HF和波動(dòng)參數(shù)輔助的優(yōu)化XGBoost室內(nèi)定位方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)復(fù)雜室內(nèi)環(huán)境下接收信號(hào)強(qiáng)度測量數(shù)據(jù)中包含噪聲使其呈現(xiàn)波動(dòng)性導(dǎo)致定位精度低的問題，提出一種基于混合濾波(HF)、波動(dòng)參數(shù)輔助的優(yōu)化極限梯度提升(XGBoost)室內(nèi)定位方法。首先采用HF的方法對(duì)數(shù)據(jù)子集進(jìn)行優(yōu)化，降低噪聲的影響，得到初始數(shù)據(jù)庫；另外，考慮到波動(dòng)不能完全消除，引入能夠反映數(shù)據(jù)變化程度的波動(dòng)參數(shù)；其次，針對(duì)XGBoost算法性能易受初始參數(shù)的影響，采用粒子群(PSO)算法對(duì)其進(jìn)行尋優(yōu)，并將波動(dòng)參數(shù)與優(yōu)化后的數(shù)據(jù)作為算法輸入訓(xùn)練生成定位模型；最后，將目標(biāo)點(diǎn)處信息輸入到模型中完成位置估計(jì)，同時(shí)將該點(diǎn)數(shù)據(jù)保存到數(shù)據(jù)庫中完成更新。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)算法相比，所提算法具有良好的定位效果，在1 m、2 m和3 m范圍內(nèi)，定位準(zhǔn)確率分別提升9.2%、14.1%和18.45%。

發(fā)表于：10/15/2025 4:01:12 PM

大規(guī)模異構(gòu)數(shù)據(jù)遷移的自適應(yīng)清洗與智能轉(zhuǎn)換框架[其他][其他]

在數(shù)字化轉(zhuǎn)型背景下，傳統(tǒng)集中式數(shù)據(jù)庫向分布式架構(gòu)遷移面臨異構(gòu)數(shù)據(jù)模型語義沖突、業(yè)務(wù)連續(xù)性要求、人工轉(zhuǎn)換低效等核心挑戰(zhàn)。提出智能轉(zhuǎn)換框架AUTOMIG，其核心創(chuàng)新在于深度挖掘數(shù)據(jù)內(nèi)在關(guān)聯(lián)的智能決策機(jī)制與適應(yīng)大規(guī)模異構(gòu)環(huán)境的高效執(zhí)行引擎。AUTOMIG創(chuàng)新性地利用圖神經(jīng)網(wǎng)絡(luò)自動(dòng)發(fā)現(xiàn)隱含于數(shù)據(jù)庫模式中的復(fù)雜表間關(guān)聯(lián)，并結(jié)合多目標(biāo)優(yōu)化模型智能決策最優(yōu)存儲(chǔ)方案，提升跨模型轉(zhuǎn)換的自動(dòng)化程度。同時(shí)，框架設(shè)計(jì)獨(dú)特的雙模式日志捕獲與流批協(xié)同清洗管道，實(shí)現(xiàn)對(duì)海量歷史數(shù)據(jù)與高頻實(shí)時(shí)變更數(shù)據(jù)的低延遲、高可靠同步與清洗。該框架成功實(shí)現(xiàn)了在容器化平臺(tái)上的部署并以大規(guī)模教育培訓(xùn)系統(tǒng)數(shù)據(jù)遷移為典型應(yīng)用案例實(shí)踐驗(yàn)證。結(jié)果表明其圖神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的關(guān)聯(lián)發(fā)現(xiàn)顯著提升了復(fù)雜查詢性能，而雙模式協(xié)同執(zhí)行引擎則大幅縮短了遷移總耗時(shí)并優(yōu)化了資源利用效率，為企業(yè)數(shù)字化轉(zhuǎn)型提供了可靠的技術(shù)支撐和實(shí)踐路徑。

發(fā)表于：10/15/2025 3:17:00 PM