針對傳統(tǒng)無線信號傳播模型的參數(shù)一般通過擬合或直接根據(jù)經(jīng)驗得出,且又受環(huán)境復(fù)雜、多徑效應(yīng)等因素的影響,使得定位精度不高。為提高定位精度,引入廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)來構(gòu)建定位模型,以未知節(jié)點和參考節(jié)點之間的接收信號強度值(RSSI)作為網(wǎng)絡(luò)的輸入,未知節(jié)點的位置坐標(biāo)(X,Y)作為輸出來擬合網(wǎng)絡(luò)模型。同時采用剔除處理和卡爾曼濾波處理對采集的RSSI值進行預(yù)處理,來削弱環(huán)境因素對信號的擾動。為避免GRNN參數(shù)選取的隨意性及人為因素的干擾,采用混沌量子粒子群算法(CQPSO)來優(yōu)化網(wǎng)絡(luò)的光滑因子(σ),以建立最優(yōu)的網(wǎng)絡(luò)定位模型來實現(xiàn)對未知節(jié)點坐標(biāo)的預(yù)測。在Matlab平臺上,與GRNN模型相比,其結(jié)果顯示改進的定位算法具有更高的定位精度,提高了GRNN回歸預(yù)測效果以及模型的泛化能力。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖8QPSO-GRNN定位圖

圖7GRNN定位圖1）參考節(jié)點密度對定位誤差的影響

圖1GRNN網(wǎng)絡(luò)結(jié)構(gòu)

GRNN結(jié)構(gòu)由輸入層、模式層、求和層和輸出層構(gòu)成。對應(yīng)模型輸入為RSSI=[RSSI1,RSSI2,?,RSSIn]T，其輸出為P=[x,y]T，如圖1所示。GRNN模型的機理是基于非線性回歸分析，其原理如下[2]:f(x,y)表示隨機變量x和y的聯(lián)合概率密度函數(shù)，若x的觀測值為....

圖2f1(x)的尋優(yōu)曲線

式中：ffitnessi是粒子i的適應(yīng)度值；(xi,yi)是第i個定位節(jié)點的實際坐標(biāo)；(x′i-xi)為網(wǎng)絡(luò)模型對第i個定位節(jié)點的預(yù)測坐標(biāo)。圖3f2(x)的尋優(yōu)曲線

圖3f2(x)的尋優(yōu)曲線

圖2f1(x)的尋優(yōu)曲線根據(jù)設(shè)置的適應(yīng)度函數(shù)，計算初始種群中每個粒子的適應(yīng)度值，并將這些適應(yīng)度值分別設(shè)置為其粒子的最優(yōu)值，然后對其比較得出一個全局最優(yōu)值，并將與全局最優(yōu)值相對應(yīng)的粒子位置記錄為全局最優(yōu)位置。

本文編號：3916812