改進神經網絡的無線網絡室內定位①

岳小冰,郝 倩

(河南工業職業技術學院 電子信息工程系,南陽 473000)

1 引言

近年來,隨著移動終端技術的成熟,無線通信的成本低,因此無線網絡應用范圍不斷拓寬.在無線網絡的應用中,位置信息至關重要,尤其是室內定位[1].在室內環境中,全球定位系統(GPS)無法使用,同時室內定位易受室內環境的干擾,無線信號變化十分快,因此室內定位一直是無線網絡研究領域中的重大課題[2,3].

針對無線網絡的室內定位問題,國內外學者進行了大學的研究,提出了許多有效的室內定位方法[4].根據定位原理,室內定位可以分為:基于距離和基于信號強度的兩類定位方法[5],基于距離的室內定位方法要求測量節點之間的距離,定位成本低,而且定位精度比較,實際應用價值不高[6].基于信號強度室內定位方法采用信號有多,其中接收信號強度(Received Signal Strength Indication,RSSI)使用最為廣泛[7].當前基于RSSI的無線網絡室內定位方法通常采用一定的算法對節點位置進行估計,當前主要采用K最近鄰算法、支持向量機、神經網絡等[8-10],其中K最近鄰算法的計算復雜高,導致無線網絡室內定位方法的定位效果差,而支持向量機的訓練過程耗時比較長,室內定位效率低,神經網絡的訓練速度快,在無線網絡室內定位建模中應用最為廣泛.但是標準神經網絡,如BP神經網絡存在收斂速度慢,參數難以確定等問題[11,12].

為了提升無線網絡室內定位的效果,針對當神經網絡存在無線網絡室內定位精度的難題,設計了一種基于改進神經網絡的無線網絡室內定位方法(ACOBPNN).首先提取室內定位的數據,然后采用神經網絡對數據進行學習,建立無線網絡定位模型,并對神經網絡的缺陷進行改進,最后在Matlab平臺上進行了仿真實驗.

2 神經網絡和人工蜂群算法

2.1 神經網絡

BP神經網絡學習過程由信息的正向傳播和誤差的反向傳播組成,由輸入層、隱含層和輸出層構成,采用最速下降法學習規則,首先BP神經網絡為信息的正向傳播;然后為誤差的反向傳播,不斷調整網絡的權值和閾值,使誤差信號變小,一直到輸出值和期待值的誤差減小到規定范圍內,就可以得到相應的輸出值.

(1)輸入層、隱層和輸出層的節點為N、L和M,輸 入 為X=[x0,x1,···,xN-1],隱 含 層 輸 出 為H=[h0,h1,···,hL-1],實際輸出為Y=[y0,y1,···,yM-1],目標輸出為D=[d0,d1,···,dM-1],輸入層節點i和隱含層節點j的權重為Vij,隱含層節點j和輸出層節點k的權重為Wik,輸出和隱含層閾值分別為θk和φj.設:

隱含層節點的輸出為:

輸出層節點的輸出為:

(2)計算yk和dk之間的輸出誤差項為:

(3)權重調整量的計算公式為:

式中,η表示學習速率.

(4)網絡權重調整方式為

(5)繼續迭代,直到預測的誤差達到預定要求,得到最優權重Vij和Wjk.

2.2 人工蜂群算法

人工蜂群(ABC)算法模擬蜜蜂的采蜜過程,通過不同角色蜜蜂間的交流,轉換和協作來實現群體智能,包括引領蜂,跟隨蜂和偵察蜂.引領蜂和食物源的數量一樣,用于存儲食物源信息,并把食物源信息分享給跟隨蜂;跟隨蜂在舞蹈區等待引領蜂來分享食物源信息,通過觀察引領蜂的舞蹈,選擇最優引領蜂進行跟隨;偵察蜂在蜂巢附近搜索食物源,找到新的食物源.設有n個食物源X=(X1,X2,···,Xn),第i個食物源位置為D維的向量Xi=[xi1,xi2,···,xiD]T,(i=1,2,…,n),代表優化問題的一個可能解.食物源的適應度值計算公式:

式中,f為目標函數值.

首先,通過式隨機初始化n個食物源的位置:

式中,(xij)max和(xij)min為xij的上界和下界;rand(0,1)為隨機數.

引領蜂首先對相應的食物源進行一次鄰域搜索,用式(12)來表示:

如果新食物源要優于原來的食物源,那么就用新食物源位置去替代原來位置,當全部引領蜂完成搜索后,將食物源信息傳達給跟隨蜂.跟隨蜂根據相關概率Pi選擇一個引領蜂進行跟隨,Pi計算公式為:

當跟隨蜂選擇食物源后,需要對食物源進行鄰域搜索,并保留適應度較高的食物源.若食物源經過引領蜂和跟隨蜂limit次循環后,仍然沒有被替換,那么該位置被放棄,此時引領蜂轉變為偵察蜂,隨機搜索一個食物源替換原食物源.

3 ACO-BPNN的無線網絡室內定位方法

ACO-BPNN的無線網絡室內定位原理為:首先采集室內定位的數據,然后采用BP神經網絡數據進行學習,采用ABC算法對神經網絡進行優化,最后建立無線網絡室內定位模型,具體如圖1所示.

圖1 ACO-BPNN的室內定位流程

改進神經網絡的無線網絡室內定位步驟為:

(1)采集室內定位的數據,并進行歸一化處理.

(2)根據采集的數據確定神經網絡的結構.

(3)初始化ABC算法的相關參數.

(4)隨機產生食物源位置Xi=[xi1,xi2,···,xiD]T,D為解的維數,D其值為:

秀容月明因對本地不熟，就拜托叢時敏去幫他配一味毒藥，他服了藥，去見梨友，一個時辰內就毒發身亡。那樣，桂州六十萬百姓的性命保住了，他也不至于受辱。可他被叢時敏騙了，叢時敏早就降了胡人。

式中,M、H和N為輸入層、隱含層、輸出層的節點數.

(5)將食物源Xi反編碼為神經網絡的權值和閾值,對訓練樣本進行學習,得到目標函數值為:

式中,di和tk分別為實際和目標輸出,n為訓練樣本數.

(6)重復上述步驟,得到所有食物源的適應度值.

(7)引領蜂在鄰域內產生新解Vi,根據貪婪原則選擇Xi和Vi的最優者進入下一代.

(8)跟隨蜂估計Pi,根據Pi在Xi鄰域產生新解Vi,采同樣的方式選Xi和Vi間最優者保留下來.

(9)若連續limit次搜索后,一個解沒有得到明顯改善,那就就要放棄該解,此時引領蜂變為偵察蜂,并產生一個新解Vi.

(10)選擇目前最優的解.

(11)當尋優終止后,最優解對應的連接權值和閾值賦給神經網絡,重新對樣本進行學習,建立無線網絡室內定位模型.

4 仿真實驗

4.1 仿真場景

為測試改進神經網絡(ABC-BPNN)的無線網絡室內定位效果,選擇一個如圖2所示的仿真場景進行仿真實驗,采用Matlab 2014工具箱編程實現改進神經網絡算法.

圖2 仿真場景

4.2 結果與分析

無線網絡室內定位誤差的計算公式為:

式中,(x,y)表示實際節點位置;(x′,y′)為估計位置.

在相同實驗環境下,采用標準BP神經網絡(BPNN)、K最近鄰算法(KNN)、遺傳算法優化神經網絡(GA-BPNN)作為對比方法,統計它們的定位誤差,結果如圖3所示,從圖3可以看出,在所有方法,KNN的定位誤差最大,其次為BPNN,定位誤差最小者為ABC-BPNN,這是因為ACO-BPNN通過ACO算法對BP神經網絡的參數進行優化,獲得了比遺傳算法、梯度下降算法更優的參數,建立了更優的無線網絡室內定位模型,提高了無線網絡室內定位精度,有效降低了無線網絡室內定位誤差.

圖3 各種方法的定位誤差對比

不同方法的訓練時間和測試時間對比,結果如圖4所示.從圖4可知,所有算法的訓練時間均要高于測試時間,這是因為訓練過程的計算復雜相對更高,迭代次數更多,在相同條件下,ACO-BPNN的訓練時間和測試時間均要小于對比方法,提高了無線網絡室內定位的效率,加快了無線網絡室內定位速度,實際應用范圍更加廣泛.

圖4 不同方法的執行時間對比

5 結束語

針對神經網絡在無線網絡室內定位中存在的不足,設計了一種基于ACO-BPNN的無線網絡室內定位方法,引入ABC算法對神經網絡參數——連接權值和閾值進行優化,克服當前方法存在的缺陷,通過具體對比實驗測試其有效性,結果表明,ACO-BPNN加快了訓練和測試速度,提高了無線網絡室內定位精度,具有十分廣泛的應用前景.

1Gu YY,Lo A,Niemegeers I.A survey of indoor positioning systems for wireless personal networks.IEEE Communications Surveys &Tutorials,2009,11(1):13-32.

2Li M,Liu YH.Rendered path:Range-free localization in anisotropic sensor networks with Holes.IEEE/ACM Transactions on Networking,2010,18(1):320-332.[doi:10.1109/TNET.2009.2024940]

3Kushki A,Plataniotis KN,Venetsanopoulos AN.Intelligent dynamic radio tracking in indoor wireless local area networks.IEEE Transactions on Mobile Computing,2010,9(3):405-419.[doi:10.1109/TMC.2009.141]

4田勇,唐禎安,喻言.室內無線傳感器網絡信道傳輸模型及統計分析.控制與決策,2014,29(6):1135-1138.

5倪巍,王宗欣.基于接收信號強度測量的室內定位算法.復旦學報(自然科學版),2004,43(1):72-76.

6夏俊,俞暉,羅漢文.基于多傳感器數據融合的室內定位算法.上海師范大學學報(自然科學版),2015,44(1):65-71.

7張明華,張申生,曹健.無線局域網中基于信號強度的室內定位.計算機科學,2007,34(6):68-71,75.

8劉召偉,徐鳳燕,王宗欣.基于參數擬合的室內多用戶定位算法.電波科學學報,2008,23(6):1090-1094,1105.

9徐鳳燕 ,石鵬,王宗欣.基于參數擬合的距離-損耗模型室內定位算法.電路與系統學報,2007,12(1):1-5(請核對本條文獻序號).

10林以明,羅海勇,李錦濤,等.基于動態Radio Map的粒子濾波室內無線定位算法.計算機研究與發展,2011,48(1):139-146.

11張勇,黃杰,徐科宇.基于PCA-LSSVR算法的WLAN室內定位方法.儀器儀表學報,2015,36(2):408-414.

12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.電子學報,2012,40(9):1876-1879.

13李瑛,胡志剛.一種基于BP神經網絡的室內定位模型.計算機技術與自動化,2007,26(2):77-80.