改进神经网络的无线网络室内定位①

岳小冰,郝 倩

(河南工业职业技术学院 电子信息工程系,南阳 473000)

1 引言

近年来,随着移动终端技术的成熟,无线通信的成本低,因此无线网络应用范围不断拓宽.在无线网络的应用中,位置信息至关重要,尤其是室内定位[1].在室内环境中,全球定位系统(GPS)无法使用,同时室内定位易受室内环境的干扰,无线信号变化十分快,因此室内定位一直是无线网络研究领域中的重大课题[2,3].

针对无线网络的室内定位问题,国内外学者进行了大学的研究,提出了许多有效的室内定位方法[4].根据定位原理,室内定位可以分为:基于距离和基于信号强度的两类定位方法[5],基于距离的室内定位方法要求测量节点之间的距离,定位成本低,而且定位精度比较,实际应用价值不高[6].基于信号强度室内定位方法采用信号有多,其中接收信号强度(Received Signal Strength Indication,RSSI)使用最为广泛[7].当前基于RSSI的无线网络室内定位方法通常采用一定的算法对节点位置进行估计,当前主要采用K最近邻算法、支持向量机、神经网络等[8-10],其中K最近邻算法的计算复杂高,导致无线网络室内定位方法的定位效果差,而支持向量机的训练过程耗时比较长,室内定位效率低,神经网络的训练速度快,在无线网络室内定位建模中应用最为广泛.但是标准神经网络,如BP神经网络存在收敛速度慢,参数难以确定等问题[11,12].

为了提升无线网络室内定位的效果,针对当神经网络存在无线网络室内定位精度的难题,设计了一种基于改进神经网络的无线网络室内定位方法(ACOBPNN).首先提取室内定位的数据,然后采用神经网络对数据进行学习,建立无线网络定位模型,并对神经网络的缺陷进行改进,最后在Matlab平台上进行了仿真实验.

2 神经网络和人工蜂群算法

2.1 神经网络

BP神经网络学习过程由信息的正向传播和误差的反向传播组成,由输入层、隐含层和输出层构成,采用最速下降法学习规则,首先BP神经网络为信息的正向传播;然后为误差的反向传播,不断调整网络的权值和阈值,使误差信号变小,一直到输出值和期待值的误差减小到规定范围内,就可以得到相应的输出值.

(1)输入层、隐层和输出层的节点为N、L和M,输 入 为X=[x0,x1,···,xN-1],隐 含 层 输 出 为H=[h0,h1,···,hL-1],实际输出为Y=[y0,y1,···,yM-1],目标输出为D=[d0,d1,···,dM-1],输入层节点i和隐含层节点j的权重为Vij,隐含层节点j和输出层节点k的权重为Wik,输出和隐含层阈值分别为θk和φj.设:

隐含层节点的输出为:

输出层节点的输出为:

(2)计算yk和dk之间的输出误差项为:

(3)权重调整量的计算公式为:

式中,η表示学习速率.

(4)网络权重调整方式为

(5)继续迭代,直到预测的误差达到预定要求,得到最优权重Vij和Wjk.

2.2 人工蜂群算法

人工蜂群(ABC)算法模拟蜜蜂的采蜜过程,通过不同角色蜜蜂间的交流,转换和协作来实现群体智能,包括引领蜂,跟随蜂和侦察蜂.引领蜂和食物源的数量一样,用于存储食物源信息,并把食物源信息分享给跟随蜂;跟随蜂在舞蹈区等待引领蜂来分享食物源信息,通过观察引领蜂的舞蹈,选择最优引领蜂进行跟随;侦察蜂在蜂巢附近搜索食物源,找到新的食物源.设有n个食物源X=(X1,X2,···,Xn),第i个食物源位置为D维的向量Xi=[xi1,xi2,···,xiD]T,(i=1,2,…,n),代表优化问题的一个可能解.食物源的适应度值计算公式:

式中,f为目标函数值.

首先,通过式随机初始化n个食物源的位置:

式中,(xij)max和(xij)min为xij的上界和下界;rand(0,1)为随机数.

引领蜂首先对相应的食物源进行一次邻域搜索,用式(12)来表示:

如果新食物源要优于原来的食物源,那么就用新食物源位置去替代原来位置,当全部引领蜂完成搜索后,将食物源信息传达给跟随蜂.跟随蜂根据相关概率Pi选择一个引领蜂进行跟随,Pi计算公式为:

当跟随蜂选择食物源后,需要对食物源进行邻域搜索,并保留适应度较高的食物源.若食物源经过引领蜂和跟随蜂limit次循环后,仍然没有被替换,那么该位置被放弃,此时引领蜂转变为侦察蜂,随机搜索一个食物源替换原食物源.

3 ACO-BPNN的无线网络室内定位方法

ACO-BPNN的无线网络室内定位原理为:首先采集室内定位的数据,然后采用BP神经网络数据进行学习,采用ABC算法对神经网络进行优化,最后建立无线网络室内定位模型,具体如图1所示.

图1 ACO-BPNN的室内定位流程

改进神经网络的无线网络室内定位步骤为:

(1)采集室内定位的数据,并进行归一化处理.

(2)根据采集的数据确定神经网络的结构.

(3)初始化ABC算法的相关参数.

(4)随机产生食物源位置Xi=[xi1,xi2,···,xiD]T,D为解的维数,D其值为:

秀容月明因对本地不熟，就拜托丛时敏去帮他配一味毒药，他服了药，去见梨友，一个时辰内就毒发身亡。那样，桂州六十万百姓的性命保住了，他也不至于受辱。可他被丛时敏骗了，丛时敏早就降了胡人。

式中,M、H和N为输入层、隐含层、输出层的节点数.

(5)将食物源Xi反编码为神经网络的权值和阈值,对训练样本进行学习,得到目标函数值为:

式中,di和tk分别为实际和目标输出,n为训练样本数.

(6)重复上述步骤,得到所有食物源的适应度值.

(7)引领蜂在邻域内产生新解Vi,根据贪婪原则选择Xi和Vi的最优者进入下一代.

(8)跟随蜂估计Pi,根据Pi在Xi邻域产生新解Vi,采同样的方式选Xi和Vi间最优者保留下来.

(9)若连续limit次搜索后,一个解没有得到明显改善,那就就要放弃该解,此时引领蜂变为侦察蜂,并产生一个新解Vi.

(10)选择目前最优的解.

(11)当寻优终止后,最优解对应的连接权值和阈值赋给神经网络,重新对样本进行学习,建立无线网络室内定位模型.

4 仿真实验

4.1 仿真场景

为测试改进神经网络(ABC-BPNN)的无线网络室内定位效果,选择一个如图2所示的仿真场景进行仿真实验,采用Matlab 2014工具箱编程实现改进神经网络算法.

图2 仿真场景

4.2 结果与分析

无线网络室内定位误差的计算公式为:

式中,(x,y)表示实际节点位置;(x′,y′)为估计位置.

在相同实验环境下,采用标准BP神经网络(BPNN)、K最近邻算法(KNN)、遗传算法优化神经网络(GA-BPNN)作为对比方法,统计它们的定位误差,结果如图3所示,从图3可以看出,在所有方法,KNN的定位误差最大,其次为BPNN,定位误差最小者为ABC-BPNN,这是因为ACO-BPNN通过ACO算法对BP神经网络的参数进行优化,获得了比遗传算法、梯度下降算法更优的参数,建立了更优的无线网络室内定位模型,提高了无线网络室内定位精度,有效降低了无线网络室内定位误差.

图3 各种方法的定位误差对比

不同方法的训练时间和测试时间对比,结果如图4所示.从图4可知,所有算法的训练时间均要高于测试时间,这是因为训练过程的计算复杂相对更高,迭代次数更多,在相同条件下,ACO-BPNN的训练时间和测试时间均要小于对比方法,提高了无线网络室内定位的效率,加快了无线网络室内定位速度,实际应用范围更加广泛.

图4 不同方法的执行时间对比

5 结束语

针对神经网络在无线网络室内定位中存在的不足,设计了一种基于ACO-BPNN的无线网络室内定位方法,引入ABC算法对神经网络参数——连接权值和阈值进行优化,克服当前方法存在的缺陷,通过具体对比实验测试其有效性,结果表明,ACO-BPNN加快了训练和测试速度,提高了无线网络室内定位精度,具有十分广泛的应用前景.

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,唐祯安,喻言.室内无线传感器网络信道传输模型及统计分析.控制与决策,2014,29(6):1135-1138.

5倪巍,王宗欣.基于接收信号强度测量的室内定位算法.复旦学报(自然科学版),2004,43(1):72-76.

6夏俊,俞晖,罗汉文.基于多传感器数据融合的室内定位算法.上海师范大学学报(自然科学版),2015,44(1):65-71.

7张明华,张申生,曹健.无线局域网中基于信号强度的室内定位.计算机科学,2007,34(6):68-71,75.

8刘召伟,徐凤燕,王宗欣.基于参数拟合的室内多用户定位算法.电波科学学报,2008,23(6):1090-1094,1105.

9徐凤燕 ,石鹏,王宗欣.基于参数拟合的距离-损耗模型室内定位算法.电路与系统学报,2007,12(1):1-5(请核对本条文献序号).

10林以明,罗海勇,李锦涛,等.基于动态Radio Map的粒子滤波室内无线定位算法.计算机研究与发展,2011,48(1):139-146.

11张勇,黄杰,徐科宇.基于PCA-LSSVR算法的WLAN室内定位方法.仪器仪表学报,2015,36(2):408-414.

12张会清,石晓伟,邓贵华,等.基于BP神经网络和泰勒级数的室内定位算法研究.电子学报,2012,40(9):1876-1879.

13李瑛,胡志刚.一种基于BP神经网络的室内定位模型.计算机技术与自动化,2007,26(2):77-80.