公开(公告)号：CN107423762A

公开(公告)日：2017-12-01

申请号：CN201710617715.5

申请日：2017-07-26

Applicant: 江南大学

Inventor： 卢先领 ,  朱顺涛

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N99/00

CPC classification number: G06K9/6259 ,  G06N3/0472 ,  G06N3/08 ,  G06N99/005

Abstract: 本发明提供一种基于流形正则化的半监督指纹定位算法，包括以下步骤：步骤一：从实际环境中取得带标签训练数据和无标签训练数据，共同作为半监督学习的训练数据集；步骤二：在带标签和无标签训练数据的输入空间建立图拉普拉斯算子；步骤三：引入高斯核函数来计算邻接图权重矩阵；步骤四：将流形正则化框架与随机特征映射的极限学习机相结合，求解隐含层输出权值矩阵，构建位置估计模型。本发明将流形正则化框架与极限学习机相结合，充分利用容易获得的无标签训练数据，降低定位成本。

公开(公告)号：CN106482738A

公开(公告)日：2017-03-08

申请号：CN201610983146.1

申请日：2016-11-09

Applicant: 江南大学

Inventor： 卢先领 ,  朱顺涛

IPC: G01C21/20

CPC classification number: G01C21/206

Abstract: 本发明涉及一种基于在线增量超限学习机的室内指纹定位算法，解决了传统室内定位算法定位精度低、自适应性差的问题。在线增量超限学习机是在超限学习机的基础上进行改进，主要包括增量学习和在线学习两方面，其特征为隐含层节点增量添加至定位模型中，为每个隐含层节点选取最优的参数，构建一个紧凑的位置估计模型，并且充分利用最新的位置指纹信息来进行在线学习，对训练好的模型进行动态调整。本发明使得算法对于环境的动态变化有自适应能力，同时有效地提高了定位精度。

公开(公告)号：CN107423547A

公开(公告)日：2017-12-01

申请号：CN201710255375.6

申请日：2017-04-19

Applicant: 江南大学

Inventor： 卢先领 ,  朱顺涛

IPC: G06F19/00 ,  G06N99/00

CPC classification number: G06F19/00

Abstract: 本发明提供一种基于半监督超限学习机的增量式定位算法（Incremental Semi-supervised Extreme Learning Machine，IS-ELM）。本发明主要包括基于半监督超限学习机来建立非线性位置估计模型，降低离线阶段采集带标签训练数据的成本；然后利用分块矩阵的运算法则，使得增量训练数据能够对模型参数进行动态调整，提高定位模型的实时性和对动态环境的适应性；最后为新增训练数据分配合适惩罚权重，使模型具有时效机制。