基于GRNN神經網絡的ZigBee室內定位算法研究

鄧胡濱，許 峰，周 潔

（華東交通大學信息工程學院，江西 南昌 330013）

基于GRNN神經網絡的ZigBee室內定位算法研究

鄧胡濱，許 峰，周 潔

（華東交通大學信息工程學院，江西 南昌 330013）

基于固定參數的無線信號傳播損耗模型的定位算法，不能很好解決由于多徑傳播效應和環境復雜性所帶來的測距誤差問題。提出使用GRNN神經網絡來擬合室內RSSI值與距離值之間的映射關系，得到RSSI值與距離值的映射模型，再將定位實驗中實測的RSSI值作為訓練好的GRNN神經網絡的輸入層，在輸出層得到與RSSI值相對應的距離值，最后使用加權質心算法來進行待測節點的定位。該算法不僅簡單而且性能良好，并且不需要額外的硬件。經過Matlab和ZigBee實驗仿真驗證，與路徑損耗模型和基于BP神經網絡的定位算法相比，所提出的算法可以提供較好的定位結果。

室內定位；廣義回歸神經網絡；信號接收強度；加權質心；無線傳感器網絡

隨著無線傳感器網絡技術（WSN）[1]在大型建筑物如倉庫、礦井、商場等室內環境下的快速發展應用，基于無線傳感器網絡的定位算法也越來越受到國內外科研人員的關注。現階段國內外研究室內定位的算法主要根據所使用的數據類型分為兩大類：測距和非測距。一般來講基于測距的定位算法所得到的定位計算結果精度要比基于非測距的定位算法高。基于非測距的定位算法在進行定位計算時不需要參考節點與待測節點之間的距離信息來進行定位，它主要是利用從附近的幾個參考節點的其它信息如節點的連通性來進行定位計算，如Dv-Hop定位算法[2]采用節點之間的距離矢量信息和網絡連通性來計算待測節點的坐標位置。基于測距的定位算法需要參考節點與待測節點之間的距離信息或角度信息，再利用三邊測量或質心等定位算法來進行定位計算。RSSI（信號接收強度），AOA（到達角度），TOA（到達時間）和TDOA（到達時間差）是用來計算距離或角度信息的四個重要技術[3]。在研究定位算法中，基于RSSI的定位算法利用已有的無線傳感器網絡基礎硬件設施就可以用來進行節點的定位操作，不需要增加專門的硬件設備。所以與其他技術相比，RSSI技術在設備復雜性和從成本角度來說是有很大優勢的。

在完成6點部位的連弧焊操作后，到達5點和7點位置，為了減少熔池過渡墜瘤，改為斷弧焊工藝。由于鎳基材料熔池流動性差、冷卻速度快等特點，因此斷弧打底時的頻率要快，再起弧的位置要準，通常在上一熔池冷卻到二分之一時，進行下一弧的引燃，并在熔池溫度最高的地方再起弧（即熔池最亮的地方）。打底時熔池易往焊縫中間聚集、兩側易夾溝，因此焊條要做左右擺動，使熔池能夠到達焊縫坡口的兩側，分散熔池中間的溫度，確保背面焊縫兩側熔合良好。

基于RSSI值的定位算法在進行定位計算的過程中，一般是使用固定參數的無線信號傳播損耗模型[4]來計算得到所需的距離值信息，與此同時在實際定位中可以利用卡爾曼濾波[5]、加權質心[6]等一系列的優化算法來優化定位計算的結果。但是室內環境下的無線信號由于在非視距環境下進行傳播，傳播過程中受到多徑傳播效應及其它信號的干擾，傳感器在同一坐標點上所收集到的RSSI值有較大浮動，選取合適的信號傳播損耗模型參數是比較困難[7]，且在定位計算時采用固定參數的損耗模型將會導致室內定位算法的定位計算結果誤差較大。

在研究定位算法的過程中為了解決這個問題，國內外有研究學者發現人工神經網絡（ANN）可以運用在定位計算中，利用人工神經網絡模型來改善定位算法。如文獻[8]提出利用BP神經網絡的來實現定位；文獻[9]提出利用徑向基神經網絡（RBF）結合RSSI值來實現定位；文獻[10]提出利用BP神經網絡和泰勒級數相結合來實現定位計算；文獻[11]提出非視距環境下利用BP神經網絡得到模型的動態環境參數。

企業人力資源管理與企業文化相輔相成，如果我們把企業人力資源管理比做一棵樹苗，那么企業文化則是這棵樹苗生存的環境。我們從通用電氣的發展軌跡中不難看出，企業文化對企業發展具有根本性的作用。因此，建設企業文化就顯得非常重要。

鉆井液方面標準化建設工作走上了穩步發展之路，近幾年來，一大批鉆井液方面的行業標準制訂并頒布執行，對鉆井工程專業產生了積極而深遠的影響。通過宣傳、貫徹、執行標準，規范了鉆井液技術行為，推動了我國鉆井液處理劑市場的健康發展以及鉆井整體技術工藝水平的提高。

本文提出利用GRNN（廣義回歸）神經網絡模型來擬合室內RSSI值與距離值之間的映射模型，利用映射模型把將RSSI值映射為節點距離信息。利用GRNN神經網絡可以使得定位算法在由RSSI值轉換為距離信息時不再受限于路徑損耗模型選取固定環境參數的問題。帶有噪聲值的RSSI測量值可以直接和實際坐標位置一起用來訓練網絡。在實際定位計算實驗中利用ZigBee硬件平臺所采集到的無線傳感器的RSSI值作為訓練好的神經網絡模型輸入層，在神經網絡的輸出層得到計算所需的距離信息，最后使用加權質心定位算法計算得到待測節點的坐標位置。實驗結果表明與路徑損耗模型和基于BP神經網絡的定位算法相比，所提出的算法可以提供較好的定位結果。

1 定位算法原理

1.1 路徑損耗模型

室內環境下的無線傳感器網絡在傳播信號的過程中，可以利用路徑損耗模型將傳感器收到信息中的RSSI值轉化為節點之間的距離信息。考慮到無線傳感器網絡的信號在室內傳播過程中受到信號反射、衍射干擾和室內環境存在障礙物的情況下，路徑損耗模型一般采用Shadowing模型[7]

加權質心定位算法[15]的基本思想是利用加權因子來反應參考節點在質心定位計算時對計算結果的影響程度，公式為

使用第2組實驗所采集到的RSSI值數據作為已經訓練好的GRNN神經網絡模型的輸入量，在訓練好的GRNN神經網絡的輸出層得到待測節點到參考節點的距離值。

1.2 GRNN神經網絡

ANN（人工神經網絡）由稱為神經元的多個非線性變換單元和稱為互連權重的自由參數構成，可以通過改變神經元的激活函數和它們之間的加權互連的結構來創建各種類型的網絡，例如BP神經網絡、RBF神經網絡等等。人工神經網絡可以解決大量的非線性或線性函數擬合或模式匹配問題[12]。

從上一步中獲得到RSSI值后，將第1組收集到的RSSI值作為GRNN神經網絡的輸入，從參考節點與待測節點之間的已知距離創建輸出數據集。使用Matlab軟件自帶的神經網絡工具箱中的創建函數net=newgrnn（P，T，spread）創建GRNN神經網絡，其中P為輸入向量，T為期望輸出。這里只需確定傳播常數spread。在廣義回歸神經網絡的訓練過程中傳播常數是重要的參數，因為它確定RSSI值與距離值的映射函數的擬合度。為了不失一般性，利用交叉驗證的方式取得spread的最優選擇，最后利用數據和最優的spread得到訓練好神經網絡，這里取得spread為0.8。

圖1 GRNN神經網絡的架構Fig.1 GRNN neural network architecture

實驗使用的RSSI數據采集是在室內7 m×7 m的區域內所采集到，利用美國德州儀器公司的ZigBee芯片CC2530搭建一個小型的室內定位系統，系統由3部分組成：一個網關模塊用于接收參考節點發送過來的信息，并通過串口將接收到的信息發送到上位機，上位機收到數據后保存作為提供給后續實驗所使用的仿真數據；四個參考節點用于接收待測節點發送的信息，并與網關節點通信；一個待測節點模塊用于周期性地向周圍發送信息。所使用的ZigBee芯片都設置相同硬件參數，僅芯片的所燒錄的程序不同，減少因硬件不同所帶來的誤差。網關模塊從接收到的信息提取出來的RSSI值用作GRNN神經網絡的訓練數據。整個實驗數據采集需要采集兩組數據集，一組用來訓練神經網絡，另一組用來檢驗訓練后的神經網絡模型。

GRNN神經網絡的權值參數由訓練樣本所決定，網絡的訓練過程依賴樣本從而避免了人為的主觀假定，同時GRNN神經網絡的收斂速度比BP神經網絡快[14]。

1.3 加權質心算法

傳統的質心定位算法是根據

通過合作研究[15]，基于投影圖像對小直徑銑削刀具狀態開展了在線監測研究，其原理如圖13所示。在激光傳感器感知刀具轉角位置信號后，通過PLC給CCD相機發出指令，相機隨即開始拍照，獲得刀具的投影圖像。

其中：A（xa，ya），B（xb，yb），C（xc，yc）是三個參考節點以與待測節點之間的距離為半徑的三個圓的交點，如圖 2所示，這三個坐標點所圍成的區域即是待測節點所可能出現的區域，由公式（3）計算出待測節點的坐標值 D（x，y）。

式中：d表示的是發射節點和接收節點之間的距離值，m；d0表示的是參考距離值，m；Pr（d0）是以dB為單位的參考距離d0中的信號強度，dBm。X是高斯分布變量，其平均值為0，標準差為4～10，dbm；n稱為與環境相關的信號傳播常數。在實際的實驗研究中常取d0=1 m，同時經過多次測量確定Pr（d0）的值，然后將上述公式改為

第2組實驗數據將4個參考節點放置如圖3的位置進行采集，待測節點隨機放置于平面上進行采樣，采集 7 組數據作為實驗驗證數據，每組數據有 4×20 個值，數據以{RSSI[r1，r2，r3，r4]，（x，y）}的形式保存，表示待測節點在坐標為（x，y）時4個參考節點所采集到的RSSI值，對數據進行預處理，取每次采集到RSSI的平均值。

圖2 加權質心算法Fig.2 Weighted centroid algorithm

式中：d1，d2，d3分別是3個參考節點與待測節點之間的估計距離值。

2 實驗驗證

2.1 實驗樣本數據獲取

圖1中輸入層為RSSI值，模式層的神經元個數與訓練的樣本數相等，輸出層為距離值。

第1組實驗數據采集是將4個參考節點固定放在同一處用于接收來自參考節點的發送的信息，待測節點每隔0.25 m移動來進行采樣，總共移動9 m得到36組采樣數據作為訓練數據集，每組數據有4×20個值，數據以{RSSI[r1，r2，r3，r4]}的形式保存，表示4個參考節點與待測節點相距d m時所采集到RSSI值，之后對數據進行初步處理，取每次采集數據的平均值。

1.暈動病的處理措施：乘車前不要給寶寶喂食油炸或高脂肪的食物；一般情況下寶寶上車容易睡覺，暈車的幾率相對較小，盡量不要給寶寶吃暈車藥，可以準備一些橘子、橙子，這些水果可以有效預防暈車；保持車內空氣暢通，不要待在有濃烈食物味道或汽油味的地方，遠離吸煙者；可以坐在司機旁邊的座位上，以減少顛簸。

2.2 神經網絡的訓練

本文所采用的是人工神經網絡是：廣義回歸神經網絡[13]。GRNN（廣義回歸）神經網絡是RBF（徑向基）神經網絡的一種變體，是一種基于非線性回歸理論的前饋式神經網絡模型。GRNN神經網絡構造如圖1所示。

原油作為重要大宗商品，其下游產品和價格波動與人們的生活息息相關。2018年3月26日，中國原油期貨上市，國內投資者可以通過原油期貨來參與國際原油定價，并對沖油價上漲和通脹的影響。原油價格受到供需、政治、經濟、地緣等多因素影響，一方面，對邊際供給或需求缺口基本面的預期是推動油價變化的主要因素，另一方面，經濟增長、貨幣政策、匯率波動等宏觀因素也會影響油價，金融危機的擴散往往伴隨著油價下跌。因此，可以將這些因素大致歸類于原油的商品屬性和金融屬性。

2.3 定位計算

式中：RSSI表示為接收節點所接收到的信號強度值，dBm；A表示為接收節點在距離發射節點1 m處接收到的信號強度值。利用公式（2）可以將RSSI值轉化為發射節點與接收節點之間的距離值。公式的轉化結果主要取決于A和n的值，一般在使用中設置為固定值，但是在實際使用過程中因為在室內環境中由于室內環境的復雜性，信號傳播常數n會發生波動。波動可能是由環境的變化或者人物的運動和吸收所導致的。n的波動將會影響到距離值的轉換結果，給定位算法帶來直接的誤差影響。同時隨著距離的增加，根據上述公式的距離計算會變得更加困難。

將上一步中得到距離值，每組取出距離值最小的3個參考節點，再利用加權質心算法進行定位計算得到待測節點的估計坐標。最后利用式（5）來計算定位誤差E

其中：（x，y）是待測節點的實際的坐標，（xi，yi）是待測節點估計坐標。

待測節點個數為n，利用式（6）來計算平均定位誤差Em

整個定位算法實驗的流程圖如圖4所示。

圖3 4個參考節點放置在7 m×7 m的區域內Fig.3 The four reference nodes placed in the 7 m×7 m area

圖4 定位算法流程圖Fig.4 Localization algorithm flow chart

3 定位算法結果

分別使用了基于GRNN，基于BP和基于路徑損耗模型的定位算法來進行定位算法結果比較，這三種算法都使用了相同的室內環境下收集到的數據集來進行仿真計算，仿真的結果如表1所示。

根據實驗仿真的結果和結果誤差顯示，利用GRNN神經網絡的定位算法的定位計算結果要優于利用BP神經網絡和基于固定路徑損耗模型的定位結果，其中基于GRNN神經網絡的定位結果最小誤差為0.44 m，最大誤差為1.56 m；在定位平均誤差方面，根據計算分別比BP神經網絡和路徑損耗模型提高約0.8 m和1.4 m，表明在相同的室內環境下基于GRNN神經網絡的定位算法可以提供較好的定位結果。

本文進行夜間燈光處理使用的數據主要來源于4個部分：第一部分為DMSP/OLS夜間燈光數據。來自NGDC(隸屬美國國家海洋和大氣管理局)公開發布的第四版全球DMSP-OLS夜間燈光產品(V4DNLTS)，均可在NGDC的官方網站下載。第二部分數據為輻射定標燈光圖像，該圖像用于飽和及內部校準的參考燈光,來自NGDC另外發布的輻射定標燈光圖像系列。第三部分數據為石油/天然氣燃燒矢量圖層，同樣來自NGDC公開的全球數據庫。第四部分為國家及其行政區域地圖，來自DIVA-GIS項目網站(http://www.diva-gis.org/Data)。

最后，在施工過程中，協調其他部門進行團隊合作，使各個部門明確自己的工作任務和承擔的責任，確保各項管理制度順利落實。

表1 定位結果Tab.1 Localization results m

定位結果誤差圖如圖5所示。

4 結束語

提出一種基于GRNN神經網絡的無線傳感器網絡室內定位算法。首先使用TI公司的CC2530芯片搭建硬件實驗平臺，采集后續實驗仿真所需的數據；再利用GRNN神經網絡建立RSSI值與距離值之間的映射模型，避免使用路徑傳播損耗模型的因為參數n的波動給定位算法帶來的誤差影響。在實驗過程中先利用RSSI值對GRNN神經網絡模型進行訓練，得出室內區域環境下RSSI值與距離的映射模型，在定位計算中利用訓練好的神經網絡模型得到所需的距離值，最后根據加權質心定位算法計算出待測節點的坐標值，實驗仿真的結果表明算法可以實現較好的定位結果。

圖5 結果誤差圖Fig.5 Results error chart

[1]錢志鴻，王義君.面向物聯網的無線傳感器網絡綜述[J].電子與信息學報，2013，35（1）：215-227.

[2]章磊，黃光明.基于RSSI的無線傳感器網絡節點定位算法[J].計算機工程與設計，2010，31（2）：291-294.

[3]MAUTZ R.Indoor Positioning Technologies[M].ETH Zurich：Institute of Geodesy and Photogrammetry，2012：57-90.

[4]趙基瑋.基于ZigBee技術的無線傳感器網絡定位系統的設計與研究[D].南寧：廣西大學，2011.

[5]顧宗海.基于RSSI測距的室內定位算法研究[D].鄭州：鄭州大學，2011.

[6]韓東升，楊維，劉洋，張玉.煤礦井下基于RSSI的加權質心定位算法[J].煤炭學報，2013，38（3）：522-528.

[7]李瑤怡，赫曉星，劉守印.基于路徑損耗模型參數實時估計的無線定位方法[J].傳感技術學報，2010，23（9）：1328-1333.

[8]李瑛.基于BP神經網絡的室內定位技術研究[D].長沙：中南大學，2007.

[9]TIAN J，XU Z.RSSI localization algorithm based on RBF neural network[C]//Beijing：IEEE，International Conference on Software Engineering and Service Science.IEEE，2012：321-324.

[10]張會清，石曉偉，鄧貴華，等.基于BP神經網絡和泰勒級數的室內定位算法研究[J].電子學報，2012，40（9）：1876-1879.

[11]彭宇倩，曾碧，肖紅，等.基于BP神經網絡的實時動態參數定位方法[J].計算機工程與設計，2014（10）：3679-3684.

[12]馬銳.人工神經網絡原理[M].北京：機械工業出版社，2014：134-167.

[13]徐富強，鄭婷婷，方葆青.基于廣義回歸神經網絡(GRNN)的函數逼近[J].巢湖學院學報，2010，12（6）：11-16.

[14]崔東文.幾種神經網絡模型在湖庫富營養化程度評價中的應用[J].水資源保護，2012，28（6）：12-18.

[15]郜麗鵬，朱梅冬，楊丹，等.基于ZigBee的加權質心定位算法的仿真與實現[J].傳感技術學報，2010，23（1）：149-152.

Study on Indoor Location Algorithm of ZigBee Based on GRNN Neural Network

Deng Hubin，Xu Feng，Zhou Jie
（School of Information Engineering，East China Jiaotong University，Nanchang 330013，China）

In response to the problem that the localization algorithm based on the wireless signal propagation loss model with fixed parameters can’t remove ranging errors induced by multipath propagation effects and environmental complexity.This study adopted GRNN neural network to fit the RSSI value and distance value，and then get the mapping model of RSSI value and distance value.It adopted the RSSI value as the input layer of the trained GRNN neural network and derived the RSSI value in the output layer.Finally，the weighted centroid algorithm was applied to locate the node.It finds that the algorithm is simple and well-behaved，and does not require additional hardware.Through the simulation and experiment results on the MATLAB and ZigBee，compared with the localization algorithm based on the path loss model and BP neural network,the proposed algorithm can provide better localization results.

indoor location；GRNN neural networks；

signal strength indication；weighted centroid；WSN

TP393

A

（責任編輯 姜紅貴）

1005-0523（2017）04-0137-06

2017－04－10

江西省自然科學基金項目（20142BAB217019）；華東交通大學校立科研課題（12XX06）

鄧胡濱（1961—），女，副教授，主要研究方向為物聯網，無線傳感器網絡。