基于粒子群优化在线顺序极限学习机动态环境室内定位算法

动态环境室内定位容易受到人员随机行动、障碍物等环境的干扰，信号强度的时变性、数据采集的不稳定性对定位算法产生很大的影响。针对该问题，本文提出了一种基于粒子群优化在线顺序极限学习机算法（Particle swarm optimization online sequential extreme learning machine，PSO-OS-ELM）。该算法继承了在线顺序极限学习机（Online sequential extreme learning machine，OS-ELM）算法的数据采集成本低、适应环境变化快、收敛速度较快且定位精度较高等特性，同时又利用粒子群优化（Particle swarm optimization，PSO）解决OS-ELM算法中奇异值问题和鲁棒性问题。在3种不同环境下采集数据，将PSO-OS-ELM算法、OS-ELM算法和WKNN算法进行实验对比。实验结果表明：在动态变化的室内环境中，PSO-OS-ELM算法定位误差较小且鲁棒性增强，优于其他算法；平均定位误差相较于其他算法减少了约15%；算法耗时性相较于传统定位算法加权K近邻算法（Weighted K-nearest neighbor，WKNN）算法减少了约55%。