l13186125825的博客

总结一些前端面试题，

代码统计工具，支持多种编程语言。支持自主选择语言类型

：为了克服噪声特征向量对聚类的影响，充分考虑各特征向量对聚类结果的贡献度的不同，运用mercer核将待聚类的 数据映射到高维空间，提出了一种新的动态加权模糊核聚类算法。该算法运用动态加权，自动消弱噪声特征向量在分类中 的作用，在对数据没有任何先验信息的情况下，不仅能够准确划分线性数据，而且能够做到非线性划分非团状数据。仿真和 实际数据分类结果表明，数据中的噪声对分类结果影响较小，该算法具有很高的实用性。

：位置指纹法定位中所建立的位置指纹库能否正确反映指纹信号与位置之间的映射关系将影响最终 定位效果。本文将一种改进的K．means聚类算法运用于WLAN室内指纹数据库的建立，较之传统K．means聚 类算法所建立的指纹数据库，采用了改进K．means聚类算法所建立起来的指纹数据库优化了初始聚类中心选 择方法及准则函数，避免了被聚类的指纹数据陷入局部解现象。实验结果表明：本文所提算法建立的指纹数据 库可提高WLAN室内定位精度，缩短定位时间。

随着全球定位系统（GPS）在室外定位中的成功应用，对定位服务在人们 日常活动的室内场所得以广泛开展的渴求日渐突出。在现有室内定位技术中， 位置指纹法由于定位成本低、方法实现灵活而逐渐成为研究的热点。然而，室 内无线信号的时变性也给位置指纹法实现精确定位带来很大的难度。因此，提 高位置指纹法在室内复杂环境下的定位性能和实用性不仅具有重要的理论价 值，而且也成为加快对其由理论研究向实际应用转变的关键。本文以ZigBee 无线网络为应用平台，对位置指纹法完成定位所需的两个阶段中涉及的相关技 术进行研究。在分析国内外研究现状及进展的基础上，指出了位置指纹法目前 存在的三大问题，即构建位置指纹数据库的工作量问题、位置指纹的匹配效率 问题和室内定位与跟踪的实现方法问题。然后，从分析信号强度作为场景特征 所表现出的数据特性入手，针对以上问题分别提出相应的解决方法。 为分析信号强度作为场景特征所表现出的数据特性，利用ZigBee 网络环 境中测得的信号强度样本，采用理论分析与实验验证相结合的手段对数据特性 的表现形式和成因进行了研究。在此基础上构建了一个用于估计位置指纹法平 均定位误差的概率模型，并分析了采样位置间距、网络接入设备数量和位置等 因素对位置指纹法定位性能的影响，从而为定位系统实际部署过程中相关参数 的合理选取提供一定的理论指导。 为降低离线阶段信号强度采样的工作量，提出了一种基于空间变异理论的 位置指纹数据库构建方法。给出了一个典型的信号强度样本变异函数计算流 程。提出了一种基于加权最小二乘法的信号强度理论变异函数拟合算法。根据 拟合得到的模型趋势项和随机项反映出的信号强度在空间上的连续性和变异 性关系，采用普通克里金技术对待估位置信号强度进行最优线性无偏估计。实 验结果表明，该方法对信号强度的估计精度好于距离反比加权算法，基于该方 法建立的位置指纹数据库可在降低采样工作量的同时保证定位精度。 为提高位置指纹的匹配效率，提出了两种基于改进k-means 算法的位置指 纹聚类方法。分析了传统k-means 算法对位置指纹分类效果不佳的原因，并从 寻找新的位置指纹二次特征提取方法及采用“软划分”技术两方面加以改进。 其中，FC-ID-FKM 法将位置指纹归为区间值数据，在由区间中值和大小张成 的特征空间中，利用模糊k-means 算法对其进行聚类。FC-KFKM 法将位置指 纹归为一种服从正态分布的区间值数据，通过区间中值和大小确定的正态分布