定位算法
A. 利用matlab分别对三边测量定位算法和改进算法进行仿真和验证 急求源程序
%%清空环境变量
clc
clear
loaddata
%%数据累加作为网络输入
[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
%%网络参数初始化
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;
%%学习速率初始化
u1=0.0015;
u2=0.0015;
u3=0.0015;
u4=0.0015;
u5=0.0015;
%%权值阀值初始化
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;
%%循环迭代
forj=1:10
%循环迭代
E(j)=0;
fori=1:30
%%网络输出计算
t=i;
LB_b=1/(1+exp(-w11*t));%LB层输出
LC_c1=LB_b*w21;%LC层输出
LC_c2=y(i,2)*LB_b*w22;%LC层输出
LC_c3=y(i,3)*LB_b*w23;%LC层输出
LC_c4=y(i,4)*LB_b*w24;%LC层输出
LC_c5=y(i,5)*LB_b*w25;%LC层输出
LC_c6=y(i,6)*LB_b*w26;%LC层输出
LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6;%LD层输出
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));%阀值
ym=LD_d-theta;%网络输出值
yc(i)=ym;
%%权值修正
error=ym-y(i,1);%计算误差
E(j)=E(j)+abs(error);%误差求和
error1=error*(1+exp(-w11*t));%计算误差
error2=error*(1+exp(-w11*t));%计算误差
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);
%修改权值
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
%画误差随进化次数变化趋势
figure(1)
plot(E)
title('训练误差','fontsize',12);
xlabel('进化次数','fontsize',12);
ylabel('误差','fontsize',12);
%print-dtiff-r60028-3
%根据训出的灰色神经网络进行预测
fori=31:36
t=i;
LB_b=1/(1+exp(-w11*t));%LB层输出
LC_c1=LB_b*w21;%LC层输出
LC_c2=y(i,2)*LB_b*w22;%LC层输出
LC_c3=y(i,3)*LB_b*w23;%LC层输出
LC_c4=y(i,4)*LB_b*w24;%LC层输出
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层输出
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));%阀值
ym=LD_d-theta;%网络输出值
yc(i)=ym;
end
yc=yc*100000;
y(:,1)=y(:,1)*10000;
%计算预测的每月需求量
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. 计算机视觉中，目前有哪些成熟的匹配定位算法
计算机视觉既工程领域科领域富挑战性重要研究领域计算机视觉门综合性科已经吸引自各科研究者参加研究其包括计算机科工程、信号处理、物理、应用数统计神经理认知科等视觉各应用领域制造业、检验、文档析、医疗诊断军事等领域各种智能／自主系统割部由于重要性些先进家例美计算机视觉研究列经济科广泛影响科工程重基本问题即所谓重挑战（grandchallenge）计算机视觉挑战要计算机机器发具与类水平相视觉能力机器视觉需要图象信号纹理颜色建模几何处理推理及物体建模能力视觉系统应该所些处理都紧密集起[Neg9依]作门科计算机视觉始于陆0代初计算机视觉基本研究许重要进展吧0代取现计算机视觉已门同于工智能、图象处理、模式识别等相关领域熟科计算机视觉与类视觉密切相关类视觉确认识计算机视觉研究非益我先介绍类视
C. 定位算法;趋势一般是在哪里看
这个 文字不是一般的多 建议你还是去下载研究生的论文和期刊吧，如果懒的话，网络文库里找，就有很多了
1) 基于车牌图像色彩信息定位法[12]。我国车牌主要由四种类型组成:蓝底白字、黄底
黑字、白底红字和黑底白字。根据车牌底色信息可以准确地定位出车牌的边界。该方法识别滤高、适应性强，但易受光照条件和背景干扰且运算量一般较大，不适合用于实时性要求高的环境中。
2) 基于边缘检测的定位法[13]。 车牌字符区域灰度频率变化是车牌区域最稳定的特
征，可以利用它的变化来进行车牌定位。首先对车辆图像进行增强，然后再进行边缘提取，最后利用水平扫描线等方法进行车牌区域的检测。该类方法的定位准确率较高，反映时间快，能有效去掉噪声，适合于背景较复杂的车辆图像。但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败。
3) 基于车牌几何特征车定位法[14]。我国车牌标准外轮廓尺寸为440*140且为矩形，
整个车牌的宽高比近似为3: 1。利用这种固有特征进行车牌边框提取车牌。这类方法只在车牌位置基本保持水平，同时边框清晰明显时才有效，但若车牌本身的边框是断裂，残缺的或采集到的图像偏离水平角度较大，都会影响定位的准确性，故使用范围较窄。
4) 基于频谱分析的车牌定位法[15]。该类方法将图像从空间域变换到频率域进行分析，
如DFT变换法和采用小波变换法等。小波分析可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，这样节约时间同时为细分割缩小检测范围。而在高分辨率层次上实现车牌区域的准确定位。但当车辆图像中存在燥声时，会对准确识别车牌区域带来很大的干扰，影响车牌定位的准确性。
D. 关于定位算法的，基础的
return -1是返回一个特殊标记而已,-1的返回值代表找不到相应的元素x.
其余情况,返回值将是元素x在列表中的位置.
E. ”ZigBee定位算法“可以把它理解成用ZigBee模块结合不同的定位算法来实现的么
他是根据各个点的信号强弱用算法计算距离的
F. 基于测距技术的定位算法有哪些各有什么特点
一. 激光测距机的优点
非常适合打高尔夫球使用
激光测距机，为了让高尔夫球员快速准确的操作测距仪，大大简化了测距仪的功能。所以激光测距机只有一种旗杆模式。运动员在使用时，无需选择，立即操作，就能测量出目标。
并且由于专门针对高尔夫球运动设计，激光测距机进行了专门的调校，所以在测量旗杆时，测量最远距离会超过所有的非高尔夫球专用测距仪。当然这种调校也为带来另外的弊端。
二. 激光测距机的缺点
由于激光测距机专门针对高尔夫设计，功能简化非常厉害。相对普通工作用的测距仪，比如博士能最为知名的这款测距仪，激光测距机少了太多的功能，包括最为有用的前景优先，背景优先，以及多种环境选择。
正是这样，激光测距机非常适合高尔夫球运动使用，但是不太适合普通工作使用。其内置的仅仅一种旗杆测量模式，相对博士能Z6来说，在测量非旗杆类的物体时，就不如激光测距机测量精确，测量距离也会大达。
G. rifd室内定位算法包括哪些算法
经典的Landmark算法，核心思想是部署参考RFID标签，来推算目标位置。随后产生了很多衍生的算法。
H. zigbee定位算法是什么
zigbee的rssi（场强）值是与距离是非线性关系的，是无法直接输出距离值的
而且又非常容易受环境因素影响
，所以做不了精确定位。
I. 数据结构定位算法c++怎么写啊，谢谢，大虾
无所谓,只是一个记号,loc是location的缩写,意思是返回L顺序表中的第i个.你自己可以用其他的命名,只要命名能让别人明白就行.