• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      一種基于神經(jīng)網(wǎng)絡(luò)的RSSI定位算法

      2020-07-04 12:37:40宗傳林高作相賀育茹
      河南科技 2020年13期
      關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò)

      宗傳林 高作相 賀育茹

      摘 要:針對商場、地下室等室內(nèi)環(huán)境GPS室內(nèi)信號較弱、定位誤差較大的問題,本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的RSSI定位算法,通過對基本的BP算法加以改進(jìn),優(yōu)化其功能,最后進(jìn)行實(shí)驗(yàn)驗(yàn)證。

      關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);指紋庫;RSSI;K聚類算法

      中圖分類號:TP212.9文獻(xiàn)標(biāo)識碼:A文章編號:1003-5168(2020)13-0024-03

      An RSSI Localization Algorithm Based on Neural Network

      ZONG Chuanlin GAO Zuoxiang HE Yuru

      (Changchun University of Science and Technology Changchun, Jilin 130022)

      Abstract: Aiming at the problem of weak indoor signal and large positioning error of GPS in shopping malls, basements and other indoor environments, this paper put forward a RSSI positioning algorithm based on neural network, improved the basic BP algorithm, optimizes its function, and finally carried out experimental verification.

      Keywords: neural network;fingerprint library;RSSI;K clustering algorithm

      隨著互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的高速發(fā)展及無線局域網(wǎng)的普及,人們越來越看重信息傳遞的準(zhǔn)確性和即時(shí)性。在該背景下,產(chǎn)生了一個(gè)新型的服務(wù)種類,即基于位置服務(wù)(Location Based Services,LBS),為人們提供了巨大的便利。LBS在日常生活中主要體現(xiàn)在室外定位的應(yīng)用上,如利用全球定位系統(tǒng)(Global Positioning System,GPS)、北斗衛(wèi)星的道路導(dǎo)航、輔助定位服務(wù)等;但在室內(nèi),因障礙物過多、過厚,導(dǎo)致衛(wèi)星信號無法穿透,加上衛(wèi)星的多徑效應(yīng)等因素,嚴(yán)重影響了室內(nèi)定位的精準(zhǔn)性。通常,GPS室外定位精度能達(dá)到3~5 m,甚至可以更精確,但在結(jié)構(gòu)較為復(fù)雜的室內(nèi),誤差能夠達(dá)到10 m。目前,室內(nèi)的定位技術(shù)主要有藍(lán)牙定位技術(shù)、射頻定位技術(shù)、無線保真(Wireless Fidelity,WiFi)定位技術(shù)、紅外定位技術(shù)以及超聲波定位技術(shù)等[1]。其中,WiFi定位技術(shù)又包括信道定位技術(shù)和信號強(qiáng)度(Received Signal Strength Indication,RSSI)定位技術(shù)。在我國,通信技術(shù)十分發(fā)達(dá),在室內(nèi)外公共場所,有著極高的WiFi覆蓋率,使得WiFi室內(nèi)定位具有良好的優(yōu)勢;同時(shí),WiFi定位技術(shù)不需要額外的傳感器,與GPS相比,速度提高了10倍以上[2],且通過軟件開發(fā)就能實(shí)現(xiàn)定位,因此WiFi定位技術(shù)發(fā)展較快。

      本文結(jié)合梯度下降法原理和神經(jīng)網(wǎng)絡(luò)編寫了一套定位算法,利用無線接入點(diǎn)(Access Point,AP)與用戶之間線性與非線性的關(guān)系,解決了在傳統(tǒng)AP定位中用三個(gè)AP求解三角形法無法解決的多徑效應(yīng),也解決了傳播過程中依賴傳播衰減公式帶來的較大誤差。同時(shí),給出了對模型的獎(jiǎng)勵(lì)與懲罰方法,并引入了基本K聚類算法,以提高模型精度。在離線階段給出了不同數(shù)據(jù)量情況下選擇不同的查找方法以提高查找效率,最后通過在特定場景下的簡要實(shí)驗(yàn),得出此場景下的選擇參數(shù),其最小誤差為1.42 m。

      1 定位系統(tǒng)流程和相關(guān)原理

      1.1 定位系統(tǒng)流程

      定位系統(tǒng)流程圖如圖1所示。從圖1可以看出,離線階段:初始程序,讀取各點(diǎn)RSSI值并進(jìn)行迭代,將讀取的值保存到指紋庫中,直至迭代完成;在線階段:通過將讀取的RSSI值與指紋庫中的指紋對比找出對應(yīng)位置,并再次依次迭代。

      1.2 基本原理

      通常情況下,人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNS)主要用來處理非線性問題,例如,在信號傳播過程中涉及多種噪聲、衰減等非線性問題。因此,采用ANNS中的誤差反向傳播算法(Error Back Propagation,BP)具有很大的優(yōu)勢。

      在處理數(shù)據(jù)的過程中,研究者采用離差標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行歸一化處理,函數(shù)形式為:

      式中,[Xmin]為數(shù)據(jù)中最小值;[Xmax]為數(shù)據(jù)中最大值。

      BP算法中隱層節(jié)點(diǎn)數(shù)對定位精度具有很大的影響:隱層節(jié)點(diǎn)數(shù)過少,訓(xùn)練精度過低,模型欠擬合;隱層節(jié)點(diǎn)數(shù)過多,訓(xùn)練時(shí)間加長,模型過擬合也會(huì)導(dǎo)致精度降低。推薦隱層節(jié)點(diǎn)數(shù)可由經(jīng)驗(yàn)公式(2)計(jì)算得出:

      式中,[neth]為隱層節(jié)點(diǎn)數(shù);[in]為輸入層節(jié)點(diǎn)數(shù);[out]為輸出層節(jié)點(diǎn)數(shù);[β]為0~10的常數(shù)。

      1.3 指紋庫相關(guān)算法原理

      指紋庫相關(guān)算法包括快速排序、歸并排序和堆排序。快速排序法:先從序列中取一個(gè)值作為標(biāo)準(zhǔn)值,將小于其的值放在左邊,大于其的值放在右邊,以此進(jìn)行迭代至全部排序完成。歸并排序法:采用分治法,其方法將序列分成兩個(gè)序列,再將得到的兩個(gè)子序列繼續(xù)二分下去,直到不能再分,最后再兩兩合并,形成有序序列。堆排序:利用堆這種數(shù)據(jù)結(jié)構(gòu)所涉及的一種排序算法,其原理為堆積是一個(gè)近似完全二叉樹的結(jié)構(gòu),并滿足堆積性質(zhì):子節(jié)點(diǎn)的鍵值或索引值總是大于(或者小于)父節(jié)點(diǎn)。此外,采用快速排序法平均只需要[Onlogn]的復(fù)雜度。在相同數(shù)據(jù)規(guī)模下(見表1),快速排序法的效率較高。

      1.4 K聚類算法

      K聚類算法是聚類算法的一種,其步驟為:第一,隨機(jī)選取[K]個(gè)中心點(diǎn);第二,計(jì)算所有數(shù)據(jù)點(diǎn)距[K]個(gè)中心點(diǎn)的距離,然后將數(shù)據(jù)點(diǎn)分到與其最近的中心點(diǎn),形成[K]個(gè)簇;第三,計(jì)算每個(gè)簇中所有數(shù)據(jù)的均值,重新定義中心點(diǎn);第四,以此進(jìn)行迭代,直至中心點(diǎn)位置變化小于閾值,劃分結(jié)束。

      2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)指標(biāo)

      2.1 傳遞函數(shù)的選擇

      本文選取Sigmoid函數(shù)作為傳遞函數(shù),其中:

      式中,[fx]為因變量;[x]為自變量;[α]為傾斜參數(shù),常被默認(rèn)為1。使用Sigmoid函數(shù)(見圖2)作為傳遞函數(shù)的原因?yàn)椋浩漭敵龇秶邢?,Sigmoid函數(shù)的輸出被固定在(0,1),數(shù)據(jù)在傳遞過程中不容易發(fā)散。Sigmoid函數(shù)在(0,1)中存在單調(diào)、處處可導(dǎo)等優(yōu)良性質(zhì),在(0,0.5)處斜率最大,且中心對稱,兩頭被抑制明顯,因而適合數(shù)據(jù)在多層神經(jīng)元之間傳遞時(shí)使用。同時(shí),神經(jīng)元中間激活,兩頭克制的表現(xiàn)也與神經(jīng)科學(xué)中的激勵(lì)與抑制行為十分相似,能夠更好地體現(xiàn)神經(jīng)網(wǎng)絡(luò)的特性[3]。

      2.2 過擬合與欠擬合

      在學(xué)習(xí)過程中模型會(huì)出現(xiàn)過擬合與欠擬合的問題。欠擬合指對樣本訓(xùn)練程度不夠,導(dǎo)致誤差較大。由維度較低的特征或者模型過于簡單引起,通常用增加特征維度與增加訓(xùn)練樣本來解決;過擬合指訓(xùn)練程度過高,特征維度較高,模型過于復(fù)雜引起,常用正則化的方法來解決。

      有監(jiān)督學(xué)習(xí)算法訓(xùn)練的目的是最小化損失函數(shù),本文引入均方誤差損失函數(shù),其預(yù)測值與樣本真實(shí)值的誤差平方和為:

      其中,[yi]是樣本標(biāo)簽值;[fθxi]是預(yù)測函數(shù)的輸出值;[θ]是模型參數(shù);[l]為樣本數(shù)。

      為了防止過擬合,可以對復(fù)雜的模型進(jìn)行懲罰,加上一個(gè)懲罰項(xiàng),使模型參數(shù)盡可能小。加入懲罰項(xiàng)后的損失函數(shù)為:

      式中,[λ]為懲罰項(xiàng)系數(shù);[R(θ)]為懲罰函數(shù),后半部分為正則化項(xiàng),正則化項(xiàng)可以使用L2范數(shù),L2范數(shù)相對于L1范數(shù),在求解最優(yōu)化問題有著更好的數(shù)學(xué)性質(zhì)。

      并且懲罰項(xiàng)中L2范數(shù)正則化項(xiàng)的梯度為:

      3 解決的問題與實(shí)驗(yàn)簡要分析

      3.1 面臨問題

      隨著WiFi的普及以及機(jī)器學(xué)習(xí)的高速發(fā)展,室內(nèi)定位技術(shù)如雨后春筍般層出不窮,如可見光定位技術(shù)、無線定位技術(shù)等。但是,都面臨著如何解決定位精度的問題,本文只對自己所編寫B(tài)P算法和聚類算法進(jìn)行闕值的選取。

      3.2 樣點(diǎn)的選擇

      在一個(gè)長10 m、寬8 m的空間內(nèi)等位置放置6個(gè)AP信號(見圖3),在長、寬分別為0.05 m的地方選取32 000個(gè)點(diǎn),將其每點(diǎn)作為輸入層,輸入神經(jīng)網(wǎng)絡(luò)中,并將數(shù)據(jù)保存到指紋庫中;另隨機(jī)再選取32 000個(gè)點(diǎn)做同樣的處理,對其在線階段測得位置與其最相近的點(diǎn)取均方差,訓(xùn)練次數(shù)2 000次。采樣方式比較如表2所示。

      在取樣方式上,等距取樣隨著點(diǎn)數(shù)的增加誤差逐漸減小,但運(yùn)算時(shí)間相對于非等距取樣時(shí)間要長(見表2)。等間距取樣更有利于定位準(zhǔn)確性,因此后續(xù)實(shí)驗(yàn)采用等距取樣的方法。

      3.3 實(shí)驗(yàn)與分析

      再次選取32 000個(gè)取樣點(diǎn)做測試,在離線階段測得各個(gè)點(diǎn)的RSSI值,將其保存在指紋庫內(nèi)。在線階段時(shí)再對每個(gè)點(diǎn)RSSI依次運(yùn)算做比較,結(jié)果為:正確點(diǎn)數(shù)為29 865個(gè),錯(cuò)誤點(diǎn)數(shù)為2 185個(gè)。

      依次取不同樣本點(diǎn)數(shù),如30 000、25 000、15 000、5 000、2 000再次進(jìn)行測量,測得不同誤差下的概率如表3所示。

      誤差的大小隨采樣點(diǎn)數(shù)的減少而增大,而較多的采樣點(diǎn)數(shù)會(huì)增加計(jì)算與查找時(shí)間。為此,研究者需要確定一個(gè)合適的點(diǎn)數(shù)來滿足工程中一定的條件,而時(shí)間大部分用于程序的訓(xùn)練。當(dāng)采樣點(diǎn)數(shù)為5 000次時(shí),訓(xùn)練次數(shù)分別為1 000、2 000、3 000、4 000,比較運(yùn)行時(shí)間與誤差均值的大小可知,在4 000次下有最小的誤差。以4 000次訓(xùn)練次數(shù)為準(zhǔn),分別取20 000、15 000、10 000、8 000、6 000、4 000、2 000個(gè)點(diǎn)數(shù)。經(jīng)過多次模擬可知,當(dāng)采樣點(diǎn)數(shù)為6 000時(shí)具有最小的誤差,其值為1.42 m。

      4 結(jié)論

      本文對實(shí)驗(yàn)所需的參數(shù),如采樣點(diǎn)數(shù)、采樣方式、學(xué)習(xí)次數(shù)以及機(jī)器參數(shù)等,作出一個(gè)合理的選擇,得出良好的定位效果;但因?qū)嶒?yàn)裝備精度、運(yùn)算能力及環(huán)境等因素的影響,無法推廣到所有的應(yīng)用場合中。在后續(xù)的研究中,重點(diǎn)放在AP取點(diǎn)位置、K聚類算法的優(yōu)化、對RSSI濾波的最優(yōu)化等問題的研究上。

      參考文獻(xiàn):

      [1]王建林.基于WIFI和多用戶組群的室內(nèi)定位系統(tǒng)[D].西安:西安電子科技大學(xué),2017.

      [2]鄭文翰.基于WLAN的室內(nèi)定位技術(shù)研究與實(shí)現(xiàn)[D].成都:電子科技大學(xué),2016.

      [3]王亞敏.全卷積神經(jīng)網(wǎng)絡(luò)在眼底圖像結(jié)構(gòu)中的應(yīng)用研究[D].成都:電子科技大學(xué),2019.

      收稿日期:2020-04-10

      基金項(xiàng)目:吉林省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練大賽“室內(nèi)導(dǎo)盲機(jī)器人”(201910186088)。

      作者簡介:高作相(1998—),男,本科在讀,研究方向:單片機(jī)控制;賀育茹(1999—),女,本科在讀,研究方向:信號的檢測與處理。

      通信作者:宗傳林(1998—),男,本科在讀,研究方向:機(jī)器學(xué)習(xí)在通信系統(tǒng)中的應(yīng)用。

      猜你喜歡
      神經(jīng)網(wǎng)絡(luò)
      BP神經(jīng)網(wǎng)絡(luò)在路標(biāo)識別上的應(yīng)用研究
      基于HPSO-BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評估
      神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
      電子制作(2019年19期)2019-11-23 08:42:00
      基于神經(jīng)網(wǎng)絡(luò)的中小學(xué)生情感分析
      電子制作(2019年24期)2019-02-23 13:22:36
      基于Q-Learning算法和神經(jīng)網(wǎng)絡(luò)的飛艇控制
      基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
      復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
      基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
      基于神經(jīng)網(wǎng)絡(luò)分?jǐn)?shù)階控制的逆變電源
      基于GA-BP神經(jīng)網(wǎng)絡(luò)的光伏陣列MPPT研究
      電測與儀表(2014年2期)2014-04-04 09:04:04
      萍乡市| 青田县| 乌拉特前旗| 虞城县| 白朗县| 夏河县| 当阳市| 鄂伦春自治旗| 长垣县| 册亨县| 大厂| 平原县| 泸定县| 昭平县| 华阴市| 子洲县| 壤塘县| 潼南县| 秭归县| 青龙| 民县| 贵港市| 普定县| 黎平县| 景德镇市| 太谷县| 澄江县| 运城市| 商河县| 越西县| 当涂县| 海原县| 淄博市| 青龙| 二连浩特市| 和田市| 岳西县| 永靖县| 休宁县| 福清市| 夹江县|