粒子群優化人工神經網絡的RFID室內定位算法*

陳珊珊， 史志才， 吳 飛， 張玉金， 陳計偉

(上海工程技術大學 電子電氣工程學院,上海 201620)

0 引 言

隨著無線傳感、移動通信和互聯網技術的快速發展，室內定位信息服務已經成為當前研究熱點。雖然全球定位系統(global positioning system,GPS)從建立以來就廣泛應用于室外定位，但GPS在室內環境中由于缺乏衛星接收器與衛星之間的視線傳播，難以滿足在室內環境下進行精度定位的要求[1]。

用于室內定位和室內導航服務的多種不同的定位方式中[2],射頻識別(radio frequency identification,RFID)因成本低廉、系統部署簡單，在室內定位和跟蹤中得到廣泛應用。傳統RFID定位方法是依據傳播模型中信號強度損耗和距離的關系獲得標簽與閱讀器之間的距離，利用幾何方法得到標簽的坐標。但室內的信號傳輸不穩定，室內環境復雜，導致室內環境下建立的信號傳播模型缺乏適用性[4]。目前人工神經網絡(artificial neural network,ANN)也應用于室內定位中，該方法存在對初始權值敏感、易陷入局部最優和收斂速度慢等缺點。

本文將粒子群優化算法與人工神經網絡算法相結合，首先利用粒子群優化(particle swarm optimization,PSO)算法對神經網絡的權值和閾值進行優化，避免了人工神經網絡預測值陷入局部最優。然后用過濾后的訓練數據訓練定位模型，建立目標位置預測模型，有效改善了人工神經網絡的預測能力，具有預測時間短、所需訓練數據少和預測精度高等優點[5]。

1 RFID室內定位算法分析

RFID的工作原理是當標簽進入閱讀器檢測范圍時，標簽和閱讀器之間將會通過天線建立通信，閱讀器將會讀取標簽反饋的RFID數據，包括時間、接收信號強度指示(received signal strength indication，RSSI)值和身份(identification,ID)信息等。

一般閱讀器獲取定位標簽的信號強度隨著傳播距離的增加而減弱，其中信號強度值和傳播距離模型[6]為

(1)

式中RSSI(d)為閱讀器讀取與其相距為d(m)的電子標簽的信號強度，P0為閱讀器讀取參考距離為d0(m)時電子標簽的信號強度，γ為信號的路徑損耗系數，d為閱讀器與標簽之間的距離，εδ為高斯噪聲。

2 室內定位算法的改進

ANN是一種模擬生物特征的算法，具有靈活的自學習、自適應、自組織等特點。然而，經過ANN預測的結果可能是局部最優值[7]。文獻[8]通過PSO確定ANN的隱含層的最佳節點數和最優學習率，將優化后的ANN分別用于室內和室外的定位，實驗結果表明優化后的算法減少了室內和室外的定位誤差。本文為了提高定位精度，對數據進行了高斯濾波處理，另外提出了一種基于PSO優化ANN(PSO-ANN)的定位算法，通過用PSO優化ANN的權值和閾值，以此來避免ANN預測值陷入局部最優，從而改善ANN的預測效果，提高ANN的學習速度。

圖1為PSO優化ANN的迭代進化曲線，從圖中可以看出當進化次數達到65時，適應度函數值趨于穩定，因此本文選擇65作為PSO優化ANN的進化次數。

圖1 最優個體適應度值

2.1 定位模型

RFID室內定位信息服務是建立高斯濾波后的RSSI向量與位置坐標之間的關系，可以描述為如下對應關系：

圖2 定位算法的結構

圖2中定位過程分為離線階段和在線階段。

1)離線階段，4個閱讀器分別重復讀取50次每個參考標簽的RSSI值，對重復讀取的50個RSSI值進行高斯濾波處理，并將處理后的RSSI值與每個參考標簽的坐標作為訓練數據。另外需要初始化粒子群算法的位置和速度，用訓練數據作為粒子群算法的輸入得到最優的ANN權值和閾值，最后將優化后的ANN作為本文的定位模型。

2)在線階段，需要把待定位標簽接收的RSSI向量經過高斯濾波處理后獲得(Gauss RSSI,GRSSI)向量作為定位模型的輸入，由定位算法得到的坐標 即是待定位標簽估計的定位位置。

2.2 數據濾波

在實際室內環境中，閱讀器在同一位置重復測量的RSSI值遵循高斯分布[11]

(2)

式中σ2為方差，A為期望值，有

(3)

式中n為測量RSSI值的總次數，RSSIk為第k次測得的RSSI值。

3 實驗結果分析

3.1 實驗場景

本文使用MATLAB軟件對提出的算法進行驗證，完成了一系列仿真實驗來驗證提出算法的效果。定位場景是在一個12 m×5 m的長方形區域內，如圖3所示，布置的參考標簽形成了2維地圖，每一個物理格被4個閱讀器信號覆蓋。在定位地圖中，布置有50個參考標簽，其相鄰參考標簽之間間隔1 m。另外，在定位地圖放置4個閱讀器天線來收集PSO-ANN的RSSI樣本值。仿真前需要根據所有參考標簽的坐標，分別計算出與4個閱讀器之間的距離，將距離根據式(1)生成對應的RSSI向量，其中r取10；并在RSSI數據中添加均值為0、標準差為3的高斯噪聲，作為RSSI的隨機分量，以模擬實際環境中的噪聲，然后通過高斯濾波對接收的RSSI值進行去噪。將參考標簽的坐標和其對應的信號強度向量作為ANN和PSO-ANN的訓練數據，用于兩者的訓練，使得訓練后的ANN和PSO-ANN能夠預測待定位標簽的位置。

圖3 定位系統模擬環境

3.2 實驗結果

隨機生成50個待定位標簽的二維坐標，分別計算出每個待定位標簽與4個閱讀器之間的距離，利用式(1)計算每個待定位標簽的RSSI向量，將這50個待定位標簽的RSSI向量經過濾波處理后獲得GRSSI向量，將GRSSI向量分別作為ANN和PSO-ANN的輸入，分別通過2種算法預測出50個待定位標簽的坐標，每種算法對50個待定位標簽共進行了50次位置預測。ANN和PSO-ANN仿真測試結果分別如圖4所示，圖中實際輸出代表待定位標簽的預測位置，期望輸出代表待定位標簽真實位置。可以看出PSO-ANN算法的實際輸出要比ANN更接近期望輸出，即PSO-ANN預測的位置結果要比ANN更接近真實位置。

圖4 2種算法預測結果對比

以位置誤差驗證測量系統的定位精度。第j個標簽的測量位置的誤差ej定位的平均誤差eA為

(4)

本文將ANN算法和PSO-ANN算法分別對50個待定位標簽的位置預測誤差進行了比較與分析，其2種算法的50次預測待定位標簽的誤差比較如圖5所示，從圖5中可以看出本文算法的預測定位效果比人工神經網絡效果好。

圖5 2種定位算法的誤差比較

對2種算法對50個待定位標簽的位置預測誤差進行了分析。從表1中可以看出ANN和PSO-ANN的平均誤差分別為0.621 9 m和0.504 7 m，另外根據兩種算法的標準差可知PSO-ANN算法比ANN算法的穩定性更好。對比結果表明本文定位算法的定位精度和穩定性均優于ANN定位算法。表1中根據文獻[12]所獲得的另外2種不同定位算法的平均定位誤差，通過比較4種算法的平均誤差，可知傳統RFID定位效果比其他3種定位算法差，而本文提出的算法誤差要小于文獻[12]提出的算法。

表1 4種算法誤差對比

4 結 論

提出一種用粒子群優化人工神經網絡的權值和閾值的算法。同時為了減少室內復雜環境對信號強度的干擾，提出了用高斯濾波處理RSSI值。實驗結果表明，本文提出的室內定位算法提高了RFID室內定位精度，具有更穩定的定位性能，能夠更好地適應復雜的室內環境。