【摘要】：針對(duì)無(wú)線傳感器網(wǎng)絡(luò)(WSN)基于測(cè)距的定位算法中,利用節(jié)點(diǎn)坐標(biāo)計(jì)算方法獲得的節(jié)點(diǎn)坐標(biāo)位置存在較大誤差的問(wèn)題,提出一種無(wú)需進(jìn)行坐標(biāo)計(jì)算的果蠅—廣義回歸神經(jīng)網(wǎng)絡(luò)(FOA-GRNN)優(yōu)化的WSN節(jié)點(diǎn)定位算法.該算法利用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)較快的學(xué)習(xí)速度和較強(qiáng)的逼近能力建立WSN節(jié)點(diǎn)定位模型,通過(guò)果蠅優(yōu)化算法(FOA)調(diào)整廣義回歸神經(jīng)網(wǎng)絡(luò)的平滑參數(shù),降低調(diào)整平滑參數(shù)時(shí)人為因素的影響,由神經(jīng)網(wǎng)絡(luò)直接輸出未知節(jié)點(diǎn)坐標(biāo).仿真實(shí)驗(yàn)表明,通過(guò)果蠅算法優(yōu)化的FOA-GRNN模型的節(jié)點(diǎn)定位精度比未經(jīng)優(yōu)化的GRNN模型的節(jié)點(diǎn)定位精度高.同時(shí),比較了FOA-GRNN模型與BP神經(jīng)網(wǎng)絡(luò)模型、虛擬節(jié)點(diǎn)BP網(wǎng)絡(luò)模型(VNBP)在WSN節(jié)點(diǎn)定位中效果,表明FOA-GRNN模型在WSN節(jié)點(diǎn)定位精確性方面具有明顯優(yōu)勢(shì).
【圖文】：

迪直淞康娜鄘盅壩?［9－10］．FOA算法自產(chǎn)生以來(lái)就受到相關(guān)領(lǐng)域的廣泛關(guān)注，目前已被廣泛應(yīng)用于交通事件、原油含水率［11］、企業(yè)經(jīng)營(yíng)績(jī)效［12］、光纖傳感系統(tǒng)［13］以及衛(wèi)星預(yù)測(cè)［14］等優(yōu)化問(wèn)題．因此，本文提出一種基于果蠅優(yōu)化算法與廣義回歸神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的果蠅－廣義回歸神經(jīng)網(wǎng)絡(luò)優(yōu)化(FOA-GＲNN)的WSN節(jié)點(diǎn)定位算法，利用FOA算法的隨機(jī)搜索特性和快速收斂性，優(yōu)化GＲNN網(wǎng)絡(luò)的平滑參數(shù)因子σ的選擇，降低算法復(fù)雜度，提高GＲNN回歸預(yù)測(cè)效果，準(zhǔn)確定位WSN未知節(jié)點(diǎn)坐標(biāo)位置．1GＲNN算法與FOA算法圖1GＲNN的原理圖Fig.1SchematicdiagramofGＲNN1．1廣義回歸神經(jīng)網(wǎng)絡(luò)模型如圖1所示，GＲNN由輸入層、模式層、求和層、輸出層構(gòu)成．輸入層的神經(jīng)元數(shù)目與學(xué)習(xí)樣本中輸入向量的維數(shù)n相等，每個(gè)神經(jīng)元都是一個(gè)簡(jiǎn)單的分布單元，這些神經(jīng)元直接將輸入變量傳遞到模式層中．模式層的神經(jīng)元數(shù)目即為學(xué)習(xí)樣本的數(shù)目n，每個(gè)神經(jīng)元分別對(duì)應(yīng)一個(gè)學(xué)習(xí)樣本，模式層中第i個(gè)神經(jīng)元的傳遞函數(shù)為:Pi=exp－(X－Xi)T(X－Xi)2σ2[]，i=1，2，…，n．(1)式中，Pi是各模式層的神經(jīng)元輸出，σ為平滑因子，，Xi為第i個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本．求和層中包含了分母求和單元與分子求和單元．分母求和單元對(duì)所有模式層神經(jīng)元的輸出進(jìn)行算術(shù)求和，模式層中各個(gè)神經(jīng)元與該神經(jīng)元的連接權(quán)值為1，傳遞函數(shù)為:SD=∑ni=1Pi．(2)分子求和單元是對(duì)神經(jīng)元輸出加權(quán)求和，其連接權(quán)值是模式層中神經(jīng)元的輸出yi值，其傳遞函數(shù)為:SN=∑ni=1yiPi．(3)輸出層^Y是由求和層中的分子求和單元、分母求和單元的輸出相除得到，即:^Y=SN/SD．(4)—32?

陳t�，�

本文編號(hào)：2548877