基于改进BP神经网络的井下无线定位算法研究*

2019-04-09莫树培徐广允

煤矿现代化 2019年3期

莫树培，徐广允

（贵州工业职业技术学院图书与信息中心，贵州贵阳 550000）

0 引言

煤矿井下作业人员安全，关系煤矿安全保障能力，目前井下人员定位多采用射频识别技术（FRID），定位精度不高，无法满足井下定位需要。近年来有部分国有大中型煤矿开始使用无线网络进行井下信息传输，在不增加设备的情况下可用其进行人员无线定位。

无线定位算法主要有质心算法、加权质心算法和神经网络算法等；质心算法基于无线网络的连通性，易于实现定位，但定位精度不高；加权质心算法通过设置权值提升网络中的信息利用率提高定位精度，但在井下复杂的电磁环境中，会干扰有用信息从而影响定位精度；神经网络算法可解决信号模型中参数不精确问题，提升定位精度，但收敛速度缓慢。针对上述问题，本文提出基于改进BP神经网络的井下人员定位算法加快收敛速度，并提高定位精度。

1 改进BP神经网络算法

改进BP神经网络算法是在BP神经网络基础上加入动量项，加快收敛速度。该算法实施定位分为离线训练阶段和在线定位阶段。

根据实验条件，本文设计BP神经网络分为4层，包含输入层1层、隐含层2层和输出层1层。输入向量矩阵RSSIi(i=1,2,,n)表示目标点获取n个AP节点的RSSI值。

图1 BP神经网络定位模型

神经网络的激活函数是用于激活每个神经元，隐含层和输出层采用双曲正切函数（sigmoid函数）为激活函数，表达式为：

对式1求vi(n)导数为：

式中：yi(n)=φi(vi(n))；

当神经元i位于输出层时，其局域梯度表示为：

式中：di(n)是神经元的输出响应；

当神经元i位于任意隐含层输出层时，其局域梯度表示为：

式中：k是神经元i的下一层网络中的所有神经元。

BP神经网络算法实际就是对代价函数的误差曲面进行梯度下降方式寻找最优，在修正w(n)时，按n时刻的负梯度方式进行修正，在没有考虑以前时刻的梯度方向，会使训练过程发生震荡收敛慢。

针对此问题提出改进BP神经网络加入动量项，改善收敛性能。动量项表达式为：

式中：η为学习率；α为动量因子，1＞α≥0；当α为0时，为传统的BP神经网络算法。

2 测试策略

本实验是在贵州工业职业技术学院实训楼未启用负二层地下停车场进行，选取100m*4m的实验区域模拟井下巷道环境，利用电磁干扰器模拟井下机电设备工作时产生的电磁干扰。程序编写使用TensorFlow,编辑环境用Python，编辑器用Anaconda，编写出BP神经网络算法和改进BP神经网络算法。

结合现场环境安装4个AP终端间距在25m内，可满足400m2无线信号全覆盖，用CC2530作为采集无线设备，每个采样点采集20次RSSI值，求出RSSI的平均值，与采样点的坐标位置一起组成集合{x,y,RSSI1,RSSI2,…,RSSIn}。根据实验场地，每隔2m采集1个采样点，共采集153个采样点，组成神经网络的训练集。

3 性能分析

离线训练阶段：将训练集中RSSI值作为两个模型输入，将训练集中采样点坐标位置作为模型输出，设置学习率η为0.42；动量因子α为0.58；把训练集分别带到两个模型中进行训练，经过多次迭代计算后，完成训练。

经过测试BP神经网络算法和改进BP神经网络算法训练达到最优时，迭代次数见表1。

表1 两种神经网络算法最优迭代次数

从表1中可看出BP神经网络算法迭代次数为2459次，改进BP神经网络算法迭代次数为1126次，由此可得改进BP神经网络算法迭代次数较少，算法复杂度优于BP神经网络算法，从而加快神经网络收敛速度。

在线定位阶段：测试人员从起始位置（0,0）带上CC2530作为待测点，以2m/s的速度做随机曲线运动，走到终点位置（100,4），经过多次反复行走，共随机得到59个待测点数据。

将得到带测点数据用质心算法、加权质心算法、BP神经网络算法和改进BP神经网络算法进行定位计算，得到算法定位误差概率图，如图2所示：

图2 算法定位误差累计概率图

由图2可知，四种算法定位误差小于1m概率分别为 21.49%，30.21%，42.13%；48.64%，而定位误差小于3m概率分别提高到 62.87%，69.45%，87.38%，94.54%；而定位误差小于5m概率分别到87.12%，90.26%，95.87%，97.91%。根据定位误差概率，可看出改进BP神经网络算法比质心算法和加权质心算法定位精度大幅提高，比BP神经网络算法定位精度略有提高，所以改进BP神经网络算法能够满足井下人员无线定位的需要。