小车实现球体的全向运动。在详细阐述球形机器人机械结构设计后介绍了系统硬件及软件设计。然后,提出了一种基于广义回归神经网络(General Regression Neural Network,GRNN)的球形机器人建模方法。在对球形机器人进行运动性能分析的基础上,针对其具有非线性、多变量、强耦合、参数不确定等复杂特性导致难以建立精确模型的问题,本文将GRNN与改进的灰狼算法相结合,以数据驱动的方式建立球形机器人模型。仿真实验验证该建模方法的可行性和有效性。其次,设计了一种基于滑模控制(Sliding Mode Control,SMC)和GRNN监督控制的球形机器人路径跟踪系统。为了克服球形机器人易受扰动影响的问题,设计了球形机器人的SMC反馈控制器,通过GRNN前馈控制器产生教师信号对SMC的输出进行学习,形成球形机器人的前馈+反馈的位姿监督控制系统,实现球形机器人的稳定路径跟踪。仿真实验证明该控制策略能有效提高系统的路径跟踪精度和自适应能力。最后,搭建了球形机器人路径跟踪实验平台,完成了球形机器人路径跟踪实测实验,结果表明本文所设计球形机器人系统能有效跟踪设定路径。
基于WiFi和蓝牙信号融合的楼宇资产定位系统设计与实现
这是一篇关于楼宇资产定位管理,WiFi和蓝牙融合定位,嵌入式开发,广义回归神经网络,遗传算法的论文, 主要内容为随着数字化和信息化的发展,基于位置的服务需求呈现出大幅增长的趋势。室内是人们停留最多的场合,各类资产的存放也主要位于室内环境中,传统的资产定位管理方法存在信息记录遗漏、过程繁琐、信息滞后等缺点,尤其是学校、公司、医院、车站、机场等场景,具有资产种类数量多、房间楼层多、人员与资产流动频繁的特点。室内定位技术为资产定位创造了条件,如果将每个资产的位置实时记录,将有助于提高楼宇资产定位管理的智能化、信息化、数字化和便捷化。目前已有利用电子标签进行资产定位的探索和应用,但是大多针对局部范围进行资产定位,定位效果欠佳。为了提升楼宇资产定位的速度和精度,本文提出了基于WiFi和蓝牙的融合定位方法,采用粗定位和精定位两步实现资产定位。粗定位采用蓝牙RSSI测距定位算法实现,确定出资产所在的楼层和重点子区域;精定位采用WiFi和蓝牙融合的指纹进行位置指纹法定位,待定位指纹只与重点子区域的定位指纹进行匹配,从而降低了定位耗时,提升了定位精度。完成了硬件和软件定位平台的设计搭建,实现了楼宇资产的精确定位,主要工作内容如下:1.介绍了基于WiFi和蓝牙的室内定位算法,阐述了不同定位算法的原理和问题,分析各方法用于资产定位的可行性,综合考虑硬件成本与定位精度,确定采用基于RSSI测距定位法和位置指纹定位法相融合的方法,用于楼宇资产的定位。2.根据位置指纹法和基于RSSI测距定位算法的特点,设计了楼宇资产定位系统的总体方案。完成了硬件设备选型、硬件搭建及嵌入式软件开发,包括信号采集设备、定位终端设备、蓝牙定位基站和服务器无线接收设备。硬件设备配合数据采集平台,实现了定位数据的采集。3.对定位算法进行设计和优化,资产定位分为粗定位和精定位两个过程。定位前先采用卡尔曼滤波对原始信号进行预处理,减小信号波动对定位精度的影响。粗定位采用基于蓝牙RSSI测距的定位法,设计资产楼层判断算法判断资产所在的楼层,设计基于置信度的定位基站选择方法确定每次用于粗定位的基站,目的是得到资产所在的楼层和重点子区域。精定位采用WiFi和蓝牙融合的指纹进行位置指纹法定位,在指纹库中筛选出重点子区域内的定位指纹数据,采用基于遗传算法优化的广义回归神经网络(GRNN)进行指纹匹配,确定出资产具体位置;在实际楼宇实验,融合指纹相比单一指纹效果更佳,定位平均绝对误差为82.93厘米,定位效果良好,适合用于楼宇资产定位。4.完成了楼宇资产定位平台的开发,平台基于Py Charm编程环境,采用Python语言,选择Py Qt5插件进行图形界面编辑,服务器端数据库采用关系型数据库MYSQL5.7。平台由定位服务和功能模块组成,定位服务实现了资产的位置更新和记录,功能模块实现了对楼宇内各资产的定位、查找、入库出库、历史位置查看等功能。
基于WiFi和蓝牙信号融合的楼宇资产定位系统设计与实现
这是一篇关于楼宇资产定位管理,WiFi和蓝牙融合定位,嵌入式开发,广义回归神经网络,遗传算法的论文, 主要内容为随着数字化和信息化的发展,基于位置的服务需求呈现出大幅增长的趋势。室内是人们停留最多的场合,各类资产的存放也主要位于室内环境中,传统的资产定位管理方法存在信息记录遗漏、过程繁琐、信息滞后等缺点,尤其是学校、公司、医院、车站、机场等场景,具有资产种类数量多、房间楼层多、人员与资产流动频繁的特点。室内定位技术为资产定位创造了条件,如果将每个资产的位置实时记录,将有助于提高楼宇资产定位管理的智能化、信息化、数字化和便捷化。目前已有利用电子标签进行资产定位的探索和应用,但是大多针对局部范围进行资产定位,定位效果欠佳。为了提升楼宇资产定位的速度和精度,本文提出了基于WiFi和蓝牙的融合定位方法,采用粗定位和精定位两步实现资产定位。粗定位采用蓝牙RSSI测距定位算法实现,确定出资产所在的楼层和重点子区域;精定位采用WiFi和蓝牙融合的指纹进行位置指纹法定位,待定位指纹只与重点子区域的定位指纹进行匹配,从而降低了定位耗时,提升了定位精度。完成了硬件和软件定位平台的设计搭建,实现了楼宇资产的精确定位,主要工作内容如下:1.介绍了基于WiFi和蓝牙的室内定位算法,阐述了不同定位算法的原理和问题,分析各方法用于资产定位的可行性,综合考虑硬件成本与定位精度,确定采用基于RSSI测距定位法和位置指纹定位法相融合的方法,用于楼宇资产的定位。2.根据位置指纹法和基于RSSI测距定位算法的特点,设计了楼宇资产定位系统的总体方案。完成了硬件设备选型、硬件搭建及嵌入式软件开发,包括信号采集设备、定位终端设备、蓝牙定位基站和服务器无线接收设备。硬件设备配合数据采集平台,实现了定位数据的采集。3.对定位算法进行设计和优化,资产定位分为粗定位和精定位两个过程。定位前先采用卡尔曼滤波对原始信号进行预处理,减小信号波动对定位精度的影响。粗定位采用基于蓝牙RSSI测距的定位法,设计资产楼层判断算法判断资产所在的楼层,设计基于置信度的定位基站选择方法确定每次用于粗定位的基站,目的是得到资产所在的楼层和重点子区域。精定位采用WiFi和蓝牙融合的指纹进行位置指纹法定位,在指纹库中筛选出重点子区域内的定位指纹数据,采用基于遗传算法优化的广义回归神经网络(GRNN)进行指纹匹配,确定出资产具体位置;在实际楼宇实验,融合指纹相比单一指纹效果更佳,定位平均绝对误差为82.93厘米,定位效果良好,适合用于楼宇资产定位。4.完成了楼宇资产定位平台的开发,平台基于Py Charm编程环境,采用Python语言,选择Py Qt5插件进行图形界面编辑,服务器端数据库采用关系型数据库MYSQL5.7。平台由定位服务和功能模块组成,定位服务实现了资产的位置更新和记录,功能模块实现了对楼宇内各资产的定位、查找、入库出库、历史位置查看等功能。
基于多传感融合的步态检测系统的设计与实现
这是一篇关于多体征监测,步态检测系统,广义回归神经网络,足底压力标定,数据拟合的论文, 主要内容为糖尿病已成为全球第一大慢性病,截止2021年,全世界糖尿病人数多达5.37亿。糖尿病最常见的并发症是糖尿病足,该症病变会伴随着足底神经、肌肉等组织功能失常,且与足底各区域压力、温度以及血氧饱和度的异常存在密切联系。为了预防和治疗糖尿病足,本研究根据该病发病机理,将材质柔软,压阻线性关系优秀的柔性压力传感阵列,体积小巧、高精度的红外温度和血氧传感融合于一个系统。本文基于STM32单片机,通过对采样电路、硬件外设程序的创新改进和调试,研制了一款高采样率、精度高、稳定性强,且能同时采集人体足底压力、温度、血氧三种体征数据的足底多传感步态检测系统。针对曲线拟合常用的最小二乘法易受异常点干扰较大的不足,且在实际使用时采集到的数据还会受到工艺缺陷、硬件干扰及外界环境等因素的影响,本文利用最小二乘法和广义回归神经网络算法(GRNN)对柔性传感阵列的压-导关系进行拟合分析,通过几种误差指标衡量两种算法对传感器阵列压-导关系的拟合效果,从而得到最能提升足底压力采样精度的算法以及能应用于本系统的力-导的映射曲线。本文采用的足底多传感步态检测系统软件,将采集到的足底压力数据转化为压力云图的形式,实现了足底压力等信息的实时显示。本文利用GRNN对足底传感阵列数据进行拟合,有效地提高了压力数据精度,使得足底多传感系统的相对误差降至2.89%,更好地反应出检测者的足底压力分布,为糖尿病足病况分析提供可靠的测试平台和高精度环境。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/55104.html
