摘 要：傳統(tǒng)的基于接收信號(hào)強(qiáng)度指示RSSI的定位算法通過(guò)對(duì)數(shù)正態(tài)陰影模型來(lái)構(gòu)建測(cè)距模型，其中的參數(shù)通常是憑經(jīng)驗(yàn)選擇的，因此對(duì)環(huán)境的影響很敏感。文章提出了一種基于麻雀搜索算法SSA和反向傳播BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位方法來(lái)構(gòu)建測(cè)距模型。在所提出的SSA-BP方法中，收集的RSSI值首先經(jīng)過(guò)高斯濾波處理，然后輸入到SSA-BP神經(jīng)網(wǎng)絡(luò)中，以構(gòu)建測(cè)距模型，該模型可以輸出目標(biāo)節(jié)點(diǎn)TN和錨節(jié)點(diǎn)之間的距離值。最后，可以通過(guò)使用最大似然估計(jì)MLE方法來(lái)估計(jì)TN-s位置。仿真結(jié)果表明與現(xiàn)有的BP算法和遺傳算法GA相比，所提出的SSA-BP算法具有更快的收斂速度和更高的定位精度。

關(guān)鍵刺：WSN；RSI；SSA；MLE

一、引言

作為物聯(lián)網(wǎng)IoT和無(wú)線傳感器網(wǎng)絡(luò)WSN的關(guān)鍵技術(shù)之一，室內(nèi)定位最近引起了廣泛關(guān)注。室內(nèi)定位算法根據(jù)是否進(jìn)行距離測(cè)量可分為基于測(cè)距和基于測(cè)距。前者通過(guò)獲得目標(biāo)節(jié)點(diǎn)TN和每個(gè)錨節(jié)點(diǎn)AN之間的距離來(lái)估計(jì)目標(biāo)節(jié)點(diǎn)TN的位置。后者通過(guò)使用無(wú)線鏈路的整體連接性來(lái)估計(jì)TN的位置。與非測(cè)距定位算法相比，基于測(cè)距的定位算法通常具有更高的定位精度。典型的基于測(cè)距的定位算法如下：到達(dá)時(shí)間TOA、到達(dá)時(shí)間差TDOA、到達(dá)角AOA和接收信號(hào)強(qiáng)度指標(biāo)RSSI。其中，基于RSSI的定位算法具有實(shí)現(xiàn)簡(jiǎn)單、成本低、覆蓋范圍廣的優(yōu)點(diǎn)。

在大多數(shù)現(xiàn)有的基于RSSI的定位算法中，TN和an之間的距離是通過(guò)對(duì)數(shù)正態(tài)陰影模型計(jì)算的。然而，這些算法通常會(huì)受到環(huán)境的影響。由環(huán)境引起的測(cè)量誤差，導(dǎo)致測(cè)量的RSSI值的精度下降。因此，最近提出了各種方法來(lái)解決這個(gè)問(wèn)題。使用改進(jìn)的無(wú)跡卡爾曼濾波器對(duì)接收到的RSSI信號(hào)進(jìn)行預(yù)處理，以提高定位精度。提出了一種加權(quán)方法來(lái)減少RSSI值的測(cè)量誤差。提出了基于加權(quán)移動(dòng)平均和反饋平均濾波器的RSSI平滑技術(shù)，以減少接收信號(hào)的波動(dòng)和噪聲。

另一方面，機(jī)器學(xué)習(xí)方法由于其良好的準(zhǔn)確性性能也被用于室內(nèi)定位。例如反向傳播BP神經(jīng)網(wǎng)絡(luò)具有良好的非線性擬合能力和容錯(cuò)性。更具體地說(shuō)BP神經(jīng)網(wǎng)絡(luò)的非線性擬合能力可以與卷積神經(jīng)網(wǎng)絡(luò)CNN和遞歸神經(jīng)網(wǎng)絡(luò)RNN相媲美。因此，可以利用BP神經(jīng)網(wǎng)絡(luò)的非線性擬合能力來(lái)構(gòu)建測(cè)距模型。提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位算法來(lái)估計(jì)TN和an之間的距離值用于室內(nèi)定位。提出了遺傳算法GA-BP算法來(lái)構(gòu)建測(cè)距模型。然而，GA-BP算法實(shí)現(xiàn)起來(lái)很復(fù)雜，其性能在很大程度上取決于參數(shù)的選擇。

麻雀搜索算法SSA的仿生優(yōu)化方法。與現(xiàn)有的其他仿生優(yōu)化方法（如遺傳算法）相比，SSA方法具有更好的全局搜索能力、更好的魯棒性和更少的參數(shù)?；谝陨嫌懻摚谒岢龅腟SA-BP定位算法中，利用SSA方法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化，以提高定位精度。

二、用于室內(nèi)定位的無(wú)線信號(hào)傳播模型

對(duì)數(shù)正態(tài)陰影模型廣泛用于室內(nèi)定位場(chǎng)景，可以描述為：

其中PL（d）和PL（d0）分別表示距離發(fā)射機(jī)d米和d0米處的路徑損耗，通常為d0 1m。X是陰影衰落，其遵循均值為零且方差為2的高斯分布。是路徑損耗因素。

BP神經(jīng)網(wǎng)絡(luò)的基本思想就是通過(guò)使用梯度下降方法來(lái)最小化期望輸出值和實(shí)際輸出值之間的均方誤差。使用的BP神經(jīng)網(wǎng)絡(luò)包含一個(gè)三層結(jié)構(gòu)模型，包括輸入層、隱藏層和輸出層。BP神經(jīng)網(wǎng)絡(luò)主要包括兩個(gè)過(guò)程：信號(hào)正向傳播和誤差反向傳播。信號(hào)的前向傳播是以收集到的RSSI值作為輸入向量，將該向量乘以相應(yīng)的權(quán)重，并將其與相應(yīng)的閾值相加。

麻雀種群形態(tài)可分為生產(chǎn)者和覓食者。在使用SSA優(yōu)化參數(shù)時(shí)，我們傾向于將整個(gè)過(guò)程模擬為麻雀尋找食物，而個(gè)體麻雀代表了需要優(yōu)化的參數(shù)。在SSA中，麻雀種群的初始位置是：SSA模擬麻雀種群的覓食行為和反捕食行為。麻雀種群形態(tài)可分為生產(chǎn)者和覓食者。在使用SSA優(yōu)化參數(shù)時(shí)，我們傾向于將整個(gè)過(guò)程模擬為麻雀尋找食物，而個(gè)體麻雀代表了需要優(yōu)化的參數(shù)。

三、SSA-BP定位算法

在BP神經(jīng)網(wǎng)絡(luò)的testing階段，通過(guò)隨機(jī)選擇來(lái)獲得BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和threshold。由于初始權(quán)值和threshold會(huì)直接影響B(tài)P神經(jīng)網(wǎng)絡(luò)的性能，因此可以采用SSA方法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和threshold進(jìn)行優(yōu)化，以提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度和魯棒性，避免陷入局部最優(yōu)化。SSA-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如下：

步驟1：初始化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，如學(xué)習(xí)率Lr、隱層神經(jīng)元數(shù)量H、輸入層神經(jīng)元數(shù)量N和輸出層神經(jīng)元數(shù)量S。將最大iterm次數(shù)設(shè)置為100。

步驟2：設(shè)定麻雀的初始種群規(guī)模m 20，其中80%是生產(chǎn)者，20%是覓食者。將最大iterm設(shè)置為100。

步驟3：將fitness確定為：

其中tsim（i）是實(shí)際輸出值。yi是預(yù)期的輸出值。

步驟4：初始化麻雀位置，選擇-0.5、0.5之間的隨機(jī)數(shù)作為初始位置X。當(dāng)前全局最優(yōu)位置分配給Xb，全局最優(yōu)適應(yīng)度值分配給fg。當(dāng)前全局最差位置分配給Xw，全局最差適應(yīng)度值指定給fw。

步驟5：根據(jù)（7）-（9）更新人口位置。

步驟6：計(jì)算當(dāng)前位置的fitness，選擇其中最優(yōu)適應(yīng)度函數(shù)。如果其滿足終止條件，則輸出最優(yōu)解并停止迭代。否則，請(qǐng)轉(zhuǎn)到下一步。

步驟7：將當(dāng)前最優(yōu)fitness對(duì)應(yīng)的位置作為下一次迭代的種群初始位置，返回步驟5。而在距離估計(jì)階段，首先通過(guò)Gaussian filter處理在參考節(jié)點(diǎn)處收集到的RSSI值。然后將處理后的數(shù)據(jù)分為Training Sets和Testing Sets來(lái)訓(xùn)練SSA-BP神經(jīng)網(wǎng)絡(luò)。對(duì)于TN，其RSSI值也會(huì)被收集并通過(guò)Gaussian filter進(jìn)行處理。處理后的數(shù)據(jù)會(huì)被送到經(jīng)過(guò)訓(xùn)練的SSA-BP神經(jīng)網(wǎng)絡(luò)中，從而獲得估計(jì)的距離值。而在坐標(biāo)估計(jì)階段，基于SSA-BP神經(jīng)網(wǎng)絡(luò)獲得的距離值，是使用MLE方法計(jì)算TN的坐標(biāo)。

四、結(jié)語(yǔ)

通過(guò)Matlab軟件仿真對(duì)所提出的SSA-BP算法的性能進(jìn)行了評(píng)估。在模擬中，有四個(gè)錨點(diǎn)節(jié)點(diǎn)。參考節(jié)點(diǎn)在（0，0）到（10，5）的范圍內(nèi)每隔0.1m選擇一次。一些重要的模擬參數(shù)如表1所示。

隨機(jī)選擇98個(gè)點(diǎn)作為目標(biāo)節(jié)點(diǎn)來(lái)測(cè)試所提出的SSA-BP算法的性能。定位誤差是通過(guò)計(jì)算目標(biāo)節(jié)點(diǎn)和估計(jì)的目標(biāo)節(jié)點(diǎn)之間的歐幾里得距離來(lái)顯示定位算法性能的方法。在SSA-BP算法中，其中97%的定位誤差小于0.8m，而60%的定位誤差則低于0.4m。

針對(duì)RSSI信號(hào)容易受到測(cè)量噪聲影響的問(wèn)題，提出了SSA-BP定位算法。在所提出的SSA-BP算法中，將SSA引入BP神經(jīng)網(wǎng)絡(luò)以獲得更準(zhǔn)確的距離值，然后通過(guò)MLE方法計(jì)算TN-s位置的坐標(biāo)。所提出的SSA-BP算法避免了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的問(wèn)題。同時(shí)，與現(xiàn)有的BP和GA-BP算法相比，所提出的SSA-BP算法的平均定位誤差分別降低了28%和16%。因此，可以被認(rèn)為是一個(gè)很有前途的室內(nèi)定位方案。

參考文獻(xiàn)：

[1] 余學(xué)帆.基于RSSI的無(wú)線傳感器網(wǎng)絡(luò)定位改進(jìn)優(yōu)化算法研究[D].長(zhǎng)春工業(yè)大學(xué)，2021.

[2] 李朋朋.基于無(wú)線傳感器網(wǎng)絡(luò)的車輛追蹤復(fù)合定位技術(shù)研究[D].蘭州交通大學(xué)，2021.

[3] 吉灤巒，謝宏.重心反向粒子群優(yōu)化算法在無(wú)線傳感器定位優(yōu)化中的應(yīng)用[J].傳感器與微系統(tǒng)，2021，40（02）：154-156+160.

[4] 印雷，顧德，劉飛.基于改進(jìn)麻雀搜索算法優(yōu)化的DV-Hop定位算法[J].傳感技術(shù)學(xué)報(bào)，2021，34（05）：670-675.

[5] 宋玲，黃達(dá)勝.一種 基于狼群優(yōu)化的改進(jìn)DV-Hop定位算法[J].計(jì)算機(jī)工程與科學(xué)，2021，43（07）：1210-1218.

[6] 胡光輝.基于混合粒子群優(yōu)化算法的WSN網(wǎng)絡(luò)覆蓋優(yōu)化控制研究[D].安徽理工大學(xué)，2021.

作者簡(jiǎn)介：吳文平（1987—），女，講師，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)室內(nèi)定位算法。

項(xiàng)目：

1、橫向研究項(xiàng)目（項(xiàng)目編號(hào)：2022xhx112，項(xiàng)目名稱：基于無(wú)線傳感網(wǎng)的大數(shù)據(jù)異常預(yù)測(cè)與安全分析系統(tǒng)研究）

2、橫向研究項(xiàng)目（項(xiàng)目編號(hào)：2022xhx059，項(xiàng)目名稱：面向智能工廠的無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)研究）

3、宿州學(xué)院線上課程（項(xiàng)目編號(hào)：szxy2022xskc07，項(xiàng)目名稱：無(wú)線傳感器網(wǎng)絡(luò)）

4、宿州學(xué)院質(zhì)量工程項(xiàng)目szxy2020ksjy07

5、安徽省教育廳自然科學(xué)研究項(xiàng)目，編號(hào)：2022AH051371

6、軟件工程專業(yè)卓越工程師培養(yǎng)創(chuàng)新項(xiàng)目，項(xiàng)目號(hào)2020zyrc163