基于三个UWB锚点基站,采集近5万条数据,分别采用BPNN和LSTM两种神经网络训练和预测模型,实现目标区域的判断;
实验共使用了11741条数据,按照8 : 2的比例划分为训练集与测试集
模型采用的是3层BPNN,隐含层为3,维度变化依次为3->32->16->4
损失函数使用的是交叉熵,优化器选择的是Adam,学习率为0.0001
训练轮数为100,为了提高训练效率和泛化能力,将32个数据作为一批,按批进行训练,在100轮训练之后,训练损失逐渐收敛于0.005;
在测试集中的2349个数据中的测试准确率为94.85%
LSTM模型
数据归一化与划分,使用numpy的最大值函数获取每个特征列的最大值,并将数据进行预处理,使用最大值归一化并将数据按照8:2的比例进行模型的训练与预测。
模型的构建:使用了Keras来创建模型。模型结构包括一个LSTM层,它有32个神经元,激活函数为Relu。Dropout层设置为20%的丢弃比率。全连接层输出4个神经元,使用softmax激活函数进行多类分类。对模型进行编译,使用Adam优化器和分类交叉熵损失函数。之后将模型进行拟合,指定批量大小(batch_size)为20,训练次数(epochs)为100。
经过100轮训练之后,模型的训练准确率达到了95.52%,损失函数为0.1134.测试数据约3000条的测试准确率为95.99%。
后续会进一步基于两种神经网络学习模型,通过减少锚点以及增加时间序列和信号能量以及信号到达角输入变量,观察预测模型的准确率;
审核编辑:汤梓红
-
算法
+关注
关注
23文章
4587浏览量
92494 -
UWB
+关注
关注
32文章
1066浏览量
60931 -
模型
+关注
关注
1文章
3112浏览量
48649 -
深度学习
+关注
关注
73文章
5463浏览量
120881
发布评论请先 登录
相关推荐
评论