基于自組織競爭網絡的井下人員定位融合算法

張劍英，　張躍輝，　周立宇

(中國礦業大學 信息與電氣工程學院， 江蘇 徐州　221116)

?

基于自組織競爭網絡的井下人員定位融合算法

張劍英，張躍輝，周立宇

(中國礦業大學 信息與電氣工程學院， 江蘇 徐州221116)

摘要：針對基于加權質心算法的井下人員定位方法誤差大的問題，提出了一種基于自組織競爭網絡的井下人員定位融合算法。該算法利用自組織競爭網絡的學習篩選能力，通過分組訓練篩選出接近理論值的實際RSSI值，找出用于加權質心算法的有效坐標，在加權質心算法的基礎上計算未知節點位置。Matlab仿真結果表明，該算法的定位精度比原加權質心算法顯著提高。

關鍵詞：無線傳感網絡； 人員定位； 自組織競爭網絡； 加權質心

0引言

近年來無線傳感網絡被廣泛應用于定位系統和算法。在無線傳感網絡定位算法中，基本上可以分為基于測距的算法和基于非測距的算法2類。基于測距的定位算法主要是在測得節點間距離和角度信息的基礎上，結合三邊測量法、三角測量法和最大似然估計法估測出未知節點的位置信息。該算法對硬件要求比較高，增加了額外的設備成本。而基于非測距的定位算法主要依據傳感網絡連通性進行人員定位，主要包括分布式的質心算法[1]、DV-HOP算法、Min-Max算法、APIT算法以及集中式的凸規劃、MDS-MAP算法。與其他算法相比，質心算法比較簡單，完全基于傳感網絡的連通性，不需要增加額外的硬件設備，易于實現，因而應用廣泛。但是這種算法的精度不高。后來一些研究者結合傳感網絡中的RSSI信息提出了加權質心算法，通過權值設定使網絡中的信息得到進一步利用，從而提高定位精度。但是由于實際環境因素的影響，尤其是在環境復雜的煤礦井下，信息在傳播過程中受到電磁、多徑效應的干擾，真實可用的信息與一些無意義信息混合在一起，給定位造成很大干擾，嚴重影響了定位精度。鑒此，本文從處理井下有用信息入手，提出一種基于自組織競爭網絡的井下人員定位融合算法。該算法主要通過自組織競爭網絡對理論上的RSSI值進行訓練學習以作為參考，然后對實際測得的RSSI值進行訓練，選出接近理論結果的RSSI值，對照由信標節點坐標與其接收到的待測節點RSSI值所建立的數據庫，找出用于加權質心算法的有效坐標，在加權質心算法的基礎上計算未知節點位置。

1理論基礎

1.1加權質心算法

加權質心算法在質心算法的基礎上加入了權重因子，利用RSSI測距作為權重分配依據，通過加權使定位精度得以提升，同時繼承了質心算法運算簡單、自適應性強的特點。權值ωi計算公式為

(1)

式中di為未知節點到信標節點的距離。

未知節點坐標O(xo,yo)由N個信標節點計算得出,計算公式為

(2)

式中:R(xi,yi)為信標節點坐標;N為信標節點個數。

加權質心算法利用RSSI值測得節點間的距離，將距離值的倒數作為一個權重因子加入質心計算公式中，節點間的距離越小，對未知節點的影響越大。因此，通過加入權值使信標節點對未知節點的影響權重得到合理分配，進而提高算法定位的精度。

參考文獻[2]提出的改進型加權質心算法添加了區域判定，提高了定位精度。參考文獻[3]提出了一種無線傳感器網絡定位算法——去中心化場強加權多跳質心定位算法。這些算法都是在原有網絡中的數據基礎上分配權重值，進而改善定位精度，但這些原始數據中有一些對于實時定位無意義的數據，這些數據在定位過程中被分配了權重，并且參與實際定位，給定位效果帶來了很大干擾。本文利用自組織神經網絡的學習篩選能力對數據進行進一步處理，從而提高定位效果。

1.2自組織神經網絡

自組織神經網絡可以通過反復觀察客觀事物和分析比較，自行提示其內在規律，并對有共同特征的事物進行正確分類。這種網絡與人腦中神經網絡[4]的學習模式類似，即可以自動尋找樣本中的內在規律和本質屬性。自組織神經網絡大多采用競爭型學習規則。競爭型神經網絡[5]的基本思想：網絡競爭層的各個神經元通過競爭來獲得對輸入模式的相應機會，最后僅一個神經元成為競爭的勝利者[6]。同時網絡將與獲勝神經元有關的各連接權值向著更有利于競爭的方向調整。自組織競爭網絡的自組織、自適應學習能力進一步拓寬了神經網絡在模式分類和識別方面的應用。

1.3競爭型神經網絡結構和學習算法

競爭型神經網絡有很多具體形式和不同的學習算法，在此介紹一種比較簡單的網絡結構和學習算法，其結構如圖1所示。

圖1　基本競爭型神經網絡結構

(3)

式中xi為輸入樣本數據的第i個元素。

經過網絡競爭后權值最大的神經元k獲得勝利，輸出結果為

(4)

競爭后的權值按照式(5)修正，對于所有的輸入層神經元i，有

(5)

2算法模型建立

由于井下環境復雜多變，信號干擾嚴重，獲取有用的訓練數據比較困難，即使能夠獲取到訓練數據，也無法保證網絡訓練的可靠性，繼而會使下一步實際網絡的競爭產生較大偏差，導致定位精度不準確。因此，本文采用理論仿真的方法來獲取訓練數據。

2.1數據訓練

首先由理論仿真推導出信標節點所接收的由未知節點發出的信號強度，本文選用具有視距傳播的對數距離路徑損耗模型，井下無線信號傳播模型為

(6)

式中：P(d)表示接收節點接收到的信號強度；P(do)表示與發射節點距離為do時所接收到的信號強度;d為接收節點與發射節點的距離;d0為到發射節點的一個參考距離;α為路徑長度與路徑損耗之間的比例因子,其值與所處環境相關;Xσ為由環境引入的噪聲,其值滿足均值為0的正態分布N(0,σ2),σ越大,信號衰減的不確定性越大。

由式(6)推算出信號強度值，同時記錄信標節點的坐標，并建立一個RSSI值與坐標一一對應的數據庫。然后對數據進行分組，確保能對未知節點進行相對準確的定位。本文共選取30組數據進行實驗，每組至少保證有3個信標節點數據，對這些數據進行網絡訓練學習。數據訓練結果見表1。

從表1可看出，數據分類錯誤率為7/30=23.3%，達到了預期要求。

表1　數據訓練結果

2.2數據篩選

在數據訓練過程中，網絡對數據進行不斷、反復觀察，分析與比較其形成規律，準確地從復雜數據中篩選出所有具有相似規律的數據。篩選過程選取了20組待測樣本(未知數據的有效性)，需要區分的類別數目為2，學習速率設為0.1，學習篩選之后，舍棄一些異常數據和分類為2的數據。

2.3未知節點定位計算

把實驗中測得的RSSI值分組帶入網絡中進行篩選，然后從自組織競爭網絡中提取出有用的信號強度值，對照接收到的RSSI值與其當時對應的坐標數據庫，找到各個信標節點的坐標，然后根據加權質心算法(式(2))估算未知節點位置。

3仿真分析

3.1節點部署

為了保證仿真的有效性，在Windows 7操作系統上采用Matlab R2013a作為仿真平臺進行仿真[7]。將仿真區域設置成10 m×100 m，模擬井下狹長的巷道環境，如圖2所示。整個區域分布著100個信標節點以及隨機分布的50個待測節點，采用頻率為2.4 GHz的無線載波信號進行通信，節點通信半徑設置為50 m。

3.2仿真結果與分析

在同樣的參數和環境下，同時采用一般加權質心算法和基于自組織神經網絡的加權質心算法進行定位計算，結果如圖3所示。由圖3可知，經過自組織競爭網絡改進后的算法定位效果比較顯著，未知節點與估測節點比較接近。

圖2　節點部署

圖3　2種算法的定位結果

2種算法的定位誤差比較如圖4所示。由圖4可知，隨著節點搜尋范圍的增加，即用于定位的信標節點數量的增多，2種算法的精確度隨之提高。

圖4　2種算法的定位誤差比較

2種算法的仿真誤差比較結果見表2。由表2

可看出，定位選取的50個未知節點中，一般算法和改進算法定位誤差小于1.5 m的概率分別為82.71%，91.88%；定位誤差小于1.0 m的概率分別為68.87%，86.44%；定位誤差小于0.5 m的概率分別為22.23%，42.59%。改進后定位算法的置信概率比一般加權質心算法高，能夠滿足井下人員定位需要。

表2　2種算法的仿真誤差比較結果

4結語

提出了基于自組織競爭網絡的井下人員定位融合算法，經過網絡學習篩選，過濾掉無效數據，使定位數據更加準確有效。仿真結果表明，基于自組織競爭網絡的井下人員定位融合算法定位精度得到了顯著提高,且易于實現。

[1]安恂,蔣挺,周正.一種用于無線傳感器網絡的質心定位算法[J].計算機工程與應用,2007,43(20):136-138.

[2]楊鵑,韓雪松.基于改進型加權質心算法的井下人員定位[J].承德石油高等?？茖W校學報,2014,16(4):57-60.

[3]王琰琳,黃友銳,曲立國.改進型質心算法在井下人員定位中的應用[J].煤礦機械,2012,33(8):76-78.

[4]吳超,張磊,張琨.基于BP神經網絡的RFID室內定位算法研究[J].計算機仿真,2015,32(7):323-326.

[5]許東,吳錚.基于Matlab6.x的系統分析與設計——神經網絡[M].2版.西安:西安電子科技大學出版社,2002.

[6]李雙明,武慶威.采用RSSI提高無線傳感網絡定位精度的算法[J].無線電工程,2015,45(2):8-10.

[7]陳守平,董瑞,羅曉莉.MATLAB神經網絡30個案例分析[M].北京:北京航天航空大學出版社,2010:153-158.

Fusion algorithm of underground personnel positioning based on self-organizing competitive network

ZHANG Jianying，ZHANG Yuehui，ZHOU Liyu

(School of Information and Electrical Engineering, China University of Mining and Technology,Xuzhou 221116, China)

Abstract：In view of problem of big positioning error of underground personnel positioning method based on weighted centroid algorithm, a fusion algorithm of underground personnel positioning based on self-organizing competitive network was proposed. The algorithm uses learning screening capacity of self-organizing competitive network, and screens out actual RSSI value close to the theoretical value by group training, then finds valid coordinates for the weighted centroid algorithm, and calculates unknown node position based on weighted centroid algorithm. The Matlab simulation results show that the positioning accuracy of the algorithm is significantly higher than the original weighted centroid algorithm.

Key words:wireless sensor networks; personnel positioning; self-organizing competitive network; weighted centroid

中圖分類號：TD655.3

文獻標志碼：A網絡出版時間：2016-03-07 15:18

作者簡介：張劍英(1963-)，女，江蘇徐州人，教授，從事信號處理、模式識別等方面的研究工作，E-mail:zjycumt@126.com。

收稿日期：2015-12-02；修回日期：2016-01-15；責任編輯：胡嫻。

文章編號：1671-251X(2016)03-0044-04

DOI:10.13272/j.issn.1671-251x.2016.03.010

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160307.1518.010.html

張劍英，張躍輝，周立宇.基于自組織競爭網絡的井下人員定位融合算法[J].工礦自動化，2016,42(3)：44-47.