基于灰色-RBF神經(jīng)網(wǎng)絡(luò)的傳播損耗模型訓(xùn)練

李麗娜　梁德骕　馬　俊　涂　志

(遼寧大學(xué)物理學(xué)院　遼寧 沈陽 110036)

?

基于灰色-RBF神經(jīng)網(wǎng)絡(luò)的傳播損耗模型訓(xùn)練

李麗娜梁德骕馬俊涂志

(遼寧大學(xué)物理學(xué)院遼寧 沈陽 110036)

室內(nèi)信號傳播損耗模型是基于信號強(qiáng)度測距法的射頻識別定位技術(shù)的關(guān)鍵。但因室內(nèi)環(huán)境較為復(fù)雜且受到多徑效應(yīng)等因素影響，傳統(tǒng)的基于經(jīng)驗的信號傳播損耗模型環(huán)境適應(yīng)性差，導(dǎo)致測距定位誤差較大；而利用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行傳播損耗模型訓(xùn)練則存在所需訓(xùn)練樣本過多、硬件采集工作量大等缺點(diǎn)。針對以上問題，提出在變密度采樣模式下的基于灰色理論與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的傳播損耗模型訓(xùn)練方法。基于灰色理論，利用少量樣本預(yù)測得到更多樣本，并與部分原始樣本共同重組樣本數(shù)據(jù)進(jìn)行RBF網(wǎng)絡(luò)的訓(xùn)練，以構(gòu)建傳播損耗模型。實驗結(jié)果表明，該方法可以利用較少的訓(xùn)練樣本準(zhǔn)確地建立室內(nèi)信號傳播損耗模型，可以很好地滿足室內(nèi)測距定位的精度要求，并可大大減少樣本采集工作量。

室內(nèi)定位射頻識別傳播損耗模型徑向基神經(jīng)網(wǎng)絡(luò)灰色理論

0　引　言

隨著信息技術(shù)及網(wǎng)絡(luò)技術(shù)的快速發(fā)展，對于室內(nèi)基于位置服務(wù)的需求越來越大，使得針對室內(nèi)定位技術(shù)的研究備受關(guān)注[1，2]。其中，基于接收信號強(qiáng)度指示RSSI(received signal strength indication)的室內(nèi)測距定位技術(shù)具有受多徑效應(yīng)影響相對較小、無需嚴(yán)格同步機(jī)制、硬件成本低廉等優(yōu)點(diǎn)，現(xiàn)已經(jīng)成為研究熱點(diǎn)[3，4]。室內(nèi)無線信號傳播損耗模型的構(gòu)建是基于RSSI的室內(nèi)測距定位技術(shù)的基礎(chǔ)及核心，該模型的準(zhǔn)確性直接影響定位精度?？偨Y(jié)國內(nèi)外有關(guān)傳播損耗模型的建立及改進(jìn)方法的研究成果可知：常見方法是通過樣本修正或參數(shù)修正的方法來改進(jìn)傳播損耗模型，但依賴于經(jīng)驗?zāi)Ｐ偷脑O(shè)定，環(huán)境適應(yīng)性較差[5-7]。因此，有學(xué)者提出了利用BP神經(jīng)網(wǎng)絡(luò)對特定環(huán)境下的傳播損耗模型進(jìn)行訓(xùn)練[8，9]。無需再對模型參數(shù)進(jìn)行反復(fù)修正，提高了模型的精確度及普適性，但BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值，并且需要大量的訓(xùn)練樣本。

徑向基函數(shù)RBF(Radical Basis Function)神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)。相對于BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、訓(xùn)練速度快，具有最佳的逼近性能和全局最優(yōu)特性[10]。所以本文提出利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行傳播損耗模型的訓(xùn)練?？紤]到傳播損耗模型近似于距離與信號強(qiáng)度值間的對數(shù)函數(shù)，根據(jù)對數(shù)函數(shù)的特性，本文采用變密度采樣模式來提高信號強(qiáng)度隨距離變化率較大的近距離區(qū)域的采樣密度，以便改善RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。

鑒于使用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建傳播損耗模型需要大量的樣本數(shù)據(jù)，本文將用于解決少數(shù)據(jù)、貧信息不確定性問題的新方法——灰色理論與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合[11-13]。引入灰色系統(tǒng)理論以少量的數(shù)據(jù)為預(yù)測樣本，預(yù)測大量的訓(xùn)練用樣本數(shù)據(jù)；利用重組后的樣本數(shù)據(jù)來進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可在欠樣本情況下準(zhǔn)確地訓(xùn)練傳播損耗模型，可大大減少硬件采集工作量、降低環(huán)境因素與硬件因素造成的數(shù)據(jù)誤差。

1　傳播損耗模型理論描述

使用RSSI法實現(xiàn)室內(nèi)無線定位時，其關(guān)鍵是建立無線射頻信號的空間傳播損耗模型。據(jù)此由信號強(qiáng)度值來計算距離值，其經(jīng)驗公式為：

(1)

其中：d為距離值，P(d)為距離信號源d時的信號強(qiáng)度值，即RSSI值，d0為基準(zhǔn)距離，n為路徑損耗因子，X為環(huán)境誤差。

在不同的室內(nèi)環(huán)境下，傳播損耗模型的各參數(shù)也會不同；而在同一環(huán)境下，因多徑效應(yīng)、建筑材料吸收等因素使得無線射頻信號呈現(xiàn)出時變特性。所以使用固定參數(shù)的經(jīng)驗?zāi)Ｐ推洵h(huán)境適應(yīng)性較差，通常計算得到的距離值會帶有較大的誤差。因此研究如何準(zhǔn)確構(gòu)建具有環(huán)境普適性的傳播損耗模型對于提高基于RSSI法的室內(nèi)定位的精度具有重要的現(xiàn)實意義。

2　基于RBF神經(jīng)網(wǎng)絡(luò)的傳播損耗模型訓(xùn)練

本文使用在特定環(huán)境下實測的信號強(qiáng)度—距離樣本，利用RBF神經(jīng)網(wǎng)絡(luò)對傳播損耗模型進(jìn)行訓(xùn)練，以構(gòu)建出具有良好環(huán)境適應(yīng)性的室內(nèi)信號傳播損耗模型。

2.1RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文以信號強(qiáng)度值P為網(wǎng)絡(luò)輸入，輸入層節(jié)點(diǎn)數(shù)為1；以距離值D為網(wǎng)絡(luò)輸出，輸出層節(jié)點(diǎn)數(shù)為1；構(gòu)建一個單輸入單輸出的RBF神經(jīng)網(wǎng)絡(luò)，如圖1所示。RBF網(wǎng)絡(luò)相當(dāng)于用隱層單元的輸出構(gòu)成一組徑向基函數(shù)，然后用輸出層來進(jìn)行線性組合，實現(xiàn)對傳播損耗模型的構(gòu)建。

圖1　RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)選取高斯函數(shù)，如式(2)：

(2)

網(wǎng)絡(luò)的徑向基函數(shù)中心C利用基于K-均值聚類方法求得。隨機(jī)選取M個訓(xùn)練樣本作為聚類中心，計算訓(xùn)練樣本與聚類中心的歐氏距離進(jìn)行聚類分組；之后計算各個聚類集合中訓(xùn)練樣本的平均值，即新聚類中心；反復(fù)迭代至聚類中心不再變化，便得到基函數(shù)中心C。

徑向基函數(shù)采用統(tǒng)一的擴(kuò)展常數(shù)：

(3)其中cmax為數(shù)據(jù)中心之間的最大距離，M為隨機(jī)選取的訓(xùn)練樣本數(shù)。隱層節(jié)點(diǎn)數(shù)的選擇采用最大矩陣元法求得[14]。方差根據(jù)經(jīng)驗選取，再計算隱層到輸出層的權(quán)值ω，完成RBF網(wǎng)絡(luò)的構(gòu)建。

2.2基于RBF神經(jīng)網(wǎng)絡(luò)的損耗模型訓(xùn)練仿真

根據(jù)式(1)描述的傳播損耗經(jīng)驗?zāi)Ｐ?，令d0=1 m，P(d0)=-35 dB，n=0.7，添加強(qiáng)度為1 dB的高斯白噪聲X。

首先在0～2 m范圍內(nèi)，每隔1 cm等間距生成樣本數(shù)據(jù)，樣本分布與樣本曲線如圖2所示。以此訓(xùn)練樣本利用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的傳播損耗模型如圖3所示。

圖2　等間距采樣下的樣本分布與樣本曲線

圖3　等間距采樣下的傳播損耗模型與樣本曲線

由圖3可以看出，因?qū)?shù)函數(shù)特性的影響，越接近0 m的近距離區(qū)域信號強(qiáng)度隨距離的變化率越大。等間距采樣相當(dāng)于降低了此區(qū)域的樣本數(shù)據(jù)密度，因訓(xùn)練樣本不足而導(dǎo)致樣本誤差的影響變大，曲線無法收斂。

因此采用變密度采樣法生成樣本數(shù)據(jù)，在近距離范圍(0～0.5 m)增加樣本密度；在0～0.05 m之間每隔0.1 cm生成樣本數(shù)據(jù)；在0.05～0.5 m之間每隔0.5 cm生成樣本數(shù)據(jù)；在0.5～2 m之間每隔1 cm生成樣本數(shù)據(jù)，共得到290個樣本數(shù)據(jù)，樣本分布與樣本曲線如圖4所示。以此樣本數(shù)據(jù)利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行傳播損耗模型的訓(xùn)練，構(gòu)建出傳播損耗模型如圖5所示。

圖4　變密度采樣下的樣本分布與樣本曲線

圖5　變密度采樣模式下的RBF神經(jīng)網(wǎng)絡(luò)傳播損耗模型訓(xùn)練結(jié)果

2.3仿真結(jié)果分析

由以上仿真結(jié)果及分析可知，根據(jù)對數(shù)函數(shù)特性，采用變密度采樣模式，提高近距離區(qū)域內(nèi)樣本密度；利用RBF神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練得到較為準(zhǔn)確的傳播損耗模型，但前提是需要大量的訓(xùn)練樣本數(shù)據(jù)。利用硬件進(jìn)行樣本數(shù)據(jù)采集時，會增加過多的工作量。

鑒于以上分析，為降低樣本數(shù)據(jù)采集工作量，引入灰色系統(tǒng)理論，利用少量樣本預(yù)測得到更多訓(xùn)練用樣本；并與部分原始樣本共同重組樣本數(shù)據(jù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以便在保證訓(xùn)練精度的前提下，利用較少的訓(xùn)練樣本來構(gòu)建傳播損耗模型。下面將該方法簡稱為灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式。

3　基于灰色-RBF神經(jīng)網(wǎng)絡(luò)的傳播損耗模型訓(xùn)練

3.1灰色預(yù)測原理

灰色系統(tǒng)理論是以部分信息已知、部分信息未知的小樣本、貧信息不確定性系統(tǒng)為研究對象?？稍跇颖静蛔愕那闆r下，利用原始樣本數(shù)據(jù)，構(gòu)建灰色模型，對未來進(jìn)行預(yù)測估計[11]。

灰色系統(tǒng)理論將信息處理作為一個灰色過程，通過白化微分方程建立灰色模型，再基于灰色模型進(jìn)行灰色預(yù)測。最常用的灰色模型是一階單變量的GM(1,1)預(yù)測模型，可對變量自身進(jìn)行預(yù)測，是灰色預(yù)測的基礎(chǔ)[15]。

以信號強(qiáng)度值P為變量，建立過程如下：

對原始數(shù)列P(0)={P(0)(k)|k=1,2,…,N}做一階累加生成運(yùn)算：

(4)

建立白化方程：

(5)

記作GM(1,1)，其中x代表距離值d。

(6)

其中：

則白化形式微分方程的解為：

(7)

再進(jìn)行一階累加生成逆運(yùn)算，即可得到信號強(qiáng)度P(0)的預(yù)測模型：

(8)

3.2灰色預(yù)測仿真

在傳播損耗模型曲線過渡區(qū)域0.5～1.5 m之間每隔3 cm選取少量的樣本數(shù)據(jù)作為灰色預(yù)測樣本，樣本數(shù)據(jù)如圖6所示。對過渡部分之后較平滑的1.5～2 m之間遠(yuǎn)距離區(qū)域的模型曲線進(jìn)行灰色預(yù)測，結(jié)果如圖7所示。

圖6　樣本曲線與灰色預(yù)測樣本

圖7　樣本曲線和灰色預(yù)測結(jié)果

3.3灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練仿真

利用變密度采樣模式獲得訓(xùn)練用樣本數(shù)據(jù)，在0～0.5 m距離之間隨機(jī)得到140個樣本數(shù)據(jù)，與上節(jié)利用灰色理論在0.5～2 m之間灰色預(yù)測得到的50個樣本數(shù)據(jù)進(jìn)行重組，共得到訓(xùn)練用樣本數(shù)據(jù)190個，分布如圖8所示。利用此訓(xùn)練樣本得到灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式下的傳播損耗模型曲線，如圖9所示。

圖8　灰色預(yù)測與部分原始樣本重組的訓(xùn)練樣本

圖9　灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式下傳播損耗模型曲線

3.4仿真結(jié)果分析

利用文獻(xiàn)[16]中的擬合(或預(yù)測)精度公式(9)對仿真結(jié)果進(jìn)行量化分析，分別計算出圖5及圖9所示的標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式及灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式下的傳播損耗模型對樣本曲線的擬合精度。并在0～2 m的范圍重新隨機(jī)生成100個測試樣本，對傳播損耗模型進(jìn)行預(yù)測仿真。計算近距離(0～1 m)的傳播損耗模型預(yù)測精度，并與標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式仿真結(jié)果進(jìn)行對比。訓(xùn)練及預(yù)測仿真結(jié)果如表1及表2所示。

(9)

表1　傳播損耗模型訓(xùn)練仿真結(jié)果分析

表2　傳播損耗模型預(yù)測仿真結(jié)果分析

由表1及表2仿真實驗結(jié)果可知，灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式所用訓(xùn)練樣本的數(shù)量比標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式所用訓(xùn)練樣本的數(shù)量少了近35%，但對傳播損耗模型曲線的擬合精度與預(yù)測精度卻均優(yōu)于標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式。同時，因為訓(xùn)練樣本數(shù)量相對較少，也在一定程度上節(jié)省了訓(xùn)練時間。此結(jié)果意味著灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法所需要的計算資源包括存儲空間及計算時間都要少于標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，即算法的計算復(fù)雜性更低，這進(jìn)一步提升了算法的實用性。另外，考慮到通常利用近距離點(diǎn)做參考來定位，因此還比較了傳播損耗模型在近距離區(qū)域的擬合及預(yù)測效果。兩種算法在近距離區(qū)域均采用相同的高密度樣本數(shù)據(jù)，所以訓(xùn)練結(jié)果表現(xiàn)都很好。

4　實驗研究

在8 m×9 m的實驗樓迎客大廳內(nèi)相對空曠的室內(nèi)環(huán)境中進(jìn)行了相關(guān)實驗研究。設(shè)定以CC2530為核心的射頻閱讀器的位置為坐標(biāo)原點(diǎn)，然后利用移動機(jī)器人裝載射頻標(biāo)簽向遠(yuǎn)離閱讀器的方向行駛。同時每隔固定時間間隔對信號強(qiáng)度值進(jìn)行采集，根據(jù)運(yùn)行時間和行駛距離計算機(jī)器人行駛速度，對應(yīng)記錄下每個信號強(qiáng)度采集點(diǎn)處標(biāo)簽與閱讀器間的距離值。

研究表明，無線射頻信號的時變性會造成信號強(qiáng)度在一定范圍內(nèi)上下波動。因此在采樣過程中，對同一測試點(diǎn)在不同時間段內(nèi)接收到的多個信號強(qiáng)度的數(shù)據(jù)包求均值作為樣本值，以此降低信號時變性的影響。

先進(jìn)行低密度稀疏采樣，獲得一組強(qiáng)度—距離樣本數(shù)據(jù)。對第一組樣本進(jìn)行預(yù)處理，觀測模型整體變化趨勢，并劃分不同間隔的變密度采樣區(qū)域。根據(jù)實際情況，在0～0.15 m范圍之間每隔0.005 m進(jìn)行采樣，獲得31個樣本；在0.15～0.6 m之間每隔0.01 m進(jìn)行采樣，獲得45個樣本；在0.6～1.7 m之間每隔0.02 m進(jìn)行采樣，獲得55個樣本。多組采樣數(shù)據(jù)經(jīng)濾波及求平均后作為訓(xùn)練樣本，構(gòu)成131個灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式的原始樣本，如圖10所示。

圖10　灰色-RBF神經(jīng)網(wǎng)絡(luò)模式的原始樣本

為了進(jìn)行對比，使用同樣方式在0～0.15 m范圍間隔0.005 m采集31個樣本；在0.15～2.4 m范圍間隔0.01 m采集210個樣本，對其進(jìn)行預(yù)處理后得到0～2.5 m范圍之間共246個距離—強(qiáng)度樣本數(shù)據(jù)，構(gòu)成標(biāo)準(zhǔn)RBF網(wǎng)絡(luò)訓(xùn)練模式的訓(xùn)練用樣本，分布如圖11所示。

圖11　標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

對圖10中的樣本數(shù)據(jù)進(jìn)一步處理，使用樣本數(shù)據(jù)變化比較平坦區(qū)域(0.6～1.7 m)的55個樣本構(gòu)建灰色模型并進(jìn)行灰色預(yù)測，得到0.6～2.4 m范圍之間共計90個樣本數(shù)據(jù)。之后將灰色預(yù)測得到的樣本數(shù)據(jù)每隔0.04 m選取訓(xùn)練用樣本。重組樣本后，得到了灰色-RBF網(wǎng)絡(luò)模式的訓(xùn)練用樣本，分布如圖12所示。

圖12　重構(gòu)的灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

利用最大矩陣元法，根據(jù)圖7中的重構(gòu)樣本計算隱層節(jié)點(diǎn)數(shù)，再通過灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式進(jìn)行傳播損耗模型的訓(xùn)練，得到的模型曲線如圖13中實線所示。為進(jìn)行對比，又利用標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式對圖11中的訓(xùn)練樣本進(jìn)行了訓(xùn)練，得到的傳播損耗模型曲線如圖13中虛線所示。

圖13　標(biāo)準(zhǔn)RBF網(wǎng)絡(luò)與灰色-RBF網(wǎng)絡(luò)模型訓(xùn)練結(jié)果對比

為驗證算法的實用性，同樣采用以CC2530為核心的射頻定位裝置，在進(jìn)行傳播損耗模型訓(xùn)練的8 m×9 m的實驗樓迎客大廳內(nèi)搭建了室內(nèi)無線定位系統(tǒng)。其中參考標(biāo)簽采用5×5布局共25個，射頻閱讀器布置于移動機(jī)器人上，作為待定位目標(biāo)，設(shè)定射頻閱讀器每1 s發(fā)送一次數(shù)據(jù)，并控制機(jī)器人做勻速直線運(yùn)動。利用本文灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法得到的傳播損耗模型將強(qiáng)度值轉(zhuǎn)換為距離值，再利用文獻(xiàn)[17]的極大似然估計算法來計算機(jī)器人位置，進(jìn)行室內(nèi)直線定位跟蹤測試，定位測距誤差如圖14所示。為進(jìn)一步檢驗本文算法的性能，采用同一定位系統(tǒng)及定位跟蹤算法，與具有代表性的傳播損耗模型建立方法進(jìn)行了對比實驗，結(jié)果如表3所示。

圖14　直線定位跟蹤實驗誤差曲線表3　基于不同傳播損耗模型的直線定位跟蹤誤差對比

傳播損耗模型建立方法平均絕對誤差(米)最大誤差(米)文獻(xiàn)[5]經(jīng)驗?zāi)Ｐ?.17642.61文獻(xiàn)[8]BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型0.75881.87文獻(xiàn)[18]SVM訓(xùn)練模型0.67321.83標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型0.5080.657本文灰色RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型0.4820.605

從圖14可以看出，利用灰色RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的損耗模型進(jìn)行室內(nèi)定位時，遠(yuǎn)距離的定位精度近似于標(biāo)準(zhǔn)神經(jīng)RBF網(wǎng)絡(luò)訓(xùn)練模式。但在近距離區(qū)域的精度要優(yōu)于標(biāo)準(zhǔn)神經(jīng)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式。定位誤差總體趨勢為距離越遠(yuǎn)，誤差越大，符合室內(nèi)信號傳播規(guī)律。最大定位誤差小于0.65米，可以滿足室內(nèi)測距定位的要求。

對表3結(jié)果分析可知，因采用經(jīng)驗?zāi)Ｐ铜h(huán)境適應(yīng)性較差，導(dǎo)致測距誤差較大；而BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練算法由于對樣本數(shù)量具有較大依賴性，導(dǎo)致在樣本相對較少的情況下模型誤差較大；由于等間距采樣近距離處的樣本密度較低，導(dǎo)致SVM算法在近距離時測距誤差較大，從而使平均誤差較大。本文采用灰色-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，充分利用了灰色理論在處理少數(shù)據(jù)、貧信息不確定性問題方面的巨大優(yōu)勢，可以利用相對較少的樣本獲得較好的訓(xùn)練結(jié)果。并考慮到了損耗模型的特性，采用了變密度采樣模式獲得樣本數(shù)據(jù)。因此利用本文方法建立的傳播損耗模型進(jìn)行室內(nèi)定位實驗時，其平均絕對誤差和最大誤差均較小，具有較大的優(yōu)越性。

5　結(jié)　語

本文提出的在變密度采樣模式下基于灰色-RBF神經(jīng)網(wǎng)絡(luò)來訓(xùn)練傳播損耗模型的方法具有良好的環(huán)境普適性。定位實驗結(jié)果表明，本文方法可利用相對較少的樣本訓(xùn)練得到較準(zhǔn)確的傳播損耗模型。模型訓(xùn)練的準(zhǔn)確性優(yōu)于已有算法，并有效減少了樣本數(shù)據(jù)采集工作量，可以較好地滿足一般的室內(nèi)定位要求。

[1] Montaser A, Moselhi O. RFID indoor location identification for construction projects[J]. Automation in Construction, 2014,39(4):167-179.

[2] 陳聰傳，程良倫. 區(qū)域細(xì)化的RFID室內(nèi)定位算法[J].計算機(jī)應(yīng)用與軟件,2011,28(1):50-52,60.

[3] William P L C, Simon L C, William G S. Empirical Performance of RSSI-Based Monte Carlo Localisation for Active RFID Patient Tracking Systems[J].International Journal of Wireless Information Networks,2012,19(3):173-184.

[4] Wu L, Huang L Y. Improvement of location methods based on RFID[J].The Journal of China Universities of Posts and Telecommunications, 2013,20(6):36-41.

[5] 朱明輝,張會清.基于RSSI的室內(nèi)測距模型的研究[J].傳感器與微系統(tǒng)，2010，29(8)：19-22.

[6] 楊寧,鐘紹山,徐耀良,等.一種改進(jìn)高斯-卡爾曼濾波的RSSI處理算法[J].自動化儀表, 2013,34(7):6-8.

[7] Wu B F , Jen C L , Chang K C. Neural fuzzy based indoor loealization by kalman filtering with ProPagation channel modeling[C]//Proeeedings of the IEEE Internatlonal Conferenceon System, ManandCyberneties,2007:812-817.

[8] 石曉偉,張會清,鄧貴華. 基于BP神經(jīng)網(wǎng)絡(luò)的距離損耗模型室內(nèi)定位算法研究[J].計算機(jī)測量與控制,2012,20(7):1944-1947.

[9] 李瑛,胡志剛,劉洋.一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型[J].計算機(jī)應(yīng)用,2007,27(6):56-60.

[10] Wilamowski B M. Neural network architectures and learning algorithms[J].IEEE Industrial Electronics Magazine,2009,3(4):56-63.

[11] Deng Ju long. Introduction to grey system theory[J]. The journal of Grey System,1989(1):1-24.

[12] 郁云,陸金桂.基于灰色理論和人工神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測[J].微計算機(jī)信息,2006(8):270-272.

[13] 張毅,楊建國.基于灰色理論預(yù)處理的神經(jīng)網(wǎng)絡(luò)機(jī)床熱誤差建模[J].機(jī)械工程學(xué)報,2011,47(7):134-139.

[14] 吳成茂,范九倫.確定RBF神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的最大矩陣元法[J] .計算機(jī)工程與應(yīng)用,2004, 40(20):77-79.

[15] 馬良荔, 李剛, 陶道強(qiáng).基于灰色GM(1,1)模型的故障預(yù)測方法[J].計算機(jī)應(yīng)用與軟件,2013,30(4):198-200.

[16] Bernstein S, Bernstein R. Schaum’s Outline of Elements of Statistics[M]. America:McGraw-Hill,1989.

[17] 王琦.基于RSSI測距的室內(nèi)定位技術(shù)[J].電子科技，2012，25(6)：64-66.

[18] 陳宇琦.RFID測距的研究與應(yīng)用[D].廣東:廣東工業(yè)大學(xué),2012.

PROPAGATION LOSS MODEL TRAINING ALGORITHM BASED ON GREY-RBF NEURAL NETWORK

Li Li’naLiang DesuMa JunTu Zhi

(CollegeofPhysics,LiaoningUniversity,Shenyang110036,Liaoning,China)

Indoor signal propagation loss model is the key to the radio frequency identification (RFID) localisation technology based on received signal strength indicator (RSSI). Because of the rather complex indoor environment and the influence of multipath effect, traditional empirical signal propagation loss model has poor environmental adaptability, and this leads to bigger localisation error in ranging. Besides the training of propagation loss model using traditional neural network has the disadvantages of too much training samples required and heavy collection workload in hardware. To overcome the problems mentioned above, we put forward the training method for propagation loss model in variable density sampling mode, which is based on the combination of grey theory and radial basis function (RBF) neural network. Based on grey theory, more training samples can be forecasted by using fewer samples, and they are used together with part of the original samples to reconstruct the sample data for RBF neural network training, so as to build the propagation loss model. Experimental results show that by using the proposed method, it is able to build the indoor signal propagation loss model accurately with less training samples, which can well meet the precision requirement of the indoor localisation and greatly reduce the workload of sample collection as well.

Indoor localisationRadio frequency identification (RFID)Propagation loss modelRadial basis function (RBF) neural networkGrey theory

2015-03-11。國家自然科學(xué)基金青年項目(61403 176)；遼寧省教育廳科學(xué)技術(shù)研究項目(L2013003)。李麗娜，副教授，主研領(lǐng)域：物聯(lián)網(wǎng)感知層相關(guān)技術(shù)。梁德骕，碩士生。馬俊，碩士生。涂志，碩士生。

TP183TN911.7

A

10.3969/j.issn.1000-386x.2016.08.030