CN114690117A - 一种基于改进麻雀算法优化grnn的室内三维定位方法 - Google Patents

一种基于改进麻雀算法优化grnn的室内三维定位方法 Download PDF

Info

Publication number
CN114690117A
CN114690117A CN202210339600.5A CN202210339600A CN114690117A CN 114690117 A CN114690117 A CN 114690117A CN 202210339600 A CN202210339600 A CN 202210339600A CN 114690117 A CN114690117 A CN 114690117A
Authority
CN
China
Prior art keywords
population
sub
sparrow
grnn
algorithm
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.)
Withdrawn
Application number
CN202210339600.5A
Other languages
English (en)
Inventor
高媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou College of Industrial Technology
Original Assignee
Xuzhou College of Industrial Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xuzhou College of Industrial Technology filed Critical Xuzhou College of Industrial Technology
Priority to CN202210339600.5A priority Critical patent/CN114690117A/zh
Publication of CN114690117A publication Critical patent/CN114690117A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S5/0278—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 involving statistical or probabilistic considerations
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种基于改进麻雀算法优化GRNN的室内三维定位方法，包括：获取室内定位时实际测量到的RSSI值；对麻雀算法进行改进获得改进的麻雀算法，改进的麻雀算法将麻雀算法中的单种群平均划分成多种群进行搜索，每个子种群在各自搜索域内进行寻优，最终达到对整个搜索空间全面搜索；利用改进的麻雀算法优化GRNN神经网络的平滑因子σ，获得最优平滑因子值；将最优平滑因子值作为GRNN神经网络的参数，使用训练集样本数据训练GRNN神经网络，获得室内三维定位模型；将测试集样本中的RSSI值输入训练好的室内三维定位模型中，计算预测坐标值，预测出被测目标的真实三维位置，提高了模型的定位精度及寻优效率。

Description

一种基于改进麻雀算法优化GRNN的室内三维定位方法
技术领域
本发明属于室内定位技术领域，具体涉及一种基于改进麻雀算法优化GRNN的室内三维定位方法。
背景技术
为提高定位精度，近年来，人工智能理论被应用于室内定位领域。现有文献记载的使用BP神经网络定位，效率较低。现有文献记载的使用RBF神经网络定位，训练中存在病态问题。现有文献记载的一种粒子群优化RBF的定位模型，定位精度有所提高。很多研究表明，广义回归神经网络(Generalized Regression Neural Network,GRNN)具有强大的非线性映射能力，学习速度较快，强于BP和RBF。但其平滑因子σ的取值一般依据个人经验并手动设置，主观影响较大。因此，需找到一种合适的方法来优化σ的取值。群智能优化算法具有良好的搜索能力，目前成为研究热点。其中，粒子群优化算法(Particle Swarm Optimization,PSO)和灰狼优化算法(Grey Wolf Optimizer,GWO)基于自身优势应用较多。现有文献记载的采用PSO优化BP神经网络建立粗糙度预测模型，现有文献记载的一种RBF-GWO网络混沌同步控制器。现有文献记载的将热门的几种群智能优化算法进行对比研究，从实验结果来看，2020年由Xue和Shen提出的一种最新的群智能优化算法麻雀算法(Sparrow SearchAlgorithm,SSA)，局部搜索能力极强，收敛速度很快，各方面性能都优于PSO算法和GWO算法。但SSA容易陷入局部最优，全局搜索能力较差。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种基于改进麻雀算法优化GRNN(MSSA-GRNN)的室内三维定位方法。进麻雀算法为多种群麻雀算法(Multi-populationSparrow Search Algorithm,MSSA)。
为了实现上述目的，本发明提供如下技术方案：
一种基于改进麻雀算法优化GRNN的室内三维定位方法，包括以下步骤：
获取室内定位时实际测量到的RSSI值，将RSSI值分为训练集样本和测试集样本；
对麻雀算法进行改进获得改进的麻雀算法MSSA，所述改进的麻雀算法MSSA将麻雀算法中的单种群平均划分成多个子种群进行搜索，每个子种群在各自搜索域内进行寻优，最终达到对整个搜索空间全面搜索；
利用改进的麻雀算法MSSA优化GRNN神经网络的平滑因子σ，获得最优平滑因子值；
将最优平滑因子值作为GRNN神经网络的参数，使用训练集样本数据训练GRNN神经网络，获得MSSA-GRNN室内三维定位模型；
将测试集样本中的RSSI值输入训练好的MSSA-GRNN室内三维定位模型中，计算预测坐标值，预测出被测目标的真实三维位置。
优选地，所述对麻雀算法进行改进获得改进的麻雀算法MSSA，包括以下步骤：
参数设置及多种群划分：麻雀种群规模记为S，最大迭代次数记为tmax，搜索空间维数记为D，将麻雀算法中的单种群均分为K个子种群；
各子种群的初始化：首先采用佳点集方式初始化各子种群，然后各子种群分别进行反向学习，通过适应度排序，每个子种群按照适应度排名选择前一半个体作为子种群成员；
各子种群内的竞争：计算各子种群全部个体适应度值，通过排序得到各子种群最优位置
Figure BDA0003578499890000021
和最差位置
Figure BDA0003578499890000022
各子种群间的竞争：将各子种群最优位置
Figure BDA0003578499890000023
和最差位置
Figure BDA0003578499890000024
分别进行比较，得到整个种群最优位置
Figure BDA0003578499890000025
和最差位置
Figure BDA0003578499890000026
进而划分出优胜子种群和辅助子种群；
更新麻雀位置：利用优胜子种群和辅助子种群分别更新发现者、加入者和侦察预警者的位置，得到改进的麻雀算法MSSA。
优选地，所述采用佳点集方式初始化各子种群，具体包括：
1维搜索空间下，由佳点集方法得到：
r1＝e
其中，r1表示在一维空间下的麻雀个体，e是一个数学常量，值约为2.71828；
将佳点集映射到每一个麻雀初始子种群，子种群中第i个点的第1维表示为：
Figure BDA0003578499890000031
其中，rij1表示在一维空间下某个子种群中的某个麻雀个体，整个麻雀种群均分为M个子种群，每个麻雀子种群初始种群数为N；
每个子种群中第i个麻雀的1维空间的值为：
Xij＝l1j+rij1(u1j-l1j),i＝1,2,...,N,j＝1,2,...,M
其中，u1j和l1j分别为第j个麻雀子种群麻雀个体的1维空间的上下限。
优选地，所述各子种群分别进行反向学习，具体包括：
在利用佳点集初始化子种群，生成N个麻雀个体后，再产生其对立个体，此时子种群个体数量为2N，在该子种群内将所有个体进行适应度评价对比，选出适应度最优的N个麻雀个体作为算法的初始种群，对立个体数学表达式如下：
Xij'＝l1j+u1j-Xij,i＝1,2,...,N,j＝1,2,...,M。
优选地，所述优胜子种群对个体位置进行更新，包括：更新发现者、加入者和侦察预警者的位置，具体为：
利用优胜子种群对个体位置进行更新，包括：
a、发现者位置更新
发现者的位置更新公式为：
Figure BDA0003578499890000032
式中，t表示当前迭代数，tmax是一个常数，表示最大迭代次数，
Figure BDA0003578499890000033
表示迭代数为t时第i个麻雀个体的位置，f为系数；α(α∈(0,1])是均匀随机数，Q是服从正态分布的随机数，R2(表示预警值，R2∈(0,1]；ST(表示安全值，ST∈(0.5,1]；
当R2＜ST时，表示此时觅食环境周围没有危险，发现者能够自由搜索；当R2≥ST时，表示种群中的一些麻雀发现了危险，并向其它麻雀发出警报，此时发现者将按正态分布随机移动到当前位置附近；
b、加入者位置更新
加入者的位置更新公式为：
Figure BDA0003578499890000041
式中，n表示麻雀总数量，
Figure BDA0003578499890000042
表示当前发现者占据的最优位置，
Figure BDA0003578499890000043
表示当前全局最差位置，
Figure BDA0003578499890000044
表示迭代数为t时第i个麻雀个体的位置，j为系数；Q是服从正态分布的随机数；
当i＞n/2时，意味着适应度低的第i个加入者获取食物失败，需要重新更换位置；
当i＞n/2时，加入者需要飞到其他地方觅食，为了飞到更优的位置，必须考虑到整个种群的最差位置
Figure BDA0003578499890000045
随着迭代次数的增加，整个种群的最差位置
Figure BDA0003578499890000046
对于位置的更新影响越大；考虑将整个种群的最差位置
Figure BDA0003578499890000047
和该子种群最差位置
Figure BDA0003578499890000048
进行加权求和，得到
Figure BDA0003578499890000049
加权系数渐变，随着迭代次数增加，整个种群最差位置的加权比重逐渐增大，
Figure BDA00035784998900000410
计算式如下：
Figure BDA00035784998900000411
由于该子种群为优胜子种群，子种群最优位置即是整个种群的最优位置
Figure BDA00035784998900000412
将整个种群最差位置考虑进去，则加入者位置更新公式为：
Figure BDA00035784998900000413
c、侦查预警者位置更新
侦查预警者的位置更新公式为：
Figure BDA0003578499890000051
式中，β是服从均值为0，方差为1的正态分布随机数，用于控制步长；K是一个[-1,1]内的随机数，fi表示当前麻雀个体的适应度值，fg表示当前全局最佳适应度值，fw表示当前全局最差适应度值，ε是最小常数；
Figure BDA0003578499890000052
表示迭代数为t时第i个麻雀个体的位置，z为系数。
优选地，所述辅助子种群对个体位置进行更新，包括：更新发现者、加入者和侦察预警者的位置，具体为；
辅助子种群中的麻雀个体应向着整个种群最优位置逐步逼近，随着迭代次数的增加，与整个种群最优位置的逼近度也应随着增加，整个种群最优位置的权重逐渐增大，辅助完成全局竞争；
a、发现者位置更新
Figure BDA0003578499890000053
式中，t表示当前迭代数，tmax是一个常数，表示最大迭代次数，
Figure BDA0003578499890000054
表示迭代数为t时第i个麻雀个体的位置，f’为系数；α(α∈(0,1])是均匀随机数，Q是服从正态分布的随机数，R2(表示预警值，R2∈(0,1]；ST(表示安全值，ST∈(0.5,1]；
Figure BDA00035784998900000512
为整个种群最优位置；
b、加入者位置更新
将整个种群的最差位置
Figure BDA0003578499890000055
和该子种群最差位置
Figure BDA0003578499890000056
加权求和得到
Figure BDA0003578499890000057
同时将整个种群最优位置
Figure BDA0003578499890000058
和该子种群最优位置
Figure BDA0003578499890000059
加权求和得到
Figure BDA00035784998900000510
随着迭代次数增加，整个种群最差位置和最优位置的加权比重逐渐增大，
Figure BDA00035784998900000511
计算式为：
Figure BDA0003578499890000061
Figure BDA0003578499890000062
的计算式为：
Figure BDA0003578499890000063
则加入者位置更新公式为：
Figure BDA0003578499890000064
c、侦查预警者位置更新
将整个种群最优位置和最差位置渐变加权引入，得到侦查预警者位置更新如下：
Figure BDA0003578499890000065
式中，β是服从均值为0，方差为1的正态分布随机数，用于控制步长；K是一个[-1,1]内的随机数，fi表示当前麻雀个体的适应度值，fg表示当前全局最佳适应度值，fw表示当前全局最差适应度值，ε是最小常数；
Figure BDA0003578499890000066
表示迭代数为t时第i个麻雀个体的位置，z’为系数。
优选地，所述适应度计算公式如下：
fi＝RMSE(p-p')
式中，RMSE为均方根误差函数，p为实际坐标(x,y,z)，p'为每次迭代后的输出坐标(x',y',z')。
优选地，所述利用改进的麻雀算法MSSA优化GRNN神经网络的平滑因子σ，获得最优平滑因子值，具体为：
循环迭代各子种群内的竞争、各子种群间的竞争及更新麻雀位置，直到迭代结束，得到最优个体，即最优平滑因子值。
优选地，所述GRNN神经网络由输入层、模式层、求和层和输出层四部分组成，输入层的输入向量为RSSI＝[RSSI1,RSSI2,...RSSIn]T，输出层的输出向量为A＝[A1,A2,...Ak]T；
联合概率密度函数表示为f(RSSI,A)，公式为：
Figure BDA0003578499890000071
式中：n为网络输入层神经元的个数；m为学习样本个数；σ为GRNN神经网络的平滑因子，σ>0；RSSIi为第i个输入向量，Ai为第i个输出向量；在已知概率密度函数的前提下，将室内定位时实际测量到的RSSI值作为GRNN神经网络的输入向量，则能够根据下式预测出被测目标的真实三维位置；
Figure BDA0003578499890000072
本发明提供的基于改进麻雀算法优化GRNN的室内三维定位方法具有以下有益效果：
本发明使用室内RSSI值作为GRNN神经网络的输入，实际三维坐标作为网络的输出，建立定位模型，利用MSSA算法优化GRNN网络的平滑因子。收敛速度与定位精度高；通过仿真实验可以看出，MSSA-GRNN算法和GRNN、K-M、AGA-GRNN三种算法相比，定位精度显著提高，且定位误差比较稳定，相对K-M、AGA-GRNN两种算法有更快的寻优速度，整体性能更好，基本满足定位要求，为室内定位提供了一种新方法，具有很好的应用前景。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的基于改进麻雀算法优化GRNN的室内三维定位方法的流程图；
图2为GRNN神经网络结构图；
图3为两种方法获取初始种群分布情况；其中(a)为随机生成法初始种群分布，(b)为佳点集方法初始种群分布；
图4为反向学习分布图；
图5为四种算法的定位效果图；其中(a)为三维定位立体图，(b)三维定位俯视图，(c)三维定位左视图；
图6为四种模型定位误差对比图；
图7为均方根误差与训练样本数量的关系图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种基于改进麻雀算法优化GRNN的室内三维定位方法，该把麻雀种群分成数量相同的若干个子种群，每个子种群各自独立迭代寻优，增强全局搜索能力；根据适应度值的排名，选出优胜子种群和辅助子种群，经过群内竞争和群间竞争，最终求得全局最优；种群初始化时采用佳点集及反向学习策略，可获得更高质量的初始种群分布；在子种群个体更新时，引入渐变加权系数，算法能够更快地收敛。再利用MSSA优化GRNN神经网络的平滑因子σ的取值，建立最优GRNN神经网络，提高了模型的定位精度及寻优效率。
GRNN神经网络结构较为简单、运算复杂度较低、执行效率较高，且具有非常强的逼近能力和学习速度。在网络中只需确定平滑因子σ即可获得准确的输出，极大地简化了网络运算，增加了模型的鲁棒性。但是，平滑因子σ的选择主观影响因素较大，σ值越大，预测结果越接近所有样本的均值，泛化能力高但精度较低；当σ值接近0时，如果样本中存在未包含进去的点，则预测效果较差，且泛化能力低，会出现过拟合现象。所以，适中的σ取值极其重要。本发明采用改进的麻雀算法MSSA来优化平滑因子σ的取值。
具体的，如图1所示，本发明提供的室内三维定位方法包括以下步骤：
步骤1、获取室内定位时实际测量到的RSSI值，将RSSI值分为训练集样本和测试集样本；
步骤2、对麻雀算法进行改进获得改进的麻雀算法MSSA，所述改进的麻雀算法MSSA将麻雀算法中的单种群平均划分成多个子种群进行搜索，每个子种群在各自搜索域内进行寻优，最终达到对整个搜索空间全面搜索。
本实施例对麻雀算法进行改进获得改进的麻雀算法MSSA，包括以下步骤：
步骤2.1、参数设置及多种群划分。麻雀种群规模记为S，最大迭代次数记为tmax，搜索空间维数记为D，均分为K个子种群。
步骤2.2、各子种群的初始化。首先采用佳点集方式初始化各子种群，然后各子种群分别进行反向学习，通过适应度排序，每个子种群按照适应度排名选择前一半个体作为子种群成员。
步骤2.3、各子种群内的竞争。计算各子种群全部个体适应度值，通过排序得到各子种群最优位置
Figure BDA0003578499890000091
和最差位置
Figure BDA0003578499890000092
步骤2.4、各子种群间的竞争。将各子种群最优位置
Figure BDA0003578499890000093
和最差位置
Figure BDA0003578499890000094
分别进行比较，得到整个种群最优位置
Figure BDA0003578499890000095
和最差位置
Figure BDA0003578499890000096
进而划分出优胜子种群和辅助子种群。
步骤2.5、利用优胜子种群和辅助子种群分别更新发现者、加入者和侦察预警者的位置，得到改进的麻雀算法MSSA。
步骤3、利用改进的麻雀算法MSSA优化GRNN神经网络的平滑因子σ，获得最优平滑因子值；
具体为：循环迭代步骤2.3～2.5，直到迭代结束，得到最优个体，即最优平滑因子值。
步骤4、将最优平滑因子值作为GRNN神经网络的参数，使用训练集样本数据训练GRNN神经网络，获得MSSA-GRNN室内三维定位模型。
将平滑因子σ映射为麻雀种群中的麻雀，即MSSA算法中的麻雀代表了GRNN神经网络的平滑因子，而每只麻雀的位置则对应了平滑因子的每一个值，第i个麻雀个体表示为Xi＝{σi}，i＝1,2,...,N，本发明建立基于MSSA-GRNN算法的MSSA-GRNN室内三维定位模型。定位过程分为训练和预测两个阶段。在训练阶段，利用在定位现场测量的RSSI值及对应测试节点的实际三维坐标样本数据训练网络，建立MSSA-GRNN室内三维定位模型；在预测阶段，将待定位节点与信标节点之间的RSSI值输入训练好的MSSA-GRNN室内三维定位模型中，模型的输出即是待定位节点的三维坐标预测值，比较预测值与实际值是否一致。
步骤5、将测试集样本中的RSSI值输入训练好的MSSA-GRNN室内三维定位模型中，计算预测坐标值，预测出被测目标的真实三维位置。
具体地，GRNN神经网络由输入层、模式层、求和层和输出层四部分组成，结构如图2所示。模型的输入向量为RSSI＝[RSSI1,RSSI2,...RSSIn]T，输出向量为A＝[A1,A2,...Ak]T。
联合概率密度函数表示为f(RSSI,A)，公式如式(1)所示。
Figure BDA0003578499890000101
式中：n为网络输入层神经元的个数；m为学习样本个数；σ为GRNN神经网络的平滑因子(σ>0)。RSSIi为第i个输入向量，Ai为第i个输出向量。在已知概率密度函数的前提下，将室内定位时实际测量到的RSSI值作为GRNN神经网络的输入向量，则可根据式(2)预测出被测目标的真实三维位置。
Figure BDA0003578499890000111
步骤6、评估定位性能：将计算的预测坐标值与实际值进行比较，评估MSSA-GRNN室内三维定位模型性能。
具体地，步骤2.2提供的佳点集反向学习的多种群初始化的处理过程包括：
麻雀算法采用单种群方式进行寻优，在一个种群内搜索时，按照一定的规则形成发现者-加入者模型，同时加入一定的侦察预警机制。不断迭代更新向食物靠近，如果麻雀个体趋向一致，算法极易陷入局部最优。为降低陷入局部最优的可能性，本发明将单种群平均划分成多种群进行搜索，每个子种群在各自搜索域内进行寻优，最终达到对整个搜索空间全面搜索，增强全局搜索能力。
整个麻雀种群数量为S，将整个麻雀种群均分为M个子种群，每个麻雀子种群初始种群数为N，如取S＝100，麻雀个体的1维值分布在(0,1]中。对整个种群进行均分时，考虑每个子种群的大小只能是5,10,20,25，所以N的取值范围为{5,10,20,25}，M的取值范围为{20,10,5,4}。在均分时，为确保每个麻雀个体在且仅在一个子种群里，将以Δ为1维值区间间隔进行划分。
Figure BDA0003578499890000112
其中，u1和l1分别为麻雀种群麻雀个体的1维空间的上下限。取M＝4，则Δ＝0.25，各子种群的麻雀个体1维初始值分别分布在(0,0.25]、(0.25,0.5]、(0.5,0.75]、(0.75,1]中。
麻雀算法的初始种群是随机产生的，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，导致种群的多样性差，可能造成较优解的丢失，降低算法的寻优能力。所以应尽可能使个体在搜索空间内均匀分布，提高算法寻优效果。本发明采用现有文献记载的提出的佳点集方法对每个麻雀子种群进行初始化，以获得更均匀稳定的初始种群分布。
1维搜索空间下，由佳点集方法可得：
r1＝e (7)
其中，r1表示在一维空间下的麻雀个体，e是一个数学常量，值约为2.71828；
将佳点集映射到每一个麻雀初始子种群，子种群中第i个点的第1维可表示为：
Figure BDA0003578499890000121
其中，rij1表示在一维空间下某个子种群中的某个麻雀个体，整个麻雀种群均分为M个子种群，每个麻雀子种群初始种群数为N；
每个子种群中第i个麻雀的1维空间的值为：
Figure BDA0003578499890000122
其中，u1j和l1j分别为第j个麻雀子种群麻雀个体的1维空间的上下限。
以1维值分布在(0,0.25]区间的子种群为例，使用随机生成法和佳点集方法的子种群分布图如图3所示。
由图3可以看出，佳点集方法初始种群后个体分布更加均匀，从而更有助于算法遍历整个解空间，提高种群多样性。
本发明在多种群佳点集初始化的基础上添加反向学习策略进一步初始化子种群，其基本思想是在利用佳点集初始化子种群，生成N个麻雀个体后，再产生其对立个体，此时子种群个体数量为2N，在该子种群内将所有个体进行适应度评价对比，选出适应度最优的N个麻雀个体作为算法的初始种群。对立个体数学表达式如下：
Xij'＝l1j+u1j-Xij,i＝1,2,...,N,j＝1,2,...,M (10)
将1维值分布在(0,0.25]区间的子种群在佳点集初始化后进行反向学习，佳点集初始个体及对立个体如表1所示，反向学习分布情况如图4所示。
表1佳点集初始个体及对立个体
Figure BDA0003578499890000123
Figure BDA0003578499890000131
对比图3图4，反向学习使麻雀个体探索了更多的初始位置，增加了种群多样性，提高了初始种群质量，为算法奠定了更好的迭代基础。
步骤2.3至2.5的处理过程包括：
本发明提出的多种群竞争的基本思想如下：子种群初始化完成后，计算整个种群所有个体的适应度值，并进行排序，适应度最高的个体所在的子种群作为优胜子种群，用于记录全局竞争中优胜者的信息；其余M-1个子种群作为辅助子种群，用于记录并辅助完成全局竞争的过程。本发明构造的适应度计算公式如下：
fi＝RMSE(p-p') (11)
RMSE为均方根误差函数，p为实际坐标(x,y,z)，p'为每次迭代后的输出坐标(x',y',z')。
当前整个种群最优位置记为
Figure BDA0003578499890000132
最差位置记为
Figure BDA0003578499890000133
然后，优胜子种群和辅助子种群按照各自的位置更新方式更新各自子种群中的发现者、加入者和侦查预警者的位置，重新计算各个子种群中全部个体的适应度值，得到各子种群最优位置和最差位置，这一步完成子种群内的竞争。将全部子种群的最优位置和最差位置分别进行排序，得到整个种群最优位置和最差位置，整个种群最优位置所在的子种群成为当前新的优胜子种群，其余为辅助子种群，这一步完成子种群间的竞争。不断重复位置更新和竞争，当达到最大迭代次数时，
Figure BDA0003578499890000135
即为待优化问题的最优解。
优胜子种群和辅助子种群在迭代时个体的位置更新公式具体如下：
1、利用优胜子种群对个体位置进行更新，包括：
a、发现者位置更新
Figure BDA0003578499890000134
式中，t表示当前迭代数，tmax是一个常数，表示最大迭代次数，
Figure BDA0003578499890000141
表示迭代数为t时第i个麻雀个体的位置，f为系数；α(α∈(0,1])是均匀随机数，Q是服从正态分布的随机数，R2(表示预警值，R2∈(0,1]；ST(表示安全值，ST∈(0.5,1]；
当R2＜ST时，表示此时觅食环境周围没有危险，发现者能够自由搜索；当R2≥ST时，表示种群中的一些麻雀发现了危险，并向其它麻雀发出警报，此时发现者将按正态分布随机移动到当前位置附近。
b、加入者位置更新
加入者的位置更新公式为：
Figure BDA0003578499890000142
式中，n表示麻雀总数量，
Figure BDA0003578499890000143
表示当前发现者占据的最优位置，
Figure BDA0003578499890000144
表示当前全局最差位置，
Figure BDA0003578499890000145
表示迭代数为t时第i个麻雀个体的位置，j为系数；Q是服从正态分布的随机数；
当i＞n/2时，意味着适应度低的第i个加入者获取食物失败，需要重新更换位置；
当i＞n/2时，加入者需要飞到其他地方觅食，为了飞到更优的位置，必须考虑到整个种群的最差位置
Figure BDA0003578499890000146
随着迭代次数的增加，整个种群的最差位置
Figure BDA0003578499890000147
对于位置的更新影响越大；考虑将整个种群的最差位置
Figure BDA0003578499890000148
和该子种群最差位置
Figure BDA0003578499890000149
进行加权求和，得到
Figure BDA00035784998900001410
加权系数渐变，随着迭代次数增加，整个种群最差位置的加权比重逐渐增大，
Figure BDA00035784998900001411
计算式如下：
Figure BDA00035784998900001412
由于该子种群为优胜子种群，子种群最优位置即是整个种群的最优位置
Figure BDA00035784998900001413
将整个种群最差位置考虑进去，则加入者位置更新公式为：
Figure BDA0003578499890000151
c、侦查预警者位置更新
侦查预警者的位置更新公式为：
Figure BDA0003578499890000152
式中，β是服从均值为0，方差为1的正态分布随机数，用于控制步长；K是一个[-1,1]内的随机数，fi表示当前麻雀个体的适应度值，fg表示当前全局最佳适应度值，fw表示当前全局最差适应度值，ε是最小常数；
Figure BDA0003578499890000153
表示迭代数为t时第i个麻雀个体的位置，z为系数。
2、利用辅助子种群对个体位置进行更新，包括：
辅助子种群中的麻雀个体应向着整个种群最优位置逐步逼近，随着迭代次数的增加，与整个种群最优位置的逼近度也应随着增加，整个种群最优位置的权重逐渐增大，辅助完成全局竞争。
a、发现者位置更新
Figure BDA0003578499890000154
式中，t表示当前迭代数，tmax是一个常数，表示最大迭代次数，
Figure BDA0003578499890000155
表示迭代数为t时第i个麻雀个体的位置，f’为系数；α(α∈(0,1])是均匀随机数，Q是服从正态分布的随机数，R2(表示预警值，R2∈(0,1]；ST(表示安全值，ST∈(0.5,1]；
Figure BDA0003578499890000156
为整个种群最优位置。
b、加入者位置更新
将整个种群的最差位置
Figure BDA0003578499890000157
和该子种群最差位置
Figure BDA0003578499890000158
加权求和得到
Figure BDA0003578499890000159
同时将整个种群最优位置
Figure BDA00035784998900001510
和该子种群最优位置
Figure BDA00035784998900001511
加权求和得到
Figure BDA00035784998900001512
随着迭代次数增加，整个种群最差位置和最优位置的加权比重逐渐增大，
Figure BDA0003578499890000161
计算式为：
Figure BDA0003578499890000162
Figure BDA0003578499890000163
的计算式为：
Figure BDA0003578499890000164
则加入者位置更新公式为：
Figure BDA0003578499890000165
c、侦查预警者位置更新
将整个种群最优位置和最差位置渐变加权引入，得到侦查预警者位置更新如下：
Figure BDA0003578499890000166
式中，β是服从均值为0，方差为1的正态分布随机数，用于控制步长；K是一个[-1,1]内的随机数，fi表示当前麻雀个体的适应度值，fg表示当前全局最佳适应度值，fw表示当前全局最差适应度值，ε是最小常数；
Figure BDA0003578499890000167
表示迭代数为t时第i个麻雀个体的位置，z’为系数。
实验及结果分析
为了验证MSSA算法的性能，本发明设计了基准函数对比实验，旨在从通用性角度验证MSSA算法的可行性和优越性；以及基于MSSA-GRNN的三维定位算法与其它定位算法的对比实验，旨在验证基于MSSA-GRNN的三维定位算法的优越性。
第一、基准函数对比实验
基于10个基准测试函数，比较MSSA与三种基本群智能算法PSO、GWO和SSA的性能。如表2所示，4个高维单峰函数F1～F4，4个高维多峰函数F5～F8，2个低维函数F9～F10。为保证公平性，仿真在同一电脑同一运行环境下进行，处理器：Inter(R)Core(TM)i5-4300MCPU@2.50Hz，内存4.00GB，操作系统：Windows10，使用MATLAB2019a完成实验，选取种群数量为100，最大迭代次数为500，各算法独立运行30次的实验结果作为实验数据。
表2基准函数
Figure BDA0003578499890000171
1、参数设置
各算法的参数设置如表3所示。
表3参数设置表
Figure BDA0003578499890000172
2、算法性能结果对比分析
通过对比各算法的平均值、标准差、运行时间3项指标来检验算法的寻优能力、稳定性以及寻优速度，具体结果如表4所示。
表4基准测试函数优化结果比较
Figure BDA0003578499890000181
由表4的实验结果可知，对于高维单峰函数F1～F4，MSSA在寻优精度和寻优稳定度上相对于其它三种算法，都有较大的提升，其中，函数F3和F4，平均值均能达到理论最优值，且稳定性较强。对于高维多峰函数F5～F8，函数F5，MSSA算法寻优性能不突出；F6和F8，MSSA算法均能有效跳出局部最优，取得最优值；对于F7，MSSA算法在寻优能力方面相较于SSA算法没有明显提升，但是标准差为0，说明寻优的稳定性能较好。对于低维函数F9，MSSA算法寻优性能不突出；但是F10，MSSA算法的平均值达到理论最优值，且标准差最小。从运行时间上看，对于函数F1～F10，MSSA算法寻优速度相对于PSO和GWO算法较慢，但是相对于SSA算法有一定提升，运行时间整体减少了8.1％。综上所述，MSSA算法在进行10个基准函数测试时，寻优精度大多数明显提高，能够有效避免陷入局部最优，且寻优稳定性好，在运行速度上优于SSA算法。
第二、基于MSSA-GRNN的室内三维定位实验
为了验证MSSA-GRNN在室内三维定位中的准确性和优越性，将MSSA-GRNN与现有文献记载的的AGA-GRNN三维定位算法、K-M模型三维定位算法以及GRNN神经网络算法进行比较。本发明实验选择在一个12m×10m×3.3m的教室内进行，测试场所内存在各种障碍物，将5个CC2530 ZigBee节点作为信标节点分别放置在实验场所天花板的四个角落及中心位置，用来接收定位节点发送的数据，5个信标节点间通过有线的方式连接到网关。把测试区域均匀划分成120个大小为1m×1m的小区域，每个小区域的中心位置作为测试点。测试时，实验人员随身携带CC2530 ZigBee节点作为定位节点，从第一个小区域出发，遍历每个测试小区域。在每个测试点处，实验人员将定位节点分别放置在距离地面1m处、1.5m处和2m处，不同高度放置的定位节点向5个信标节点分别发送50个数据包，信标节点根据接收到的数据进而解析出RSSI值，并传送到网关，去除最大值最小值后使用卡尔曼滤波处理，然后求平均值，最终生成[RSSI1,RSSI2,RSSI3,RSSI4,RSSI5,(xi,yi,zi)]样本集数据，i＝1,2,3,…,360。从360组样本集数据中抽取340组数据作为训练集，剩余20组作为测试集。将训练集中的RSSI值输入网络，训练神经网络，模型输出的坐标满足误差要求后，得到最优定位模型，最后用测试集数据来验证该网络的定位效果。
测试中，仿真实验环境与3.1节基准函数对比实验的软硬件环境相同，处理器：Inter(R)Core(TM)i5-4300M CPU@2.50Hz，内存4.00GB，操作系统：Windows10，使用MATLAB2019a完成实验。MSSA-GRNN、K-M模型、AGA-GRNN三种算法的种群规模设置为100，最大迭代次数设为300，MSSA-GRNN、AGA-GRNN两种算法中平滑因子σ的取值范围设置为(0,2]，K-M模型、AGA-GRNN两种算法的初始参数设置与参考现有文献中的实验设置一致，四种算法的具体参数设置如表5所示。
表5各算法参数
Figure BDA0003578499890000191
MSSA不断迭代更新，在寻优结束时，得到最优平滑因子σ＝0.322。GRNN、K-M、AGA-GRNN和MSSA-GRNN四种算法的定位效果如图5所示。
将四种算法的定位误差进行对比，如图6所示，K-M模型的最大定位误差是0.94m，最小定位误差是0.53m，预测坐标误差较大；GRNN神经网络的最大定位误差是0.62m，最小定位误差是0.37m，定位效果有所提升，但误差仍然较大；AGA-GRNN算法的最大定位误差是0.39m，最小定位误差是0.18m，实际坐标与预测坐标差在0.3m内的点有14个；而MSSA-GRNN神经网络的最大定位误差是0.28m，最小定位误差是0m，实际坐标与预测坐标差在0.3m内的点有20个，也就是说所有测试点的坐标预测误差都小于0.3m，没有误差较大的点，预测结果趋于稳定。由此可见，本发明提出的MSSA-GRNN神经网络网络定位精度明显提高，定位效果更好。
为更进一步地对比定位效果，本发明采用均方根误差(RMSE)和平均绝对误差(MAE)两个统计指标对模型的预测效果进行评价，各统计指标的对应公式如下：
Figure BDA0003578499890000201
Figure BDA0003578499890000202
式中，(xi,yi,zi)为测试样本集第i个样本的真实三维坐标，(x′i,y′i,z′i)为预测坐标，以上两种统计指标都是其值越小，模型的预测性能越好，精度越高。如表6所示，通过本发明提出的MSSA算法对σ值进行优化，得到的RMSE为0.0507，MAE为0.0625，两个指标明显低于其他算法的优化结果，本发明构建的网络定位效果明显提高，全局搜索能力明显增强，避免了原麻雀算法容易陷入局部最优的问题。
表6样本统计指标对比结果
Figure BDA0003578499890000203
下面来对比四种算法训练样本数量与定位精度的关系。当训练样本数量发生改变时，从图7可以看出，随着样本数量的增加，K-M算法的均方根误差无规律变化，在样本数为140个时，均方根误差最小为0.5136m；GRNN、AGA-GRNN、MSSA-GRNN三种算法在样本数量为100个时已经具有较高的定位精度，随着样本数量的增加，三种算法的均方根误差趋于稳定，不再有较大的变化，说明了GRNN神经网络的优越性，在少量样本下就可以获得较高的定位精度，将GRNN、AGA-GRNN、MSSA-GRNN三种算法进行对比，在相同样本数量的情况下，MSSA-GRNN算法的定位精度最高，说明MSSA算法的寻优效果更好。
分别用四种算法训练定位模型所需的时间如表7所示，样本数量均取各自均方根误差最早出现最小值时的样本数量。由于GRNN不需要寻优，所以耗时最少，效率最高，但精度较差；其他三种算法均需要寻优，对比训练时间可以发现，其中，MSSA-GRNN算法寻优效率最高。
表7四种算法的效率对比
Figure BDA0003578499890000211
本发明提出的种MSSA-GRNN三维定位算法，使用室内RSSI值作为神经网络的输入，实际三维坐标作为网络的输出，建立定位模型，利用MSSA算法优化GRNN神经网络的平滑因子。通过仿真可以看出，MSSA-GRNN算法和GRNN、K-M、AGA-GRNN三种算法相比，定位精度显著提高，且定位误差比较稳定，相对K-M、AGA-GRNN两种算法有更快的寻优速度，整体性能更好，基本满足定位要求，为室内定位提供了一种新方法，具有很好的应用前景。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (9)

1.一种基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，包括以下步骤：
获取室内定位时实际测量到的RSSI值，将RSSI值分为训练集样本和测试集样本；
对麻雀算法进行改进获得改进的麻雀算法MSSA，所述改进的麻雀算法MSSA将麻雀算法中的单种群平均划分成多个子种群进行搜索，每个子种群在各自搜索域内进行寻优，最终达到对整个搜索空间全面搜索；
利用改进的麻雀算法MSSA优化GRNN神经网络的平滑因子σ，获得最优平滑因子值；
将最优平滑因子值作为GRNN神经网络的参数，使用训练集样本数据训练GRNN神经网络，获得MSSA-GRNN室内三维定位模型；
将测试集样本中的RSSI值输入训练好的MSSA-GRNN室内三维定位模型中，计算预测坐标值，预测出被测目标的真实三维位置。
2.根据权利要求1所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述对麻雀算法进行改进获得改进的麻雀算法MSSA，包括以下步骤：
参数设置及多种群划分：麻雀种群规模记为S，最大迭代次数记为tmax，搜索空间维数记为D，将麻雀算法中的单种群均分为K个子种群；
各子种群的初始化：首先采用佳点集方式初始化各子种群，然后各子种群分别进行反向学习，通过适应度排序，每个子种群按照适应度排名选择前一半个体作为子种群成员；
各子种群内的竞争：计算各子种群全部个体适应度值，通过排序得到各子种群最优位置
Figure FDA0003578499880000011
和最差位置
Figure FDA0003578499880000012
各子种群间的竞争：将各子种群最优位置
Figure FDA0003578499880000013
和最差位置
Figure FDA0003578499880000014
分别进行比较，得到整个种群最优位置
Figure FDA0003578499880000015
和最差位置
Figure FDA0003578499880000016
进而划分出优胜子种群和辅助子种群；
更新麻雀位置：利用优胜子种群和辅助子种群分别更新发现者、加入者和侦察预警者的位置，得到改进的麻雀算法MSSA。
3.根据权利要求2所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述采用佳点集方式初始化各子种群，具体包括：
1维搜索空间下，由佳点集方法得到：
r1＝e
其中，r1表示在一维空间下的麻雀个体，e是一个数学常量；
将佳点集映射到每一个麻雀初始子种群，子种群中第i个点的第1维表示为：
Figure FDA0003578499880000021
其中，rij1表示在一维空间下某个子种群中的某个麻雀个体，整个麻雀种群均分为M个子种群，每个麻雀子种群初始种群数为N；
每个子种群中第i个麻雀的1维空间的值为：
Xij＝l1j+rij1(u1j-l1j),i＝1,2,...,N,j＝1,2,...,M
其中，u1j和l1j分别为第j个麻雀子种群麻雀个体的1维空间的上下限。
4.根据权利要求3所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述各子种群分别进行反向学习，具体包括：
在利用佳点集初始化子种群，生成N个麻雀个体后，再产生其对立个体，此时子种群个体数量为2N，在该子种群内将所有个体进行适应度评价对比，选出适应度最优的N个麻雀个体作为算法的初始种群，对立个体数学表达式如下：
Xij'＝l1j+u1j-Xij,i＝1,2,...,N,j＝1,2,...,M。
5.根据权利要求4所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述优胜子种群对个体位置进行更新，包括：更新发现者、加入者和侦察预警者的位置，具体为：
a、发现者位置更新
发现者的位置更新公式为：
Figure FDA0003578499880000031
式中，t表示当前迭代数，tmax是一个常数，表示最大迭代次数，
Figure FDA0003578499880000032
表示迭代数为t时第i个麻雀个体的位置，f为系数；α(α∈(0,1])是均匀随机数，Q是服从正态分布的随机数，R2表示预警值，R2∈(0,1]；ST表示安全值，ST∈(0.5,1]；
当R2＜ST时，表示此时觅食环境周围没有危险，发现者能够自由搜索；
当R2≥ST时，表示种群中的一些麻雀发现了危险，并向其它麻雀发出警报，此时发现者将按正态分布随机移动到当前位置附近；
b、加入者位置更新
加入者的位置更新公式为：
Figure FDA0003578499880000033
式中，n表示麻雀总数量，
Figure FDA0003578499880000034
表示当前发现者占据的最优位置，
Figure FDA0003578499880000035
表示当前全局最差位置，
Figure FDA0003578499880000036
表示迭代数为t时第i个麻雀个体的位置，j为系数；Q是服从正态分布的随机数；
当i＞n/2时，意味着适应度低的第i个加入者获取食物失败，需要重新更换位置；
当i＞n/2时，加入者需要飞到其他地方觅食，为了飞到更优的位置，必须考虑到整个种群的最差位置
Figure FDA00035784998800000312
随着迭代次数的增加，整个种群的最差位置
Figure FDA00035784998800000313
对于位置的更新影响越大；考虑将整个种群的最差位置
Figure FDA00035784998800000314
和该子种群最差位置
Figure FDA0003578499880000037
进行加权求和，得到
Figure FDA0003578499880000038
加权系数渐变，随着迭代次数增加，整个种群最差位置的加权比重逐渐增大，
Figure FDA0003578499880000039
计算式如下：
Figure FDA00035784998800000310
由于该子种群为优胜子种群，子种群最优位置即是整个种群的最优位置
Figure FDA00035784998800000311
将整个种群最差位置考虑进去，则加入者位置更新公式为：
Figure FDA0003578499880000041
c、侦查预警者位置更新
侦查预警者的位置更新公式为：
Figure FDA0003578499880000042
式中，β是服从均值为0，方差为1的正态分布随机数，用于控制步长；K是一个[-1,1]内的随机数，fi表示当前麻雀个体的适应度值，fg表示当前全局最佳适应度值，fw表示当前全局最差适应度值，ε是最小常数；
Figure FDA0003578499880000043
表示迭代数为t时第i个麻雀个体的位置，z为系数。
6.根据权利要求5所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述辅助子种群对个体位置进行更新，包括：更新发现者、加入者和侦察预警者的位置，具体为；
辅助子种群中的麻雀个体应向着整个种群最优位置逐步逼近，随着迭代次数的增加，与整个种群最优位置的逼近度也应随着增加，整个种群最优位置的权重逐渐增大，辅助完成全局竞争；
a、发现者位置更新
Figure FDA0003578499880000044
式中，t表示当前迭代数，tmax是一个常数，表示最大迭代次数，
Figure FDA0003578499880000045
表示迭代数为t时第i个麻雀个体的位置，f’为系数；α(α∈(0,1])是均匀随机数，Q是服从正态分布的随机数，R2表示预警值，R2∈(0,1]；ST表示安全值，ST∈(0.5,1]；
Figure FDA0003578499880000046
为整个种群最优位置；
b、加入者位置更新
将整个种群的最差位置
Figure FDA00035784998800000513
和该子种群最差位置
Figure FDA0003578499880000051
加权求和得到
Figure FDA0003578499880000052
同时将整个种群最优位置
Figure FDA0003578499880000053
和该子种群最优位置
Figure FDA0003578499880000054
加权求和得到
Figure FDA0003578499880000055
随着迭代次数增加，整个种群最差位置和最优位置的加权比重逐渐增大，
Figure FDA0003578499880000056
计算式为：
Figure FDA0003578499880000057
Figure FDA0003578499880000058
的计算式为：
Figure FDA0003578499880000059
则加入者位置更新公式为：
Figure FDA00035784998800000510
c、侦查预警者位置更新
将整个种群最优位置和最差位置渐变加权引入，得到侦查预警者位置更新如下：
Figure FDA00035784998800000511
式中，β是服从均值为0，方差为1的正态分布随机数，用于控制步长；K是一个[-1,1]内的随机数，fi表示当前麻雀个体的适应度值，fg表示当前全局最佳适应度值，fw表示当前全局最差适应度值，ε是最小常数；
Figure FDA00035784998800000512
表示迭代数为t时第i个麻雀个体的位置，z’为系数。
7.根据权利要求6所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述适应度计算公式如下：
fi＝RMSE(p-p')
式中，RMSE为均方根误差函数，p为实际坐标(x,y,z)，p'为每次迭代后的输出坐标(x',y',z')。
8.根据权利要求2所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述利用改进的麻雀算法MSSA优化GRNN神经网络的平滑因子σ，获得最优平滑因子值，具体为：
循环迭代各子种群内的竞争、各子种群间的竞争及更新麻雀位置，直到迭代结束，得到最优个体，即最优平滑因子值。
9.根据权利要求1所述的基于改进麻雀算法优化GRNN的室内三维定位方法，其特征在于，所述GRNN神经网络由输入层、模式层、求和层和输出层四部分组成，输入层的输入向量为RSSI＝[RSSI1,RSSI2,...RSSIn]T，输出层的输出向量为A＝[A1,A2,...Ak]T；
联合概率密度函数表示为f(RSSI,A)，公式为：
Figure FDA0003578499880000061
式中：n为网络输入层神经元的个数；m为学习样本个数；σ为GRNN神经网络的平滑因子，σ>0；RSSIi为第i个输入向量，Ai为第i个输出向量；在已知概率密度函数的前提下，将室内定位时实际测量到的RSSI值作为GRNN神经网络的输入向量，则能够根据下式预测出被测目标的真实三维位置；
Figure FDA0003578499880000062
CN202210339600.5A 2022-04-01 2022-04-01 一种基于改进麻雀算法优化grnn的室内三维定位方法 Withdrawn CN114690117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339600.5A CN114690117A (zh) 2022-04-01 2022-04-01 一种基于改进麻雀算法优化grnn的室内三维定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339600.5A CN114690117A (zh) 2022-04-01 2022-04-01 一种基于改进麻雀算法优化grnn的室内三维定位方法

Publications (1)

Publication Number Publication Date
CN114690117A true CN114690117A (zh) 2022-07-01

Family

ID=82140464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339600.5A Withdrawn CN114690117A (zh) 2022-04-01 2022-04-01 一种基于改进麻雀算法优化grnn的室内三维定位方法

Country Status (1)

Country Link
CN (1) CN114690117A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449686A (zh) * 2023-06-15 2023-07-18 斯润天朗（北京）科技有限公司 改进麻雀种群算法优化rbf神经网络的pid控制方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449686A (zh) * 2023-06-15 2023-07-18 斯润天朗（北京）科技有限公司 改进麻雀种群算法优化rbf神经网络的pid控制方法及装置

Similar Documents

Publication Publication Date Title
Yue et al. Review and empirical analysis of sparrow search algorithm
CN103971160B (zh) 基于复杂网络的粒子群优化方法
CN112036512B (zh) 基于网络裁剪的图像分类神经网络架构搜索方法和装置
Al-Bahrani et al. A novel orthogonal PSO algorithm based on orthogonal diagonalization
CN111580564B (zh) 一种三维群无人机并行式多目标搜索协同作业方法
Ajay et al. Smart Spider Monkey Optimization (SSMO) for Energy-Based Cluster-Head Selection Adapted for Biomedical Engineering Applications
CN113031650B (zh) 一种不确定环境下的无人机集群协同目标分配设计方法
CN111814401A (zh) 基于遗传算法的bp神经网络的led寿命预测方法
CN111767977A (zh) 一种基于改进遗传算法的群粒子梯度下降算法
CN114690117A (zh) 一种基于改进麻雀算法优化grnn的室内三维定位方法
Yan et al. Comparative study and improvement analysis of sparrow search algorithm
CN113095477B (zh) 基于de-bp神经网络的风电功率预测方法
CN114597970A (zh) 一种基于图卷积网络的主动配电网分区方法
CN110113815B (zh) 一种改进的基于iwo的无线传感器网络定位方法
CN115550837B (zh) 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法
CN116663414A (zh) 一种用于电力变压器的故障诊断方法及系统
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN114339785B (zh) 一种基于群体智能的原烟养护无线传感器布局优化方法
CN114117787A (zh) 基于ssa优化bp神经网络的短期风功率预测方法
CN114494643A (zh) 基于网络划分的疾病传播控制方法
Pan et al. An optimal clustering formation for wireless sensor network based on compact genetic algorithm
Fenghao et al. A node localization algorithm based on woa-bp optimization
CN114173280B (zh) 一种基于广义回归神经网络的室内3d定位方法
CN115580526B (zh) 一种通信网络故障诊断方法、系统、电子设备及存储介质
Yu et al. An optimal differential vector incorporated whale optimizer

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220701