JP6596516B2

JP6596516B2 - 人工ニューラルネットワークの測位性能を改善するための方法および装置

Info

Publication number: JP6596516B2
Application number: JP2017560712A
Authority: JP
Inventors: 安▲ジエン▼ 李; 杰崔; 静 ▲韓▼; ▲紅▼ 李
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2015-05-22
Filing date: 2015-05-22
Publication date: 2019-10-23
Anticipated expiration: 2035-05-22
Also published as: JP2018521311A; CN107113764A; WO2016187746A1; US20180089566A1; EP3282781A4; CN107113764B; EP3282781A1

Description

本発明の実施形態は、無線通信技術の分野に関し、特に、人工ニューラルネットワークの測位性能を改善するための方法および装置に関する。

測位技術とは端末の地理的位置を決定するために用いられる技術であり、端末の地理的位置情報は無線通信ネットワークリソースを用いて直接的または間接的に獲得される。

目下のところ、屋外測位が測位技術の主な焦点である。無線技術の発展と共に、屋内測位がますます注目を集めている。屋内測位は、公衆安全、ビジネス、軍事用途といった、緊急事態に適用される。現在、当業界では多くの測位方法が研究されている。衛星に依存した測位システムは、屋外環境で大きな成功を収めている。しかし、建物が障害となるために、これらのシステムを屋内環境に適用することはきわめて困難である。

屋内測位を実施するための1つの実現可能な方法は、無線センサネットワーク（Wireless Sensor Networks、WSN）または無線ローカル・エリア・ネットワーク（Wireless Local Area Networks、WLAN）を用いるものである。これらは低コストで安定した無線技術である。目下のところ、距離に依存しない方法、距離に基づく方法、および指紋照合法を含む、3つの主な屋内測位方法が存在する。距離に依存しない方法は、エネルギー効率比が高く、コストが低いが、接続性の高いネットワークにのみ適用される。したがって、この方法は精度が比較的低い。距離に基づく方法は、主に測定信号に基づくものであり、その場合、チャネルの数学的モデルが測位に用いられる。マルチパス伝播および高速フェージングの環境においてチャネルモデルを決定することはきわめて困難である。したがって、これらの方法を用いて比較的高精度な測位を実現することは困難である。指紋照合測位法には、比較的高い測位精度が得られる大きな可能性がある。この方法は、各位置がRSSIといった、独自の特徴的な標識を有することに基づくものである。いくつかの位置に対応する標識情報がデータベースに事前に記憶される。測位時に、データベース内の標識情報を照合することによってUEの特定の位置が決定される。

一般には、2つの指紋照合測位法がある。1つは、最近傍（Nearest Neighbors、NN）法、K近傍（K Nearest Neighbors、KNN）法、K重み付け近傍（K Weighted Nearest Neighbors、KWNN）法といった、古典的なノンインテリジェントな方法である。これらの方法は、コストは低いが、精度が比較的低い。第2の方法は、周知のインテリジェントな方法である。インテリジェントな方法は指紋照合法とも呼ばれる。人工ニューラルネットワーク（Artificial Neutral Network、ANN）は指紋照合法の1つであり、屋内測位技術において大きな可能性を有する。

ANNが測位技術に適用される場合、ANNは、訓練段階と測位段階の2段階に分けられる。訓練段階では、既知の場所の地理的位置情報および指紋情報を用いて人工ニューラルネットワークが訓練される。次いで、測位段階では、測位対象地点の地理的位置情報を獲得するために、測位対象地点で測定された指紋情報が訓練された人工ニューラルネットワークに入力される。訓練段階では、まず、初期人工ニューラルネットワークが直ちに生成される。次いで、初期人工ニューラルネットワークは訓練された人工ニューラルネットワークを獲得するために訓練される。

ANNは、WSN測位システムで優れた性能を有する。ただし、ANNの欠点は、特に、不完全な情報または非理想的な情報の環境における大域的最適の探索にある。したがって、実際の屋内環境では、この方法は、マルチパス要因や高速フェージング要因が存在するために、あまり高い性能をもたらすことができない。すなわち、訓練段階では、直ちに生成された初期人工ニューラルネットワークが訓練される場合、訓練された人工ニューラルネットワークが最適な人工ニューラルネットワークにならない可能性がある。その結果、その訓練された人工ニューラルネットワークを測位に用いることによって測位性能に影響が及ぶことになりうる。

したがって、ANNを測位に用いる場合、測位性能を改善するために訓練段階で最適な人工ニューラルネットワークをどのようにして獲得するかが、解決を急ぐ必要がある重要な問題である。

本発明の実施形態は、人工ニューラルネットワークを測位に用いる場合にPSOアルゴリズムを用いてANNにおける各ニューラル要素の重みおよびオフセットを最適化し、測位性能を改善するために、ANNの測位性能を改善するための方法および装置を提供する。

第1の態様によれば、人工ニューラルネットワークの測位性能を改善するための方法が提供され、本方法は、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するステップと、
初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するステップと、
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するステップと、
訓練されたANNを獲得するために最適化された初期ANNを訓練するステップと、
を含む。

第1の態様に関連して、第1の態様の第1の可能な実施態様において、最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するステップは、
PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
PSOアルゴリズムの反復回数が終了するまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新するステップと、
PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立するステップと、
を含む。

第1の態様に関連して、第1の態様の第2の可能な実施態様において、最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するステップは、
PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新するステップと、
PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立するステップと、
を含む。

第1の態様の第1または第2の可能な実施態様に関連して、第1の態様の第3の可能な実施態様において、PSOアルゴリズムにおける各粒子の適合性を計算するステップは、
PSOアルゴリズムにおける各粒子の位置を初期ANNにおける重みおよびオフセットとして用いるステップと、
少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用いて初期ANNの出力層ニューラル要素を計算するステップと、
出力層ニューラル要素と少なくとも1つの試験地点の地理的位置情報との間の誤差を計算し、その誤差を粒子の適合性として用いるステップと、
を含み、
PSOアルゴリズムの群における最適な粒子を更新するステップは、
最小誤差粒子をPSOアルゴリズムの群における最適な粒子として用いるステップ、
を含む。

第1の態様または第1の態様の第1から第3の可能な実施態様のいずれか1つに関連して、第1の態様の第4の可能な実施態様において、ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである。

第1の態様または第1の態様の第1から第4の可能な実施態様のいずれか1つに関連して、第1の態様の第5の可能な実施態様において、指紋情報はRSSIである。

第2の態様によれば、人工ニューラルネットワークの測位性能を改善するための装置が提供され、本装置は、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成された、獲得モジュールと、
初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するように構成された、初期情報モジュールと、
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するように構成された、最適化モジュールと、
訓練されたANNを獲得するために最適化された初期ANNを訓練するように構成された、訓練モジュールと、
を含む。

第2の態様に関連して、第2の態様の第1の可能な実施態様において、最適化モジュールは、PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、PSOアルゴリズムの反復回数が終了するまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新し、PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立する、ように特に構成されている。

第2の態様に関連して、第2の態様の第2の可能な実施態様において、最適化モジュールは、PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新し、PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立する、ように特に構成されている。

第2の態様の第1または第2の可能な実施態様に関連して、第2の態様の第3の可能な実施態様において、最適化モジュールは、PSOアルゴリズムにおける各粒子の位置を初期ANNにおける重みおよびオフセットとして用い、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用いて初期ANNの出力層ニューラル要素を計算し、出力層ニューラル要素と少なくとも1つの試験地点の地理的位置情報との間の誤差を計算し、その誤差を粒子の適合性として用い、最小誤差粒子をPSOアルゴリズムの群における最適な粒子として用いる、ように特に構成されている。

第2の態様または第2の態様の第1から第3の可能な実施態様のいずれか1つに関連して、第2の態様の第4の可能な実施態様において、ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである。

第2の態様または第2の態様の第1から第4の可能な実施態様のいずれか1つに関連して、第2の態様の第5の可能な実施態様において、指紋情報はRSSIである。

各実施形態で提供される人工ニューラルネットワークの測位性能を改善するための方法および装置によれば、人工ニューラルネットワークを無線測位に用いる場合、ランダムな初期重みおよびオフセットを用いて初期人工ニューラルネットワークを確立した後で、最適化された初期人工ニューラルネットワークを獲得するために、PSOアルゴリズムを用いて初期人工ニューラルネットワークの各層における初期重みおよび初期オフセットを最適化する。最適化された人工ニューラルネットワークは、訓練された人工ニューラルネットワークを獲得するために訓練される。PSOアルゴリズムを用いて初期重みおよび初期オフセットを最適化することにより、大域的最適の初期重みおよび初期オフセットを獲得することができる。したがって、本発明の実施形態で提供される人工ニューラルネットワークを用いることにより測位性能を改善することができる。

本発明の実施形態における、または先行技術における技術解決策をより明確に説明するために、以下で、各実施形態または先行技術を説明するのに必要な添付の図面について簡単に記述する。明らかに、以下の説明の添付の図面は本発明の一部の実施形態を示すものであり、当業者は、これら添付の図面から難なく他の図面をさらに導出することができる。

人工ニューラルネットワークの概略構造図である。本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態1の流れ図である。本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態2の流れ図である。本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態3の流れ図である。本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態4の流れ図である。本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための装置の実施形態1の概略構造図である。本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための装置の実施形態2の概略構造図である。

本発明の実施形態の目的、技術解決策、および利点をより明確にするために、以下で、本発明の実施形態の添付の図面に関連して本発明の実施形態の技術解決策を明確かつ十分に説明する。明らかに、説明される実施形態は本発明の実施形態の全部ではなく一部にすぎない。本発明の実施形態に基づいて当業者により難なく得られる他のすべての実施形態は、本発明の保護範囲内に含まれるものとする。

ANNは、周知のパターン・マッチング・アルゴリズムであり、多層多接続の人工ニューラルネットワークに適用される。人工ニューラル要素は、活性化関数を用いてバイオメトリックニューラル要素をシミュレートする。各ニューラル要素が活性化関数を有し、活性化関数は、ニューラル要素の入力をニューラル要素の出力にマップする役割を担う。ニューラルネットワークの構造は、異なる層における人工ニューラル要素の相互接続のし方に依存する。各ニューラル要素は独自の重みおよびオフセットを有する。重みおよびオフセットは訓練段階において調整することができる。この種の学習プロセスは監督下の学習と呼ばれ、入力から出力への最適なマップ関数を発見するのに用いられる。

人工ニューラルネットワークによって計算された出力が指定された誤差閾値を下回ると、人工ニューラルネットワークはその訓練段階を終了する。次いで、訓練されたネットワークを用いてパターン認識問題を解くことができる。

図1は、人工ニューラルネットワークの概略構造図である。図1に示すように、人工ニューラルネットワーク全体が、入力層と、隠れ層と、出力層とに分けられている。入力層、隠れ層、および出力層の各ノード（ニューラル要素とも呼ばれる）は相互に関連している。各ノードは1種類の特定の関数出力を表し、2つずつのノード間の接続は、その接続を用いた信号への1つの重み値、すなわち、重みを表す。

人工ニューラルネットワークを訓練する目的は、入力層ノードから出力層ノードへの非線形関数関係を獲得するために、各層におけるノードに対応する関数関係、重み、およびオフセットを発見することである。

ANNを無線測位技術に適用する場合、まず、ANNの訓練段階において、いくつかの測定地点で指紋情報を測定する必要がある。例えば、RSSIを指紋情報として用いる。その地理的位置情報（経度緯度情報など）がわかっている測定地点で、各無線アクセスポイント（Access Point、AP）の受信RSSIを測定する。1つの測定地点の複数のRSSIを人工ニューラルネットワークの入力ニューラル要素として用い、測定地点の位置情報を出力ニューラル要素として用い、人工ニューラルネットワークの出力が指定された誤差閾値を下回るまで複数の測定地点のRSSIおよび位置情報を用いて人工ニューラルネットワークを訓練する。このようにして、人工ニューラルネットワークの訓練プロセスが完了する。

訓練された人工ニューラルネットワークを測位に用いる場合、測位対象地点によって受信された各APのRSSIを訓練された人工ニューラルネットワークに入力し、次いで、測位対象地点の位置情報を獲得し、測位が完了する。

しかし、従来の人工ニューラルネットワークでは、ネットワークの訓練プロセスにおいて、まず、各ノード（ニューラル要素）の初期重みおよび初期オフセットをランダムに選択する必要がある。次いで、人工ニューラルネットワークは、初期重みおよび初期オフセットを用いて訓練される。しかし、ランダムに選択された初期重みおよび初期オフセットと最適な重みおよびオフセットとの間の差が比較的大きい可能性もある。ANNを用いてネットワークを訓練する場合、重みおよびオフセットを局所的最適値に収束させることもできる。しかし、局所的に最適な重みおよびオフセットを無線測位に用いると、測位性能に影響が及ぶ。

図2は、本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態1の流れ図である。図2に示すように、本実施形態の方法は以下のステップを含む。

ステップS201：少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得する。

具体的には、本実施形態で提供される測位方法は、図1に示すANNアルゴリズムに基づくものである。本実施形態で提供される測位方法は、訓練段階と測位段階の2段階を含む。訓練段階では、人工ニューラルネットワークの各層の重みおよびオフセットを獲得するために、いくつかの測定地点の既知の位置情報および指紋情報に従って人工ニューラルネットワークを訓練する。次いで、測位段階では、測位対象場所の位置情報を獲得するために、測定された指紋情報を訓練された人工ニューラルネットワークに入力する。

このステップでは、まず、測位の訓練段階が行われる。人工ニューラルネットワークを訓練するために、少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得する必要がある。試験地点が多いほど、訓練によって獲得される人工ニューラルネットワークの性能がより高まる。各試験地点の指紋情報は、RSSIといった、試験地点で測定され、試験地点の特徴的な標識を表すことができる任意の測定量であってよい。無線ネットワークにおいて、各試験地点は複数のAPから信号を受信する可能性がある。したがって、各試験地点の指紋情報は複数の測定量を含む場合がある。加えて、試験地点の地理的位置情報は、任意の公知の測位方法を用いて決定してもよい。例えば、全地球測位システム（Global Positioning System、GPS）といった測位システムを用いて試験地点の地理的位置情報を決定する。一般に、試験地点の地理的位置情報は経度値および緯度値である。

ステップS202：初期人工ニューラルネットワークを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択する。

具体的には、少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得する場合、初期人工ニューラルネットワークを確立する必要がある。少なくとも1つの試験地点の指紋情報は入力層ニューラル要素として別個に用い、少なくとも1つの試験地点の地理的位置情報は出力層ニューラル要素として別個に用いる。次いで、初期人工ニューラルネットワークを確立するために、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択する。初期人工ニューラルネットワークの入力層ニューラル要素の数は、各試験地点で測定された測定量の数によって異なる。初期人工ニューラルネットワークの入力層ニューラル要素の数は2、すなわち、試験地点の地理的位置の経度値および緯度値である。

このステップの初期人工ニューラルネットワークを確立するための方法は、ANNを無線測位技術に適用するための既存の方法と同じである。

ステップS203：最適化された初期人工ニューラルネットワークを獲得するために粒子群最適化（Particle Swarm Optimization、PSO）アルゴリズムを用いて初期人工ニューラルネットワークの各ニューラル要素の初期重みおよび初期オフセットを最適化する。

具体的には、人工ニューラルネットワークを無線測位技術に適用する場合、人工ニューラルネットワークを訓練するときに最適な重みおよびオフセットを獲得できないという問題を解決するために、本実施形態では、人工ニューラルネットワークの訓練段階にPSOアルゴリズムを適用し、PSOアルゴリズムを用いて、最適化された初期人工ニューラルネットワークを獲得するために、初期人工ニューラルネットワークのランダムに選択された初期重みおよび初期オフセットを最適化する。

PSOアルゴリズムは粒子群理論に属し、簡略化された社会モデルをシミュレートするときに見出される。PSOアルゴリズムは、鳥の群れや魚群の特徴をシミュレートする。1つの粒子群最適化には、個体または粒子になる候補解の群がある。加えて、これらの個体または粒子は協調または競争によって発展する。

PSOアルゴリズムの原理は、N次元空間における粒子x_i＝｛x₁，x₂，…，x_N｝を定義することであり、該空間における各粒子の飛行速度はV_i＝｛V₁，V₂，…，V_N｝である。各粒子は、目的関数によって決定される1つの適合値（fitness value）を有し、各粒子は、これまでに発見されたその最適位置（pbest）および現在位置を知っている。各粒子は、粒子群全体のすべての粒子によってこれまでに発見された最適位置（gbest）をさらに知っている。各粒子は、粒子群全体における最適な粒子に従って空間における探索を行う。複数回の反復後、空間全体における最適解（空間全体における最適位置）が最終的に発見される。

PSOアルゴリズムは、大域的最適解を探索する際に有利である。したがって、本実施形態では、PSOアルゴリズムを人工ニューラルネットワークに適用する。最適な初期人工ニューラルネットワークを獲得するために、PSOアルゴリズムを用いて初期人工ニューラルネットワークの最適な初期重みおよび最適な初期オフセットを探索する。

本実施形態では、初期人工ニューラルネットワークの初期重みおよび初期オフセットをPSOアルゴリズムの粒子として用いる。これらの粒子は、粒子間の競争および協調によって、探索空間における各粒子の最適位置を発見することができる。PSOアルゴリズムの反復プロセスが終了する都度、反復後に得られる、各粒子に対応する重みおよびオフセットを人工ニューラルネットワークに代入する。各試験地点が人工ニューラルネットワークによって処理された後で得られた出力と試験地点の実際の地理的位置情報との間の誤差を計算するために、各試験地点の指紋情報を入力として用いる。最小誤差の重みおよびオフセットが、PSOアルゴリズムのこの反復回の最適位置（gbest）である。

すべての試験地点の前述の誤差を統合してPSOアルゴリズムのこの反復プロセスの全体誤差を獲得する。PSOアルゴリズムを用いて初期重みおよび初期オフセットを最適化する目的は、前述の全体誤差を事前設定閾値未満にすることである。計算された全体誤差が事前設定閾値以上である場合、PSOアルゴリズムの次の計算を行う。計算された全体誤差が事前設定閾値未満である場合、最適化された初期重みおよび初期オフセットが獲得され、最適化された初期人工ニューラルネットワークが獲得される。あるいは、PSOアルゴリズムを用いて初期重みおよび初期オフセットを最適化する目的は、最適化された初期人工ニューラルネットワークを獲得するために、PSOアルゴリズムの反復回数が事前設定回数に到達したときに最適化プロセスを終了することである。

ステップS204：訓練された人工ニューラルネットワークを獲得するために最適化された初期人工ニューラルネットワークを訓練する。

具体的には、最適化された初期人工ニューラルネットワークを獲得した後で、ANNアルゴリズムを用いて最適化された初期人工ニューラルネットワークを訓練する。最適化された初期人工ニューラルネットワークを訓練するのに用いられるANNアルゴリズムは、逆伝播ANN（Back−Propagation−ANN、BP−ANN）や汎用回帰線形ネットワーク（General Regression Neural Network、GRNN）など、任意の種類のANNアルゴリズムとすることができる。

最適化された初期人工ニューラルネットワークにおけるニューラル要素の各層の最適化された初期重みおよび初期オフセットに基づき、ニューラル要素は相互から学習し合う。最後に、訓練された人工ニューラルネットワークが獲得される。したがって、人工ニューラルネットワークの訓練プロセスが完了する。

人工ニューラルネットワークの訓練プロセスが完了した後で、訓練された人工ニューラルネットワークを測位に用いることができる。訓練された人工ニューラルネットワークが獲得されると、地点の指紋情報から地理的位置情報へのマップ関数が獲得される。ネットワーク内の機器を測位する必要がある場合、まず、その機器が位置している測位対象地点の指紋情報を獲得する。この場合の指紋情報は、ステップS201の訓練段階で獲得される指紋情報と同じ測定量でなければならない。機器が位置している測位対象地点の指紋情報を獲得すると、指紋情報を、訓練された人工ニューラルネットワークの入力層ニューラル要素として用いる。訓練された人工ニューラルネットワークによって処理された入力層ニューラル要素は、機器が位置している測位対象地点の地理的位置情報である。したがって、測位対象地点の測位処理が完了する。

本実施形態で提供される人工ニューラルネットワークの測位性能を改善するための方法によれば、人工ニューラルネットワークを無線測位に適用する場合、ランダムな初期重みおよびオフセットを用いて初期人工ニューラルネットワークを確立した後で、最適化された初期人工ニューラルネットワークを獲得するために、PSOアルゴリズムを用いて初期人工ニューラルネットワークの各層における初期重みおよび初期オフセットを最適化する。最適化された人工ニューラルネットワークは、訓練された人工ニューラルネットワークを獲得するために訓練される。PSOアルゴリズムを用いて初期重みおよび初期オフセットを最適化することにより、大域的最適の初期重みおよび初期オフセットを獲得することができる。したがって、本実施形態で提供される測位方法を用いて生成された人工ニューラルネットワークは、比較的高い測位性能を有する。

図3は、本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態2の流れ図である。具体的には、本実施形態は、図2に示す実施形態のステップS203の具体的な実行プロセスである。図3に示すように、本実施形態の方法は以下のステップを含む。

ステップS301：PSOアルゴリズムの群を確立するために、初期人工ニューラルネットワークの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択する。

まず、初期人工ニューラルネットワークの各ニューラル要素の初期重みおよび初期オフセットを、PSOアルゴリズムにおける各粒子の初期位置として用いる。PSOアルゴリズムの群の確立を完了するために各粒子の初期速度をランダムに選択する。

具体的には、本実施形態の方法では、PSOアルゴリズムは、反復回数が終了するときに、すなわち、反復回数が事前設定反復回数に到達したときに終了する。各反復プロセスにおいて、ステップS302〜ステップS305が連続的に、繰り返し行われてよい。

ステップS302：PSOアルゴリズムにおける各粒子の適合性を計算する。

ステップS303：PSOアルゴリズムの群における最適な粒子を更新する。

具体的には、PSOアルゴリズムの群における各粒子の適合性を獲得した後で、各粒子に対応する位置を初期人工ニューラルネットワークに代入する必要があり、各粒子に対応する位置を、初期人工ニューラルネットワークにおける各ニューラル要素の重みおよびオフセットとして用いる。次いで、初期人工ニューラルネットワークの出力と各試験地点の地理的位置情報との間の誤差を計算するために、各試験地点の指紋情報を初期人工ニューラルネットワークに入力する。前述の最小誤差の重みおよびオフセットを、PSOアルゴリズムにおける最適な粒子として用いる。PSOアルゴリズムにおける最適な粒子を獲得した後で、PSOアルゴリズムの群における最適位置（gbest）を更新する。

ステップS304：PSOアルゴリズムの群における各粒子の位置および速度を更新する。

具体的には、PSOアルゴリズムの群における最適位置を更新した後で、各粒子の最新の位置を獲得するために、他の粒子がすべて特定の速度の最適な粒子の方へ移動する。次いで、PSOアルゴリズムの新しい群を獲得するために、さらに各粒子の速度を更新する必要がある。

ステップS305：PSOアルゴリズムの反復回数が終了したかどうか判定する。

具体的には、PSOアルゴリズムの反復回数が終了していない場合、ステップS302を再度行う。そうでない場合、ステップS306を行う。

ステップS306：PSOアルゴリズムの群における各粒子の最適位置を、初期人工ニューラルネットワークの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いる。

具体的には、PSOアルゴリズムの反復回数が終了した場合、PSOアルゴリズムにおける各粒子の最適位置（pbest）を、粒子に対応する初期人工ニューラルネットワークの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いる。

ステップS307：初期人工ニューラルネットワークの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期人工ニューラルネットワークを確立する。

図4は、本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態3の流れ図である。具体的には、本実施形態は、図2に示す実施形態のステップS203の別の具体的な実行プロセスである。図4に示すように、本実施形態の方法は以下のステップを含む。

ステップS401：PSOアルゴリズムの群を確立するために、初期人工ニューラルネットワークの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択する。

具体的には、本実施形態の方法では、PSOアルゴリズムは、すべての粒子の適合性の和が事前設定閾値未満になったときに終了する。各反復プロセスにおいて、ステップS402〜ステップS405が連続的に、繰り返し行われてよい。

ステップS402：PSOアルゴリズムにおける各粒子の適合性を計算する。

ステップS403：PSOアルゴリズムの群における最適な粒子を更新する。

ステップS404：PSOアルゴリズムの群における各粒子の位置および速度を更新する。

ステップS405：PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満であるかどうか判定する。

具体的には、PSOアルゴリズムにおける各粒子の適合性は、粒子の実際の位置と最適位置との間の誤差を表し、適合性が小さいほど誤差が小さいことを示す。したがって、PSOアルゴリズムにおける各粒子の適合性がきわめて小さい場合、各粒子は最適位置に比較的近い。PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満である場合、PSOアルゴリズムを用いて最適化された粒子と最適位置との間の平均距離は相対的に短い。このようにして、最適化された各粒子を用いて生成された初期人工ニューラルネットワークには、各ニューラル要素のより最適化された重みおよびより最適化されたオフセットが存在する。したがって、PSOアルゴリズムの反復が終了する都度、すべての粒子の適合性の和を計算する。PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値以上である場合、ステップS402を再度行う。そうでない場合、ステップS406を行う。事前設定閾値は、経験に従ってシステムにおいて事前設定されてよい。事前設定閾値が小さいほどより良いPSOアルゴリズムの最適化結果を示すが、より長い最適化時間を要する。

ステップS406：PSOアルゴリズムの群における各粒子の最適位置を、初期人工ニューラルネットワークの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いる。

具体的には、PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満である場合、PSOアルゴリズムにおける各粒子の最適位置（pbest）を、粒子に対応する初期人工ニューラルネットワークの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いる。

ステップS407：初期人工ニューラルネットワークの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期人工ニューラルネットワークを確立する。

図5は、本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための方法の実施形態4の流れ図である。具体的には、本実施形態は、図3に示す実施形態のステップS302およびステップS303（または図4に示す実施形態のステップS402およびステップS403）の具体的な実行プロセスである。図5に示すように、本実施形態の方法は以下を含む。

ステップS501：PSOアルゴリズムにおける各粒子の位置を初期人工ニューラルネットワークにおける重みおよびオフセットとして用いる。

ステップS502：少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用いて初期人工ニューラルネットワークの出力層ニューラル要素を計算する。

ステップS503：出力層ニューラル要素と少なくとも1つの試験地点の地理的位置情報との間の誤差を計算し、その誤差を粒子の適合性として用いる。

ステップS504：最小誤差粒子をPSOアルゴリズムの群における最適な粒子として用いる。

具体的には、本実施形態は、PSOアルゴリズムにおける各粒子の適合性を計算し、PSOアルゴリズムにおける最適な粒子を選択するための具体的な方法である。すなわち、試験地点の指紋情報および地理的位置情報をPSOアルゴリズムの最適化目標として用い、PSOアルゴリズムを用いて粒子に対して最適化処理を行う。

図6は、本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための装置の実施形態1の概略構造図である。図6に示すように、本実施形態の方法は、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成された、獲得モジュール61と、
初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するように構成された、初期情報モジュール62と、
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化するように構成された、最適化モジュール63と、
訓練されたANNを獲得するために最適化された初期ANNを訓練するように構成された、訓練モジュール64と、
を含む。

本実施形態で提供される測位装置は、図2に示す方法実施形態の技術解決策を実行するように構成されており、本装置の実現原理および技術的効果は該方法の実現原理および技術的効果と同様である。ここでは詳細を述べない。

さらに、図6に示す実施形態では、最適化モジュール63は、PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、PSOアルゴリズムの反復回数が終了するまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新し、PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立する、ように特に構成されている。

さらに、図6に示す実施形態では、最適化モジュール63は、PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新し、PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立する、ように特に構成されている。

さらに、図6に示す実施形態では、最適化モジュール63は、PSOアルゴリズムにおける各粒子を初期ANNにおける重みおよびオフセットとして用い、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用いて初期ANNの出力層ニューラル要素を計算し、出力層ニューラル要素と少なくとも1つの試験地点の地理的位置情報との間の誤差を計算し、その誤差を粒子の適合性として用い、最小誤差粒子をPSOアルゴリズムの群における最適な粒子として用いる、ように特に構成されている。

さらに、図6に示す実施形態では、人工ニューラルネットワークはBP−ANNまたはGRNNである。

さらに、図6に示す実施形態では、指紋情報はRSSIである。

本発明の本実施形態で提供される測位装置は、無線ネットワークの基地局に配置されていてもよく、基地局とは無関係なさらに別のネットワークデバイスであってもよい。

図7は、本発明の一実施形態による人工ニューラルネットワークの測位性能を改善するための装置の実施形態2の概略構造図である。図7に示すように、本実施形態の測位装置は、受信機71とプロセッサ72とを含む。任意選択で、本測位装置は、メモリ73をさらに含んでいてもよい。受信機71、プロセッサ72、およびメモリ73は、システムバスを用いて接続されていても、別の方法で接続されていてもよく、図7ではこれらがシステムバスを用いて接続されている例が用いられている。システムバスは、産業標準アーキテクチャ（Industrial Standard Architecture、ISA）バス、周辺装置相互接続（Peripheral Component Interconnect、PCI）バス、拡張ISA（Extended Industrial Standard Architecture、EISA）などとすることができる。システムバスは、アドレスバス、データバス、制御バスなどに分類することができる。表現を容易にするために、図7では1本の線のみを用いて表されているが、これはただ1つのバスまたは1種類のバスしかないことを意味するものではない。

受信機71は、少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成される。

プロセッサ72は、初期ANNを確立するために、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用い、少なくとも1つの試験地点の地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択し、最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて初期ANNの各ニューラル要素の初期重みおよび初期オフセットを最適化し、訓練されたANNを獲得するために最適化された初期ANNを訓練するように構成される。

メモリ73は、受信機71が受信したデータを記憶し、データを処理するためにプロセッサ72に提供するように構成される。

図7に示す実施形態の一実施態様において、プロセッサ72は、PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、PSOアルゴリズムの反復回数が終了するまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新し、PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立する、ように特に構成される。

図7に示す実施形態の一実施態様において、プロセッサ72は、PSOアルゴリズムの群を確立するために、初期ANNの各ニューラル要素の初期重みおよび初期オフセットをPSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、PSOアルゴリズムの反復プロセスの反復ごとに、PSOアルゴリズムにおける各粒子の適合性を順次に計算し、PSOアルゴリズムの群における最適な粒子を更新し、PSOアルゴリズムの群における各粒子の位置および速度を更新し、PSOアルゴリズムの群における各粒子の最適位置を、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットを用いて最適化された初期ANNを確立する、ように特に構成される。

図7に示す実施形態の一実施態様において、プロセッサ72は、PSOアルゴリズムにおける各粒子の位置を初期ANNにおける重みおよびオフセットとして用い、少なくとも1つの試験地点の指紋情報を入力層ニューラル要素として用いて初期ANNの出力層ニューラル要素を計算し、出力層ニューラル要素と少なくとも1つの試験地点の地理的位置情報との間の誤差を計算し、その誤差を粒子の適合性として用い、最小誤差粒子をPSOアルゴリズムの群における最適な粒子として用いる、ように特に構成される。

図7に示す実施形態の一実施態様において、ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである。

図7に示す実施形態の一実施態様において、指紋情報はRSSIである。

当業者は、方法実施形態の各ステップの全部または一部を関連ハードウェアに命令するプログラムによって実現することができることを理解するであろう。プログラムはコンピュータ可読記憶媒体に記憶することができる。プログラムが動作すると、方法実施形態の各ステップが行われる。前述の記憶媒体は、ROM、RAM、磁気ディスク、光ディスクといった、プログラムコードを記憶することのできる任意の媒体を含む。

最後に、前述の実施形態は単に本発明の技術解決策を説明するためのものにすぎず、本発明を限定するためのものではないことに留意されたい。本発明は前述の実施形態に関連して詳細に説明されているが、当業者は、前述の実施形態で記述されている技術解決策にさらに改変を加え、または前述の実施形態の一部もしくは全部の技術的特徴に対する等価の置換を行うことができることを理解するはずである。したがって、本発明の保護範囲は、特許請求の範囲の保護範囲に従うべきものとする。

61 獲得モジュール
62 初期情報モジュール
63 最適化モジュール
64 訓練モジュール
71 受信機
72 プロセッサ
73 メモリ

Claims

人工ニューラルネットワークの測位性能を改善するための方法であって、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するステップと、
初期人工ニューラルネットワーク（ANN）を確立するために、前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用い、前記少なくとも1つの試験地点の前記地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するステップと、
最適化された初期ANNを獲得するために、粒子群最適化（PSO）アルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化するステップであって、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットは、前記PSOアルゴリズムの粒子初期位置として用いられる、ステップと、
訓練されたANNを獲得するために前記最適化された初期ANNを訓練するステップと、
を含む、方法。
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化する前記ステップは、
前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
前記PSOアルゴリズムの反復回数が終了するまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新するステップと、
前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立するステップと、
を含む、請求項1に記載の方法。
最適化された初期ANNを獲得するために、PSOアルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化する前記ステップは、
前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択するステップと、
前記PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新するステップと、
前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用いるステップと、
前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立するステップと、
を含む、請求項1に記載の方法。
前記PSOアルゴリズムにおける各粒子の適合性を計算する前記ステップは、
前記PSOアルゴリズムにおける各粒子の前記位置を前記初期ANNにおける重みおよびオフセットとして用いるステップと、
前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用いて前記初期ANNの出力層ニューラル要素を計算するステップと、
前記出力層ニューラル要素と前記少なくとも1つの試験地点の前記地理的位置情報との間の誤差を計算し、前記誤差を前記粒子の前記適合性として用いるステップと、
を含み、
前記PSOアルゴリズムの前記群における最適な粒子を更新する前記ステップは、
最小誤差粒子を前記PSOアルゴリズムの前記群における前記最適な粒子として用いるステップ、
を含む、請求項2または3に記載の方法。
前記ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである、請求項1から4のいずれか一項に記載の方法。
前記指紋情報は受信信号強度表示信号（RSSI）である、請求項1から5のいずれか一項に記載の方法。
人工ニューラルネットワークの測位性能を改善するための装置であって、
少なくとも1つの試験地点の地理的位置情報および指紋情報を獲得するように構成された、獲得モジュールと、
初期人工ニューラルネットワーク（ANN）を確立するために、前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用い、前記少なくとも1つの試験地点の前記地理的位置情報を出力層ニューラル要素として用いて、入力層、出力層、または隠れ層における各ニューラル要素の初期重みおよび初期オフセットをランダムに選択するように構成された、初期情報モジュールと、
最適化された初期ANNを獲得するために、粒子群最適化（PSO）アルゴリズムを用いて前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを最適化するように構成された、最適化モジュールであって、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットは、前記PSOアルゴリズムの粒子初期位置として用いられる、最適化モジュールと、
訓練されたANNを獲得するために前記最適化された初期ANNを訓練するように構成された、訓練モジュールと、
を含む、装置。
前記最適化モジュールは、前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、前記PSOアルゴリズムの反復回数が終了するまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新し、前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立する、ように特に構成されている、請求項7に記載の人工ニューラルネットワークの測位性能を改善するための装置。
前記最適化モジュールは、前記PSOアルゴリズムの群を確立するために、前記初期ANNの各ニューラル要素の前記初期重みおよび前記初期オフセットを前記PSOアルゴリズムの粒子初期位置として用い、各粒子の初期速度をランダムに選択し、前記PSOアルゴリズムにおけるすべての粒子の適合性の和が事前設定閾値未満になるまで、前記PSOアルゴリズムの反復プロセスの反復ごとに、前記PSOアルゴリズムにおける各粒子の適合性を順次に計算し、前記PSOアルゴリズムの前記群における最適な粒子を更新し、前記PSOアルゴリズムの前記群における各粒子の位置および速度を更新し、前記PSOアルゴリズムの前記群における各粒子の最適位置を、前記初期ANNの各ニューラル要素の最適化された重みおよび最適化されたオフセットとして用い、前記初期ANNの各ニューラル要素の前記最適化された重みおよび前記最適化されたオフセットを用いて前記最適化された初期ANNを確立する、ように特に構成されている、請求項7に記載の人工ニューラルネットワークの測位性能を改善するための装置。
前記最適化モジュールは、前記PSOアルゴリズムにおける各粒子の前記位置を前記初期ANNにおける重みおよびオフセットとして用い、前記少なくとも1つの試験地点の前記指紋情報を入力層ニューラル要素として用いて前記初期ANNの出力層ニューラル要素を計算し、前記出力層ニューラル要素と前記少なくとも1つの試験地点の前記地理的位置情報との間の誤差を計算し、前記誤差を前記粒子の前記適合性として用い、最小誤差粒子を前記PSOアルゴリズムの前記群における前記最適な粒子として用いる、ように特に構成されている、請求項8または9に記載の人工ニューラルネットワークの測位性能を改善するための装置。
前記ANNは、逆伝播ANNまたは汎用回帰線形ネットワークである、請求項7から10のいずれか一項に記載の人工ニューラルネットワークの測位性能を改善するための装置。
前記指紋情報は受信信号強度表示信号（RSSI）である、請求項7から11のいずれか一項
に記載の人工ニューラルネットワークの測位性能を改善するための装置。
請求項１から６のいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。