• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于BLE的室內(nèi)指紋定位優(yōu)化技術(shù)

      2016-06-15 00:38:22陶佳峰楊曉洪王劍平
      安徽農(nóng)業(yè)科學(xué) 2016年8期
      關(guān)鍵詞:高斯

      陶佳峰, 楊曉洪, 王劍平, 張 果

      (昆明理工大學(xué)信息工程及自動(dòng)化學(xué)院,云南昆明 650500)

      ?

      基于BLE的室內(nèi)指紋定位優(yōu)化技術(shù)

      陶佳峰, 楊曉洪, 王劍平, 張 果

      (昆明理工大學(xué)信息工程及自動(dòng)化學(xué)院,云南昆明 650500)

      摘要針對(duì)RSSI的室內(nèi)定位技術(shù)的功耗高和精度低的問(wèn)題,采用藍(lán)牙4.0作為節(jié)點(diǎn),應(yīng)用具有低功耗、遠(yuǎn)距離和成本低等優(yōu)點(diǎn)的BLE技術(shù),通過(guò)在離線階段采用高斯-均值算法對(duì)指紋數(shù)據(jù)庫(kù)進(jìn)行優(yōu)化和在現(xiàn)階段改進(jìn)的跳變自適應(yīng)卡爾曼算法進(jìn)行數(shù)據(jù)濾波研究,并且通過(guò)藍(lán)牙4.0無(wú)線網(wǎng)絡(luò)系統(tǒng)進(jìn)行試驗(yàn)。結(jié)果表明,優(yōu)化后的指紋庫(kù)和自適應(yīng)卡爾曼定位算法,在復(fù)雜的環(huán)境中比傳統(tǒng)的定位算法更加穩(wěn)定和準(zhǔn)確。

      關(guān)鍵詞藍(lán)牙低功耗技術(shù); 高斯-均值濾波; 跳變自適應(yīng)卡爾曼濾波; 室內(nèi)指紋定位

      隨著移動(dòng)設(shè)備和無(wú)線局域網(wǎng)的普及,定位服務(wù)越來(lái)越成為人們生活中必不可少的功能。相比于目前已經(jīng)很成熟的戶外GPS地圖定位,室內(nèi)位置信息的獲取,特別是在場(chǎng)地復(fù)雜的公共場(chǎng)所比如大型超市、商場(chǎng)、機(jī)場(chǎng)、博物館等環(huán)境中,也成為日益需求的服務(wù),并且具有較為廣闊的應(yīng)用前景。藍(lán)牙低能耗(BLE)技術(shù)是低成本、長(zhǎng)距離、高速啟動(dòng)和互連、可互操作的魯棒性無(wú)線技術(shù)[1],這些特點(diǎn)對(duì)于室內(nèi)定位都是非常有利的,而且在最近幾年里,藍(lán)牙4.0模塊已廣泛應(yīng)用于手機(jī)及平板電腦中,對(duì)于室內(nèi)定位的推廣是很有利的。以上這些都保證了藍(lán)牙低功耗技術(shù)在室內(nèi)定位的實(shí)用性和可行性。

      由于在復(fù)雜室內(nèi)環(huán)境中,信道信號(hào)的的傳播容易受到多徑效應(yīng)、反射、散射等干擾,這也是給定位帶來(lái)較大誤差的主要因素。應(yīng)用典型的參數(shù)化室內(nèi)測(cè)距技術(shù)有基于信號(hào)到達(dá)角度模型(AOA)、基于接收信號(hào)強(qiáng)度指示模型(RSSI)[2]、基于信號(hào)到達(dá)時(shí)間模型(TOA)[3]、基于信號(hào)達(dá)到時(shí)間差模型(TODA)[4]等;但是由于室內(nèi)物體的遮擋會(huì)造成比較嚴(yán)重的多徑效應(yīng)干涉以及反射、散射等現(xiàn)象[5],信號(hào)到達(dá)角與 RSSI 值等信息不能精確地描述兩點(diǎn)之間的位置關(guān)系[6],故需要對(duì)RSSI信號(hào)值進(jìn)行濾波處理,才能達(dá)到理想的定位效果。

      由于基于RSSI的距離測(cè)量技術(shù)是一種新型低成本和低實(shí)現(xiàn)復(fù)雜度的距離測(cè)量技術(shù),并且在室內(nèi)定位領(lǐng)域有著廣泛的應(yīng)用,故該研究也提出基于RSSI的藍(lán)牙4.0指紋定位優(yōu)化技術(shù)。室內(nèi)指紋定位技術(shù)主要分為2個(gè)階段[7]:①離線階段,在所需要定位的區(qū)域內(nèi)預(yù)定坐標(biāo)點(diǎn),然后在每個(gè)坐標(biāo)點(diǎn)上采集每個(gè)信標(biāo)節(jié)點(diǎn)的RSSI值,存入到相應(yīng)坐標(biāo)點(diǎn)的數(shù)組中,最后建立RSSI指紋庫(kù);②在線階段,通過(guò)接收每個(gè)信標(biāo)節(jié)點(diǎn)的RSSI值,在線匹配指紋數(shù)據(jù)庫(kù)中的RSSI信息,實(shí)時(shí)顯示所處的坐標(biāo)位置。筆者分別對(duì)這2個(gè)階段進(jìn)行算法的改進(jìn),首先,離線階段指紋庫(kù)建立的準(zhǔn)確與否直接關(guān)系到在線定位的精度,故通過(guò)高斯-均值濾波算法對(duì)采集的信號(hào)數(shù)據(jù)進(jìn)行優(yōu)化處理,然后再存到指紋庫(kù)中;在在線定位階段,對(duì)采集的定位信息數(shù)據(jù)進(jìn)行跳變自適應(yīng)卡爾曼濾波算法處理,得到實(shí)時(shí)的信息數(shù)據(jù),然后采用K-加權(quán)最近鄰算法進(jìn)行實(shí)時(shí)定位,從而達(dá)到精度較高的室內(nèi)定位效果。

      1指紋庫(kù)數(shù)據(jù)優(yōu)化

      離線指紋庫(kù)建立的精確與否對(duì)在線定位的精度有著較大影響,所以建立一個(gè)較為準(zhǔn)確的指紋庫(kù)是提高定位精度的基礎(chǔ)。大量研究表明,采集的RSSI數(shù)據(jù)的隨機(jī)分布是近似符合高斯分布模型的。使用高斯濾波模型[8]可以比較好地?cái)M合RSSI在實(shí)際環(huán)境中的分布,從而消除那些小概率噪聲干擾,然后通過(guò)均值濾波,得到穩(wěn)定、平滑的RSSI值。具體濾波設(shè)計(jì)的過(guò)程:首先在數(shù)組中存儲(chǔ)采樣中的一組RSSI信號(hào)數(shù)據(jù),采集的RSSI數(shù)據(jù)量為m;然后利用公式求解所要擬合的高斯濾波模型的均值和方差,求出其密度函數(shù)f(RSSI)。公式如下:

      (1)

      (2)

      (3)

      式(2)根據(jù)均值μ和方差δ2確定RSSI的有效范圍,k為密度函數(shù)取值區(qū)間[k,1]的下限值,通過(guò)設(shè)置k的數(shù)值設(shè)置,可以得到采集數(shù)據(jù)保留的樣本數(shù)。如果k過(guò)大,則說(shuō)明保留的數(shù)據(jù)少,有可能會(huì)對(duì)RSSI數(shù)據(jù)的真實(shí)性造成破壞;若k過(guò)小,會(huì)提高保留的樣本數(shù),保證數(shù)據(jù)的真實(shí)性,但這樣對(duì)小概率事件濾波效果下降,所以k值的正確選取有助于提高計(jì)算速度和更好地排除突變的小概率數(shù)據(jù)。高斯濾波可以有效地濾除偏離真實(shí)值的數(shù)據(jù),但并不能消除數(shù)據(jù)的波動(dòng)。為了達(dá)到RSSI的樣本數(shù)據(jù)的平滑、穩(wěn)定的輸出,該研究采用均值算法繼續(xù)對(duì)樣本數(shù)據(jù)進(jìn)行處理。

      通過(guò)大量數(shù)據(jù)分析,選擇臨界值在0.6時(shí)效果最佳,具體公式如下:

      (4)

      式(4)對(duì)篩選后的RSSI求其均值,然后存入指紋庫(kù)中。

      2在線定位優(yōu)化算法

      2.1卡爾曼濾波算法由于室內(nèi)環(huán)境復(fù)雜,信號(hào)信道受到的干擾因素比較多,那么未知節(jié)點(diǎn)接收到的信號(hào)數(shù)據(jù)仍然會(huì)有很大的波動(dòng),對(duì)于定位將是很不利的??柭鼮V波器能有效去除數(shù)據(jù)中的突變數(shù)據(jù)和噪聲波動(dòng),實(shí)現(xiàn)值的準(zhǔn)確、平滑輸出??柭鼮V波算法分為預(yù)測(cè)和修正2個(gè)階段[9-10]。

      2.1.1時(shí)間更新(預(yù)測(cè)階段)。

      (1)計(jì)算先驗(yàn)狀態(tài)估計(jì)值:

      x(k|k-1)=F·x(k-1|k-1)+B·u(k)+w(k)

      (5)

      (2)計(jì)算先驗(yàn)狀態(tài)估計(jì)值的協(xié)方差:

      P(k|k-1)=F·P(k-1|k-1)·FT+Q

      (6)

      式(5)、(6)初始值分別為x(0)、P(0)。

      2.1.2測(cè)量更新(修正階段)。

      (1)計(jì)算加權(quán)矩陣(卡爾曼增益):

      Kg(k)=H·P(k|k-1)·HT+R

      (7)

      (2)對(duì)預(yù)測(cè)值進(jìn)行修正:

      x(k|k)=x(k|k-1)+Kg(k)·[Z(k)-H·x(k|k-1)]

      (8)

      (3)更新修正值的協(xié)方差:

      P(k|k)=[1-Kg(k)·H]·P(k|k-1)

      (9)

      式中,I為1的矩陣,對(duì)于單模型單測(cè)量時(shí),I=1。式(7)~(9)中,x(k)是k時(shí)刻的系統(tǒng)狀態(tài),u(k)是k時(shí)刻對(duì)系統(tǒng)的控制量,P(k|k-1)是x(k|k-1)對(duì)應(yīng)的協(xié)方差。F和B是系統(tǒng)參數(shù),對(duì)于多模型系統(tǒng),他們是矩陣。Z(k)是k時(shí)刻的測(cè)量值,H是測(cè)量系統(tǒng)的參數(shù),對(duì)于多測(cè)量系統(tǒng),H為矩陣。w(k)表示過(guò)程噪聲,被假設(shè)成高斯白噪聲,其協(xié)方差是Q,這里假設(shè)W(k)不隨系統(tǒng)狀態(tài)變化而變化。

      2.2卡爾曼濾波算法的優(yōu)化但是實(shí)時(shí)定位的過(guò)程中,在采集的RSSI值在小范圍波動(dòng)的時(shí)候,卡爾曼濾波算法可以比較好地及時(shí)跟蹤這些變化,調(diào)整RSSI的估計(jì)值,定位較為準(zhǔn)確,但是,當(dāng)未知節(jié)點(diǎn)移動(dòng)較大位置后,此濾波算法得到的估計(jì)值只能較為緩慢地接近真實(shí)值,表現(xiàn)的收斂速度是很慢的,這對(duì)RSSI的準(zhǔn)確估計(jì)是很不利的。

      由于卡爾曼濾波算法在RSSI信號(hào)跳變應(yīng)用中存在的不足,該研究提出了一種對(duì)RSSI信號(hào)出現(xiàn)跳變有自適應(yīng)能力的優(yōu)化卡爾曼濾波算法(簡(jiǎn)稱跳變自適應(yīng)卡爾曼濾波算法)。此算法能通過(guò)前幾次接收的RSSI觀測(cè)值快速的判斷出RSSI是否發(fā)生了跳變,如果發(fā)生了跳變,這時(shí)可以及時(shí)修改卡爾曼濾波的相關(guān)參數(shù),從而有效地降低此濾波算法對(duì)發(fā)生跳變前的狀態(tài)估計(jì)值的信任度,可以在消除室內(nèi)環(huán)境干擾的前提下,提高此算法對(duì)出現(xiàn)RSSI跳變情況后的再次收斂快速性,進(jìn)而使此算法在室內(nèi)復(fù)雜環(huán)境下的自適應(yīng)能力顯著增強(qiáng),提高采集的RSSI值的準(zhǔn)確度。

      跳變自適應(yīng)卡爾曼濾波算法是在卡爾曼濾波算法的基礎(chǔ)上,增加了RSSI跳變時(shí)候的判斷函數(shù),具體公式如下:

      (10)

      (11)

      (12)

      式(11)~(12)中,ψ(k)為從k(k≥α)時(shí)刻起前k次觀測(cè)值的迭代均值。Φ(k)為RSSI是否發(fā)生跳變的判定函數(shù),反映的是最近α次觀測(cè)值和估計(jì)值的均值近似程度。其中,α的值需要依據(jù)實(shí)際RSSI的波動(dòng)情況進(jìn)行具體設(shè)定(當(dāng)α的值過(guò)小時(shí),利用當(dāng)前觀測(cè)值進(jìn)行跳變判定時(shí)很容易受到突變現(xiàn)象的影響,從而將影響到躍變判定的準(zhǔn)確性;但當(dāng)α的值過(guò)大時(shí),就會(huì)對(duì)算法躍變判定的反應(yīng)靈敏度產(chǎn)生影響);P(k-1)是k-1時(shí)刻的誤差協(xié)方差,所以當(dāng)算法趨于收斂時(shí),P(k-1)的值會(huì)變得較小。由P(k-1)和β可以使算法在對(duì)連續(xù)發(fā)生的跳變進(jìn)行判定時(shí),有效地避開(kāi)上一次RSSI跳變處理造成的數(shù)據(jù)波動(dòng)的階段,使跳變判定過(guò)程在上一次的RSSI跳變處理趨于收斂后能夠再次生效,也就防止跳變判定過(guò)程進(jìn)入死循環(huán)中。其中γ是RSSI跳變判定的臨界值,當(dāng)Φ(k)>γ時(shí),則可認(rèn)為信號(hào)強(qiáng)度RSSI發(fā)生了跳變。 通過(guò)分析可知,γ若越小,則算法越容易在外界突變干擾的影響下出現(xiàn)跳變誤判,γ若越大,則可能使算法躍變判定的靈敏度下降,因此,γ的值需要根據(jù)所處的具體實(shí)驗(yàn)環(huán)境分析而定。

      跳變自適應(yīng)卡爾曼濾波算法是通過(guò)基礎(chǔ)式(5)~(9)和改進(jìn)式(10)~(12)來(lái)實(shí)現(xiàn),使卡爾曼濾波算法由實(shí)測(cè)、預(yù)測(cè)、校正的3步迭代方法,進(jìn)而擴(kuò)展為實(shí)際測(cè)量、跳變判定、預(yù)測(cè)、參數(shù)校正的4步迭代方法。此改進(jìn)算法的流程見(jiàn)圖1。

      圖1 跳變自適應(yīng)卡爾曼濾波算法流程Fig.1 Flow of hopping adaptive Kalman filter algorithm

      通過(guò)試驗(yàn)數(shù)據(jù)分析,得到較為滿意的濾波算法的參數(shù),參數(shù)設(shè)置為:R=0.3,Q=0.005;α=8,β=4,γ=0.5。故改進(jìn)后的對(duì)RSSI數(shù)據(jù)處理的效果見(jiàn)圖2。

      圖2 改進(jìn)后的對(duì)RSSI處理的效果Fig.2 Processing effect of RSSIT after improvement

      3K加權(quán)最近鄰定位算法

      基于RSSI的位置指紋定位算法主要包括:最近鄰法(Nearest Neighbor,NN)、K最近鄰法(K-Nearest Neighbor,KNN)、K加權(quán)最近鄰法(WKNN)等。目前采用較多的是K加權(quán)最近鄰法,此算法是在前兩個(gè)定位算法上進(jìn)行的改進(jìn),定位精度更好,所以本位也采用此算法進(jìn)行定位。

      當(dāng)移動(dòng)終端進(jìn)入定位區(qū)域后,會(huì)實(shí)時(shí)采集來(lái)自n個(gè)定位節(jié)點(diǎn)的RSSI信號(hào)強(qiáng)度值,設(shè)為Z=[Z1,Z2,…,Zn],選取指紋庫(kù)中一組指紋數(shù)據(jù),設(shè)為Xi=[S1i,S2i,…,SNi],通過(guò)對(duì)比實(shí)時(shí)信號(hào)的位置指紋Z和指紋庫(kù)中的X的距離,以此來(lái)計(jì)算未知節(jié)點(diǎn)和定位節(jié)點(diǎn)之間的歐式距離;然后將加權(quán)和作為待定位節(jié)點(diǎn)的最終目標(biāo),具體公式如下:

      L=arg mini∈[1,N]‖Z-Xi‖

      (13)

      (14)

      圖3 室內(nèi)指紋定位算法優(yōu)化過(guò)程Fig.3 Optimization process of indoor fingerprint positioning algorithm

      4仿真試驗(yàn)和數(shù)據(jù)分析

      此次試驗(yàn)的硬件系統(tǒng)選取有Ti公司的CC2541芯片集成的藍(lán)牙4.0低功耗模塊,選取1 m×6 m實(shí)驗(yàn)室作為試驗(yàn)區(qū)域。在離線指紋庫(kù)建立階段,選取兩個(gè)節(jié)點(diǎn)之間的距離為1 m,為了適合實(shí)驗(yàn)室的環(huán)境,選取總共40個(gè)指紋點(diǎn)。通過(guò)Matlab對(duì)改進(jìn)的定位優(yōu)化算法進(jìn)行仿真分析,結(jié)果表明,該研究采取的改進(jìn)算法的定位精度比傳統(tǒng)定位算法有顯著提高,下面對(duì)部分仿真結(jié)果進(jìn)行顯示和分析。此優(yōu)化算法的實(shí)時(shí)定位顯示見(jiàn)圖4。

      圖4 優(yōu)化算法定位實(shí)時(shí)顯示仿真結(jié)果Fig.4 Real-time display simulation results of the optimized algorithm location

      通過(guò)3組實(shí)驗(yàn)驗(yàn)證優(yōu)化算法的有效性,試驗(yàn)一只采用均值濾波建立離線庫(kù),然后采用K加權(quán)最近鄰進(jìn)行定位;試驗(yàn)二采用高斯-均值濾波建立指紋庫(kù),然后采用K加權(quán)最近鄰進(jìn)行定位;試驗(yàn)三也就是該研究采用的優(yōu)化算法,是在試驗(yàn)二的基礎(chǔ)上,增加了對(duì)在線采集的RSSI數(shù)據(jù)進(jìn)行跳變自適應(yīng)卡爾曼濾波,然后通過(guò)K加權(quán)最近鄰算法完成最終定位。3組試驗(yàn)定位結(jié)果對(duì)比分析見(jiàn)表1。

      表13組試驗(yàn)定位結(jié)果對(duì)比分析

      Table 1Comparative analysis of three groups of experimental positioning results

      試驗(yàn)組Testgroup最大誤差Maximumerror平均誤差Meanerror試驗(yàn)一Test12.722.23試驗(yàn)二Test22.141.71試驗(yàn)三Test31.421.15

      由表1可知,試驗(yàn)二定位精度比試驗(yàn)一有一定的提高,說(shuō)明指紋庫(kù)的優(yōu)化能有效地降低最終的定位誤差;試驗(yàn)三和試驗(yàn)二的對(duì)比結(jié)果顯示,通過(guò)對(duì)現(xiàn)在定位階段采集的RSSI數(shù)據(jù)的實(shí)施濾波處理,進(jìn)一步提高了實(shí)時(shí)定位的準(zhǔn)確度,驗(yàn)證了所提出的優(yōu)化技術(shù)的可行性和實(shí)用性。

      5結(jié)論

      該研究分析了基于低功耗藍(lán)牙4.0室內(nèi)無(wú)線傳感器網(wǎng)絡(luò)通過(guò)RSSI進(jìn)行指紋定位的性質(zhì)。針對(duì)RSSI信號(hào)在建立離線庫(kù)階段容易受到環(huán)境干擾,采用高斯-中值濾波對(duì)采集的數(shù)據(jù)進(jìn)行處理,然后在保存到指紋庫(kù)中,保證了指紋庫(kù)的真實(shí)性,為后面的實(shí)時(shí)定位提供良好的前提;為了使在線定位階段降低RSSI值受到的干擾,采用卡爾曼濾波算法進(jìn)行處理,但是隨著未知節(jié)點(diǎn)的移動(dòng),為了達(dá)到卡爾曼濾波算法的快速收斂,提出了改進(jìn)的跳變自適應(yīng)卡爾曼濾波算法,不僅提高了濾波收斂的快速性,而且保障了RSSI值的平穩(wěn)輸出,最后通過(guò)試驗(yàn)和Matlab仿真驗(yàn)證了室內(nèi)定位優(yōu)化算法的可行性。該研究還采用了低功耗藍(lán)牙技術(shù),通過(guò)藍(lán)牙4.0作為節(jié)點(diǎn)的高精度室內(nèi)指紋定位技術(shù)有廣闊的應(yīng)用前景。

      參考文獻(xiàn)

      [1] 李娟娟,張金藝,張秉煜,等.藍(lán)牙 4.0 標(biāo)準(zhǔn)規(guī)范下的模糊指紋定位算法[J].上海大學(xué)學(xué)報(bào) (自然科學(xué)版),2013,19(2):126-131.

      [2] GIROD L,BYCHKOVSKIY V,ELSON J,et al.Locating tiny sensors in time and space:A case study[C]//International Conference on Computer Design (ICCD 2002).Freiburg:IEEE Computer Society,2002: 214-219.

      [3] ALA V I B,PAHLAVAN K.Modeling of the TOA-based distance measurement error using uwb indoor radio measurements[J].Communications letters,IEEE,2006,10(4):275-277.

      [4] CURRAN K,FUREY E,LUNNEY T,et al.An evaluation of indoor location determination technologies[J].Joumal of location based services,2011,5(2):69-78.

      [5] 詹 杰,劉宏立,劉述鋼,等.基于 RSSI 的動(dòng)態(tài)權(quán)重定位算法研究[J].電子學(xué)報(bào),2011,39(1):82-88.

      [6] 容曉峰,楊娜.RSSI 位置指紋的定位誤差分析與仿真[J].西安工業(yè)大學(xué)學(xué)報(bào),2010,30(6):574-578.

      [7] YOUSSEF M A,AGRAWALA A,UDAYA SHANKAR A.WLAN location determination via clustering and probability distributions[C]//Proceedings of the First IEEE International Conference on.IEEE,2003:143-150.

      [8] 詹杰,吳伶錫,唐志軍.無(wú)線傳感器網(wǎng)絡(luò)RSSI測(cè)距方法與精度分析[J].電訊技術(shù),2010,50(4):83-87.

      [9] 劉靜,姜恒,石曉原.卡爾曼濾波在目標(biāo)跟蹤中的研究與應(yīng)用[J].信息技術(shù),2011,15(10):74-77.

      [10] 彭丁聰.卡爾曼濾波的基本原理及應(yīng)用[J].軟件導(dǎo)刊,2009,8(11):32-35.

      Indoor Fingerprint Location Optimization Technology Based on BLE

      TAO Jia-feng,YANG Xiao-hong,WANG Jian-ping et al

      (Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming,Yunnan 650504)

      AbstractAiming at the problem of high energy consumption and low accuracy of RSSI indoor positioning technology,using Bluetooth 4.0 as a node,BLE technology with advantages of low energy consumption,long distance and low cost was adopted.Data filter was studied through optimizing fingerprint database by using Gauss-mean method and improved hopping adaptive Kalman algorithm,the experiment was carried out in Bluetooth 4.0 wireless network.The results showed that in a complex environment,the optimized fingerprint database and adaptive Kalman location algorithm is more stable and accurate than traditional positioning method.

      Key wordsBluetooth low energy technology; Gauss-mean filter; Hopping adaptive Kalman filter; Indoor fingerprint location

      基金項(xiàng)目國(guó)家自然科學(xué)基金項(xiàng)目(61364008);云南省應(yīng)用基礎(chǔ)研究重點(diǎn)項(xiàng)目(2014FA029);云南省教育廳重點(diǎn)基金項(xiàng)目(2013Z127);昆明理工大學(xué)復(fù)雜工業(yè)控制學(xué)科方向團(tuán)隊(duì)建設(shè)計(jì)劃項(xiàng)目。

      作者簡(jiǎn)介陶佳峰(1990- ),男,安徽蕭縣人,碩士研究生,研究方向:實(shí)時(shí)運(yùn)動(dòng)控制。

      收稿日期2016-02-07

      中圖分類號(hào)TP 391

      文獻(xiàn)標(biāo)識(shí)碼A

      文章編號(hào)0517-6611(2016)08-289-04

      猜你喜歡
      高斯
      小高斯的大發(fā)現(xiàn)
      數(shù)學(xué)王子高斯
      天才數(shù)學(xué)家——高斯
      少年高斯
      高斯分糖塊
      基于高斯混合聚類的陣列干涉SAR三維成像
      一種改進(jìn)的高斯近似濾波方法
      基于Zbus隱式高斯法的配電網(wǎng)潮流計(jì)算
      從自卑到自信 瑞恩·高斯林
      電影故事(2015年16期)2015-07-14 02:22:28
      有限域上高斯正規(guī)基的一個(gè)注記
      政和县| 颍上县| 孝义市| 上高县| 灵寿县| 涿鹿县| 锡林郭勒盟| 江油市| 都昌县| 扶风县| 聂荣县| 秭归县| 尉犁县| 崇州市| 尼木县| 都昌县| 罗江县| 临高县| 崇义县| 房产| 南平市| 四会市| 邯郸市| 庆安县| 上饶市| 阳新县| 蓝田县| 柳林县| 鸡西市| 莱州市| 灌阳县| 商水县| 宜宾市| 鹤庆县| 新津县| 南京市| 望江县| 左权县| 石林| 济源市| 阳东县|