粒子群優(yōu)化人工神經(jīng)網(wǎng)絡的RFID室內(nèi)定位算法*

陳珊珊， 史志才， 吳 飛， 張玉金， 陳計偉

(上海工程技術(shù)大學 電子電氣工程學院,上海 201620)

0 引 言

隨著無線傳感、移動通信和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，室內(nèi)定位信息服務已經(jīng)成為當前研究熱點。雖然全球定位系統(tǒng)(global positioning system,GPS)從建立以來就廣泛應用于室外定位，但GPS在室內(nèi)環(huán)境中由于缺乏衛(wèi)星接收器與衛(wèi)星之間的視線傳播，難以滿足在室內(nèi)環(huán)境下進行精度定位的要求[1]。

用于室內(nèi)定位和室內(nèi)導航服務的多種不同的定位方式中[2],射頻識別(radio frequency identification,RFID)因成本低廉、系統(tǒng)部署簡單，在室內(nèi)定位和跟蹤中得到廣泛應用。傳統(tǒng)RFID定位方法是依據(jù)傳播模型中信號強度損耗和距離的關(guān)系獲得標簽與閱讀器之間的距離，利用幾何方法得到標簽的坐標。但室內(nèi)的信號傳輸不穩(wěn)定，室內(nèi)環(huán)境復雜，導致室內(nèi)環(huán)境下建立的信號傳播模型缺乏適用性[4]。目前人工神經(jīng)網(wǎng)絡(artificial neural network,ANN)也應用于室內(nèi)定位中，該方法存在對初始權(quán)值敏感、易陷入局部最優(yōu)和收斂速度慢等缺點。

本文將粒子群優(yōu)化算法與人工神經(jīng)網(wǎng)絡算法相結(jié)合，首先利用粒子群優(yōu)化(particle swarm optimization,PSO)算法對神經(jīng)網(wǎng)絡的權(quán)值和閾值進行優(yōu)化，避免了人工神經(jīng)網(wǎng)絡預測值陷入局部最優(yōu)。然后用過濾后的訓練數(shù)據(jù)訓練定位模型，建立目標位置預測模型，有效改善了人工神經(jīng)網(wǎng)絡的預測能力，具有預測時間短、所需訓練數(shù)據(jù)少和預測精度高等優(yōu)點[5]。

1 RFID室內(nèi)定位算法分析

RFID的工作原理是當標簽進入閱讀器檢測范圍時，標簽和閱讀器之間將會通過天線建立通信，閱讀器將會讀取標簽反饋的RFID數(shù)據(jù)，包括時間、接收信號強度指示(received signal strength indication，RSSI)值和身份(identification,ID)信息等。

一般閱讀器獲取定位標簽的信號強度隨著傳播距離的增加而減弱，其中信號強度值和傳播距離模型[6]為

(1)

式中RSSI(d)為閱讀器讀取與其相距為d(m)的電子標簽的信號強度，P0為閱讀器讀取參考距離為d0(m)時電子標簽的信號強度，γ為信號的路徑損耗系數(shù)，d為閱讀器與標簽之間的距離，εδ為高斯噪聲。

2 室內(nèi)定位算法的改進

ANN是一種模擬生物特征的算法，具有靈活的自學習、自適應、自組織等特點。然而，經(jīng)過ANN預測的結(jié)果可能是局部最優(yōu)值[7]。文獻[8]通過PSO確定ANN的隱含層的最佳節(jié)點數(shù)和最優(yōu)學習率，將優(yōu)化后的ANN分別用于室內(nèi)和室外的定位，實驗結(jié)果表明優(yōu)化后的算法減少了室內(nèi)和室外的定位誤差。本文為了提高定位精度，對數(shù)據(jù)進行了高斯濾波處理，另外提出了一種基于PSO優(yōu)化ANN(PSO-ANN)的定位算法，通過用PSO優(yōu)化ANN的權(quán)值和閾值，以此來避免ANN預測值陷入局部最優(yōu)，從而改善ANN的預測效果，提高ANN的學習速度。

圖1為PSO優(yōu)化ANN的迭代進化曲線，從圖中可以看出當進化次數(shù)達到65時，適應度函數(shù)值趨于穩(wěn)定，因此本文選擇65作為PSO優(yōu)化ANN的進化次數(shù)。

圖1 最優(yōu)個體適應度值

2.1 定位模型

RFID室內(nèi)定位信息服務是建立高斯濾波后的RSSI向量與位置坐標之間的關(guān)系，可以描述為如下對應關(guān)系：

圖2 定位算法的結(jié)構(gòu)

圖2中定位過程分為離線階段和在線階段。

1)離線階段，4個閱讀器分別重復讀取50次每個參考標簽的RSSI值，對重復讀取的50個RSSI值進行高斯濾波處理，并將處理后的RSSI值與每個參考標簽的坐標作為訓練數(shù)據(jù)。另外需要初始化粒子群算法的位置和速度，用訓練數(shù)據(jù)作為粒子群算法的輸入得到最優(yōu)的ANN權(quán)值和閾值，最后將優(yōu)化后的ANN作為本文的定位模型。

2)在線階段，需要把待定位標簽接收的RSSI向量經(jīng)過高斯濾波處理后獲得(Gauss RSSI,GRSSI)向量作為定位模型的輸入，由定位算法得到的坐標 即是待定位標簽估計的定位位置。

2.2 數(shù)據(jù)濾波

在實際室內(nèi)環(huán)境中，閱讀器在同一位置重復測量的RSSI值遵循高斯分布[11]

(2)

式中σ2為方差，A為期望值，有

(3)

式中n為測量RSSI值的總次數(shù)，RSSIk為第k次測得的RSSI值。

3 實驗結(jié)果分析

3.1 實驗場景

本文使用MATLAB軟件對提出的算法進行驗證，完成了一系列仿真實驗來驗證提出算法的效果。定位場景是在一個12 m×5 m的長方形區(qū)域內(nèi)，如圖3所示，布置的參考標簽形成了2維地圖，每一個物理格被4個閱讀器信號覆蓋。在定位地圖中，布置有50個參考標簽，其相鄰參考標簽之間間隔1 m。另外，在定位地圖放置4個閱讀器天線來收集PSO-ANN的RSSI樣本值。仿真前需要根據(jù)所有參考標簽的坐標，分別計算出與4個閱讀器之間的距離，將距離根據(jù)式(1)生成對應的RSSI向量，其中r取10；并在RSSI數(shù)據(jù)中添加均值為0、標準差為3的高斯噪聲，作為RSSI的隨機分量，以模擬實際環(huán)境中的噪聲，然后通過高斯濾波對接收的RSSI值進行去噪。將參考標簽的坐標和其對應的信號強度向量作為ANN和PSO-ANN的訓練數(shù)據(jù)，用于兩者的訓練，使得訓練后的ANN和PSO-ANN能夠預測待定位標簽的位置。

圖3 定位系統(tǒng)模擬環(huán)境

3.2 實驗結(jié)果

隨機生成50個待定位標簽的二維坐標，分別計算出每個待定位標簽與4個閱讀器之間的距離，利用式(1)計算每個待定位標簽的RSSI向量，將這50個待定位標簽的RSSI向量經(jīng)過濾波處理后獲得GRSSI向量，將GRSSI向量分別作為ANN和PSO-ANN的輸入，分別通過2種算法預測出50個待定位標簽的坐標，每種算法對50個待定位標簽共進行了50次位置預測。ANN和PSO-ANN仿真測試結(jié)果分別如圖4所示，圖中實際輸出代表待定位標簽的預測位置，期望輸出代表待定位標簽真實位置。可以看出PSO-ANN算法的實際輸出要比ANN更接近期望輸出，即PSO-ANN預測的位置結(jié)果要比ANN更接近真實位置。

圖4 2種算法預測結(jié)果對比

以位置誤差驗證測量系統(tǒng)的定位精度。第j個標簽的測量位置的誤差ej定位的平均誤差eA為

(4)

本文將ANN算法和PSO-ANN算法分別對50個待定位標簽的位置預測誤差進行了比較與分析，其2種算法的50次預測待定位標簽的誤差比較如圖5所示，從圖5中可以看出本文算法的預測定位效果比人工神經(jīng)網(wǎng)絡效果好。

圖5 2種定位算法的誤差比較

對2種算法對50個待定位標簽的位置預測誤差進行了分析。從表1中可以看出ANN和PSO-ANN的平均誤差分別為0.621 9 m和0.504 7 m，另外根據(jù)兩種算法的標準差可知PSO-ANN算法比ANN算法的穩(wěn)定性更好。對比結(jié)果表明本文定位算法的定位精度和穩(wěn)定性均優(yōu)于ANN定位算法。表1中根據(jù)文獻[12]所獲得的另外2種不同定位算法的平均定位誤差，通過比較4種算法的平均誤差，可知傳統(tǒng)RFID定位效果比其他3種定位算法差，而本文提出的算法誤差要小于文獻[12]提出的算法。

表1 4種算法誤差對比

4 結(jié) 論

提出一種用粒子群優(yōu)化人工神經(jīng)網(wǎng)絡的權(quán)值和閾值的算法。同時為了減少室內(nèi)復雜環(huán)境對信號強度的干擾，提出了用高斯濾波處理RSSI值。實驗結(jié)果表明，本文提出的室內(nèi)定位算法提高了RFID室內(nèi)定位精度，具有更穩(wěn)定的定位性能，能夠更好地適應復雜的室內(nèi)環(huán)境。