RBF神经网络优化后的无线网络室内定位

单超颖 李权 郭莉莉

摘  要： 目前室内定位技术已经相当成熟，但是依旧存在四个方面的问题：一是支持向量机的定位性能不高;二是室内环境相对复杂;三是神经网络的参数不够明确;四是无线信号具有较强的时变性。针对上述问题，提出通过和声搜索算法对RBF神经网络进行优化的無线网络室内定位系统。通过模糊聚类对有效训练区进行选择，以提高其精确性。同时，以和声搜索算法为依据进行RBF神经网络的参数计算，实现更加精准的室内定位。经过实验仿真表明，该系统切实可行。

关键词： 无线网络; 室内定位; RBF神经网络; 和声搜索; 聚类分析; 仿真实验

中图分类号： TN915?34                              文献标识码： A                     文章编号： 1004?373X（2020）22?0049?04

Abstract： At present， indoor positioning technology has been relatively mature， but there are still four problems： poor positioning performance of the support vector machine， relatively complex indoor environment， unclear parameters of neural network， and strong time?varying of the wireless signal. On this basis， a wireless network indoor positioning system optimized by RBF neural network by means of harmony search algorithm is proposed. The effective training area is selected by means of the fuzzy clustering to improve its accuracy. At the same time， the parameters of RBF neural network are calculated on the basis of the harmony search algorithm to achieve more accurate indoor positioning. The experiment simulation results show that the system is feasible.

Keywords： wireless network; indoor location; RBF neural network; harmony search; clustering analysis; simulation experiment

在人们生活的方方面面，基于无线网络的定位技术被广泛应用。与室外定位不同，由于室内环境复杂、神经网络参数难以明确以及支持向量机无法取得良好的定位性能等原因，室内定位一直无法取得较高的精度[1]。在室内定位当中，以无线网络为基础的室内定位技术可以大致分为两类：一是通过时间测距进行室内定位;二是通过对信号强度的接收进行室内定位[2]。在通过时间测距进行室内定位的定位技术当中，其室内定位的信号判别依据可以是信号的到达时间，也可以是信号到达的时间差[3]。

1  和声搜索算法简述

1.1  和声搜索算法的原理

和声搜索算法（HS算法）作为启发式的全局搜索算法，通过迭代演算，选取整体最优，达到选择目的[4]。下面将和声搜索算法的原理依据进行简述。首先随机得出和声数据库，以此作为解空间，而后通过音调调整和随机抽取得出对应候选解[5]。所得候选解与原有解空间当中的最差解进行比对，若候选解与最差解相比较优，则对其进行取代，并更新解空间。如此迭代搜索，直到达到整体最优的选取。

1.2  基础和声搜索算法

和声搜索算法的执行程序可以分为以下几步。

1） 对问题参数以及算法参数进行初始化

面对实际优化问题，问题参数的上限可定义为[YU]，下限可定义为[YL]。算法参数中，最大迭代次数可定义为N，HMCR为和声记忆库的考虑概率，HMS为和声记忆库的大小，也为解向量的数量，BW为音调微调的幅度，PAR为音调微调的概率。

2） 对和声记忆库进行初始化

解向量的数量（HMS）构成和声记忆库（HM），HM的公式可以表示为：

3） 得到新和声向量

新和声向量[y′]中，其[y′j]（第j维分向量）的求取与以下三个步骤有关：音调的调整、参数在定义域内的随机选择以及对整体的和声记忆库进行考量。和声记忆库的考量是指在HM中第j维分量集合当中随机选择一个向量，并赋值给[y′j]。若HMCR满足实际要求则对HM进行考量，进行[y′j]的赋值。此后进行音调的调整，音调调整的前提条件是PAR满足实际需求。此过程为，在以[y′j]为圆心的小半径区域内的搜索过程，若HMCR不满足实际需求，则在整体取值范围[[YjL，YjU]]中随机选取数值并赋值于[y′j];若PAR不满足实际需求，则不做动作。此过程中，引入rand（）函数。rand函数表示在[0，1]区间内的随机值，此均匀值的分布方式为均匀分布。BW的数值选取往往较小，同时要依据实际的情况需要进行设置。新和声向量的求取过程的程序框图如图1所示。

4） 和声记忆库的更新

和声记忆库的更新主要是将所得的新和声向量与和声记忆库中的最差解进行比对，根据情况进行取代，达到数据库的更新。

5） 终止规则的检验

迭代次数q达到最大迭代次数Q时，和声搜索算法停止，迭代次數是唯一的终止规则。和声搜索算法的整体流程如图2所示。

2  涉及到的相关理论简述

2.1  压缩感知算法

压缩感知算法的核心依据主要包括两个方面：一是其采样方法与所在稀疏空间的不相关的特性;另一方面是信号所具有的稀疏特性。信号的稀疏特性也是压缩感知算法的运行基础[6]。如果试验信号不满足稀疏要求，需要对其进行变换。具体算法当中，原始信号用变量x表示[x=i=1Nqiφi，x∈CN]，同时，对原始信号进行变化，得到向量q（q=[φTx]），当向量的非零系数有有限个时，则此向量在变化之后能够进行稀疏表示。有限个非零系数的个数K为词向量的稀疏度，[φ]为[N×N]阶的稀疏矩阵。同时，设y为维数为M的观测信号，[x′i]的维数为N，二者构成[M×N]阶的测量矩阵，用[μ]表示。若满足[y=μx]，且[K log2NK≤M，θ=μφ]，则信号模型与对应的测量矩阵不具备关联性，但是满足对应的信号重构的条件。信号重构的过程是信号x在y中得以恢复的过程。首先应当对变换后的向量q做出求解计算，而后做出进一步的信号恢复[7]。压缩感知算法的具体工作原理如图3所示。

2.2  模糊聚类算法

模糊聚类算法的算法过程如下。

整体样本集合设为[N=y1，y2，…，yn]，集合任意向量[yp=yp1，yp2，…，ypn]，n为向量维数，聚类后数据划分的子类数量为N，第q个聚类中心可记作[Sq=Sq1，Sq2，…Sqn]，其中n=1，2，…，N。隶属度[Uqp]为第q个聚类中心点与第p点的隶属度，隶属度以及聚类中心的矩阵可以记为[μqp]。依据以上参量，对各聚类之间的样本依附性进行计算，同时计算其各聚类之间的整体相似度，并得出整体样本的模糊等阶矩阵。而后进行模糊聚类，并得出最优解。

2.3  径向基神经网络

径向基（RBF）神经网络为三层结构，包含隐含层、输入层以及输出层[8]。在RBF神经网络当中，输入层达隐含层的变化过程为非线性，隐含层达输出层的变化过程为线性。其基本思想是通过输入层矢量到隐含层的直接映射，确定映射关系，同时通过隐含层对输出层的线性映射，达到更好的数据学习目的。RBF神经网络结构如图4所示。

2.4  和声搜索算法优化后的RBF神经网络

和声搜索算法以和声音乐演奏为启发，对RBF网络进行优化。通过随机选取和变量微调，对已有的记忆方案进行迭代的最优化调整，达到最优解的选取目的。在这一过程当中，问题所需的决策变量可用乐器j（j=1，2，…，N）来表示，解向量可用和声[Hi]（i=1，2，…，M）来表示。借助和声搜索算法，RBF神经网络所需要求解的三个参数能够得到更好的求解[9]。具体方法如下：

1） 对基于无线网络的室内定位进行采集，组成初始样本集合，具体划分为预测集合以及训练集合。

2） 对当前情况下室内定位的误差进行记录，在算法优化当中，将此作为目标函数。

3） 对和声搜索算法需要进行优化的各项参数进行初始化。

4） 通过训练集合进行RBF神经网络的学习，产生新和声向量，同时对此向量做出评测。

5） 新和声向量与最优和声向量进行比对，若新和声向量较优，则做出替代。

6） 继续进行迭代，若迭代次数满足最大迭代次数，则停止;否则，执行步骤4）。

7） 得出最优和声向量，求取最优RBF神经网络相关的三个参数，完成室内定位模型的建立。其程序如图5所示。

3  优化后室内定位模型的建立

基于和声搜索算法对RBF神经网络进行优化的室内定位系统的建立，分为3步：

1） 进行信号重构，以压缩感知算法为依据;

2） 将样本数据进行聚类分析，以模糊聚类算法为依据;

3） 通过和声搜索算法对RBF神经网络优化，完成室内定位系统的建立[10]。整体的流程如图6所示。

基于和声搜索算法优化后的RBF神经网络定位模型的运行流程如下：

1） 室内定位当中，其处在各位置的信号强度用变量x表示，若该点未经采集，则进行录入;否则，删除对应点。

2） 依据已得信息，进行观测矩阵的建立。

3） 通过压缩感知算法对采集数据进行信号重构。

4） 对重构后的信号通过模糊聚类算法进行聚类分析。

5） 通过RBF神经网络进行学习和结果选取，并借助和声搜索算法进行结果优化，实现更为精准的基于无线网络的室内定位。

4  实验结果以及分析

4.1  实验环境简述

为检验研究成果，选取普通住所作为实验的实践环境。普通住所的平面结构图如图7所示。无线检测信号为WiFi，移动终端使用手机，各位置样本采集量为100，信号的采样时间设置为2 s，定位模型交互环境使用Matlab 2015b。

4.2  结果以及分析

选择当下较为经典的K最近邻算法以及原有的RBF神经网络进行横向比对。同一位置各算法的定位误差如图8所示。

由图8对比发现，通过和声搜索算法优化后的RBF神经网络与其他两种算法相比具备更精确的室内定位效果。这与优化后的RBF神经网络能够获取充分的WiFi信号信息以及其优化能力有很大的关系。其中，RBF神经网络具备优于K最近邻算法的定位精度，这主要是由于RBF神经网络相较之下具备更好的学习能力。图9为不同参考位置以及不同算法的误差对比。

由图9可知，在不同相邻参照位置距离之下，通过和声搜索算法优化的RBF神经网络总体来说定位精度更高，相对收敛程度更好。通过实践结果分析，经和声搜索算法优化后的RBF神经网络具备更为优越的室内定位性能。

5  结  语

为了解决当前基于无线网络的室内定位当中的固有问题，对通过和声搜索算法优化RBF神经网络的室内定位系统进行研究和实践。此过程中，整体数据样本的预处理借助压缩采样和模糊聚类，起到了减少样本数据采集、加快训练速度的作用。而后，借助和声搜索算法，对RBF神经网络的参数求取进行优化，在更大程度上提高了室内定位系统的精确性。结果表明，所提方法切实可行，能够起到更好的以无线网络为基础的室内定位效果。

参考文献

[1] BOURNE D W A. Mathematical modeling of pharmacokinetic data [M]. Florida： CRC Press， 2018.

[2] KADRI R L， BOCTOR F F. An efficient genetic algorithm to solve the resource?constrained project with trans?fer times： the single mode case [J]. European journal of operational research， 2018（2）： 459?461.

[3] BATES J， THE I， MCCLYMONT D， et al. Monte Carlo simulations of diffusion weighted MRI in myocardium： validation and sensitivity analysis [J]. IEEE transactions on medical imaging， 2017， 36（6）： 1316?1321.

[4] 李华亮，钱志鸿，田洪亮.基于核函数特征提取的室内定位模型研究[J].通信学报，2017，38（1）：159?166.

（上接第52页）

[5] OUYANG H， GAO L， LI S， et al. Improved global?best?guided particle swarm optimization with learning operation for global optimization problems [J]. Applied soft computing， 2017， 52： 992?1005.

[6] LI X Y， QIN K， ZENG B， et al. A dynamic parameter controlled harmony search algorithm for assembly sequence planning [J]. The international journal of advanced manufacturing technology， 2017， 92（9/12）： 3400?3409.

[7] GUO Z， WANG S W， YUE X Z， et al. Global harmony search with generalized opposition?based learning [J]. Soft computing， 2017， 21（8）： 2130?2137.

[8] 赵新超，刘朝华.一种融入差分变异的变规模和声搜索算法[J].集美大学学报（自然版），2017，22（4）：58?67.

[9] BASTUG E， BENNIS M， MEDARD M， et al. Toward interconnected virtual reality： opportunities， challenges， and enablers [J]. IEEE communications magazine， 2017， 55（6）： 110?117.

[10] 雍龙泉，拓守恒，史加荣.约束处理技术及应用[J].计算机科学与探索，2018，12（6）：1015?1020.