煤矿井下动态环境下的改进OSELM定位算法
Bulletin of Surveying and Mapping（2023）
摘要
在复杂多变的煤矿井下环境及时并准确地获取井下作业人员位置非常重要,井下通信环境高动态变化导致模型定位精度降低.本文将在线顺序极限学习机(OSELM)算法用于井下定位,与批量式定位算法GA-BP和ELM相比,OSELM算法能更有效地维持原模型定位精度.但OSELM算法存在病态矩阵求逆和平等对待所有新增数据的不足,导致该算法的稳定性和对动态环境的适应能力较差.本文在OSELM算法的基础上分别提出正则化OSELM算法、遗忘因子OSELM算法,以及融合正则化技术和遗忘因子机制的OSELM算法.试验表明,试验环境变化后,OSELM算法的定位精度比GA-BP和ELM算法的定位精度分别高1.4282和1.1622 m;在3 m误差距离范围内,所提正则化和遗忘因子的OSELM算法的定位精度均比OSELM算法高,融合两种机制的OSELM算法的定位准确率最高,比OSELM算法高5％左右.OSELM及其改进算法均能有效提高模型定位精度.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要