發(fā)布時(shí)間：2024-03-02 11:47

　　針對(duì)傳統(tǒng)無(wú)線信號(hào)傳播模型的參數(shù)一般通過(guò)擬合或直接根據(jù)經(jīng)驗(yàn)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(lái)構(gòu)建定位模型,以未知節(jié)點(diǎn)和參考節(jié)點(diǎn)之間的接收信號(hào)強(qiáng)度值(RSSI)作為網(wǎng)絡(luò)的輸入,未知節(jié)點(diǎn)的位置坐標(biāo)(X,Y)作為輸出來(lái)擬合網(wǎng)絡(luò)模型。同時(shí)采用剔除處理和卡爾曼濾波處理對(duì)采集的RSSI值進(jìn)行預(yù)處理,來(lái)削弱環(huán)境因素對(duì)信號(hào)的擾動(dòng)。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(lái)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(lái)實(shí)現(xiàn)對(duì)未知節(jié)點(diǎn)坐標(biāo)的預(yù)測(cè)。在Matlab平臺(tái)上,與GRNN模型相比,其結(jié)果顯示改進(jìn)的定位算法具有更高的定位精度,提高了GRNN回歸預(yù)測(cè)效果以及模型的泛化能力。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖8QPSO-GRNN定位圖

圖7GRNN定位圖1）參考節(jié)點(diǎn)密度對(duì)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(duì)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(jī)理是基于非線性回歸分析，其原理如下[2]:f(x,y)表示隨機(jī)變量x和y的聯(lián)合概率密度函數(shù)，若x的觀測(cè)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(gè)定位節(jié)點(diǎn)的實(shí)際坐標(biāo)；(x′i-xi)為網(wǎng)絡(luò)模型對(duì)第i個(gè)定位節(jié)點(diǎn)的預(yù)測(cè)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(jì)算初始種群中每個(gè)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(duì)其比較得出一個(gè)全局最優(yōu)值，并將與全局最優(yōu)值相對(duì)應(yīng)的粒子位置記錄為全局最優(yōu)位置。

本文編號(hào)：3916812