CN113310490A - Grnn结合遗传算法的室内定位方法及系统 - Google Patents
Grnn结合遗传算法的室内定位方法及系统 Download PDFInfo
- Publication number
- CN113310490A CN113310490A CN202110527801.3A CN202110527801A CN113310490A CN 113310490 A CN113310490 A CN 113310490A CN 202110527801 A CN202110527801 A CN 202110527801A CN 113310490 A CN113310490 A CN 113310490A
- Authority
- CN
- China
- Prior art keywords
- grnn
- layer
- label
- signal intensity
- hyper
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Genetics & Genomics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提出了一种GRNN结合遗传算法的室内定位方法及系统,其中该方法包括采用RFID阅读器沿既定轨迹移动,以便在移动过程中获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标;建立GRNN网络模型,并采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数,以便根据最优超参数和RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练;获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息;由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
Description
技术领域
本发明涉及室内定位技术领域,特别涉及一种GRNN结合遗传算法的室内定位方法、一种计算机可读存储介质、一种计算机设备以及一种GRNN结合遗传算法的室内定位系统。
背景技术
相关技术中,室内定位在地下车库、大型商城、煤矿等场景需求量极大,然而,由于建筑对信号的屏蔽与削弱,GPS、北斗等定位技术在室内无法适用,各大地图软件在室内应用时会产生较大的偏移量,达不到人们的定位需求;现有的室内定位技术,诸如LANDMARC,VIRE,三角质心法,TOA/AOA等均采用几何方法进行定位,然而当信号存在波动时,容易造成较大的误差;近年来,许多研究者提出结合机器学习进行室内定位,然而大多数做法是分布多个阅读器采集信号特征;虽然一定程度上提高了定位精度,但是引入了阅读器信号碰撞的问题并成倍提高了定位成本。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种GRNN结合遗传算法的室内定位方法,该方法通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种GRNN结合遗传算法的室内定位系统。
为达到上述目的,本发明第一方面实施例提出了一种GRNN结合遗传算法的室内定位方法,该方法包括以下步骤:采用RFID阅读器沿既定轨迹移动,以便在移动过程中获取所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标;建立GRNN网络模型,并采用遗传算法对所述GRNN网络模型的超参数进行调整以获取最优超参数,以便根据所述最优超参数和所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标对所述GRNN网络模型进行训练;获取待定位标签的多条标签信号强度特征,并将所述待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取所述待定位标签的位置信息。
根据本发明实施例的GRNN结合遗传算法的室内定位方法,首先采用RFID阅读器沿既定轨迹移动,以便在移动过程中获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标,接着建立GRNN网络模型,并采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数,以便根据最优超参数和RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练,然后获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息;由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
另外,根据本发明上述实施例提出的GRNN结合遗传算法的室内定位方法还可以具有如下附加的技术特征:
可选地,在获取到所述RFID阅读器与目标标签的多条标签信号强度特征后,还采用卡尔曼滤波对所述多条标签信号强度特征进行滤波处理,以获取稳定的信号强度特征。
可选地,所述GRNN网络模型的结构包括:
(1)输入层:将待定位标签的多条标签信号强度特征作为输入层的神经单元值;
(2)模式层:计算测试样本到所有训练样本的欧式距离,以Gauss为激活函数计算模式层:
其中,texi表示第i个测试样本,i=1,2,…,m;trxj表示第j个训练样本,j=1,2,…,k;δ表示GRNN网络模型的超参数;
(3)求和层:包括第一个节点的输出和其余k个节点的输出:
其中,S0为求和层第一个节点的输出结果,gi为模式层的输出结果,Si为求和层第i个节点的输出结果(i>0),gj为模式层第j个节点的输出结果,加权系数yji为第j个模式层节点对应的训练样本的标签的第j个元素;
(4)输出层:计算输出层的神经单元值:
其中,outi表示输出层第i个节点的输出结果,si+1表示求和层第i+1个节点的输出结果。
可选地,采用遗传算法对所述GRNN网络模型的超参数进行调整以获取最优超参数,包括以下步骤:
S1,将超参数作为种群中的个体,并进行超参数种群初始化;
S2,计算每个超参数对应的模型损失值;
S3,根据预先设置的迭代次数判断是否达到迭代次数,如果是,则判断模型损失值最小的超参数是否N次无更新;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作;
S4,判断模型损失值最小的超参数是否N次无更新,如果是,则输出所述模型损失值最小的超参数作为最优超参数;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作。判断模型损失值最小的超参数是否N次无更新,其目的是判断终止条件。如果N次无更新则说明已经到达稳定状态,寻找到了最优解。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有GRNN结合遗传算法的室内定位程序,该GRNN结合遗传算法的室内定位程序被处理器执行时实现如上述的GRNN结合遗传算法的室内定位方法。
根据本发明实施例的计算机可读存储介质,通过存储有GRNN结合遗传算法的室内定位程序,这样GRNN结合遗传算法的室内定位程序被处理器执行时实现上述的GRNN结合遗传算法的室内定位方法,由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的GRNN结合遗传算法的室内定位方法。
根据本发明实施例的计算机设备,通过存储器存储GRNN结合遗传算法的室内定位程序,这样GRNN结合遗传算法的室内定位程序被处理器执行时实现上述的GRNN结合遗传算法的室内定位方法,由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
为达到上述目的,本发明第四方面实施例提出了一种GRNN结合遗传算法的室内定位系统,包括:获取模块,用于获取所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标;参数调整模块,用于采用遗传算法对所述GRNN网络模型的超参数进行调整以获取最优超参数;模型训练模块,用于根据所述最优超参数和所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标对所述GRNN网络模型进行训练;定位模块,用于获取待定位标签的多条标签信号强度特征,并将所述待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取所述待定位标签的位置信息。
根据本发明实施例的GRNN结合遗传算法的室内定位系统,通过获取模块获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标,参数调整模块采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数;模型训练模块根据最优超参数和RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练;定位模块获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息;由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
可选地,所述获取模块还用于,
在获取到所述RFID阅读器与目标标签的多条标签信号强度特征后,还采用卡尔曼滤波对所述多条标签信号强度特征进行滤波处理,以获取稳定的信号强度特征。
可选地,所述GRNN网络模型的结构包括:
(1)输入层:将待定位标签的多条标签信号强度特征作为输入层的神经单元值;
(2)模式层:计算测试样本到所有训练样本的欧式距离,以Gauss为激活函数计算模式层:
其中,texi表示第i个测试样本,i=1,2,…,m;trxj表示第j个训练样本,j=1,2,…,k;δ表示GRNN网络模型的超参数;
(3)求和层:包括第一个节点的输出和其余k个节点的输出:
其中,S0为求和层第一个节点的输出结果,gi为模式层的输出结果,Si为求和层第i个节点的输出结果(i>0),gj为模式层第j个节点的输出结果,加权系数yji为第j个模式层节点对应的训练样本的标签的第j个元素;
(4)输出层:计算输出层的神经单元值:
其中,outi表示输出层第i个节点的输出结果,si+1表示求和层第i+1个节点的输出结果。
可选地,参数调整模块还用于,
S1,将超参数作为种群中的个体,并进行超参数种群初始化;
S2,计算每个超参数对应的模型损失值;
S3,根据预先设置的迭代次数判断是否达到迭代次数,如果是,则判断模型损失值最小的超参数是否N次无更新;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作;
S4,判断模型损失值最小的超参数是否N次无更新,如果是,则输出所述模型损失值最小的超参数作为最优超参数;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作。
附图说明
图1为根据本发明实施例的GRNN结合遗传算法的室内定位方法的流程示意图;
图2为根据本发明实施例的RFID的硬件结构示意图;
图3为根据本发明实施例的GRNN网络模型的结构示意图;
图4为根据本发明实施例的遗传算法的流程示意图;
图5为根据本发明实施例的GRNN结合遗传算法的室内定位系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的GRNN结合遗传算法的室内定位方法的流程示意图,如图1所示,本发明实施例的GRNN结合遗传算法的室内定位方法包括以下步骤:
步骤101,采用RFID阅读器沿既定轨迹移动,以便在移动过程中获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标。
作为一个示例,如图2所示,处于同一信道的RFID阅读器和目标标签通过天线进行通信,其中RFID阅读器通过阅读器天线发送能量广播查询,目标标签通过标签天线收到射频信号的标签解码后响应RFID阅读器的请求,RFID阅读器收到反馈信号后交由RFID中间件处理;本实施例中,RFID阅读器沿着既定轨迹移动,期间发送n次查询,RFID中间件保存n次查询的响应RSSI值,并同目的标签所在的位置坐标作为一条训练数据保存至数据库中。
需要说明的是,既定轨迹可由用户预先设定,本发明对此不作具体限定。
作为一个示例,在获取到RFID阅读器与目标标签的多条标签信号强度特征后,还采用卡尔曼滤波对多条标签信号强度特征进行滤波处理,以获取稳定的信号强度特征,从而提高定位效果。
需要说明的是,RFID阅读器在移动过程中可以收集与目标标签的多条标签信号强度特征,以便从高维度映射标签坐标,提高数据健壮性。
步骤102,建立GRNN网络模型,并采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数,以便根据最优超参数和RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练。
也就是说,在进行GRNN网络模型训练前,先采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数,然后将RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标作为训练集输入到GRNN网络模型进行隐式训练。
需要说明的是,对GRNN网络模型影响较大的超参数为平滑因子δ,本发明提出以遗传算法调整该平滑因子δ,启发式搜索出使得定位损失降为最低的平滑因子,以进一步提高GRNN网络模型的定位效果。
作为一个实施例,如图3所示,GRNN网络模型的结构及其前向传播步骤包括:
(1)输入层:将待定位标签的多条标签信号强度特征作为输入层的神经单元值;
(2)模式层:计算测试样本到所有训练样本的欧式距离,以Gauss为激活函数计算模式层:
其中,texi表示第i个测试样本,i=1,2,…,m;trxj表示第j个训练样本,j=1,2,…,k;δ表示GRNN网络模型的超参数;
(3)求和层:包括第一个节点的输出和其余k个节点的输出:
其中,S0为求和层第一个节点的输出结果,gi为模式层的输出结果,Si为求和层第i个节点的输出结果(i>0),gj为模式层第j个节点的输出结果,加权系数yji为第j个模式层节点对应的训练样本的标签的第j个元素;
(4)输出层:计算输出层的神经单元值,并以outl作为x,out2作为y:
其中,outi表示输出层第i个节点的输出结果,si+1表示求和层第i+1个节点的输出结果。
需要说明的是,移动的RFID阅读器采集到标签的RSSI序列[rssi1,rssi2,…,rssin]之后作为输入层,经过模式层、求和层、输出层之后,便获得了目标的位置坐标(x,y)。
作为一个实施例,如图4所示,采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数,包括以下步骤:
S1,将超参数作为种群中的个体,并进行超参数种群初始化;
S2,计算每个超参数对应的模型损失值;
S3,根据预先设置的迭代次数判断是否达到迭代次数,如果是,则判断模型损失值最小的超参数是否N次无更新;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作;
S4,判断模型损失值最小的超参数是否N次无更新,如果是,则输出所述模型损失值最小的超参数作为最优超参数;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作。
需要说明的是,遗传算法模拟了遗传学和自然选择进化论,通过模拟种群的生命演绎,存活下最优个体;本实施例中以超参数作为种群中的个体,计算其对应的损失值;通过赌轮盘算法选择新一代种群,损失值越高,越容易被淘汰;在计算机中,超参数δ可以二进制形式编码,而二进制又可以形象的对应生物的DNA,模拟生物繁衍的交叉与编译;迭代结束后的种群中,对应损失值最低的个体即为搜索的最优超参数;由此,以启发式进化算法对超参数进行寻优,以概率机制进行迭代,具有随机性和普遍性。
步骤103,获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息。
也就是说,将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型,以便通过训练好的GRNN网络模型进行前向传播,从而输出待定位标签的位置信息。
终上所述,根据本发明实施例的GRNN结合遗传算法的室内定位方法,首先采用RFID阅读器沿既定轨迹移动,以便在移动过程中获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标,接着建立GRNN网络模型,并采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数,以便根据最优超参数和RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练,然后获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息;由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
另外,本发明实施例还提出了一种计算机可读存储介质,其上存储有GRNN结合遗传算法的室内定位程序,该GRNN结合遗传算法的室内定位程序被处理器执行时实现如上述的GRNN结合遗传算法的室内定位方法。
根据本发明实施例的计算机可读存储介质,通过存储有GRNN结合遗传算法的室内定位程序,这样GRNN结合遗传算法的室内定位程序被处理器执行时实现上述的GRNN结合遗传算法的室内定位方法,由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
另外,本发明实施例还提出了一种计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的GRNN结合遗传算法的室内定位方法。
根据本发明实施例的计算机设备,通过存储器存储GRNN结合遗传算法的室内定位程序,这样GRNN结合遗传算法的室内定位程序被处理器执行时实现上述的GRNN结合遗传算法的室内定位方法,由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
图5为根据本发明一个实施例GRNN结合遗传算法的室内定位系统的方框示意图;如图5所示,该GRNN结合遗传算法的室内定位系统包括:获取模块10、参数调整模块20、模型训练模块30和定位模块40。
其中,获取模块10,用于获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标;参数调整模块20,用于采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数;模型训练模块30,用于根据最优超参数和所述RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练;定位模块40,用于获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息。
作为一个实施例,获取模块10还用于,在获取到RFID阅读器与目标标签的多条标签信号强度特征后,还采用卡尔曼滤波对所述多条标签信号强度特征进行滤波处理,以获取稳定的信号强度特征。
作为一个实施例,GRNN网络模型的结构包括:
(1)输入层:将待定位标签的多条标签信号强度特征作为输入层的神经单元值;
(2)模式层:计算测试样本到所有训练样本的欧式距离,以Gauss为激活函数计算模式层:
其中,texi表示第i个测试样本,i=1,2,…,m;trxj表示第j个训练样本,j=1,2,…,k;δ表示GRNN网络模型的超参数;
(3)求和层:包括第一个节点的输出和其余k个节点的输出:
其中,S0为求和层第一个节点的输出结果,gi为模式层的输出结果,Si为求和层第i个节点的输出结果(i>0),gj为模式层第j个节点的输出结果,加权系数yji为第j个模式层节点对应的训练样本的标签的第j个元素;
(4)输出层:计算输出层的神经单元值:
其中,outi表示输出层第i个节点的输出结果,si+1表示求和层第i+1个节点的输出结果。
作为一个实施例,参数调整模块20还用于,
S1,将超参数作为种群中的个体,并进行超参数种群初始化;
S2,计算每个超参数对应的模型损失值;
S3,根据预先设置的迭代次数判断是否达到迭代次数,如果是,则判断模型损失值最小的超参数是否N次无更新;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作;
S4,判断模型损失值最小的超参数是否N次无更新,如果是,则输出所述模型损失值最小的超参数作为最优超参数;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作。
需要说明的是,前述对于GRNN结合遗传算法的室内定位方法的实施例的解释说明同样适用于本实施例的GRNN结合遗传算法的室内定位系统,此处不再赘述。
综上所述,根据本发明实施例的GRNN结合遗传算法的室内定位系统,通过获取模块获取RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标,参数调整模块采用遗传算法对GRNN网络模型的超参数进行调整以获取最优超参数;模型训练模块根据最优超参数和RFID阅读器与目标标签的多条标签信号强度特征以及目标标签的位置坐标对GRNN网络模型进行训练;定位模块获取待定位标签的多条标签信号强度特征,并将待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取待定位标签的位置信息;由此,通过单个RFID阅读器收集多条标签信号强度特征从根本上规避了RFID阅读器之间的信号碰撞且大幅度降低了定位成本。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种GRNN结合遗传算法的室内定位方法,其特征在于,包括以下步骤:
采用RFID阅读器沿既定轨迹移动,以便在移动过程中获取所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标;
建立GRNN网络模型,并采用遗传算法对所述GRNN网络模型的超参数进行调整以获取最优超参数,以便根据所述最优超参数和所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标对所述GRNN网络模型进行训练;
获取待定位标签的多条标签信号强度特征,并将所述待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取所述待定位标签的位置信息。
2.如权利要求1所述的GRNN结合遗传算法的室内定位方法,其特征在于,在获取到所述RFID阅读器与目标标签的多条标签信号强度特征后,还采用卡尔曼滤波对所述多条标签信号强度特征进行滤波处理,以获取稳定的信号强度特征。
3.如权利要求1所述的GRNN结合遗传算法的室内定位方法,其特征在于,所述GRNN网络模型的结构包括:
(1)输入层:将待定位标签的多条标签信号强度特征作为输入层的神经单元值;
(2)模式层:计算测试样本到所有训练样本的欧式距离,以Gauss为激活函数计算模式层:
其中,texi表示第i个测试样本,i=1,2,…,m;trxj表示第j个训练样本,j=1,2,…,k;δ表示GRNN网络模型的超参数;
(3)求和层:包括第一个节点的输出和其余k个节点的输出:
其中,S0为求和层第一个节点的输出结果,gi为模式层的输出结果,Si为求和层第i个节点的输出结果(i>0),gj为模式层第j个节点的输出结果,加权系数yji为第j个模式层节点对应的训练样本的标签的第j个元素;
(4)输出层:计算输出层的神经单元值:
其中,outi表示输出层第i个节点的输出结果,si+1表示求和层第i+1个节点的输出结果。
4.如权利要求1所述的GRNN结合遗传算法的室内定位方法,其特征在于,采用遗传算法对所述GRNN网络模型的超参数进行调整以获取最优超参数,包括以下步骤:
S1,将超参数作为种群中的个体,并进行超参数种群初始化;
S2,计算每个超参数对应的模型损失值,即预测坐标与实际坐标之间的MSE值;
S3,根据预先设置的迭代次数判断是否达到迭代次数,如果是,则判断模型损失值最小的超参数是否N次无更新;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作;
S4,判断模型损失值最小的超参数是否N次无更新,如果是,则输出所述模型损失值最小的超参数作为最优超参数;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作。
5.一种计算机可读存储介质,其特征在于,其上存储有GRNN结合遗传算法的室内定位程序,该GRNN结合遗传算法的室内定位程序被处理器执行时实现如权利要求1-4中任一项所述的GRNN结合遗传算法的室内定位方法。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一项所述的GRNN结合遗传算法的室内定位方法。
7.一种GRNN结合遗传算法的室内定位系统,其特征在于,包括:
获取模块,用于获取所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标;
参数调整模块,用于采用遗传算法对所述GRNN网络模型的超参数进行调整以获取最优超参数;
模型训练模块,用于根据所述最优超参数和所述RFID阅读器与目标标签的多条标签信号强度特征以及所述目标标签的位置坐标对所述GRNN网络模型进行训练;
定位模块,用于获取待定位标签的多条标签信号强度特征,并将所述待定位标签的多条标签信号强度特征输入到训练好的GRNN网络模型进行预测以获取所述待定位标签的位置信息。
8.如权利要求7所述的GRNN结合遗传算法的室内定位系统,其特征在于,所述获取模块还用于,
在获取到所述RFID阅读器与目标标签的多条标签信号强度特征后,还采用卡尔曼滤波对所述多条标签信号强度特征进行滤波处理,以获取稳定的信号强度特征。
9.如权利要求7所述的GRNN结合遗传算法的室内定位系统,其特征在于,所述GRNN网络模型的结构包括:
(1)输入层:将待定位标签的多条标签信号强度特征作为输入层的神经单元值;
(2)模式层:计算测试样本到所有训练样本的欧式距离,以Gauss为激活函数计算模式层:
其中,texi表示第i个测试样本,i=1,2,…,m;trxj表示第j个训练样本,j=1,2,…,k;δ表示GRNN网络模型的超参数;
(3)求和层:包括第一个节点的输出和其余k个节点的输出:
其中,S0为求和层第一个节点的输出结果,gi为模式层的输出结果,Si为求和层第i个节点的输出结果(i>0),gj为模式层第j个节点的输出结果,加权系数yji为第j个模式层节点对应的训练样本的标签的第j个元素;
(4)输出层:计算输出层的神经单元值:
其中,outi表示输出层第i个节点的输出结果,si+1表示求和层第i+1个节点的输出结果。
10.如权利要求7所述的GRNN结合遗传算法的室内定位系统,其特征在于,参数调整模块还用于,
S1,将超参数作为种群中的个体,并进行超参数种群初始化;
S2,计算每个超参数对应的模型损失值;
S3,根据预先设置的迭代次数判断是否达到迭代次数,如果是,则判断模型损失值最小的超参数是否N次无更新;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作;
S4,判断模型损失值最小的超参数是否N次无更新,如果是,则输出所述模型损失值最小的超参数作为最优超参数;如果否,则通过赌轮盘算法选择新一代种群,并进行交叉、变异后继续执行步骤S2,以进行迭代操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527801.3A CN113310490B (zh) | 2021-05-14 | 2021-05-14 | Grnn结合遗传算法的室内定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527801.3A CN113310490B (zh) | 2021-05-14 | 2021-05-14 | Grnn结合遗传算法的室内定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113310490A true CN113310490A (zh) | 2021-08-27 |
CN113310490B CN113310490B (zh) | 2022-10-04 |
Family
ID=77373304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527801.3A Active CN113310490B (zh) | 2021-05-14 | 2021-05-14 | Grnn结合遗传算法的室内定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113310490B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139664A (zh) * | 2021-12-07 | 2022-03-04 | 中国建设银行股份有限公司 | 基于rfid技术的室内定位方法及装置 |
CN115493592A (zh) * | 2022-08-08 | 2022-12-20 | 厦门大学 | 基于多目标进化算法的室内定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204669619U (zh) * | 2015-06-18 | 2015-09-23 | 中国矿业大学 | 一种监测室内环境状态的室内定位系统 |
CN107942363A (zh) * | 2017-10-31 | 2018-04-20 | 天津大学 | 基于建筑结构图计算的消防员用室内导航系统及其方法 |
CN108871332A (zh) * | 2018-04-26 | 2018-11-23 | 广西大学 | 一种基于XGBoost的RFID室内定位系统及方法 |
CN110057368A (zh) * | 2019-05-22 | 2019-07-26 | 合肥工业大学 | 一种新型室内定位与导航方法 |
EP3786864A1 (en) * | 2019-08-27 | 2021-03-03 | Siemens Healthcare GmbH | Combined indoor and outdoor tracking using machine learning |
-
2021
- 2021-05-14 CN CN202110527801.3A patent/CN113310490B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204669619U (zh) * | 2015-06-18 | 2015-09-23 | 中国矿业大学 | 一种监测室内环境状态的室内定位系统 |
CN107942363A (zh) * | 2017-10-31 | 2018-04-20 | 天津大学 | 基于建筑结构图计算的消防员用室内导航系统及其方法 |
CN108871332A (zh) * | 2018-04-26 | 2018-11-23 | 广西大学 | 一种基于XGBoost的RFID室内定位系统及方法 |
CN110057368A (zh) * | 2019-05-22 | 2019-07-26 | 合肥工业大学 | 一种新型室内定位与导航方法 |
EP3786864A1 (en) * | 2019-08-27 | 2021-03-03 | Siemens Healthcare GmbH | Combined indoor and outdoor tracking using machine learning |
Non-Patent Citations (4)
Title |
---|
ZHANG HAN 等: ""Research on Node Location Algorithm of Zigbee Based on optimized Neural Network"", 《2020 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND APPLICATION》 * |
宋宁佳等: "基于MEA-GRNN的RFID室内定位", 《电讯技术》 * |
徐天天 等: ""基于RFID的仓库货物三维定位研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
马翠红等: "基于AGA-GRNN的三维室内定位研究", 《现代电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139664A (zh) * | 2021-12-07 | 2022-03-04 | 中国建设银行股份有限公司 | 基于rfid技术的室内定位方法及装置 |
CN115493592A (zh) * | 2022-08-08 | 2022-12-20 | 厦门大学 | 基于多目标进化算法的室内定位方法及系统 |
CN115493592B (zh) * | 2022-08-08 | 2024-05-03 | 厦门大学 | 基于多目标进化算法的室内定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113310490B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113310490B (zh) | Grnn结合遗传算法的室内定位方法及系统 | |
CN114386694B (zh) | 基于对比学习的药物分子性质预测方法、装置及设备 | |
US20160150380A1 (en) | Automated wlan radio map construction method and system | |
WO2017121168A1 (zh) | 簇式磁场定位的方法、装置和系统 | |
CN112356830A (zh) | 一种基于模型强化学习的智能泊车方法 | |
CN114460943B (zh) | 服务机器人自适应目标导航方法及系统 | |
CN109756842B (zh) | 基于注意力机制的无线室内定位方法及系统 | |
CN112633314B (zh) | 一种基于多层采样的主动学习溯源攻击方法 | |
CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
CN111079074A (zh) | 一种基于改进的正弦余弦算法构建预测模型的方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN110795522B (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
CN112365359A (zh) | 种植决策确定模型的训练方法、装置、设备以及存储介质 | |
US8213709B1 (en) | Method and system for directed area search using cognitive swarm vision and cognitive Bayesian reasoning | |
CN107124761B (zh) | 融合pso和ss-elm的蜂窝网无线定位方法 | |
CN117217779A (zh) | 预测模型的训练方法、装置及信息预测方法、装置 | |
CN109766969B (zh) | 基于异步优势动作评价的rfid室内定位算法 | |
CN110926470A (zh) | 一种agv导航控制方法及系统 | |
CN109889981A (zh) | 一种基于二分类技术的定位方法及系统 | |
CN115493592B (zh) | 基于多目标进化算法的室内定位方法及系统 | |
CN110045362B (zh) | 基于rnn的雷达目标航迹识别方法和装置 | |
Chen et al. | Towards bio-inspired place recognition over multiple spatial scales | |
CN110062458A (zh) | 一种无线信号指纹库优化更新方法和装置 | |
CN114970714B (zh) | 一种考虑移动目标不确定行为方式的轨迹预测方法及系统 | |
Liao | Ground classification based on optimal random forest model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |