CN114173280B - 一种基于广义回归神经网络的室内3d定位方法 - Google Patents
一种基于广义回归神经网络的室内3d定位方法 Download PDFInfo
- Publication number
- CN114173280B CN114173280B CN202111525123.3A CN202111525123A CN114173280B CN 114173280 B CN114173280 B CN 114173280B CN 202111525123 A CN202111525123 A CN 202111525123A CN 114173280 B CN114173280 B CN 114173280B
- Authority
- CN
- China
- Prior art keywords
- wolf
- neural network
- population
- regression neural
- generalized regression
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 241000282461 Canis lupus Species 0.000 claims abstract description 118
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000009499 grossing Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims description 32
- 241000282421 Canidae Species 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000009394 selective breeding Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于广义回归神经网络的室内3D定位方法,涉及3D定位技术领域,通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入,经过多次迭代,获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中,利用优化平滑因子σ的取值,建立最优广义回归神经网络模型,准确定位待测节点的三维位置;本申请提供的一种基于广义回归神经网络的室内3D定位方法,通过引入改进的灰狼算法IGWO优化广义回归神经网络的平滑因子σ,有效解决了因人为选择参数不当而导致的预测效果不好和过拟合现象,提高了模型的预测精度,定位精度更高且寻优速度更快。
Description
技术领域
本发明涉及3D定位技术领域,特别涉及一种基于广义回归神经网络的室内3D定位方法。
背景技术
为实现更加精准的室内定位,现有技术应用人工神经网络等人工智能理论结合接收信号强度RSSI(Received Signal Strength Indication)进行室内定位。其中,广义回归神经网络(Generalized RegressionNeuralNetwork,GRNN)非线性映射能力强,数据拟合能力和学习速度也更优,十分适合室内定位。其模型结构简单,预测性能很大程度上取决于参数σ的取值,但σ取值时主观影响较大,需要寻找一种优化σ取值的方法来实现高精度定位。
灰狼优化算法(GreyWolfOptimizer,GWO)是一种新兴的群智能优化算法,收敛性能较强、参数少、易实现,可用于优化参数,被许多研究者广泛采用,但GWO算法在寻优过程中容易陷入局部最优。为进一步提升GWO算法的性能,现有技术利用混沌Cat映射、粒子群算法个体记忆功能、高斯变异扰动和优胜劣汰选择规则来优化算法。但是以上四种改进方法并没有对位置更新策略进行改进,且全局和局部搜索能力的协调不够灵活,寻优能力和寻优效率还有待提高。因此得知,现有技术中基于相对位置的定位方法容易受环境干扰,定位精度不高。
基于此现有问题,本申请提出了一种基于广义回归神经网络的室内3D定位方法,通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入,经过多次迭代,获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中,利用优化平滑因子σ的取值,建立最优广义回归神经网络模型,准确定位待测节点的三维位置。
发明内容
本发明的目的在于提供一种基于广义回归神经网络的室内3D定位方法,通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入,经过多次迭代,获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中,利用优化平滑因子σ的取值,建立最优广义回归神经网络模型,准确定位待测节点的三维位置。
本发明提供了一种基于广义回归神经网络的室内3D定位方法,包括以下步骤:
采集测试场所内测试节点的三维坐标样本数据,训练并建立广义回归神经网络模型;
利用灰狼算法调整平滑因子,获得最优优化平滑因子σ;
将灰狼种群的初始种群分布的最优优化平滑因子σ映射为广义回归神经网络模型的参数平滑因子σ;
在测试场所的角落和中心处设置信标节点;
将待测节点与信标节点间的信号强度值输入广义回归神经网络模型,广义回归神经网络模型输出待测节点的三维坐标值。
进一步地,所述利用灰狼算法调整平滑因子,获得最优优化平滑因子σ的步骤,包括:
利用佳点集方法初始化灰狼算法的灰狼种群,获得灰狼种群的初始种群分布;
引入适应度权值,计算灰狼种群的初始种群分布的适应度值;
对灰狼算法的控制参数进行对数式调整;
获取灰狼种群的最优优化平滑因子σ。
进一步地,所述利用佳点集方法初始化灰狼算法的灰狼种群,获得灰狼种群的初始种群分布的步骤,包括:
在D维搜索空间内随机生成N个灰狼表示为:
rd=ed,1≤d≤D
其中,e为常数,e=2.71828183,d表示当前搜索空间维数;
使用佳点集方法,佳点集中第i个点的第d维表示为:
其中,表示向下取整;
将佳点集映射到灰狼种群的初始种群,搜索空间为1维,则第i个灰狼的1维空间的值为:
Xi=l1+ri1(u1-l1),i=1,2,...,N
其中,u1和l1分别表示灰狼个体的1维空间的上下限;
获得灰狼种群的初始种群分布。
进一步地,所述引入适应度权值,计算灰狼种群的初始种群分布的适应度值的步骤,包括:
构造适应度函数计算灰狼个体的适应度值,适应度函数为:
其中,(x′j,y′j,z′j)是广义回归神经网络模型的第j个预测位置,(xj,yj,zj)是第j个样本实际位置,M为测试位置样本数;
根据计算出的适应度值选出值最小的3个灰狼个体,适应度值按从小到大分别记为fα、fβ、fδ,将α、β、δ狼的适应度权值分别记为:kα、kβ、kδ,数学表达式为:
进一步地,所述对灰狼算法的控制参数进行对数式调整的步骤,包括:
采用对数函数调整灰狼算法的控制参数,调整方式为:
其中,μ为曲率参数。
进一步地,还包括:
根据曲率参数,获取协同系数变量和摆动因子:
C=2rand(0,1)
其中,A为协同系数向量,C为摆动因子,rand(0,1)表示[0,1]上均匀分布的随机数。
进一步地,所述获取灰狼种群的最优优化平滑因子σ的步骤包括:
狼群根据猎物方位对自己的位置进行更新,更新方式如下:
式中,Xi(t+1)为调整后的狼群位置,X1i、X2i、X3i分别为α、β、δ狼更新后的位置;
判断更新是否达到最大迭代次数tmax,若未达到,则重新计算适应度值,若达到,则输出Xα作为最优解,即得到最优平滑因子σ。
进一步地,还包括:
获取测试场所接收信号的强度指示值,根据强度指示值确定测试场所的范围。
与现有技术相比,本发明具有如下显著优点:
本发明提供了一种基于广义回归神经网络的室内3D定位方法,通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入,经过多次迭代,获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中,利用优化平滑因子σ的取值,建立最优广义回归神经网络模型,准确定位待测节点的三维位置;本申请提供的一种基于广义回归神经网络的室内3D定位方法,通过引入改进的灰狼算法IGWO优化广义回归神经网络的平滑因子σ,有效解决了因人为选择参数不当而导致的预测效果不好和过拟合现象,提高了模型的预测精度,定位精度更高且寻优速度更快。
附图说明
图1为本发明实施例提供的一种基于广义回归神经网络的室内3D定位方法的定位流程图;
图2为本发明实施例提供的广义回归神经网络结构图;
图3为本发明实施例提供的随机生成法初始种群分布情况图;
图4为本发明实施例提供的佳点集方法初始种群分布情况图;
图5为本发明实施例提供的控制参数a随迭代次数t的变化图;
图6为本发明实施例提供的IGWO调整平滑因子的流程图;
图7为本发明实施例提供的GWO、GA、CGWO和IGWO寻优对比图;
图8为本发明实施例提供的GWO-GRNN 3D定位仿真图;
图9为本发明实施例提供的GWO-GRNN 3D定位俯视图;
图10为本发明实施例提供的GA-GRNN 3D定位仿真图;
图11为本发明实施例提供的GA-GRNN3D定位俯视图;
图12为本发明实施例提供的CGWO-GRNN3D定位仿真图;
图13为本发明实施例提供的CGWO-GRNN3D定位俯视图;
图14为本发明实施例提供的IGWO-GRNN3D定位仿真图;
图15为本发明实施例提供的IGWO-GRNN3D定位俯视图;
图16为本发明实施例提供的三种模型定位误差对比图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
广义回归神经网络GRNN的结构如图2所示,由输入层、模式层、求和层和输出层四部分构成。
将模型的输入向量表示为X=[X1,X2,...Xm]T,输出向量表示为Y=[y1,y2,...yn]T,联合概率密度函数表示为f(X,y),y的观测值为Y,假定f(X,y)服从正态分布,则:
式中:m为输入向量X的维度;n为学习样本数;σ为高斯函数的宽度系数,即GRNN网络的平滑因子;Xi为第i个输入向量,Yi为第i个输出向量。
y相对于X的回归为:
其中,为在输入X的条件下Y的预测输出。
在已知概率密度函数的情况下,由(1)式、(2)式计算可得:
将室内定位时实际测量到的强度指示值RSSI作为输入向量输入GRNN模型,则可根据式(3)预测出被测目标的真实位置。
GRNN模型结构简单,当样本数据确定后,进行网络预测只需确定平滑因子σ,σ的取值直接影响着GRNN模型的泛化能力和预测精度,所以适中的σ取值极其重要。本发明采用改进的灰狼算法IGWO来优化平滑因子σ的取值。
灰狼算法GWO是一种根据灰狼群体捕食而提出的智能算法,猎物代表最优解,每只灰狼的位置代表一个可能的解。灰狼群在捕猎过程中有着严格的社会等级制度,领导能力最强的灰狼被记为α,是适应度最佳、离最优解最近的狼;β狼和δ狼是适应度次于α狼的两种个体,猎捕过程中它们会协助α狼管理狼群以及决策出现的问题,同时也是α狼的候选者;剩余的狼记为ω,负责平衡狼群内务关系以及协助攻击猎物。
GWO算法的数学模型具体描述如下:
首先在D维搜索空间内随机生成N个灰狼,第i个灰狼个体的位置可表示为Xi=(xi1,xi2,...xiD),i=1,2,...,N,在包围的过程中,猎物与灰狼间距离表示为:
Di=|C·Xp(t)-Xi(t)| (4)
C=2·r2 (5)
其中,Di为灰狼个体i与猎物间的距离,Xp(t)和Xi(t)分别为t次迭代时猎物和灰狼个体i所处的位置,C为摆动因子。
狼群要根据猎物方位对自己位置进行更新,其数学描述如下:
Xi(t+1)=Xp(t)-A·Di (6)
A=2a·r1-a (7)
a=2-t/tmax (8)
其中,A为协同系数向量,变量a随着迭代次数的增加从2线性减少到0,tmax为最大迭代次数,r1和r2表示[0,1]间的随机数。
包围猎物后,β狼和δ狼在α狼的带领下开始追捕猎物,灰狼的位置会随着猎物逃跑而改变,需要更新α、β、δ狼的位置来重新确定最优解,而其它灰狼个体则根据α、β、δ狼的位置来调整自己的位置,用Xi(t+1)表示。具体公式为:
在一次捕猎的过程中,伴随着参数和迭代次数的不断调整,最终找到全局最优解。
实施例1
参照图1-图16,本发明提供了一种基于广义回归神经网络的室内3D定位方法,包括以下步骤:
步骤1:获取测试场所接收信号的强度指示值,根据强度指示值确定测试场所的范围。
步骤2:采集测试场所内测试节点的三维坐标样本数据,训练并建立广义回归神经网络模型。
步骤3:优化灰狼算法,改进的灰狼优化算法IGWO调整平滑因子的流程图如图6所示,利用优化后的灰狼算法调整平滑因子,获得最优优化平滑因子σ的步骤,包括:
步骤301:利用佳点集方法初始化灰狼算法的灰狼种群,获得灰狼种群的初始种群分布的步骤,包括:
在D维搜索空间内随机生成N个灰狼,N取值100,取值范围介于[0,1]之间,最大迭代次数tmax=50,搜索空间维数D=1,则:
rd=ed,1≤d≤D (12)
其中,e为常数,e=2.71828183,d表示当前搜索空间维数;
使用佳点集方法,佳点集中第i个点的第d维表示为:
其中,表示向下取整;
将佳点集映射到灰狼种群的初始种群,搜索空间为1维,则第i个灰狼的1维空间的值为:
Xi=l1+ri1(u1-l1),i=1,2,...,N (14)
其中,u1和l1分别表示灰狼个体的1维空间的上下限;
采用佳点集方法对狼群进行初始化,保证狼群较均匀分布,获得灰狼种群的初始种群分布。
步骤302:引入适应度权值,计算灰狼种群的初始种群分布的适应度值的步骤,包括:
构造适应度函数计算所有灰狼个体的适应度值,适应度函数为:
其中,(x′j,y′j,z′j)是广义回归神经网络模型的第j个预测位置,(xj,yj,zj)是第j个样本实际位置,M为测试位置样本数;
根据计算出的适应度值选出值最小的3个灰狼个体,适应度值按从小到大分别记为fα、fβ、fδ,并将其位置分别保存为Xα、Xβ、Xδ,将α、β、δ狼的适应度权值分别记为:kα、kβ、kδ,数学表达式为:
由此计算ω狼的位置如下所示:
式中,X1i、X2i、X3i分别为α、β、δ狼更新后的位置。
在α、β、δ狼随着猎物的移动而更新自身的位置后,其它灰狼个体ω则根据α、β、δ狼的位置来调整自己的位置,由传统灰狼算法可知,当迭代次数达到规定次数时,将α狼的位置作为全局最优解输出。所以,α狼的位置是最接近猎物的位置,ω狼位置更新时应着重倾向于向α狼的位置移动,故本发明引入适应度权值。将α、β、δ狼的位置加权一定的系数后,得到ω狼的位置,缩短整个狼群和猎物间的距离,增大捕获的成功率,提高算法的寻优效率。
步骤303:对群体智能优化算法来说,全局和局部探索能力的协调至关重要。全局探索是群体需要搜索更广泛的区域,避免算法陷入局部最优;局部探索则是利用已有信息对某些邻域进行密集搜索,决定着算法的收敛速度。使两者协调的算法才能具备较强的鲁棒性和较快的收敛速度。
由传统灰狼位置更新公式可知,在平衡GWO算法的全局和局部探索能力方面,参数A的大小起到关键的作用。当|A|>1时,灰狼群体扩大搜索范围;当|A|<1时,灰狼群体缩小搜索范围。分别对应于GWO算法的全局探索能力和局部探索能力。由式(7)可知,控制参数a决定A的值,a值越大,算法的探索能力越强;a值越小,搜索精度越高。由式(8)可知,控制参数a随迭代次数t的增加线性减小,由2变化到0。但是,结合实际,GWO算法的寻优过程是非常复杂的,寻优前期和后期的侧重点不同,要求也不一样,控制参数a仅随迭代次数t线性递减不能反映出实际的寻优过程。现有技术提出了设计控制参数a随迭代次数t进行非线性变化,由测试结果可知,改进后的GWO算法寻优效果更佳。
因此,对灰狼算法的控制参数进行对数式调整的步骤,包括:
采用对数函数调整灰狼算法的控制参数,调整方式为:
其中,μ为曲率参数。选取不同μ值,令tmax取500,控制参数a随迭代次数t的变化如图5所示。
从图5中可以看出,该控制参数计算方法对应的曲线在寻优前期时,a的变化幅度不断变缓,有利于狼群的部署以及扩大搜索范围,以得到全局最优解;寻优后期曲线变得越来越陡峭,有利于加快算法的收敛速度,增加狼群捕猎精度。随着μ取值的不断增大,曲线的曲率也不断增大,实际应用时,可根据实际需要适当调整μ值,计算出的a能更好地协调全局与局部探索能力。
步骤304:根据曲率参数,曲率参数μ取值300,获取协同系数变量和摆动因子:
C=2rand(0,1) (22)
其中,A为协同系数向量,C为摆动因子,rand(0,1)表示[0,1]上均匀分布的随机数。C主要决定了新位置相对于目标灰狼的方位,而A则决定新位置向目标靠近还是远离目标灰狼。
步骤305:获取灰狼种群的最优优化平滑因子σ的步骤包括:
狼群根据猎物方位对自己的位置进行更新,更新方式如下:
式中,Xi(t+1)为调整后的狼群位置,X1i、X2i、X3i分别为α、β、δ狼更新后的位置;
判断更新是否达到最大迭代次数tmax,若未达到,则重新计算适应度值,若达到,则输出Xα作为最优解,即得到最优平滑因子σ。
步骤4:将灰狼种群的初始种群分布的最优优化平滑因子σ映射为广义回归神经网络模型的参数平滑因子σ,将GRNN模型的参数平滑因子σ映射为灰狼种群中的灰狼,第i个灰狼个体表示为Xi={σi},i=1,2,...,N,定位方法的总体流程如图1所示。
步骤5:在测试场所的角落和中心处设置信标节点。
步骤6:将待测节点与信标节点间的信号强度值输入广义回归神经网络模型,广义回归神经网络模型输出待测节点的三维坐标值。
本发明将定位过程分为两个阶段:模型训练阶段和三维坐标预测阶段。在模型训练阶段,利用在测试场所采集到的RSSI值和对应的测试节点实际三维坐标样本数据训练网络并建立IGWO-GRNN模型;在三维坐标预测阶段,将待定位节点与信标节点之间采集到的RSSI值输入训练好的IGWO-GRNN模型中,神经网络的输出即为待定位节点的三维坐标。
实施例2
在传统灰狼算法中,初始的狼群种群是随机生成的,种群的随机分布会使得初始解的个体不能遍历整个搜索空间,造成较优解的丢失,还可能会陷入局部最优值,降低了算法的寻优能力。而具有均匀分布的初始化种群可以一定程度上提高算法的寻优效果。本发明采用佳点集方法初始化灰狼种群,以获得更均匀稳定的初始种群分布。
设狼群初始种群数为N,搜索空间的维数为D,则有:
rd=ed,1≤d≤D (25)
佳点集中第i个点的第d维可表示为:
将佳点集映射到灰狼初始种群,搜索空间为1维,则第i个灰狼的1维空间的值为:
Xi=l1+ri1(u1-l1),i=1,2,...,N (27)
其中,u1和l1分别为灰狼个体的1维空间的上下限。
取灰狼种群数量为50,灰狼个体的1维值分布在[0,1]中,使用佳点集方法获得的初始种群分布的数据如表1所示,使用随机生成法和佳点集方法的种群分布图如图3和图4所示。
表1佳点集获取初始分布数据
从表1和图3、图4可以看出,佳点集构造的初始种群分布更加均匀,且没有重复的个体,从而更有助于算法遍历整个搜索空间,有效避免局部最优。
实施例3
将实验选择在一个12m×10m的办公环境内,基于Zigbee定位系统,准备5个信标节点(AP),分别放置在测试场所天花板的四个角落和中心位置,用来接收定位节点发送的数据,测试场所内存在各种障碍物。将测试区域划分为120个小区域,每个小区域大小为1m×1m,小区域中心位置作为测试点。测试人员随身携带定位节点,从(0,0)位置出发,遍历每个测试小区域。在每个测试点处,定位节点向5个信标节点分别发送100个数据包,形成[RSSI1,RSSI2,RSSI3,RSSI4,RSSI5,(xi,yi,zi)]样本数据,i=1,2,3,...,120,作为样本集数据。从120组样本数据中抽取100组数据作为训练样本集,剩余20组作为测试样本集。将训练样本集中的RSSI值作为网络模型的输入,训练神经网络,对应测试点的坐标作为输出,满足误差要求后,则得到最优定位模型,再用测试样本集数据来验证该网络模型的定位效果。
本发明为了验证IGWO-GRNN在室内3D定位中的准确性和优越性,将IGWO-GRNN与GWO-GRNN和现有技术提出的GA-GRNN、一种改进非线性收敛方式的灰狼优化算法CGWO用于室内3D定位进行比较。
初始种群规模N取值100,平滑因子σ取值范围设置在[0,1]之间,最大迭代次数tmax=50。其中本发明算法IGWO中曲率参数μ取值300,CGWO算法的非线性调节系数k值直接取实验性能最佳时的值。GWO、GA、CGWO和IGWO四种算法的寻优对比图如图7所示,从图中可以看出,GWO算法在24代左右收敛,GA算法在34代左右收敛,CGWO算法在16代左右收敛,而IGWO算法在13代左右已经收敛。同时可以看到,四种算法寻优最终平稳下来的适应度值IGWO算法最低,GA算法最高。综上表明,在算法的收敛速度方面和精准度方面,IGWO都要明显优于另三种算法。
通过上面四种算法不断迭代更新,在寻优结束时,得到各自最优平滑因子σ。其中,GWO算法得到σ=0.572,GA算法得到σ=0.667,CGWO算法得到σ=0.407,IGWO算法得到σ=0.336。如图8至图15所示,各自构建神经网络模型,进行定位效果的比较。
将四种模型的定位误差进行对比,如图16所示,GA-GRNN模型的最大定位误差是0.86m,最小定位误差是0.07m,实际坐标与模型输出坐标差在0.3m内的点只有8个,GWO-GRNN模型的最大定位误差是0.61m,最小定位误差是0.03m,实际坐标与模型输出坐标差在0.3m内的点有13个,CGWO-GRNN模型的最大定位误差是0.46m,最小定位误差是0.02m,实际坐标与模型输出坐标差在0.3m内的点有16个,而IGWO-GRNN模型的最大定位误差是0.37m,最小定位误差是0m,实际坐标与模型输出坐标差在0.3m内的点有18个。由以上数据可知,GA-GRNN模型定位精度明显低于GWO-GRNN模型。由实验结果可知,GA-GRNN模型在定位精度和收敛速度上都优于目前广泛研究的FOA-GRNN以及BP神经网络算法。因此可以得出,利用灰狼算法优化GRNN平滑因子σ进而实现室内3D定位是有明显优势的。而将灰狼优化算法进行改进后,CGWO-GRNN与IGWO-GRNN模型定位精度显著提高,本发明提出的IGWO-GRNN模型定位精度最高。
本发明选用均方根误差(RMSE)对模型的预测效果进行评价,公式如下:
式中,(xi,yi,zi)为测试样本集第i个样本的真实位置,(x′i,y′i,z′i)为预测值,n为测试样本集样本数,均方根误差值越小,模型的预测性能越好。表2所示为四种模型的均方根误差对比结果。可以看出,GA-GRNN模型的均方根误差最大,IGWO-GRNN模型的最小,再次证明,利用IGWO优化GRNN平滑因子σ,可以获得更好的定位效果。
表2四种模型的均方根误差对比结果
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (2)
1.一种基于广义回归神经网络的室内3D定位方法,其特征在于,包括以下步骤:
采集测试场所内测试节点的三维坐标样本数据,训练并建立广义回归神经网络模型;
利用灰狼算法调整平滑因子,获得最优优化平滑因子σ;
将灰狼种群的初始种群分布的最优优化平滑因子σ映射为广义回归神经网络模型的参数平滑因子σ;
在测试场所的角落和中心处设置信标节点;
将待测节点与信标节点间的信号强度值输入广义回归神经网络模型,广义回归神经网络模型输出待测节点的三维坐标值;
其中,所述利用灰狼算法调整平滑因子,获得最优优化平滑因子σ的步骤,包括:
利用佳点集方法初始化灰狼算法的灰狼种群,获得灰狼种群的初始种群分布;
引入适应度权值,计算灰狼种群的初始种群分布的适应度值;
对灰狼算法的控制参数进行对数式调整;
获取灰狼种群的最优优化平滑因子σ;
所述利用佳点集方法初始化灰狼算法的灰狼种群,获得灰狼种群的初始种群分布的步骤,包括:
在D维搜索空间内随机生成N个灰狼表示为:
rd=ed,1≤d≤D
其中,e为常数,e=2.71828183,d表示当前搜索空间维数;
使用佳点集方法,佳点集中第i个点的第d维表示为:
其中,表示向下取整;
将佳点集映射到灰狼种群的初始种群,搜索空间为1维,则第i个灰狼的1维空间的值为:
Xi=l1+ri1(u1-l1),i=1,2,...,N
其中,u1和l1分别表示灰狼个体的1维空间的上下限;
获得灰狼种群的初始种群分布;
所述引入适应度权值,计算灰狼种群的初始种群分布的适应度值的步骤,包括:
构造适应度函数计算灰狼个体的适应度值,适应度函数为:
其中,(x′j,y′j,z′j)是广义回归神经网络模型的第j个预测位置,(xj,yj,zj)是第j个样本实际位置,M为测试位置样本数;
根据计算出的适应度值选出值最小的3个灰狼个体,适应度值按从小到大分别记为fα、fβ、fδ,将α、β、δ狼的适应度权值分别记为:kα、kβ、kδ,数学表达式为:
所述对灰狼算法的控制参数进行对数式调整的步骤,包括:
采用对数函数调整灰狼算法的控制参数,调整方式为:
其中,μ为曲率参数;
根据曲率参数,获取协同系数变量和摆动因子:
C=2rand(0,1)
其中,A为协同系数向量,C为摆动因子,rand(0,1)表示[0,1]上均匀分布的随机数;
所述获取灰狼种群的最优优化平滑因子σ的步骤包括:
狼群根据猎物方位对自己的位置进行更新,更新方式如下:
式中,Xi(t+1)为调整后的狼群位置,X1i、X2i、X3i分别为α、β、δ狼更新后的位置;
判断更新是否达到最大迭代次数tmax,若未达到,则重新计算适应度值,若达到,则输出Xα作为最优解,即得到最优平滑因子σ。
2.如权利要求1所述的一种基于广义回归神经网络的室内3D定位方法,其特征在于,还包括:
获取测试场所接收信号的强度指示值,根据强度指示值确定测试场所的范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525123.3A CN114173280B (zh) | 2021-12-14 | 2021-12-14 | 一种基于广义回归神经网络的室内3d定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525123.3A CN114173280B (zh) | 2021-12-14 | 2021-12-14 | 一种基于广义回归神经网络的室内3d定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114173280A CN114173280A (zh) | 2022-03-11 |
CN114173280B true CN114173280B (zh) | 2023-10-27 |
Family
ID=80486377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525123.3A Active CN114173280B (zh) | 2021-12-14 | 2021-12-14 | 一种基于广义回归神经网络的室内3d定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114173280B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371607A (zh) * | 2020-02-28 | 2020-07-03 | 大连大学 | 一种基于决策灰狼算法优化lstm的网络流量预测方法 |
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
-
2021
- 2021-12-14 CN CN202111525123.3A patent/CN114173280B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371607A (zh) * | 2020-02-28 | 2020-07-03 | 大连大学 | 一种基于决策灰狼算法优化lstm的网络流量预测方法 |
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
Non-Patent Citations (4)
Title |
---|
《基于PSO-GRNN神经网络的煤矿井下定位算法研究 》;史明泉等;《中国矿业》;第29卷(第2期);第88-93页 * |
《用对数函数描述收敛因子的改进灰狼优化算法及其应用 》;伍铁斌等;《中南大学学报》;第49卷(第4期);第857-864页 * |
基于自适应GRNN的无线室内定位算法;葛柳飞;李克清;戴欢;;计算机工程(第06期);全文 * |
葛柳飞 ; 李克清 ; 戴欢 ; .基于自适应GRNN的无线室内定位算法.计算机工程.2016,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114173280A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN111432368B (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
CN105554873B (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
CN113361777B (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
JP2023505958A (ja) | 熱間圧延巻取り温度の区間予測法 | |
KR101680055B1 (ko) | 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법 | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
CN114173280B (zh) | 一种基于广义回归神经网络的室内3d定位方法 | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
CN109886405A (zh) | 一种抑制噪声的基于人工神经网络结构优化方法 | |
CN111539508B (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
CN111294922B (zh) | 一种分级快速的无线传感器网络节点精准定位方法及装置 | |
CN113219408A (zh) | 改进型rbf神经网络室内可见光定位方法及系统 | |
CN113177673A (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN110322050A (zh) | 一种风能资源数据补偿方法 | |
CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
CN109323677A (zh) | 改进布谷鸟搜索算法的圆度误差评定算法 | |
CN111680741B (zh) | 基于深度学习的计算机辅助干涉仪的自动装调方法 | |
CN113761797B (zh) | 一种基于计算机视觉的无线信道路径损耗模型预测方法 | |
CN112966423B (zh) | 基于ipso-iaga-bpnn算法的空间主镜结构响应预测模型的构建方法 |
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 |