CN115493592B - 基于多目标进化算法的室内定位方法及系统 - Google Patents
基于多目标进化算法的室内定位方法及系统 Download PDFInfo
- Publication number
- CN115493592B CN115493592B CN202210943434.XA CN202210943434A CN115493592B CN 115493592 B CN115493592 B CN 115493592B CN 202210943434 A CN202210943434 A CN 202210943434A CN 115493592 B CN115493592 B CN 115493592B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- target
- evolutionary algorithm
- network model
- parameter
- 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 49
- 238000004891 communication Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- HWKQNAWCHQMZHK-UHFFFAOYSA-N trolnitrate Chemical compound [O-][N+](=O)OCCN(CCO[N+]([O-])=O)CCO[N+]([O-])=O HWKQNAWCHQMZHK-UHFFFAOYSA-N 0.000 claims description 18
- 229960002485 trolnitrate Drugs 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于多目标进化算法的室内定位方法及系统，其中该方法包括采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息；建立GRU网络模型，并采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练，以便通过训练好的GRU网络模型预测待定位标签的定位信息；由此，通过多目标进化算法对超参数进行调整，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
Description
技术领域
本发明涉及室内定位技术领域，特别涉及一种基于多目标进化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基于多目标进化算法的室内定位系统。
背景技术
相关技术中，由于建筑物遮挡等因素，定位精度达到10米以下的民用GPS室外定位无法为室内定位服务提供高精度服务；同时，伴随着5G技术的发展，新的编码方式、波束赋形、大规模天线阵列、毫米波频谱等为高精度距离测量提供技术支持；因此，室内定位的研究成为无线传感器网络服务的一个重要部分；传统的无线射频识别即射频识别技术(RFID)室内定位跟踪系统是一种以计算机为基础，集合了RFID数据采集，RFID数据处理与传输、GIS空间分析和查询等技术形成的智能技术系统；近些年来，专家学者们结合人工智能中的深度学习模型，将单个RFID阅读器收集到的标签接收信号强度(RSSI)时序特征作为输入，可以有效地预测标签的坐标；但是，深度模型中常常存在许多超参数，找到合适的超参数需要优化算法的支持；现有的网格搜索和随机搜索等优化技术耗费资源较多，优化时间较慢，存在改进之处。
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基于多目标进化算法的室内定位方法，该方法通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
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基于多目标进化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基于多目标进化算法的室内定位方法，该方法包括以下步骤：采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息；建立GRU网络模型，并采用多目标进化算法对所述GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；根据所述最优超参数、所述多条通信数据以及所述目标标签的定位信息对所述GRU网络模型进行训练，以便通过训练好的GRU网络模型预测待定位标签的定位信息。
根据本发明实施例的基于多目标进化算法的室内定位方法，首先采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息；接着建立GRU网络模型，并采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；最后根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练，以便通过训练好的GRU网络模型预测待定位标签的定位信息；由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
另外，根据本发明上述实施例提出的基于多目标进化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，采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息，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所述RFID阅读器与目标标签的多条标签信号强度特征数据以及所述目标标签的坐标信息。
可选地，所述GRU网络模型的结构包括重置门和更新门。
可选地，采用多目标进化算法对所述GRU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，将超参数作为多目标进化算法的决策变量，将评价指标作为多目标进化算法的目标值，并进行种群初始化；
S2，计算决策变量对应的目标值，并将其最大化；
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，则判断最佳个体是否N次无更新，如果否，则选择父母进行进化中的交叉和变异操作以产生新的后代，并判断最佳个体是否更新M代，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作；
S5，判断最佳个体是否N次无更新，如果是，则输出所述最佳个体作为最优超参数；如果否，选择父母进行进化中的交叉和变异操作以产生新的后代，并判断是否隔M代未进行自适应邻域调整，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作。
可选地，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整，包括：
S31，当前邻域被选为匹配池时，执行邻域调整策略，使用eta_min参数和eta_max参数保存适应度方差的最小值和最大值，以便用于更新邻域大小；
S32，每隔M代计算每个子问题对应的所有邻居的适应度；以及计算每个子问题对应的适应度方差并保存；
S33，根据所述每个子问题对应的适应度方差更新eta_min参数和eta_max参数；
S34，判断当前子问题的方差是否小于eta_min参数，如果是，则根据sigmoid函数扩大邻域；
S35，判断当前子问题的方差是否大于eta_max参数，如果是，则将邻域缩小为原来的一半。
可选地，采用以下公式根据sigmoid函数扩大邻域：
其中，T表示当前邻域大小，Tmax表示最大邻域大小，g表示当前迭代的轮次，gen表示总的迭代轮次，γ表示缩放因子。
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，其上存储有基于多目标进化算法的室内定位程序，该基于多目标进化算法的室内定位程序被处理器执行时实现如上述的基于多目标进化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，通过存储有基于多目标进化算法的室内定位程序，这样基于多目标进化算法的室内定位程序被处理器执行时实现上述的基于多目标进化算法的室内定位方法，由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
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，实现如上述的基于多目标进化算法的室内定位方法。
根据本发明实施例的计算机设备，通过存储器存储基于多目标进化算法的室内定位程序，这样基于多目标进化算法的室内定位程序被处理器执行时实现上述的基于多目标进化算法的室内定位方法，由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
为达到上述目的，本发明第四方面实施例提出了一种基于多目标进化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通信数据以及目标标签的定位信息；参数调整模块，用于采用多目标进化算法对所述GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；模型训练模块，用于根据所述最优超参数、所述多条通信数据以及所述目标标签的定位信息对所述GRU网络模型进行训练；定位模块，用于通过训练好的GRU网络模型预测待定位标签的定位信息。
根据本发明实施例的基于多目标进化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通信数据以及目标标签的定位信息；参数调整模块采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；模型训练模块用于根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练；定位模块用于通过训练好的GRU网络模型预测待定位标签的定位信息；由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
另外，根据本发明上述实施例提出的基于多目标进化算法的室内定位系统还可以具有如下附加的技术特征：
可选地，所述参数调整模块还用于，
S31，当前邻域被选为匹配池时，执行邻域调整策略，使用eta_min参数和eta_max参数保存适应度方差的最小值和最大值，以便用于更新邻域大小；
S32，每隔M代计算每个子问题对应的所有邻居的适应度；以及计算每个子问题对应的适应度方差并保存；
S33，根据所述每个子问题对应的适应度方差更新eta_min参数和eta_max参数；
S34，判断当前子问题的方差是否小于eta_min参数，如果是，则根据sigmoid函数扩大邻域；
S35，判断当前子问题的方差是否大于eta_max参数，如果是，则将邻域缩小为原来的一半。
附图说明
图1为根据本发明实施例的基于多目标进化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GRU网络模型的结构示意图；
图4为根据本发明实施例的网络模型的指标对比示意图；
图5为根据本发明实施例的多目标进化算法的流程示意图；
图6为根据本发明实施例的自适应邻域调整的流程示意图；
图7为根据本发明实施例的基于多目标进化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基于多目标进化算法的室内定位方法的流程示意图，如图1所示，本发明实施例的基于多目标进化算法的室内定位方法包括以下步骤：
S101，采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息。
需要说明的是，上述多条通信数据为RSSI数据，定位信息为位置坐标。
也就是说，采用RFID阅读器获取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。
作为一个实施例，采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息，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数据以及目标标签的坐标信息。
也就是说，采用单个移动的RFID阅读器，将沿着既定的运动轨道采集标签的RSSI时序特征数据作为训练使用的特征值X，将识别得到的标签坐标作为训练使用的标签y，两者一起作为深度模型的训练样本。
作为一个示例，RFID系统作为硬件载体收集训练模型所需要的RSSI指纹信息。如图2所示，RFID阅读器和RFID标签可以通过天线进行数据传输；RFID阅读器通过天线发送广播查询请求，RFID标签响应阅读器的请求后返回数据，RFID阅读器收到反馈信号后由读写模块交由RFID中间件系统处理；其中，RFID阅读器可以沿着设定好的轨迹连续发送多次查询请求，RFID中间件系统保存这多次查询返回的RSSI数据，将它们作为训练使用的特征值X，将标签位置坐标作为训练使用的标签y，保存至数据库中作为数据集供模型训练和测试使用。
需要说明的是，采用单个RFID阅读器进行数据采集可以避免RFID阅读器之间的信号碰撞，有效降低了定位的成本；并且RFID阅读器沿着设定的轨迹连续发送多次查询请求，RFID中间件系统保存这多次查询返回的RSSI数据，使得多条标签信号强度特征可以同时采集，高维度特征映射出的标签坐标健壮性更好。
S102，建立GRU网络模型，并采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整。
需要说明的是，由于GRU网络模型的结构包括重置门和更新门，所以包含的参数较少，可以更好地避免过拟合应用于小规模数据时的问题；也就是说，GRU网络模型参数简单，收敛速度快，在小样本数据集上表现较好，适宜处理时间序列问题。
如图3所示，将特征值X即采集到的标签RSSI序列[rssi1,rssi2,…,rssin]输入模型，经过训练反向传播最小化损失之后，得到目标的位置坐标(x,y)。
GRU网络模型的前向传播如下公式：
重置门：rt＝sigmoid(Wrxt+Urht-1)
更新门：zt＝sigmoid(Wzxt+Uzht-1)
候选状态：
当前状态：
其中，GRU网络模型的重置门有助于捕捉短期和中期时序数据的依赖，GRU网络模型的更新门有助于捕获对时序数据的长期依赖。
另外，如图5所示，采用多目标进化算法对GRU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，将超参数作为多目标进化算法的决策变量，将评价指标作为多目标进化算法的目标值，并进行种群初始化；
S2，计算决策变量对应的目标值，并将其最大化；
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，则判断最佳个体是否N次无更新，如果否，则选择父母进行进化中的交叉和变异操作以产生新的后代，并判断最佳个体是否更新M代，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作；
S5，判断最佳个体是否N次无更新，如果是，则输出所述最佳个体作为最优超参数；如果否，选择父母进行进化中的交叉和变异操作以产生新的后代，并判断是否隔M代未进行自适应邻域调整，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作。
需要说明的是，迭代次数、N、和M可以根据实际需要设置，例如可以将迭代次数设置为30代，将N设置为10次，即判断最佳个体是否10次无更新，将M设置为10次，即每10代自适应邻域调整，本发明对上述数字不作具体限定。
也就是说，首先初始化种群，并设置迭代次数为30代；以模型中的超参数包括(训练轮数、批次大小和学习率)作为进化算法的决策变量，以模型的多个评价指标包括(MAE、RMSE和R2)作为进化算法的目标值，计算种群对应的目标函数值并将其最大化；如果迭代达到终止条件，且超过10次迭代没有更新，则直接返回当前最优超参数；否则，则进行进化中的交叉和变异操作，选择父母产生新的后代；并判断是否隔10代未进行自适应邻域调整，如果是，则采用方差自适应调整邻域策略，自适应调整每个子问题对应的邻域大小；优势个体替代劣势个体继续参与进化过程，直到过程终止退出；返回超参数的结果。
另外，如图6所示，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整，包括：
S31，当前邻域被选为匹配池时，执行邻域调整策略，使用eta_min参数和eta_max参数保存适应度方差的最小值和最大值，以便用于更新邻域大小；
S32，每隔M代计算每个子问题对应的所有邻居的适应度；以及计算每个子问题对应的适应度方差并保存；
S33，根据每个子问题对应的适应度方差更新eta_min参数和eta_max参数；
S34，判断当前子问题的方差是否小于eta_min参数，如果是，则根据sigmoid函数扩大邻域；
S35，判断当前子问题的方差是否大于eta_max参数，如果是，则将邻域缩小为原来的一半。
需要说明的是，采用以下公式根据sigmoid函数扩大邻域：
其中，T表示当前邻域大小，Tmax表示最大邻域大小，g表示当前迭代的轮次，gen表示总的迭代轮次，γ表示缩放因子。
S103，根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练，以便通过训练好的GRU网络模型预测待定位标签的定位信息。
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GRU网络模型，以便通过训练好的GRU网络模型进行前向传播，从而输出待定位标签的位置信息。
另外，平均绝对误差(MAE)用于衡量预测值与真实值之间的平均绝对误差；MAE越小模型越好。均方根误差(RMSE)，用于表示模型在预测中会产生多少误差；RMSE越小模型越好。R-square(R2)，常用于衡量回归模型的准确率，结果在[0,1]之间，R2越大模型越好。
如图4所示，可以看到GRU(Gate Recurrent Unit)模型表现相对更好，各项回归分析的指标更加优秀，在测试集上的泛化能力更强。
并且，下方的表1和表2进行了未使用进化算法的各个不同模型指标和使用进化算法的各个不同模型指标对比，显然，使用进化算法的GRU网络模型效果更好。
表1:未使用进化算法的模型指标
表2:使用进化算法的模型指标
终上所述，根据本发明实施例的基于多目标进化算法的室内定位方法，首先采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息；接着建立GRU网络模型，并采用多目标进化算法对GRU网络模型进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；最后根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练，以便通过训练好的GRU网络模型预测待定位标签的定位信息；由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高算法的整体性能，在保证多样性的基础上提高了收敛性。
另外，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于多目标进化算法的室内定位程序，该基于多目标进化算法的室内定位程序被处理器执行时实现如上述的基于多目标进化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，通过存储有基于多目标进化算法的室内定位程序，这样基于多目标进化算法的室内定位程序被处理器执行时实现上述的基于多目标进化算法的室内定位方法，由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
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，实现如上述的基于多目标进化算法的室内定位方法。
根据本发明实施例的计算机设备，通过存储器存储基于多目标进化算法的室内定位程序，这样基于多目标进化算法的室内定位程序被处理器执行时实现上述的基于多目标进化算法的室内定位方法，由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
图7为根据本发明一个实施例的基于多目标进化算法的室内定位系统的方框示意图；如图7所示，该基于多目标进化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通信数据以及目标标签的定位信息；参数调整模块20，用于采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；模型训练模块30，用于根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练；定位模块，用于通过训练好的GRU网络模型预测待定位标签的定位信息。
作为一个实施例，参数调整模块20还用于，
S31，当前邻域被选为匹配池时，执行邻域调整策略，使用eta_min参数和eta_max参数保存适应度方差的最小值和最大值，以便用于更新邻域大小；
S32，每隔M代计算每个子问题对应的所有邻居的适应度；以及计算每个子问题对应的适应度方差并保存；
S33，根据每个子问题对应的适应度方差更新eta_min参数和eta_max参数；
S34，判断当前子问题的方差是否小于eta_min参数，如果是，则根据sigmoid函数扩大邻域；
S35，判断当前子问题的方差是否大于eta_max参数，如果是，则将邻域缩小为原来的一半。
需要说明的是，前述对于基于多目标进化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基于多目标进化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基于多目标进化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通信数据以及目标标签的定位信息；参数调整模块采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；模型训练模块用于根据最优超参数、多条通信数据以及目标标签的定位信息对GRU网络模型进行训练；定位模块用于通过训练好的GRU网络模型预测待定位标签的定位信息；由此，通过多目标进化算法对超参数进行调整，以优化超参数，并在优化过程中进行自适应调整邻域，可以根据进化的不同阶段扩大或缩小邻域，有效提高了算法的整体性能，在保证多样性的基础上提高了收敛性。
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 (7)
1.一种基于多目标进化算法的室内定位方法，其特征在于，包括以下步骤：
采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息；
建立GRU网络模型，并采用多目标进化算法对所述GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；
根据所述最优超参数、所述多条通信数据以及所述目标标签的定位信息对所述GRU网络模型进行训练，以便通过训练好的GRU网络模型预测待定位标签的定位信息；
其中，采用多目标进化算法对所述GRU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，将超参数作为多目标进化算法的决策变量，将评价指标作为多目标进化算法的目标值，并进行种群初始化；
S2，计算决策变量对应的目标值，并将其最大化；
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，则判断最佳个体是否N次无更新，如果否，则选择父母进行进化中的交叉和变异操作以产生新的后代，并判断最佳个体是否更新M代，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作；
S5，判断最佳个体是否N次无更新，如果是，则输出所述最佳个体作为最优超参数；如果否，选择父母进行进化中的交叉和变异操作以产生新的后代，并判断是否隔M代未进行自适应邻域调整，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作；
其中，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整，包括：
S31，当前邻域被选为匹配池时，执行邻域调整策略，使用eta_min参数和eta_max参数保存适应度方差的最小值和最大值，以便用于更新邻域大小；
S32，每隔M代计算每个子问题对应的所有邻居的适应度；以及计算每个子问题对应的适应度方差并保存；
S33，根据所述每个子问题对应的适应度方差更新eta_min参数和eta_max参数；
S34，判断当前子问题的方差是否小于eta_min参数，如果是，则根据sigmoid函数扩大邻域；
S35，判断当前子问题的方差是否大于eta_max参数，如果是，则将邻域缩小为原来的一半。
2.如权利要求1所述的基于多目标进化算法的室内定位方法，其特征在于，采用RFID阅读器获取与目标标签的多条通信数据以及目标标签的定位信息，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所述RFID阅读器与目标标签的多条标签信号强度特征数据以及所述目标标签的坐标信息。
3.如权利要求1所述的基于多目标进化算法的室内定位方法，其特征在于，所述GRU网络模型的结构包括重置门和更新门。
4.如权利要求3所述的基于多目标进化算法的室内定位方法，其特征在于，采用以下公式根据sigmoid函数扩大邻域：
其中，T表示当前邻域大小，表示最大邻域大小，g表示当前迭代的轮次，gen表示总的迭代轮次，/>表示缩放因子。
5.一种计算机可读存储介质，其特征在于，其上存储有基于多目标进化算法的室内定位程序，该基于多目标进化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中任一项所述的基于多目标进化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中任一项所述的基于多目标进化算法的室内定位方法。
7.一种基于多目标进化算法的室内定位系统，其特征在于，包括：
获取模块，用于获取RFID阅读器与目标标签的多条通信数据以及目标标签的定位信息；
参数调整模块，用于采用多目标进化算法对GRU网络模型的超参数进行调整以获取最优超参数，其中，在采用多目标进化算法对所述GRU网络模型的超参数进行调整时，每隔M代进行一次自适应邻域调整；
模型训练模块，用于根据所述最优超参数、所述多条通信数据以及所述目标标签的定位信息对所述GRU网络模型进行训练；
定位模块，用于通过训练好的GRU网络模型预测待定位标签的定位信息；
其中，参数调整模块还用于，
S1，将超参数作为多目标进化算法的决策变量，将评价指标作为多目标进化算法的目标值，并进行种群初始化；
S2，计算决策变量对应的目标值，并将其最大化；
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，则判断最佳个体是否N次无更新，如果否，则选择父母进行进化中的交叉和变异操作以产生新的后代，并判断最佳个体是否更新M代，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作；
S5，判断最佳个体是否N次无更新，如果是，则输出所述最佳个体作为最优超参数；如果否，选择父母进行进化中的交叉和变异操作以产生新的后代，并判断是否隔M代未进行自适应邻域调整，如果是，则进行一次自适应邻域调整后继续执行步骤S2，如果否，则直接继续执行步骤S2,以进行迭代操作；
其中，所述参数调整模块还用于，
S31，当前邻域被选为匹配池时，执行邻域调整策略，使用eta_min参数和eta_max参数保存适应度方差的最小值和最大值，以便用于更新邻域大小；
S32，每隔M代计算每个子问题对应的所有邻居的适应度；以及计算每个子问题对应的适应度方差并保存；
S33，根据所述每个子问题对应的适应度方差更新eta_min参数和eta_max参数；
S34，判断当前子问题的方差是否小于eta_min参数，如果是，则根据sigmoid函数扩大邻域；
S35，判断当前子问题的方差是否大于eta_max参数，如果是，则将邻域缩小为原来的一半。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943434.XA CN115493592B (zh) | 2022-08-08 | 2022-08-08 | 基于多目标进化算法的室内定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943434.XA CN115493592B (zh) | 2022-08-08 | 2022-08-08 | 基于多目标进化算法的室内定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115493592A CN115493592A (zh) | 2022-12-20 |
| CN115493592B true CN115493592B (zh) | 2024-05-03 |
Family
ID=84465743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210943434.XA Active CN115493592B (zh) | 2022-08-08 | 2022-08-08 | 基于多目标进化算法的室内定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115493592B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310490A (zh) * | 2021-05-14 | 2021-08-27 | 厦门大学 | Grnn结合遗传算法的室内定位方法及系统 |
| DE202022101997U1 (de) * | 2022-04-13 | 2022-06-02 | Albert-Ludwigs-Universität Freiburg | Vorrichtung zum gemeinsamen Ermitteln einer optimalen Architektur eines neuronalen Netzes und optimalen Hyperparametern zum Anlernen des neuronalen Netzes |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10145699B2 (en) * | 2015-08-28 | 2018-12-04 | The Boeing Company | System and methods for real-time escape route planning for fire fighting and natural disasters |
| CA3061717A1 (en) * | 2018-11-16 | 2020-05-16 | Royal Bank Of Canada | System and method for a convolutional neural network for multi-label classification with partial annotations |
-
2022
- 2022-08-08 CN CN202210943434.XA patent/CN115493592B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310490A (zh) * | 2021-05-14 | 2021-08-27 | 厦门大学 | Grnn结合遗传算法的室内定位方法及系统 |
| DE202022101997U1 (de) * | 2022-04-13 | 2022-06-02 | Albert-Ludwigs-Universität Freiburg | Vorrichtung zum gemeinsamen Ermitteln einer optimalen Architektur eines neuronalen Netzes und optimalen Hyperparametern zum Anlernen des neuronalen Netzes |
Non-Patent Citations (5)
| Title |
|---|
| An Improved MOEA Based on Adaptive Adjustment Strategy for Optimizing Deep Model of RFID Indoor Positioning;Jiahui Liu等;《2023 26th International Conference on Computer Supported Cooperative Work in Design (CSCWD)》;20230622;第357-362页 * |
| Research on Indoor Positioning Algorithm of Single Reader Based on Gated Recurrent Unit;Jintao Tang等;《Artificial Intelligence Evolution》;20210228;第2卷(第1期);第1-10页 * |
| Special issue on Intelligence Computation Evolutionary Computation: ICEV2018;Zhenyu Du等;《Evolutionary Intelligence》;20190731;第12卷(第3期);第321-322页 * |
| 基于无人机群的雷达信号时差定位方法研究;朱惠敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20191231(第12期);第C031-70页 * |
| 基于深度学习的增强子调控序列识别研究;杨比特;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180215(第2期);第A006-377页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115493592A (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
| CN109212476B (zh) | 一种基于ddpg的rfid室内定位算法 | |
| US20180089566A1 (en) | Method and apparatus for positioning of artificial neural network | |
| van der Herten et al. | A fuzzy hybrid sequential design strategy for global surrogate modeling of high-dimensional computer experiments | |
| US20230385606A1 (en) | System and method for state estimation in a noisy machine-learning environment | |
| US20160150380A1 (en) | Automated wlan radio map construction method and system | |
| CN111951901B (zh) | 优化设备、优化系统、优化方法及记录介质 | |
| CN112633314B (zh) | 一种基于多层采样的主动学习溯源攻击方法 | |
| CN113310490B (zh) | Grnn结合遗传算法的室内定位方法及系统 | |
| CN116110234B (zh) | 基于人工智能的车流量预测方法、装置及其应用 | |
| CN111079074A (zh) | 一种基于改进的正弦余弦算法构建预测模型的方法 | |
| Chen et al. | A method for indoor Wi-Fi location based on improved back propagation neuralNetwork | |
| CN116151319A (zh) | 搜索神经网络集成模型的方法、装置和电子设备 | |
| CN116861957A (zh) | 一种基于强化学习的算子自动调优方法及相关装置 | |
| CN115493592B (zh) | 基于多目标进化算法的室内定位方法及系统 | |
| CN117688846A (zh) | 用于建筑能耗的强化学习预测方法及系统、存储介质 | |
| CN107124761B (zh) | 融合pso和ss-elm的蜂窝网无线定位方法 | |
| Brunello et al. | A genetic programming approach to WiFi fingerprint meta-distance learning | |
| CN109766969B (zh) | 基于异步优势动作评价的rfid室内定位算法 | |
| CN116933037A (zh) | 一种基于多模型融合的光伏出力预测方法及相关装置 | |
| CN114492583B (zh) | 一种基于lstm的雷达搜索模式识别方法 | |
| Ren et al. | A novel high precision and low consumption indoor positioning algorithm for internet of things | |
| CN112348175B (zh) | 一种基于强化学习来进行特征工程的方法 | |
| CN113744318A (zh) | 一种rfid无设备人体追踪系统的择优标签方法 | |
| Sisikoglu et al. | A sampled fictitious play based learning algorithm for infinite horizon markov decision processes |
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 |