Elman神經網絡數據模型在井下人員定位系統的應用

趙宇

(天地(常州)自動化股份有限公司， 江蘇 常州 213000)

0 引言

煤礦井下環境狀態復雜，有時因工作或者特殊情況需要對井下人員進行定位，井下人員的定位對于提高煤礦安全生產和組織救援具有重要意義[1-4]。當前煤礦井下人員定位主要基于射頻識別技術，該系統存在局限性，如定位條件復雜，定位精度低，只能將井下人員定位到一個范圍，無法實現更精確的定位，不能適應現代煤礦對安全生產的要求。利用無線定位技術可在無線網絡基礎上實現井下人員定位，從而減少人員定位系統的建造成本。無線定位技術可通過多種技術實現，包括聚類定位和K近鄰算法[5]、PSO-BP算法定位[6]和DV-HOP 定位[7]等技術開展礦井人員定位。而其中依據采集信號強弱開展的定位，在礦井人員定位研究較多。文獻[5]利用二分k-means進行指紋庫的聚類和分析，對采集的信號進行二分K和動態修正，經過處理后的信號進行RSSI計算，計算后的結果傳遞到平臺開展定位。文獻[8]針對礦井人員定位問題，提出LMBP 神經網絡算法，采集井下人員信息，訓練LMBP神經網絡，再根據訓練后的神經網絡開始定位，該方法的定位優點是定位速度快，缺點是算法過程收斂慢。

無線信號的傳輸需要相對良好的環境，而煤礦井下環境不同于地表，巷道眾多，周圍配置電動機設備，這些都會影響信號的傳輸，造成無線定位精度降低。針對礦井環境存在的這些問題，本文基于Elman神經網絡定位方法進行井下人員定位。首先對樣本點指紋數據進行無線采集，其次進行Elman神經網絡的初始化，用指紋數據庫訓練和此時Elman神經網絡開展比較，并建立定位算法模型。最后利用無線終端采集煤礦井下定位點的指紋數據，把采集到的數據傳輸到Elman神經網絡，由該神經網絡的定位算法對數據進行定位。開展實驗驗證，通過九龍礦試驗驗證該系統的定位效果，比較該定位方法與其他定位方法的不同，判斷其能否滿足煤礦井下工作人員的定位要求。

1 井下人員無線定位系統設計

選擇定位試驗場所為河北九龍礦，該煤礦已經開展智能化和機械化改造，部分煤礦已進行網絡一體化改造，井下人員定位系統能夠搭建在網絡中，如圖1所示。

圖1 井下人員定位系統

由圖1可知，井下人員定位系統按照分布不同可以分為井下部分和地面部分。地面部分包括數據安全中心和地面環網交換機，其中，地面環網交換機包括人員定位機、數據服務器、WEB服務器。井下部分主要是礦用環網接入器和各種信息讀取以及存儲器，井下部分需要完成人員定位的關鍵步驟，記錄設備MAC地址、IP地址和物理坐標位置。

2 混沌—粒子群對Elman神經網絡優化設計

2.1 混沌粒子群算法

粒子群算法是采用混沌序列的算法，在空間中搜索粒子的位置和速度。在每一輪的迭代中，粒子飛行在空間，尋找最優解，粒子更新位置和速度為：

vk+1=w·vk+c1·r1(pk-vk)+c2·r2(gk-vk)

(1)

xk+1=vk+xk

(2)

式中：vk所在的位置為求得的個體最優解處，xk是全部數據最優解所在地方，r1和r2代表隨機常數，c1和c2代表加速常數。

混沌粒子群算法主要可分2個步驟，第一步是將粒子群帶到混沌空間中，調整變異算子，提高多樣性，防止陷入局部最優解。采用特殊的變異算子GC，這種算子含有柯西變異和高斯變異，柯西變異公式為：

xi+1=xi+δi

(3)

式中：xi代表的是變異前粒子位置，δi代表的是第i個粒子的隨機變量，i是0～1。

變異算子的另一種變異公式，即高斯變異公式為:

xi+1=xi+Ni(0,1)

(4)

式中:xi代表高斯便器前粒子位置，Ni(0,1)代表第i個粒子的高斯變量。

在局部搜索中，高斯變異的搜索效果更好，在大范圍的搜索尋優中，柯西變異的搜索效果更好，柯西變異適用于全局搜索。在迭代循環中，更新局部和個體的最優解，避免粒子過早成為最優解。在迭代后期，粒子群的整體搜索能力需要進行迭代調整，調整方法為動態慣性權重法。慣性權重算法在搜索中逐漸遞減，為了減少遞減造成的尋優誤差，引入動態自適應動態慣性權重系數，權重系數計算公式為:

(5)

式中:wt代表權重系數，wmin代表權重因子最小值，wmax代表權重因子最大值，t代表尋優時迭代次數，T代表迭代最大次數。

慣性權重系數與尋優過程中的迭代次數有關，當迭代次數多時，慣性權重系數小，當迭代次數少時，慣性權重系數大，粒子接近最優的區域。當慣性權重小時，粒子群尋優后接近目標，方程收斂。

粒子群改進算法能夠在短時間內找到最優解，進行的粒子群算法可以短時間內收斂到最優目標。對粒子群算法進行改進，改進后確定算法流程。

2.2 粒子群算法尋優步驟

開展礦井人員定位，需要優化神經網絡才能完成算法的尋優，對井下人員定位尋優的步驟如下：

1)在Elman神經網絡的基礎上，進行慣性權值、反饋因子的初始化，設置收斂精度ε，粒子群中粒子個數為q，粒子的速度和坐標位置為(Vi,Yi)，尋優迭代次數t，迭代次數最大值tmax。

2)將Elman神經網絡映射到d維空間中，尋找全部初始的最優部分，同時自反饋因子α、權重系數wt也進行映射。

3)搜尋過程是一個向量產生在q維向量中，且在(0，1)之間進行，Zi=[zi1,zi2,…,ziq]，i是1到q的整數，混沌序列的公式為:

zi+1=μzi(1-zi)

(6)

式中:μ代表控制參數變量，μ的數值大小決定映射的狀態。

粒子通過目標函數尋找最優的適應值，找到后即可完成初始位置定位，定義目標函數的函數方程為:

(7)

式中:n代表樣本數量，O(i)代表輸出向量，O′(i)代表期望向量。

不同的參數對神經網絡影響較大，需要進行進一步地優化求解，進行確定得到初始位置對應的分量，則

yid=ymin+zij(ymax-ymin)

(8)

4)用公式(7)求得粒子的自適應值，與個體進行對比，取全部最優的最優解Gbest。以此作為判斷收斂的依據，如果滿足收斂，則進行位置尋優。

5) 根據粒子變化速度，限制粒子尋優速度，防止過快找到最優而停止計算迭代。

6) 根據公式(6)求得混沌序列，并生成公式：

(9)

在迭代尋優中，Z″存在一定的擾動范圍[-τ,τ]，擾動量為：

(10)

8)判斷粒子群迭代次數，根據t=t+1，若t>tmax，則開始下一步粒子尋優，若不符合條件，則重新回到步驟4開始。

9)粒子群尋優算法結束，把輸出的最優解映射到Elman神經網絡，開始對礦井人員定位。

3 井下人員無線定位方法流程

煤礦井下人員無線定位系統工作原理簡單，第一步是建立定位方法，第二步是實施定位。其中，建立定位方法是實施定位的前提階段，詳細的流程步驟如圖2所示。

圖2 無線定位系統流程

1) 建立定位方法階段。該階段的重要步驟是選取樣本點，在巷道中選擇s個樣本點，對這些樣本點進行測量和標記，把測量所得的數據輸入數據采集系統。然后采集樣本點的指紋數據(包括IP地址、MAC地址、RSSI信號強度)，設置相同時間間隔的采集，一個樣本點采集時間為30 s，分10 次采集完成，把采集的數據傳輸到應用服務器。應用服務器對采集的信息進行處理計算，求得樣本點的RSSI平均值，并對這些平均值進行組合。組合所得結果存入指紋庫，計算指紋庫的平均值，把平均值指紋庫隨機分成2部分，這2部分是定位的關鍵，2部分是測試指紋數據庫與訓練指紋庫。對Elman神經網絡進行初始化利用的就是訓練指紋數據庫，利用CPSO算法開展Elman神經網絡的尋優，將最優的結果輸出，實現井下人員定位。最優解再次代入神經網絡中，進行訓練和測試，建立井下人員定位模型。

{x,y,r1,r2,…,rm,MAC地址，IP地址}

(11)

式中：(x，y)為樣本點在礦井中的實際位置坐標，rm代表的是煤礦井下采樣本點RSSI平均值。RSSI 值是一個存在瞬時變化較大的數值，需要多次采集求得平均值，以降低采集結果的誤差，提高對井下人員定位的精確度。

2) 實施定位階段。工作人員需要先把無線定位終端帶到井下巷道，開始選擇定位點，定位點的選擇是隨機的，之后開啟無線定位終端。無線定位終端把采集到的指紋信息數據傳輸至應用服務器。應用服務器對其進行處理，計算出RSSI平均值。然后在Elman神經網絡定位算法模型中代入定位點的信息數據，計算煤礦井下定位點坐標。最后將RSSI平均值的組合導進定位指紋數據庫，井下人員定位系統結束定位。

4 九龍礦實例驗證分析

4.1 試驗條件

選擇九龍礦進行現場試驗，試驗環境包含運輸巷、回風巷等組成的礦井環路。在確保試驗安全的情況下進行本次試驗，試驗環境如圖3所示。

圖3 試驗場地平面圖

試驗過程中，由于煤礦井下巷道較多，無法均勻布置無線接入點，解決這一困境的方法是通過網絡覆蓋算法展開接入點的優化。試驗現場布置16個無線接入點，優化后接入點與接入點之間距離在30～80 m范圍內，在實驗場地共部署16個無線接入點。

本次試驗的系統軟件編寫程序采用Python，應用服務器的CPU為Xeon E5-2 660，內存為64 G，數據庫采用SQLo。試驗工作人員從指紋庫選擇300個樣本點，訓練指紋數據庫由余下的1 464個樣本點組成，樣本信息在采集的過程中盡可能保證均勻。

考慮煤礦井下環境和人員定位系統實現精確定位的條件，結合樣本輸出和輸入屬性，設置優化神經網絡的參數，如表1所示。

表1 優化Elman神經網絡參數

對定位系統中的Elman神經網絡參數進行參數優化，結合測試指紋數據庫信息和訓練指紋數據庫信息，能夠建立井下人員定位系統算法模型。

當試驗人員進行試驗時，將無線定位終端固定身上，間隔相同的時間，采集數據一次，設置采集時間間隔5 s，工作人員以速度2 m/s進行樣本點的數據采集。每一個采集周期的采集數據組數為80～100組，測試完之后回到起始點重新進行下一輪測試。由于數據測量過程中存在誤差，因此，需要進行多次重復測量以減少誤差，試驗重復5次，取平均值作為指紋數據庫的結果值。

4.2 定位性能分析

4.2.1 對比最小二乘法定位性能

檢測Elman神經網絡人員定位系統的定位性能，將其對比不同定位系統的定位性能。選擇最小二乘法與本次試驗的定位算法進行對比。

文獻[4]中采用最小距離算法進行定位，然后加權最小二乘法，文中把試驗場地進行若干分段，對不同的區段分別采用加權，提高定位精度。

做458組定位數據，計算加權值，計算方法為最小二乘法定位計算。采用兩種不同的計算方法進行定位，將458 組定位指紋數據分開調用，調用次數為100次，定位所得的結果如圖4所示。

圖4 不同定位算法定位誤差圖

由圖4可知，Elman神經網絡算法定位所得結果誤差較小，而分段加權最小二乘法所得結果誤差較大。根據試驗結果，將Elman神經網絡算法和最小二乘法所得結果的誤差進行對比，如表2所示。其中，縱坐標誤差累計分布反映了不同定位誤差的集中程度，該誤差累計曲線變化越緩慢，說明在該定位誤差處的樣本數據越少，反之，樣本數據在該定位誤差累計越多。Elman算法誤差曲線在2.63 m之后的曲線變化速率很小，說明該處是樣本數據最大累計誤差。

表2 不同算法定位誤差對比

由表2可知，不同的定位算法所得出的定位誤差大小不同，分段加權最小二乘法最大誤差3.76，而Elman 神經網絡算法最大誤差2.63。對兩者的平均誤差進行比較，發現EIman神經網絡算法平均誤差比最小二乘法所得的定位誤差小，前者平均僅為1.35 m，能夠滿足井下復雜環境時作業人員的定位需要，符合智能型煤礦要求。

4.2.2 4種神經網絡算法定位性能對比

檢測Elman神經網絡人員定位系統的定位性能，再次將其對比不同定位系統定位性能。選擇另外3種不同算法進行定位對比，其他3種不同的算法分別是PSO-BP神經網絡算法、BP神經網絡算法、傳統Elman神經網絡算法。

參照表1網絡參數，設置Elman神經網絡各個參數，PSO-BP神經網絡神經元個數分別為：輸入層16個， 輸出層2個，隱含層34個。BP神經網絡的參數設置與PSO-BP神經網絡參數設置一致。利用前面試驗得到的測試數據庫與訓練數據庫，將458 組定位指紋數據分開調用，調用次數為100次。最終所得的定位結果如圖5所示。

圖5 不同算法定位誤差分布

由圖5可知，不同算法在進行人員定位時，所表現的誤差不同，且呈現出較大差異。其中，本文Elman神經網絡算法定位精度最高，傳統Elman神經網絡算法比BP神經網絡算法精度略高，BP神經網絡算法精度最低。依據以上試驗結果，對不同定位算法的誤差進行對比，如表3所示。

表3 不同定位算法誤差對比

由表3可知，不同算法的誤差有著較大區別。BP神經網絡最大誤差3.76，而Elman神經網絡算法最大誤差2.63，與其他4種算法的平均誤差相比，本文Elman神經網絡算法誤差小，僅為1.35 m，定位精度較高，優化結果較好，能夠滿足井下作業人員的定位需要，符合智能化煤礦要求。

4.2.3 檢測多人實時定位性能

檢測Elman神經網絡人員定位系統的定位性能，再次將其應用到多人定位條件下，檢驗其定位性能。邀請12名自愿參與試驗的志愿者開展定位測試，每個人配備無線定位終端，實時測試系統如圖6所示。

圖6 井下人員位置監測系統

參與試驗的志愿者在巷道內走動，在每隔5s的時間內，定位點采集數據，為保證數據采集的精度和準確性，采集次數重復500次，再經Elman神經網絡算法對12名參與試驗的人員進行定位，計算出每個人員的定位誤差，得到誤差數據如表4所示。

表4 礦井人員實時定位誤差

由表4可知，不同試驗人員進行定位后，所得的最大誤差與平均誤差大小不同。最大誤差為10號，誤差值為3.03 m;最大平均誤差為5號，誤差值為1.43 m。整體誤差與表3的結果相差不大，在平均誤差上基本接近。因此本文選擇的Elman 神經網絡算法能夠在礦井中實現多人實時定位，定位精度較高，誤差僅僅為1.35 m。且Elman 神經網絡算法魯棒性更好，能夠適應煤礦井下復雜的工作環境，可以進行井下人員定位。

5 結論

針對煤礦井下環境復雜，工作人員定位精度低，提出一種井下人員定位系統，該系統基于Elman 神經網絡對井下人員進行定位。

Elman神經網絡具有記憶功能，能夠處理所需要的信息，減少了礦井環境對系統定位精度的影響。試驗表明，該系統在人員定位方面的精度較BP神經網絡算法高，能夠滿足井下人員定位要求。