基于VGG-19 和卡爾曼預(yù)處理的WSNs測(cè)距方法*

劉超敏，胡玉平

（1.鄭州財(cái)經(jīng)學(xué)院 信息工程學(xué)院，河南 鄭州 450000；2.廣東財(cái)經(jīng)大學(xué) 信息學(xué)院，廣東 廣州 510320）

0 引 言

基于無(wú)線傳感器網(wǎng)絡(luò)（wireless sensor networks，WSNs）［1］的測(cè)距和定位技術(shù)在環(huán)境監(jiān)測(cè)等領(lǐng)域得到了廣泛的應(yīng)用。對(duì)于測(cè)距技術(shù)來(lái)說(shuō)，針對(duì)無(wú)線傳感器包含的網(wǎng)絡(luò)節(jié)點(diǎn)間存在的距離進(jìn)行檢測(cè)時(shí)使用最為普遍的方式為接收信號(hào)強(qiáng)度指示（received signal strength indication，RSSI）［2］。從WSNs測(cè)距技術(shù)的角度出發(fā)，其最核心的目的為針對(duì)未知節(jié)點(diǎn)所對(duì)應(yīng)的信號(hào)完成傳輸過(guò)程，進(jìn)一步轉(zhuǎn)移至錨點(diǎn)以及錨節(jié)點(diǎn)組。這些錨節(jié)點(diǎn)或遠(yuǎn)程計(jì)算機(jī)根據(jù)錨節(jié)點(diǎn)接收到的無(wú)線信號(hào)強(qiáng)度，計(jì)算未知節(jié)點(diǎn)到錨節(jié)點(diǎn)組的距離［3，4］。當(dāng)基于RSSI測(cè)距的未知節(jié)點(diǎn)進(jìn)行定位時(shí)，距離測(cè)量的精度將直接影響節(jié)點(diǎn)位置計(jì)算的精度［5］。

傳統(tǒng)的測(cè)距方法包括對(duì)數(shù)正態(tài)陰影模型（log-normal shadowing model，LNSM）、LNSM 校準(zhǔn)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)以及反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)測(cè)距模型等［6，7］?；贚NSM 估計(jì)是在理想環(huán)境的假設(shè)基礎(chǔ)上進(jìn)行的。由于最小二乘（least square，LS）法計(jì)算未知節(jié)點(diǎn)位置時(shí)的受測(cè)距誤差較大，文獻(xiàn)［8］提出一種改進(jìn)花授粉算法的RSSI定位方法易受環(huán)境因素影響。文獻(xiàn)［9］使用LNSM進(jìn)行原始估計(jì)，基于自適應(yīng)［10］神經(jīng)模糊推理系統(tǒng)的智能技術(shù)可提高距離估計(jì)的準(zhǔn)確性，尤其在室內(nèi)環(huán)境中減小了無(wú)線多徑損傷對(duì)信號(hào)質(zhì)量的嚴(yán)重影響?；贐P神經(jīng)網(wǎng)絡(luò)的測(cè)距模型是將RSSI值用作模型的輸入，將距離信息用作模型的輸出，并通過(guò)訓(xùn)練當(dāng)前環(huán)境中收集的數(shù)據(jù)來(lái)使模型適合當(dāng)前環(huán)境中RSSI 與距離之間的關(guān)系［11］。文獻(xiàn)［12］提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network，DCNN）的測(cè)距模型，自動(dòng)提取在不同地面環(huán)境中信號(hào)傳播的高級(jí)語(yǔ)義特征。文獻(xiàn)［13］基于BP神經(jīng)網(wǎng)絡(luò)模型，引入蟻群優(yōu)化（ant colony optimizaton，ACO）算法進(jìn)行優(yōu)化，尋找最優(yōu)初始閾值和權(quán)值。文獻(xiàn)［14］提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)的RSSI 測(cè)距方法，有效減少了RSSI測(cè)距誤差。但過(guò)多的神經(jīng)元會(huì)增加訓(xùn)練時(shí)間，會(huì)使網(wǎng)絡(luò)的泛化能力和預(yù)測(cè)能力減弱，神經(jīng)元太少會(huì)影響后續(xù)值與前體值的關(guān)系［15］。雖然BP神經(jīng)網(wǎng)絡(luò)測(cè)距模型和自適應(yīng)神經(jīng)模糊推理系統(tǒng)可以很好地提取當(dāng)前環(huán)境下的信號(hào)傳播特性，但由于不同環(huán)境中信號(hào)衰減特性不同［16］。

本文提出了一種基于視覺(jué)幾何組（visual geometry group，VGG）—19 和卡爾曼預(yù)處理的WSNs 測(cè)距方法，可以根據(jù)圖像數(shù)據(jù)和RSSI數(shù)據(jù)自動(dòng)提取不同地面環(huán)境的信號(hào)傳播特性，在不同的地面環(huán)境中實(shí)現(xiàn)準(zhǔn)確的距離估計(jì)。

1 VGG-19 網(wǎng)絡(luò)模型

1.1 VGG—19 的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

VGG—19網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示［17］。其中一段卷積內(nèi)含有的卷積層數(shù)目累計(jì)為2～3 個(gè)，同時(shí)卷積核對(duì)應(yīng)的尺寸為3 ×3，步長(zhǎng)為1。

圖1 VGG-19 網(wǎng)絡(luò)的結(jié)構(gòu)

網(wǎng)絡(luò)中的下采樣層采用最大池化（Maxpooling），激活函數(shù)采用修正線性單元（rectified linear unit，ReLU）。全連接（fully connected，F(xiàn)C）層的節(jié)點(diǎn)數(shù)依次是2048，2048，500。除此之外，VGG—19 網(wǎng)絡(luò)所對(duì)應(yīng)的輸入圖像尺寸為224 ×224。

1.2 卷積層和激活函數(shù)

這里擬定網(wǎng)絡(luò)內(nèi)部第l層的第j個(gè)特征圖表示如下

1.3 下采樣層和FC層

VGG—19網(wǎng)絡(luò)［19］內(nèi)部的下采樣層選擇的是Maxpooling，數(shù)學(xué)形式如下

1.4 損失函數(shù)

使用均方誤差（mean square error，MSE）損失函數(shù)計(jì)算損失，L（θ）計(jì)算如下

式中 I（i）為輸入的圖像數(shù)據(jù)；R（i）為輸入的RSSI值；d（i）為測(cè)量獲得的距離值。通過(guò)最小化損失函數(shù)進(jìn)行測(cè)距網(wǎng)絡(luò)的優(yōu)化。

2 基于VGG-19 的WSNs測(cè)距模型

2.1 整體架構(gòu)

所提模型的整體架構(gòu)如圖2所示。

圖2 所提模型的整體架構(gòu)

所提網(wǎng)絡(luò)模型有2 個(gè)輸入分支，其中一個(gè)分支的輸入是來(lái)自相機(jī)的固定尺寸，224 ×224 的地面圖像，該分支包含5 個(gè)卷積層，表示為Conv1～Conv5，5 個(gè)下采樣層（Maxpooling層）和3個(gè)FC 層。另一個(gè)分支的輸入是接收器獲得的RSSI值，該分支包含1 個(gè)KF器和3 個(gè)FC層。然后，將2個(gè)分支的輸出發(fā)送到FC層，基于這些輸出值，可以提取信號(hào)在不同環(huán)境中的傳播特性，最終輸出的是WSNs 中的距離估計(jì)。如果網(wǎng)絡(luò)中有太多層或隱藏的神經(jīng)元，則模型的訓(xùn)練時(shí)間將增加，但如果層數(shù)太少，則模型的訓(xùn)練可能效果不佳。通過(guò)對(duì)樣本大小的分析和實(shí)際驗(yàn)證，所提網(wǎng)絡(luò)模型的參數(shù)配置如表1所示，卷積層參數(shù)表示為“Conv（感受野大?。?（通道數(shù)）”。

表1 網(wǎng)絡(luò)模型的參數(shù)配置

所提網(wǎng)絡(luò)是一個(gè)端到端系統(tǒng)，可以自動(dòng)提取不同地面環(huán)境的信號(hào)傳播特性。使用地面圖像數(shù)據(jù)和RSSI 數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，通過(guò)網(wǎng)絡(luò)計(jì)算數(shù)據(jù)后，將獲得一個(gè)預(yù)測(cè)結(jié)果，即距離估計(jì)，它對(duì)應(yīng)于在地面環(huán)境中接收到的RSSI值。通過(guò)將距離估計(jì)值與米尺的真實(shí)值進(jìn)行比較，可以計(jì)算出每一層的BP誤差，并根據(jù)誤差調(diào)整每一層的參數(shù)，直到模型收斂為止。

2.2 基于KF的RSSI數(shù)據(jù)處理

通過(guò)圖3能夠得出，在完成KF處理的過(guò)程后，RSSI數(shù)據(jù)的波動(dòng)性［20］出現(xiàn)了明顯的下降，其RSSI 值主要在［-60，-58］dBm范圍內(nèi)波動(dòng)，而原始數(shù)據(jù)在［-64，-56］dBm范圍內(nèi)波動(dòng)。由此，表明KF能夠有效優(yōu)化以RSSI 為核心的測(cè)距算法所具有的穩(wěn)定性以及精度。

圖3 RSSI數(shù)據(jù)濾波前、后的效果

2.3 測(cè)距網(wǎng)絡(luò)優(yōu)化

在普通地面環(huán)境下，收集了大量的地面圖像數(shù)據(jù)和RSSI測(cè)量數(shù)據(jù)，采用自適應(yīng)矩估計(jì)和BP方法，其中引入了基于平方和平方根的指數(shù)加權(quán)平均梯度，并利用該值更新參數(shù)值［21］。測(cè)距網(wǎng)絡(luò)優(yōu)化過(guò)程的偽代碼如下

參數(shù)含義：a：步長(zhǎng)；β1，β2∈［0，1）：矩估計(jì)的指數(shù)衰減率；f（θ）：參數(shù)θ的隨機(jī)目標(biāo)函數(shù)；

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)采集裝置由RGB攝像頭、儀表尺和無(wú)線模塊組成，由一臺(tái)計(jì)算機(jī)完成數(shù)據(jù)分析，并且裝置運(yùn)行在2.4 GHz微波頻帶中，RSSI接收器的靈敏度為-97 dBm。動(dòng)量衰減參數(shù)β1為一階矩，一般為0.9，β2為二階矩，一般取0.999，ε一般取10-7。

3.1 數(shù)據(jù)訓(xùn)練

所提模型進(jìn)行測(cè)距需要大量訓(xùn)練數(shù)據(jù)，包括信號(hào)測(cè)量數(shù)據(jù)和圖像數(shù)據(jù)，使用RGB攝像頭和無(wú)線模塊在公共地面環(huán)境中收集這些數(shù)據(jù)，并且使用自適應(yīng)矩估計(jì)梯度降級(jí)優(yōu)化訓(xùn)練VGG—19網(wǎng)絡(luò)。此外，實(shí)驗(yàn)均在帶有Titan X GPU的Ubuntu 16.04 系統(tǒng)上進(jìn)行，網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)速率為1 ×10-6，一階矩β1和二階矩β2的動(dòng)量衰減參數(shù)分別為0.9和0.999。并且使用均方誤差作為損失函數(shù)來(lái)訓(xùn)練和優(yōu)化模型，直到網(wǎng)絡(luò)參數(shù)θt收斂。

3.2 誤差估計(jì)分析

實(shí)驗(yàn)中，設(shè)置了4個(gè)場(chǎng)景，分別為理想環(huán)境、一般環(huán)境、復(fù)雜環(huán)境和遮擋環(huán)境。在所有測(cè)試場(chǎng)景中，對(duì)所提模型和其他模型計(jì)算進(jìn)行距離估計(jì)對(duì)比，結(jié)果如圖4所示。

圖4 在4 個(gè)場(chǎng)景中不同模型距離估計(jì)對(duì)比

由圖4（a）可以看出，在理想環(huán)境下，隨著RSSI值的增大，距離誤差在不斷增大，但所提模型的距離估計(jì)誤差不超過(guò)0.5 m，優(yōu)于其他對(duì)比模型。各種模型誤差最大不超過(guò)3 m，當(dāng)RSSI值在-50 dBm以?xún)?nèi)，距離估計(jì)誤差接近0。由圖4（b）可以看出，相比于其他對(duì)比方法，一般環(huán)境下所提模型的距離估計(jì)值與真實(shí)值最為接近。尤其是當(dāng)RSSI 值為-90 dBm 時(shí)，文獻(xiàn)［12］的估計(jì)值與真實(shí)值相差大約為3.5 m，而所提模型的估計(jì)值仍與真實(shí)值十分接近。由圖4（c）可以看出，場(chǎng)景變得復(fù)雜，相比于一般場(chǎng)景，當(dāng)RSSI值為-90 dBm，所提模型的誤差接近1 m。文獻(xiàn)［14］利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)RSSI測(cè)距，以及文獻(xiàn)［12］利用DCNN 進(jìn)行距離估計(jì)，兩者均使用單一模型，因此對(duì)距離的估計(jì)效果不佳，得到的估計(jì)值與真實(shí)值偏差較大，且抵抗外界干擾的能力較弱。而文獻(xiàn)［13］在BP 網(wǎng)絡(luò)的基礎(chǔ)上引入ACO 算法進(jìn)行優(yōu)化，估計(jì)效果有所提升。由圖4（d）可以看出，遮擋環(huán)境下當(dāng)RSSI值為-20～-50 dBm時(shí)，各模型的距離估計(jì)誤差均比較小，并且所提模型的估計(jì)誤差小于0.1 m。當(dāng)RSSI值衰減到-60 dBm時(shí)，誤差急劇增加，文獻(xiàn)［12］的估計(jì)誤差超過(guò)4 m。由此可見(jiàn)，遮擋這一因素對(duì)測(cè)距的精度影響很大，但相對(duì)而言，由于所提模型在VGG—19網(wǎng)絡(luò)中引入KF，并且進(jìn)行訓(xùn)練優(yōu)化，其得到的距離值誤差較小。文獻(xiàn)［14］提出的BP神經(jīng)網(wǎng)絡(luò)測(cè)距模型會(huì)產(chǎn)生過(guò)擬合現(xiàn)象，因此估計(jì)誤差較大。同樣的，文獻(xiàn)［13］在BP神經(jīng)網(wǎng)絡(luò)中引入ACO算法，雖有一定的改善，但效果仍不理想。文獻(xiàn)［12］的DCNN 模型的估計(jì)值與實(shí)際測(cè)量值存在較大的誤差。

3.3 運(yùn)行效率

由測(cè)距時(shí)間結(jié)果可以看出，所提模型的測(cè)距時(shí)間為34.92 ms，較文獻(xiàn)［12］的28.18 ms，效率有所降低，與文獻(xiàn)［14］的35.67 ms基本持平。但文獻(xiàn)［12，14］的測(cè)距精度不高。而文獻(xiàn)［13］綜合BP神經(jīng)網(wǎng)絡(luò)和ACO算法，測(cè)距精度有所提高，但計(jì)算效率降低，為46.04 ms。所提模型在VGG—19網(wǎng)絡(luò)中引入KF，雖然損失了一定的測(cè)距效率，但保證了測(cè)距精度，因此整體性能最為理想。

4 結(jié) 論

本文提出了基于VGG—19和卡爾曼預(yù)處理的WSNs測(cè)距方法。在搭建的實(shí)驗(yàn)平臺(tái)上，利用數(shù)據(jù)采集裝置進(jìn)行實(shí)驗(yàn)分析，結(jié)果表明：在4 種不同環(huán)境下，所提模型的距離估計(jì)誤差均小于其他模型，并且測(cè)距時(shí)間為34.92 ms，整體性能較為理想。