简介:在室内定位中,针对移动标签的精确定位过程中所存在的定位精度低、非视距(non-line-of-sight,NLOS)现象与多径传播等问题,提出一种基于超宽带(Ultra-wideband,UWB)的线段近似双曲线定位算法,将二次双曲线方程转换为线性方程,结合到达时间差(Timedifferenceofarrival,TDOA)定位算法与三角形质心定位算法原理,可以实现高精度定位.经MATLAB仿真验证,该算法中的三线段近似双曲线的近似定位算法的平均距离误差是60.74cm,三加四线段近似双曲线的近似定位算法的平均距离误差是31.34cm,五线段近似双曲线的近似定位算法的平均距离误差是14.08cm.与迄今为止公布的文献相比,证明了该算法定位精度较高,在保证定位精度的同时,Chan算法运行一个周期所用时间为13.580s,线段近似双曲线算法运行一个周期所用时间最大为8.985s,算法复杂度大大的下降.
简介:软件的图形用户界面(GUI)的视觉设计影响着用户的使用体验.在没有既定标准的情况下,测试人员对GUI评分的主观性和大量的重复性工作,会造成GUI测试的评分偏差和效率低下.针对上述问题,本研究工作构建了基于云平台的软件GUI自动测试系统,分别使用HOG+SVM模型和AlexNet模型对GUI图像进行特征提取并分类.考虑到软件GUI数据样本量小,提出利用迁移学习策略改善AlexNet网络的性能.针对用户的多样性和算法对计算性能的需求,GUI自动测试系统部署在云平台上,用户可以对软件GUI进行实时评估.实验证明,系统用于GUI自动测试具有良好的性能,并且可以避免主观因素的影响以及减轻软件测试员的工作量.
简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.