定位演算法
A. 利用matlab分別對三邊測量定位演算法和改進演算法進行模擬和驗證 急求源程序
%%清空環境變數
clc
clear
loaddata
%%數據累加作為網路輸入
[n,m]=size(X);
fori=1:n
y(i,1)=sum(X(1:i,1));
y(i,2)=sum(X(1:i,2));
y(i,3)=sum(X(1:i,3));
y(i,4)=sum(X(1:i,4));
y(i,5)=sum(X(1:i,5));
y(i,6)=sum(X(1:i,6));
end
%%網路參數初始化
a=0.3+rand(1)/4;
b1=0.3+rand(1)/4;
b2=0.3+rand(1)/4;
b3=0.3+rand(1)/4;
b4=0.3+rand(1)/4;
b5=0.3+rand(1)/4;
%%學習速率初始化
u1=0.0015;
u2=0.0015;
u3=0.0015;
u4=0.0015;
u5=0.0015;
%%權值閥值初始化
t=1;
w11=a;
w21=-y(1,1);
w22=2*b1/a;
w23=2*b2/a;
w24=2*b3/a;
w25=2*b4/a;
w26=2*b5/a;
w31=1+exp(-a*t);
w32=1+exp(-a*t);
w33=1+exp(-a*t);
w34=1+exp(-a*t);
w35=1+exp(-a*t);
w36=1+exp(-a*t);
theta=(1+exp(-a*t))*(b1*y(1,2)/a+b2*y(1,3)/a+b3*y(1,4)/a+b4*y(1,5)/a+b5*y(1,6)/a-y(1,1));
kk=1;
%%循環迭代
forj=1:10
%循環迭代
E(j)=0;
fori=1:30
%%網路輸出計算
t=i;
LB_b=1/(1+exp(-w11*t));%LB層輸出
LC_c1=LB_b*w21;%LC層輸出
LC_c2=y(i,2)*LB_b*w22;%LC層輸出
LC_c3=y(i,3)*LB_b*w23;%LC層輸出
LC_c4=y(i,4)*LB_b*w24;%LC層輸出
LC_c5=y(i,5)*LB_b*w25;%LC層輸出
LC_c6=y(i,6)*LB_b*w26;%LC層輸出
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6;%LD層輸出
theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2-y(1,1));%閥值
ym=LD_d-theta;%網路輸出值
yc(i)=ym;
%%權值修正
error=ym-y(i,1);%計算誤差
E(j)=E(j)+abs(error);%誤差求和
error1=error*(1+exp(-w11*t));%計算誤差
error2=error*(1+exp(-w11*t));%計算誤差
error3=error*(1+exp(-w11*t));
error4=error*(1+exp(-w11*t));
error5=error*(1+exp(-w11*t));
error6=error*(1+exp(-w11*t));
error7=(1/(1+exp(-w11*t)))*(1-1/(1+exp(-w11*t)))*(w21*error1+w22*error2+w23*error3+w24*error4+w25*error5+w26*error6);
%修改權值
w22=w22-u1*error2*LB_b;
w23=w23-u2*error3*LB_b;
w24=w24-u3*error4*LB_b;
w25=w25-u4*error5*LB_b;
w26=w26-u5*error6*LB_b;
w11=w11+a*t*error7;
end
end
%畫誤差隨進化次數變化趨勢
figure(1)
plot(E)
title('訓練誤差','fontsize',12);
xlabel('進化次數','fontsize',12);
ylabel('誤差','fontsize',12);
%print-dtiff-r60028-3
%根據訓出的灰色神經網路進行預測
fori=31:36
t=i;
LB_b=1/(1+exp(-w11*t));%LB層輸出
LC_c1=LB_b*w21;%LC層輸出
LC_c2=y(i,2)*LB_b*w22;%LC層輸出
LC_c3=y(i,3)*LB_b*w23;%LC層輸出
LC_c4=y(i,4)*LB_b*w24;%LC層輸出
LC_c5=y(i,5)*LB_b*w25;
LC_c6=y(i,6)*LB_b*w26;
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6;%LD層輸出
theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2-y(1,1));%閥值
ym=LD_d-theta;%網路輸出值
yc(i)=ym;
end
yc=yc*100000;
y(:,1)=y(:,1)*10000;
%計算預測的每月需求量
forj=36:-1:2
ys(j)=(yc(j)-yc(j-1))/10;
end
figure(2)
plot(ys(31:36),'-*');
holdon
plot(X(31:36,1)*10000,'r:o');
B. 計算機視覺中，目前有哪些成熟的匹配定位演算法
計算機視覺既工程領域科領域富挑戰性重要研究領域計算機視覺門綜合性科已經吸引自各科研究者參加研究其包括計算機科工程、信號處理、物理、應用數統計神經理認知科等視覺各應用領域製造業、檢驗、文檔析、醫療診斷軍事等領域各種智能／自主系統割部由於重要性些先進家例美計算機視覺研究列經濟科廣泛影響科工程重基本問題即所謂重挑戰（grandchallenge）計算機視覺挑戰要計算機機器發具與類水平相視覺能力機器視覺需要圖象信號紋理顏色建模幾何處理推理及物體建模能力視覺系統應該所些處理都緊密集起[Neg9依]作門科計算機視覺始於陸0代初計算機視覺基本研究許重要進展吧0代取現計算機視覺已門同於工智能、圖象處理、模式識別等相關領域熟科計算機視覺與類視覺密切相關類視覺確認識計算機視覺研究非益我先介紹類視
C. 定位演算法;趨勢一般是在哪裡看
這個 文字不是一般的多 建議你還是去下載研究生的論文和期刊吧，如果懶的話，網路文庫里找，就有很多了
1) 基於車牌圖像色彩信息定位法[12]。我國車牌主要由四種類型組成:藍底白字、黃底
黑字、白底紅字和黑底白字。根據車牌底色信息可以准確地定位出車牌的邊界。該方法識別濾高、適應性強，但易受光照條件和背景干擾且運算量一般較大，不適合用於實時性要求高的環境中。
2) 基於邊緣檢測的定位法[13]。 車牌字元區域灰度頻率變化是車牌區域最穩定的特
征，可以利用它的變化來進行車牌定位。首先對車輛圖像進行增強，然後再進行邊緣提取，最後利用水平掃描線等方法進行車牌區域的檢測。該類方法的定位準確率較高，反映時間快，能有效去掉雜訊，適合於背景較復雜的車輛圖像。但是對車牌嚴重褪色的情況，由於檢測不到字元筆畫的邊緣會導致定位失敗。
3) 基於車牌幾何特徵車定位法[14]。我國車牌標准外輪廓尺寸為440*140且為矩形，
整個車牌的寬高比近似為3: 1。利用這種固有特徵進行車牌邊框提取車牌。這類方法只在車牌位置基本保持水平，同時邊框清晰明顯時才有效，但若車牌本身的邊框是斷裂，殘缺的或採集到的圖像偏離水平角度較大，都會影響定位的准確性，故使用范圍較窄。
4) 基於頻譜分析的車牌定位法[15]。該類方法將圖像從空間域變換到頻率域進行分析，
如DFT變換法和採用小波變換法等。小波分析可以在不同的解析度層次上對圖像進行分割，在低解析度層次上進行粗分割，這樣節約時間同時為細分割縮小檢測范圍。而在高解析度層次上實現車牌區域的准確定位。但當車輛圖像中存在燥聲時，會對准確識別車牌區域帶來很大的干擾，影響車牌定位的准確性。
D. 關於定位演算法的，基礎的
return -1是返回一個特殊標記而已,-1的返回值代表找不到相應的元素x.
其餘情況,返回值將是元素x在列表中的位置.
E. 」ZigBee定位演算法「可以把它理解成用ZigBee模塊結合不同的定位演算法來實現的么
他是根據各個點的信號強弱用演算法計算距離的
F. 基於測距技術的定位演算法有哪些各有什麼特點
一. 激光測距機的優點
非常適合打高爾夫球使用
激光測距機，為了讓高爾夫球員快速准確的操作測距儀，大大簡化了測距儀的功能。所以激光測距機只有一種旗桿模式。運動員在使用時，無需選擇，立即操作，就能測量出目標。
並且由於專門針對高爾夫球運動設計，激光測距機進行了專門的調校，所以在測量旗桿時，測量最遠距離會超過所有的非高爾夫球專用測距儀。當然這種調校也為帶來另外的弊端。
二. 激光測距機的缺點
由於激光測距機專門針對高爾夫設計，功能簡化非常厲害。相對普通工作用的測距儀，比如博士能最為知名的這款測距儀，激光測距機少了太多的功能，包括最為有用的前景優先，背景優先，以及多種環境選擇。
正是這樣，激光測距機非常適合高爾夫球運動使用，但是不太適合普通工作使用。其內置的僅僅一種旗桿測量模式，相對博士能Z6來說，在測量非旗桿類的物體時，就不如激光測距機測量精確，測量距離也會大達。
G. rifd室內定位演算法包括哪些演算法
經典的Landmark演算法，核心思想是部署參考RFID標簽，來推算目標位置。隨後產生了很多衍生的演算法。
H. zigbee定位演算法是什麼
zigbee的rssi（場強）值是與距離是非線性關系的，是無法直接輸出距離值的
而且又非常容易受環境因素影響
，所以做不了精確定位。
I. 數據結構定位演算法c++怎麼寫啊，謝謝，大蝦
無所謂,只是一個記號,loc是location的縮寫,意思是返回L順序表中的第i個.你自己可以用其他的命名,只要命名能讓別人明白就行.