基于CQPSO?GRNN的ZigBee節點定位算法研究

鄒自明 李福敏 喬新新

摘? 要： 針對傳統無線信號傳播模型的參數一般通過擬合或直接根據經驗得出，且又受環境復雜、多徑效應等因素的影響，使得定位精度不高。為提高定位精度，引入廣義回歸神經網絡（GRNN）來構建定位模型，以未知節點和參考節點之間的接收信號強度值（RSSI）作為網絡的輸入，未知節點的位置坐標（X，Y）作為輸出來擬合網絡模型。同時采用剔除處理和卡爾曼濾波處理對采集的RSSI值進行預處理，來削弱環境因素對信號的擾動。為避免GRNN參數選取的隨意性及人為因素的干擾，采用混沌量子粒子群算法（CQPSO）來優化網絡的光滑因子（[σ]），以建立最優的網絡定位模型來實現對未知節點坐標的預測。在Matlab平臺上，與GRNN模型相比，其結果顯示改進的定位算法具有更高的定位精度，提高了GRNN回歸預測效果以及模型的泛化能力。

關鍵詞： 節點定位; ZigBee; 廣義回歸神經網絡; 混沌量子粒子群算法; 網絡預測; 仿真驗證

中圖分類號： TN915?34; TP393? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）04?0062?05

Research on ZigBee node positioning algorithm based on CQPSO?GRNN

ZOU Ziming， LI Fumin， QIAO Xinxin

（College of Mechanical and Control Engineering， Guilin University of Technology， Guilin 541004， China）

Abstract： The parameters of the traditional wireless signal propagation model are obtained in general by fitting or directly based on experience， and are affected by complex environment， multipath effect and other factors， which makes the positioning accuracy is low. Therefore， the generalized regression neural network （GRNN） is introduced to construct the positioning model， the RSSI received from between the unknown nodes and the reference nodes are taken as the network input， and the position coordinates of the unknown nodes （X，Y） are used as the network output to fitting the network model. At the same time， elimination processing and kalman filter processing were used to preprocess the collected RSSI value to weaken the disturbance of signal caused by environmental factors. The CQPSO algorithm is used to circularly measure the optimal smoothing factor （σ） to avoid the interference of human factors and random selection of GRNN parameters， so as to establish the optimal network location model to realize the prediction of unknown node coordinates. On the Matlab platform， in comparison with the GRNN model， the results show that the improved positioning algorithm has higher positioning accuracy， which improves the regression prediction effect of GRNN and the generalization ability of the model.

Keywords： node positioning; ZigBee; GRNN; QPSO; network prediction; simulation verification

0? 引? 言

伴隨著物聯網技術的飛速發展，無線傳感器網絡技術（WSN）成為一大研究熱點，而ZigBee技術以其低功耗、成本低、可靠性高等優點在眾多的WSN技術中熠熠閃光，成為節點定位的關鍵技術，通過RSSI值反映的空間信息來獲取目標的位置信息[1]。為提高定位精度，在WSN節點定位中常應用人工神經網絡、機器學習算法等來進行改善。GRNN網絡是RBF網絡的一種變形，它具有強大的非線性擬合能力和容錯能力，在逼近能力和學習速度上均優于RBF網絡，網絡模型結構簡單，最大限度地減少了人為因素對模型參數選擇的影響，它也不同于多數的神經網絡對樣本數據有較高的要求，當樣本數據較少時，也有較好的預測結果，應用范圍更廣。本文將該網絡應用到節點定位中，建立RSSI與位置坐標（X，Y）的非線性映射模型。目前GRNN網絡的光滑因子[σ]選取主要依據經驗知識，手動設置，在很大程度上會對網絡的預測造成影響。從數學的角度來看，[σ]的選取實質上是一個尋優問題，即尋找到一個最優[σ]，使得網絡的預測輸出與實際值的均方根差最小。因此本文采用量子粒子群算法（QPSO）結合混沌搜索來優化[σ]，根據未知節點的預測坐標與實際坐標的均方根差來構造適應度函數，通過對[σ]進行有限次迭代尋優使得適應度函數值達到最小，確定出最佳的[σ]來構建網絡模型，提高網絡回歸預測效果，準確定位未知節點的坐標。

式中，[ad]和[bd]分別為優化變量的最小值和最大值。

3） 對[xld]進行混沌搜索，[xld=xld+βxld]，如果[f（xld）

4） 更新

[l=l+1，cxld=μcxld（1-cxld）]? ? （12）

5） 當達到最大的迭代次數時，[f?]保持不變，搜索結束;否則轉至步驟2）繼續搜索。

2.3? CQPSO算法的性能比較

為了驗證改進算法的性能，選取2個經典測試函數進行測試。

1） [f1x=i=1nx2i]，[-100≤xi≤100]，全局最小值在[x=（0，0，…，0）]處取值0。

2）[f2（x）=i=1nx2i-10cos（2πxi）+10]，[-5.12≤xi≤][5.12]，全局最小值在[x=（0，0，…，0）]處取值0。

[f1x，f2x]的尋優曲線如圖2、圖3所示。通過對比發現PSO算法在迭代后期易陷入局部最優值，而CQPSO算法可以擺脫局部極值并搜索到全局最優解。

2.4? CQPSO算法優化光滑因子的步驟

1） 種群初始化。設置種群維數、種群規模、最大迭代次數和優化參數的最大、最小值。

2） 構造適應度函數為：

[ffitnessi=1Ni=1Nx′i-xi2+y′i-yi2] （13）

式中：[ffitnessi]是粒子[i]的適應度值;[xi，yi]是第[i]個定位節點的實際坐標;[（x′i-xi）]為網絡模型對第[i]個定位節點的預測坐標。

根據設置的適應度函數，計算初始種群中每個粒子的適應度值，并將這些適應度值分別設置為其粒子的最優值，然后對其比較得出一個全局最優值，并將與全局最優值相對應的粒子位置記錄為全局最優位置。

3） 利用薛定諤波動方程更新粒子的位置，并對粒子的位置進行限制。

4） 重新計算粒子的適應度值，找出全局最優適應度值和全局最優粒子。

5） 采用混沌變量搜索，將混沌優化遍歷的范圍擴大到優化變量的取值范圍。以QPSO算法搜索到當前最優解為基礎，產生混沌序列，若在領域中發現更好的位置，那么混沌序列中的最優位置將取代當前位置，從而使種群擺脫局部最優。

6） 判斷是否達到設置的Tmax，或是否滿足搜索精度的需求，若達到則結束尋優，否則回到步驟2）再次執行，直到達到優化終止條件。

7） 最終得到最優的[σ]，重構GRNN網絡，將待測樣本輸入到訓練好的網絡模型中即可得到最佳輸出。

2.5? 數據濾波

1） 剔除處理

對采集的RSSI數據庫中的一些奇異值進行剔除，這些值誤差較大，公式為：

[Vi=RSSIi-RSSImean]? ? ? ? ? （14）

[δ=1n-1i=1nV2i]? ? ? ? ? （15）

根據[3δ]準則對樣本值的去留做出判斷，其標準為：若[Vi>3δ]，則對應[RSSIi]值有較大突變，需將其剔除。

2） 卡爾曼濾波（KF）處理

對經剔除處理的RSSI數據庫進行KF處理，過程如圖4所示。

3? 實驗結果與仿真分析

3.1? 實驗環境搭建

本次實驗采集的RSSI值是基于美國TI公司開發的CC2431無線定位芯片，此定位系統由4部分組成：網關節點、參考節點、定位節點和上位機。在上位機開發環境IAR Embedded Workbench中分別編譯網關節點、參考節點和定位節點的程序代碼，將生成的目標程序通過仿真器下載到相應的節點模塊中。

選擇定位區域的面積為10 m×10 m，在定位區域的四個角落布置參考節點，其坐標依次為：（0，0）、（10，0）、（10，10）、（0，10），在定位區域中均勻地選取437個接收節點，分別接收來自四個參考節點的信號，接收100次并記錄與四個參考節點之間的RSSI值，并對采集的RSSI數據庫進行剔除處理和卡爾曼濾波處理。此定位算法模型由訓練網絡階段和測試節點階段組成。在訓練網絡階段中，將獲取的樣本數據進行預處理后訓練網絡，構建CQPSO?GRNN定位模型;測試節點階段是將定位節點接收參考節點的RSSI值輸入到已經訓練完畢的網絡定位模型，來預測出定位節點的位置坐標。

3.2? 測試CQPSO?GRNN模型的最優光滑因子

從圖5可見，在尋優的過程中目標函數適應度值隨著迭代次數的增加而快速下降，經過13代尋優后CQPSO算法就尋得最優值，所得到的目標函數適應度值為0.130 3。

從圖6可知，選取光滑因子為0.189 7時，該網絡能夠取得最小均方誤差，使得預測精度最高。

3.3? 定位結果分析

選取30組的測試數據，測試兩種網絡模型預測輸出坐標是否和實際坐標相吻合，結果如圖7、圖8所示。

GRNN模型定位的最大誤差是2.509 8 m，最小誤差是0.438 5 m，平均誤差是1.323 6 m，而CQPSO?GRNN模型定位的最大誤差是1.323 7 m，最小誤差是0.024 1 m，平均誤差是0.369 9 m。顯然，CQPSO?GRNN模型的定位精度高于GRNN。

3.4? 模型性能比較

為了說明CQPSO?GRNN模型在節點定位中的優越性和準確性，在Matlab R2015b平臺上模擬一個標準的仿真環境，100個節點隨機分布在100 m×100 m的區域內，并從中隨機選取一定比例的節點作為參考節點，剩余的則為未知節點。下面將從不同的參考節點密度和通信半徑來比較GRNN，PSO?GRNN和CQPSO?GRNN的定位性能。

1） 參考節點密度對定位誤差的影響

由圖9可知，隨著參考節點密度的增加，三種算法的定位誤差都隨之減小，但在相同參考節點密度下，CQPSO?GRNN算法定位精度更高。

2） 節點通信半徑對定位誤差的影響

從圖10可以看出，隨著通信半徑的增加，節點的定位誤差均有下降，而CQPSO?GRNN算法的曲線變化幅度比較平緩，且在相同通信半徑的情況下，其定位誤差低一些。

4? 結? 論

為提高WSN節點定位精度，本文采用基于CQPSO?GRNN節點定位算法，通過粒子的量子特性增強全局尋優能力，并結合混沌特性避免了種群陷入局部最優且增加了種群的多樣性，來進行有限次的迭代尋優，增強全局尋找最優光滑因子的能力;同時對采集的RSSI數據庫進行剔除處理和卡爾曼濾波處理，保證數據采集的可靠性和有效性。實驗仿真結果顯示，本文采用的定位算法能夠降低定位的不確定性，提高定位精度，應用價值更高。

參考文獻

[1] YUELIN D U， SHI X R， WANG K H. Research and realization of indoor positioning system algorithm based on ZigBee [J]. Computer technology and development， 2014， 24（7）： 245?249.

[2] SAMMEN S S， MOHAMED T A， GHAZALI A H， et al. Generalized regression neural network for prediction of peak outflow from dam breach [J]. Water resources management， 2017， 31（1）： 549?562.

[3] 王英博，聶娜娜，王銘澤，等.修正型果蠅算法優化GRNN網絡的尾礦庫安全預測[J].計算機工程，2015，41（4）：267?272.

[4] 葛柳飛，李克清.基于自適應GRNN的無線室內定位算法[J].計算機工程，2016，42（6）：81?85.

[5] VAN DEN BERGH F， ENGELBRECHT A P. A study of particle swarm optimization particle trajectories [J]. Information sciences， 2006（8）： 937?971.

[6] SONG B， WANG Z， ZOU L. On global smooth path planning for mobile robots using a novel multimodal delayed PSO algorithm [J]. Cognitive computation， 2017， 9（1）： 5?17.

[7] HUANG C， ZHANG D， SONG G. A novel mapping algorithm for three?dimensional network on chip based on quantum?behaved particle swarm optimization [J]. Frontiers of computer science in China， 2017， 11（4）： 622?631.

[8] LI Y， BAI X， JIAO L， et al. Partitioned?cooperative quantum?behaved particle swarm optimization based on multilevel thresholding applied to medical image segmentation [J]. Applied soft computing， 2017， 56： 345?356.

[9] 方旺盛，劉曉鑫.混沌粒子群算法在矩陣秩RSSI算法中的研究[J].計算機工程與應用，2016，52（4）：74?78.

[10] MOJTAB S， BAMAKAN H， WANG H D. An effective intrusion detection framework based on MCLP/SVM optimized by time?varying chaos particle swarm optimization [J]. Neurocomputing， 2016， 199： 90?102.