基于GRNN神經(jīng)網(wǎng)絡(luò)的ZigBee室內(nèi)定位算法研究

鄧胡濱，許 峰，周 潔

（華東交通大學(xué)信息工程學(xué)院，江西 南昌 330013）

基于GRNN神經(jīng)網(wǎng)絡(luò)的ZigBee室內(nèi)定位算法研究

鄧胡濱，許 峰，周 潔

（華東交通大學(xué)信息工程學(xué)院，江西 南昌 330013）

基于固定參數(shù)的無線信號傳播損耗模型的定位算法，不能很好解決由于多徑傳播效應(yīng)和環(huán)境復(fù)雜性所帶來的測距誤差問題。提出使用GRNN神經(jīng)網(wǎng)絡(luò)來擬合室內(nèi)RSSI值與距離值之間的映射關(guān)系，得到RSSI值與距離值的映射模型，再將定位實(shí)驗(yàn)中實(shí)測的RSSI值作為訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)的輸入層，在輸出層得到與RSSI值相對應(yīng)的距離值，最后使用加權(quán)質(zhì)心算法來進(jìn)行待測節(jié)點(diǎn)的定位。該算法不僅簡單而且性能良好，并且不需要額外的硬件。經(jīng)過Matlab和ZigBee實(shí)驗(yàn)仿真驗(yàn)證，與路徑損耗模型和基于BP神經(jīng)網(wǎng)絡(luò)的定位算法相比，所提出的算法可以提供較好的定位結(jié)果。

室內(nèi)定位；廣義回歸神經(jīng)網(wǎng)絡(luò)；信號接收強(qiáng)度；加權(quán)質(zhì)心；無線傳感器網(wǎng)絡(luò)

隨著無線傳感器網(wǎng)絡(luò)技術(shù)（WSN）[1]在大型建筑物如倉庫、礦井、商場等室內(nèi)環(huán)境下的快速發(fā)展應(yīng)用，基于無線傳感器網(wǎng)絡(luò)的定位算法也越來越受到國內(nèi)外科研人員的關(guān)注?，F(xiàn)階段國內(nèi)外研究室內(nèi)定位的算法主要根據(jù)所使用的數(shù)據(jù)類型分為兩大類：測距和非測距。一般來講基于測距的定位算法所得到的定位計(jì)算結(jié)果精度要比基于非測距的定位算法高?；诜菧y距的定位算法在進(jìn)行定位計(jì)算時(shí)不需要參考節(jié)點(diǎn)與待測節(jié)點(diǎn)之間的距離信息來進(jìn)行定位，它主要是利用從附近的幾個(gè)參考節(jié)點(diǎn)的其它信息如節(jié)點(diǎn)的連通性來進(jìn)行定位計(jì)算，如Dv-Hop定位算法[2]采用節(jié)點(diǎn)之間的距離矢量信息和網(wǎng)絡(luò)連通性來計(jì)算待測節(jié)點(diǎn)的坐標(biāo)位置。基于測距的定位算法需要參考節(jié)點(diǎn)與待測節(jié)點(diǎn)之間的距離信息或角度信息，再利用三邊測量或質(zhì)心等定位算法來進(jìn)行定位計(jì)算。RSSI（信號接收強(qiáng)度），AOA（到達(dá)角度），TOA（到達(dá)時(shí)間）和TDOA（到達(dá)時(shí)間差）是用來計(jì)算距離或角度信息的四個(gè)重要技術(shù)[3]。在研究定位算法中，基于RSSI的定位算法利用已有的無線傳感器網(wǎng)絡(luò)基礎(chǔ)硬件設(shè)施就可以用來進(jìn)行節(jié)點(diǎn)的定位操作，不需要增加專門的硬件設(shè)備。所以與其他技術(shù)相比，RSSI技術(shù)在設(shè)備復(fù)雜性和從成本角度來說是有很大優(yōu)勢的。

在完成6點(diǎn)部位的連弧焊操作后，到達(dá)5點(diǎn)和7點(diǎn)位置，為了減少熔池過渡墜瘤，改為斷弧焊工藝。由于鎳基材料熔池流動(dòng)性差、冷卻速度快等特點(diǎn)，因此斷弧打底時(shí)的頻率要快，再起弧的位置要準(zhǔn)，通常在上一熔池冷卻到二分之一時(shí)，進(jìn)行下一弧的引燃，并在熔池溫度最高的地方再起?。慈鄢刈盍恋牡胤剑?。打底時(shí)熔池易往焊縫中間聚集、兩側(cè)易夾溝，因此焊條要做左右擺動(dòng)，使熔池能夠到達(dá)焊縫坡口的兩側(cè)，分散熔池中間的溫度，確保背面焊縫兩側(cè)熔合良好。

基于RSSI值的定位算法在進(jìn)行定位計(jì)算的過程中，一般是使用固定參數(shù)的無線信號傳播損耗模型[4]來計(jì)算得到所需的距離值信息，與此同時(shí)在實(shí)際定位中可以利用卡爾曼濾波[5]、加權(quán)質(zhì)心[6]等一系列的優(yōu)化算法來優(yōu)化定位計(jì)算的結(jié)果。但是室內(nèi)環(huán)境下的無線信號由于在非視距環(huán)境下進(jìn)行傳播，傳播過程中受到多徑傳播效應(yīng)及其它信號的干擾，傳感器在同一坐標(biāo)點(diǎn)上所收集到的RSSI值有較大浮動(dòng)，選取合適的信號傳播損耗模型參數(shù)是比較困難[7]，且在定位計(jì)算時(shí)采用固定參數(shù)的損耗模型將會(huì)導(dǎo)致室內(nèi)定位算法的定位計(jì)算結(jié)果誤差較大。

在研究定位算法的過程中為了解決這個(gè)問題，國內(nèi)外有研究學(xué)者發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)（ANN）可以運(yùn)用在定位計(jì)算中，利用人工神經(jīng)網(wǎng)絡(luò)模型來改善定位算法。如文獻(xiàn)[8]提出利用BP神經(jīng)網(wǎng)絡(luò)的來實(shí)現(xiàn)定位；文獻(xiàn)[9]提出利用徑向基神經(jīng)網(wǎng)絡(luò)（RBF）結(jié)合RSSI值來實(shí)現(xiàn)定位；文獻(xiàn)[10]提出利用BP神經(jīng)網(wǎng)絡(luò)和泰勒級數(shù)相結(jié)合來實(shí)現(xiàn)定位計(jì)算；文獻(xiàn)[11]提出非視距環(huán)境下利用BP神經(jīng)網(wǎng)絡(luò)得到模型的動(dòng)態(tài)環(huán)境參數(shù)。

企業(yè)人力資源管理與企業(yè)文化相輔相成，如果我們把企業(yè)人力資源管理比做一棵樹苗，那么企業(yè)文化則是這棵樹苗生存的環(huán)境。我們從通用電氣的發(fā)展軌跡中不難看出，企業(yè)文化對企業(yè)發(fā)展具有根本性的作用。因此，建設(shè)企業(yè)文化就顯得非常重要。

鉆井液方面標(biāo)準(zhǔn)化建設(shè)工作走上了穩(wěn)步發(fā)展之路，近幾年來，一大批鉆井液方面的行業(yè)標(biāo)準(zhǔn)制訂并頒布執(zhí)行，對鉆井工程專業(yè)產(chǎn)生了積極而深遠(yuǎn)的影響。通過宣傳、貫徹、執(zhí)行標(biāo)準(zhǔn)，規(guī)范了鉆井液技術(shù)行為，推動(dòng)了我國鉆井液處理劑市場的健康發(fā)展以及鉆井整體技術(shù)工藝水平的提高。

本文提出利用GRNN（廣義回歸）神經(jīng)網(wǎng)絡(luò)模型來擬合室內(nèi)RSSI值與距離值之間的映射模型，利用映射模型把將RSSI值映射為節(jié)點(diǎn)距離信息。利用GRNN神經(jīng)網(wǎng)絡(luò)可以使得定位算法在由RSSI值轉(zhuǎn)換為距離信息時(shí)不再受限于路徑損耗模型選取固定環(huán)境參數(shù)的問題。帶有噪聲值的RSSI測量值可以直接和實(shí)際坐標(biāo)位置一起用來訓(xùn)練網(wǎng)絡(luò)。在實(shí)際定位計(jì)算實(shí)驗(yàn)中利用ZigBee硬件平臺(tái)所采集到的無線傳感器的RSSI值作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸入層，在神經(jīng)網(wǎng)絡(luò)的輸出層得到計(jì)算所需的距離信息，最后使用加權(quán)質(zhì)心定位算法計(jì)算得到待測節(jié)點(diǎn)的坐標(biāo)位置。實(shí)驗(yàn)結(jié)果表明與路徑損耗模型和基于BP神經(jīng)網(wǎng)絡(luò)的定位算法相比，所提出的算法可以提供較好的定位結(jié)果。

1 定位算法原理

1.1 路徑損耗模型

室內(nèi)環(huán)境下的無線傳感器網(wǎng)絡(luò)在傳播信號的過程中，可以利用路徑損耗模型將傳感器收到信息中的RSSI值轉(zhuǎn)化為節(jié)點(diǎn)之間的距離信息。考慮到無線傳感器網(wǎng)絡(luò)的信號在室內(nèi)傳播過程中受到信號反射、衍射干擾和室內(nèi)環(huán)境存在障礙物的情況下，路徑損耗模型一般采用Shadowing模型[7]

加權(quán)質(zhì)心定位算法[15]的基本思想是利用加權(quán)因子來反應(yīng)參考節(jié)點(diǎn)在質(zhì)心定位計(jì)算時(shí)對計(jì)算結(jié)果的影響程度，公式為

使用第2組實(shí)驗(yàn)所采集到的RSSI值數(shù)據(jù)作為已經(jīng)訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)模型的輸入量，在訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)的輸出層得到待測節(jié)點(diǎn)到參考節(jié)點(diǎn)的距離值。

1.2 GRNN神經(jīng)網(wǎng)絡(luò)

ANN（人工神經(jīng)網(wǎng)絡(luò)）由稱為神經(jīng)元的多個(gè)非線性變換單元和稱為互連權(quán)重的自由參數(shù)構(gòu)成，可以通過改變神經(jīng)元的激活函數(shù)和它們之間的加權(quán)互連的結(jié)構(gòu)來創(chuàng)建各種類型的網(wǎng)絡(luò)，例如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等等。人工神經(jīng)網(wǎng)絡(luò)可以解決大量的非線性或線性函數(shù)擬合或模式匹配問題[12]。

從上一步中獲得到RSSI值后，將第1組收集到的RSSI值作為GRNN神經(jīng)網(wǎng)絡(luò)的輸入，從參考節(jié)點(diǎn)與待測節(jié)點(diǎn)之間的已知距離創(chuàng)建輸出數(shù)據(jù)集。使用Matlab軟件自帶的神經(jīng)網(wǎng)絡(luò)工具箱中的創(chuàng)建函數(shù)net=newgrnn（P，T，spread）創(chuàng)建GRNN神經(jīng)網(wǎng)絡(luò)，其中P為輸入向量，T為期望輸出。這里只需確定傳播常數(shù)spread。在廣義回歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中傳播常數(shù)是重要的參數(shù)，因?yàn)樗_定RSSI值與距離值的映射函數(shù)的擬合度。為了不失一般性，利用交叉驗(yàn)證的方式取得spread的最優(yōu)選擇，最后利用數(shù)據(jù)和最優(yōu)的spread得到訓(xùn)練好神經(jīng)網(wǎng)絡(luò)，這里取得spread為0.8。

圖1 GRNN神經(jīng)網(wǎng)絡(luò)的架構(gòu)Fig.1 GRNN neural network architecture

實(shí)驗(yàn)使用的RSSI數(shù)據(jù)采集是在室內(nèi)7 m×7 m的區(qū)域內(nèi)所采集到，利用美國德州儀器公司的ZigBee芯片CC2530搭建一個(gè)小型的室內(nèi)定位系統(tǒng)，系統(tǒng)由3部分組成：一個(gè)網(wǎng)關(guān)模塊用于接收參考節(jié)點(diǎn)發(fā)送過來的信息，并通過串口將接收到的信息發(fā)送到上位機(jī)，上位機(jī)收到數(shù)據(jù)后保存作為提供給后續(xù)實(shí)驗(yàn)所使用的仿真數(shù)據(jù)；四個(gè)參考節(jié)點(diǎn)用于接收待測節(jié)點(diǎn)發(fā)送的信息，并與網(wǎng)關(guān)節(jié)點(diǎn)通信；一個(gè)待測節(jié)點(diǎn)模塊用于周期性地向周圍發(fā)送信息。所使用的ZigBee芯片都設(shè)置相同硬件參數(shù)，僅芯片的所燒錄的程序不同，減少因硬件不同所帶來的誤差。網(wǎng)關(guān)模塊從接收到的信息提取出來的RSSI值用作GRNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。整個(gè)實(shí)驗(yàn)數(shù)據(jù)采集需要采集兩組數(shù)據(jù)集，一組用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另一組用來檢驗(yàn)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型。

GRNN神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)由訓(xùn)練樣本所決定，網(wǎng)絡(luò)的訓(xùn)練過程依賴樣本從而避免了人為的主觀假定，同時(shí)GRNN神經(jīng)網(wǎng)絡(luò)的收斂速度比BP神經(jīng)網(wǎng)絡(luò)快[14]。

1.3 加權(quán)質(zhì)心算法

傳統(tǒng)的質(zhì)心定位算法是根據(jù)

通過合作研究[15]，基于投影圖像對小直徑銑削刀具狀態(tài)開展了在線監(jiān)測研究，其原理如圖13所示。在激光傳感器感知刀具轉(zhuǎn)角位置信號后，通過PLC給CCD相機(jī)發(fā)出指令，相機(jī)隨即開始拍照，獲得刀具的投影圖像。

其中：A（xa，ya），B（xb，yb），C（xc，yc）是三個(gè)參考節(jié)點(diǎn)以與待測節(jié)點(diǎn)之間的距離為半徑的三個(gè)圓的交點(diǎn)，如圖 2所示，這三個(gè)坐標(biāo)點(diǎn)所圍成的區(qū)域即是待測節(jié)點(diǎn)所可能出現(xiàn)的區(qū)域，由公式（3）計(jì)算出待測節(jié)點(diǎn)的坐標(biāo)值 D（x，y）。

式中：d表示的是發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)之間的距離值，m；d0表示的是參考距離值，m；Pr（d0）是以dB為單位的參考距離d0中的信號強(qiáng)度，dBm。X是高斯分布變量，其平均值為0，標(biāo)準(zhǔn)差為4～10，dbm；n稱為與環(huán)境相關(guān)的信號傳播常數(shù)。在實(shí)際的實(shí)驗(yàn)研究中常取d0=1 m，同時(shí)經(jīng)過多次測量確定Pr（d0）的值，然后將上述公式改為

第2組實(shí)驗(yàn)數(shù)據(jù)將4個(gè)參考節(jié)點(diǎn)放置如圖3的位置進(jìn)行采集，待測節(jié)點(diǎn)隨機(jī)放置于平面上進(jìn)行采樣，采集 7 組數(shù)據(jù)作為實(shí)驗(yàn)驗(yàn)證數(shù)據(jù)，每組數(shù)據(jù)有 4×20 個(gè)值，數(shù)據(jù)以{RSSI[r1，r2，r3，r4]，（x，y）}的形式保存，表示待測節(jié)點(diǎn)在坐標(biāo)為（x，y）時(shí)4個(gè)參考節(jié)點(diǎn)所采集到的RSSI值，對數(shù)據(jù)進(jìn)行預(yù)處理，取每次采集到RSSI的平均值。

圖2 加權(quán)質(zhì)心算法Fig.2 Weighted centroid algorithm

式中：d1，d2，d3分別是3個(gè)參考節(jié)點(diǎn)與待測節(jié)點(diǎn)之間的估計(jì)距離值。

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)樣本數(shù)據(jù)獲取

圖1中輸入層為RSSI值，模式層的神經(jīng)元個(gè)數(shù)與訓(xùn)練的樣本數(shù)相等，輸出層為距離值。

第1組實(shí)驗(yàn)數(shù)據(jù)采集是將4個(gè)參考節(jié)點(diǎn)固定放在同一處用于接收來自參考節(jié)點(diǎn)的發(fā)送的信息，待測節(jié)點(diǎn)每隔0.25 m移動(dòng)來進(jìn)行采樣，總共移動(dòng)9 m得到36組采樣數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，每組數(shù)據(jù)有4×20個(gè)值，數(shù)據(jù)以{RSSI[r1，r2，r3，r4]}的形式保存，表示4個(gè)參考節(jié)點(diǎn)與待測節(jié)點(diǎn)相距d m時(shí)所采集到RSSI值，之后對數(shù)據(jù)進(jìn)行初步處理，取每次采集數(shù)據(jù)的平均值。

1.暈動(dòng)病的處理措施：乘車前不要給寶寶喂食油炸或高脂肪的食物；一般情況下寶寶上車容易睡覺，暈車的幾率相對較小，盡量不要給寶寶吃暈車藥，可以準(zhǔn)備一些橘子、橙子，這些水果可以有效預(yù)防暈車；保持車內(nèi)空氣暢通，不要待在有濃烈食物味道或汽油味的地方，遠(yuǎn)離吸煙者；可以坐在司機(jī)旁邊的座位上，以減少顛簸。

2.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

本文所采用的是人工神經(jīng)網(wǎng)絡(luò)是：廣義回歸神經(jīng)網(wǎng)絡(luò)[13]。GRNN（廣義回歸）神經(jīng)網(wǎng)絡(luò)是RBF（徑向基）神經(jīng)網(wǎng)絡(luò)的一種變體，是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型。GRNN神經(jīng)網(wǎng)絡(luò)構(gòu)造如圖1所示。

原油作為重要大宗商品，其下游產(chǎn)品和價(jià)格波動(dòng)與人們的生活息息相關(guān)。2018年3月26日，中國原油期貨上市，國內(nèi)投資者可以通過原油期貨來參與國際原油定價(jià)，并對沖油價(jià)上漲和通脹的影響。原油價(jià)格受到供需、政治、經(jīng)濟(jì)、地緣等多因素影響，一方面，對邊際供給或需求缺口基本面的預(yù)期是推動(dòng)油價(jià)變化的主要因素，另一方面，經(jīng)濟(jì)增長、貨幣政策、匯率波動(dòng)等宏觀因素也會(huì)影響油價(jià)，金融危機(jī)的擴(kuò)散往往伴隨著油價(jià)下跌。因此，可以將這些因素大致歸類于原油的商品屬性和金融屬性。

2.3 定位計(jì)算

式中：RSSI表示為接收節(jié)點(diǎn)所接收到的信號強(qiáng)度值，dBm；A表示為接收節(jié)點(diǎn)在距離發(fā)射節(jié)點(diǎn)1 m處接收到的信號強(qiáng)度值。利用公式（2）可以將RSSI值轉(zhuǎn)化為發(fā)射節(jié)點(diǎn)與接收節(jié)點(diǎn)之間的距離值。公式的轉(zhuǎn)化結(jié)果主要取決于A和n的值，一般在使用中設(shè)置為固定值，但是在實(shí)際使用過程中因?yàn)樵谑覂?nèi)環(huán)境中由于室內(nèi)環(huán)境的復(fù)雜性，信號傳播常數(shù)n會(huì)發(fā)生波動(dòng)。波動(dòng)可能是由環(huán)境的變化或者人物的運(yùn)動(dòng)和吸收所導(dǎo)致的。n的波動(dòng)將會(huì)影響到距離值的轉(zhuǎn)換結(jié)果，給定位算法帶來直接的誤差影響。同時(shí)隨著距離的增加，根據(jù)上述公式的距離計(jì)算會(huì)變得更加困難。

將上一步中得到距離值，每組取出距離值最小的3個(gè)參考節(jié)點(diǎn)，再利用加權(quán)質(zhì)心算法進(jìn)行定位計(jì)算得到待測節(jié)點(diǎn)的估計(jì)坐標(biāo)。最后利用式（5）來計(jì)算定位誤差E

其中：（x，y）是待測節(jié)點(diǎn)的實(shí)際的坐標(biāo)，（xi，yi）是待測節(jié)點(diǎn)估計(jì)坐標(biāo)。

待測節(jié)點(diǎn)個(gè)數(shù)為n，利用式（6）來計(jì)算平均定位誤差Em

整個(gè)定位算法實(shí)驗(yàn)的流程圖如圖4所示。

圖3 4個(gè)參考節(jié)點(diǎn)放置在7 m×7 m的區(qū)域內(nèi)Fig.3 The four reference nodes placed in the 7 m×7 m area

圖4 定位算法流程圖Fig.4 Localization algorithm flow chart

3 定位算法結(jié)果

分別使用了基于GRNN，基于BP和基于路徑損耗模型的定位算法來進(jìn)行定位算法結(jié)果比較，這三種算法都使用了相同的室內(nèi)環(huán)境下收集到的數(shù)據(jù)集來進(jìn)行仿真計(jì)算，仿真的結(jié)果如表1所示。

根據(jù)實(shí)驗(yàn)仿真的結(jié)果和結(jié)果誤差顯示，利用GRNN神經(jīng)網(wǎng)絡(luò)的定位算法的定位計(jì)算結(jié)果要優(yōu)于利用BP神經(jīng)網(wǎng)絡(luò)和基于固定路徑損耗模型的定位結(jié)果，其中基于GRNN神經(jīng)網(wǎng)絡(luò)的定位結(jié)果最小誤差為0.44 m，最大誤差為1.56 m；在定位平均誤差方面，根據(jù)計(jì)算分別比BP神經(jīng)網(wǎng)絡(luò)和路徑損耗模型提高約0.8 m和1.4 m，表明在相同的室內(nèi)環(huán)境下基于GRNN神經(jīng)網(wǎng)絡(luò)的定位算法可以提供較好的定位結(jié)果。

本文進(jìn)行夜間燈光處理使用的數(shù)據(jù)主要來源于4個(gè)部分：第一部分為DMSP/OLS夜間燈光數(shù)據(jù)。來自NGDC(隸屬美國國家海洋和大氣管理局)公開發(fā)布的第四版全球DMSP-OLS夜間燈光產(chǎn)品(V4DNLTS)，均可在NGDC的官方網(wǎng)站下載。第二部分?jǐn)?shù)據(jù)為輻射定標(biāo)燈光圖像，該圖像用于飽和及內(nèi)部校準(zhǔn)的參考燈光,來自NGDC另外發(fā)布的輻射定標(biāo)燈光圖像系列。第三部分?jǐn)?shù)據(jù)為石油/天然氣燃燒矢量圖層，同樣來自NGDC公開的全球數(shù)據(jù)庫。第四部分為國家及其行政區(qū)域地圖，來自DIVA-GIS項(xiàng)目網(wǎng)站(http://www.diva-gis.org/Data)。

最后，在施工過程中，協(xié)調(diào)其他部門進(jìn)行團(tuán)隊(duì)合作，使各個(gè)部門明確自己的工作任務(wù)和承擔(dān)的責(zé)任，確保各項(xiàng)管理制度順利落實(shí)。

表1 定位結(jié)果Tab.1 Localization results m

定位結(jié)果誤差圖如圖5所示。

4 結(jié)束語

提出一種基于GRNN神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)室內(nèi)定位算法。首先使用TI公司的CC2530芯片搭建硬件實(shí)驗(yàn)平臺(tái)，采集后續(xù)實(shí)驗(yàn)仿真所需的數(shù)據(jù)；再利用GRNN神經(jīng)網(wǎng)絡(luò)建立RSSI值與距離值之間的映射模型，避免使用路徑傳播損耗模型的因?yàn)閰?shù)n的波動(dòng)給定位算法帶來的誤差影響。在實(shí)驗(yàn)過程中先利用RSSI值對GRNN神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得出室內(nèi)區(qū)域環(huán)境下RSSI值與距離的映射模型，在定位計(jì)算中利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型得到所需的距離值，最后根據(jù)加權(quán)質(zhì)心定位算法計(jì)算出待測節(jié)點(diǎn)的坐標(biāo)值，實(shí)驗(yàn)仿真的結(jié)果表明算法可以實(shí)現(xiàn)較好的定位結(jié)果。

圖5 結(jié)果誤差圖Fig.5 Results error chart

[1]錢志鴻，王義君.面向物聯(lián)網(wǎng)的無線傳感器網(wǎng)絡(luò)綜述[J].電子與信息學(xué)報(bào)，2013，35（1）：215-227.

[2]章磊，黃光明.基于RSSI的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（2）：291-294.

[3]MAUTZ R.Indoor Positioning Technologies[M].ETH Zurich：Institute of Geodesy and Photogrammetry，2012：57-90.

[4]趙基瑋.基于ZigBee技術(shù)的無線傳感器網(wǎng)絡(luò)定位系統(tǒng)的設(shè)計(jì)與研究[D].南寧：廣西大學(xué)，2011.

[5]顧宗海.基于RSSI測距的室內(nèi)定位算法研究[D].鄭州：鄭州大學(xué)，2011.

[6]韓東升，楊維，劉洋，張玉.煤礦井下基于RSSI的加權(quán)質(zhì)心定位算法[J].煤炭學(xué)報(bào)，2013，38（3）：522-528.

[7]李瑤怡，赫曉星，劉守印.基于路徑損耗模型參數(shù)實(shí)時(shí)估計(jì)的無線定位方法[J].傳感技術(shù)學(xué)報(bào)，2010，23（9）：1328-1333.

[8]李瑛.基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位技術(shù)研究[D].長沙：中南大學(xué)，2007.

[9]TIAN J，XU Z.RSSI localization algorithm based on RBF neural network[C]//Beijing：IEEE，International Conference on Software Engineering and Service Science.IEEE，2012：321-324.

[10]張會(huì)清，石曉偉，鄧貴華，等.基于BP神經(jīng)網(wǎng)絡(luò)和泰勒級數(shù)的室內(nèi)定位算法研究[J].電子學(xué)報(bào)，2012，40（9）：1876-1879.

[11]彭宇倩，曾碧，肖紅，等.基于BP神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)動(dòng)態(tài)參數(shù)定位方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014（10）：3679-3684.

[12]馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京：機(jī)械工業(yè)出版社，2014：134-167.

[13]徐富強(qiáng)，鄭婷婷，方葆青.基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的函數(shù)逼近[J].巢湖學(xué)院學(xué)報(bào)，2010，12（6）：11-16.

[14]崔東文.幾種神經(jīng)網(wǎng)絡(luò)模型在湖庫富營養(yǎng)化程度評價(jià)中的應(yīng)用[J].水資源保護(hù)，2012，28（6）：12-18.

[15]郜麗鵬，朱梅冬，楊丹，等.基于ZigBee的加權(quán)質(zhì)心定位算法的仿真與實(shí)現(xiàn)[J].傳感技術(shù)學(xué)報(bào)，2010，23（1）：149-152.

Study on Indoor Location Algorithm of ZigBee Based on GRNN Neural Network

Deng Hubin，Xu Feng，Zhou Jie
（School of Information Engineering，East China Jiaotong University，Nanchang 330013，China）

In response to the problem that the localization algorithm based on the wireless signal propagation loss model with fixed parameters can’t remove ranging errors induced by multipath propagation effects and environmental complexity.This study adopted GRNN neural network to fit the RSSI value and distance value，and then get the mapping model of RSSI value and distance value.It adopted the RSSI value as the input layer of the trained GRNN neural network and derived the RSSI value in the output layer.Finally，the weighted centroid algorithm was applied to locate the node.It finds that the algorithm is simple and well-behaved，and does not require additional hardware.Through the simulation and experiment results on the MATLAB and ZigBee，compared with the localization algorithm based on the path loss model and BP neural network,the proposed algorithm can provide better localization results.

indoor location；GRNN neural networks；

signal strength indication；weighted centroid；WSN

TP393

A

（責(zé)任編輯 姜紅貴）

1005-0523（2017）04-0137-06

2017－04－10

江西省自然科學(xué)基金項(xiàng)目（20142BAB217019）；華東交通大學(xué)校立科研課題（12XX06）

鄧胡濱（1961—），女，副教授，主要研究方向?yàn)槲锫?lián)網(wǎng)，無線傳感器網(wǎng)絡(luò)。