基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的井下無(wú)線(xiàn)定位算法研究*

莫樹(shù)培，徐廣允

（貴州工業(yè)職業(yè)技術(shù)學(xué)院圖書(shū)與信息中心，貴州 貴陽(yáng) 550000）

0 引言

煤礦井下作業(yè)人員安全，關(guān)系煤礦安全保障能力，目前井下人員定位多采用射頻識(shí)別技術(shù)（FRID），定位精度不高，無(wú)法滿(mǎn)足井下定位需要。近年來(lái)有部分國(guó)有大中型煤礦開(kāi)始使用無(wú)線(xiàn)網(wǎng)絡(luò)進(jìn)行井下信息傳輸，在不增加設(shè)備的情況下可用其進(jìn)行人員無(wú)線(xiàn)定位。

無(wú)線(xiàn)定位算法主要有質(zhì)心算法、加權(quán)質(zhì)心算法和神經(jīng)網(wǎng)絡(luò)算法等；質(zhì)心算法基于無(wú)線(xiàn)網(wǎng)絡(luò)的連通性，易于實(shí)現(xiàn)定位，但定位精度不高；加權(quán)質(zhì)心算法通過(guò)設(shè)置權(quán)值提升網(wǎng)絡(luò)中的信息利用率提高定位精度，但在井下復(fù)雜的電磁環(huán)境中，會(huì)干擾有用信息從而影響定位精度；神經(jīng)網(wǎng)絡(luò)算法可解決信號(hào)模型中參數(shù)不精確問(wèn)題，提升定位精度，但收斂速度緩慢。針對(duì)上述問(wèn)題，本文提出基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的井下人員定位算法加快收斂速度，并提高定位精度。

1 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法

改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上加入動(dòng)量項(xiàng)，加快收斂速度。該算法實(shí)施定位分為離線(xiàn)訓(xùn)練階段和在線(xiàn)定位階段。

根據(jù)實(shí)驗(yàn)條件，本文設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)分為4層，包含輸入層1層、隱含層2層和輸出層1層。輸入向量矩陣RSSIi(i=1,2,,n)表示目標(biāo)點(diǎn)獲取n個(gè)AP節(jié)點(diǎn)的RSSI值。

圖1 BP神經(jīng)網(wǎng)絡(luò)定位模型

神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是用于激活每個(gè)神經(jīng)元，隱含層和輸出層采用雙曲正切函數(shù)（sigmoid函數(shù)）為激活函數(shù)，表達(dá)式為：

對(duì)式1求vi(n)導(dǎo)數(shù)為：

式中：yi(n)=φi(vi(n))；

當(dāng)神經(jīng)元i位于輸出層時(shí)，其局域梯度表示為：

式中：di(n)是神經(jīng)元的輸出響應(yīng)；

當(dāng)神經(jīng)元i位于任意隱含層輸出層時(shí)，其局域梯度表示為：

式中：k是神經(jīng)元i的下一層網(wǎng)絡(luò)中的所有神經(jīng)元。

BP神經(jīng)網(wǎng)絡(luò)算法實(shí)際就是對(duì)代價(jià)函數(shù)的誤差曲面進(jìn)行梯度下降方式尋找最優(yōu)，在修正w(n)時(shí)，按n時(shí)刻的負(fù)梯度方式進(jìn)行修正，在沒(méi)有考慮以前時(shí)刻的梯度方向，會(huì)使訓(xùn)練過(guò)程發(fā)生震蕩收斂慢。

針對(duì)此問(wèn)題提出改進(jìn)BP神經(jīng)網(wǎng)絡(luò)加入動(dòng)量項(xiàng)，改善收斂性能。動(dòng)量項(xiàng)表達(dá)式為：

式中：η為學(xué)習(xí)率；α為動(dòng)量因子，1＞α≥0；當(dāng)α為0時(shí)，為傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法。

2 測(cè)試策略

本實(shí)驗(yàn)是在貴州工業(yè)職業(yè)技術(shù)學(xué)院實(shí)訓(xùn)樓未啟用負(fù)二層地下停車(chē)場(chǎng)進(jìn)行，選取100m*4m的實(shí)驗(yàn)區(qū)域模擬井下巷道環(huán)境，利用電磁干擾器模擬井下機(jī)電設(shè)備工作時(shí)產(chǎn)生的電磁干擾。程序編寫(xiě)使用TensorFlow,編輯環(huán)境用Python，編輯器用Anaconda，編寫(xiě)出BP神經(jīng)網(wǎng)絡(luò)算法和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法。

結(jié)合現(xiàn)場(chǎng)環(huán)境安裝4個(gè)AP終端間距在25m內(nèi)，可滿(mǎn)足400m2無(wú)線(xiàn)信號(hào)全覆蓋，用CC2530作為采集無(wú)線(xiàn)設(shè)備，每個(gè)采樣點(diǎn)采集20次RSSI值，求出RSSI的平均值，與采樣點(diǎn)的坐標(biāo)位置一起組成集合{x,y,RSSI1,RSSI2,…,RSSIn}。根據(jù)實(shí)驗(yàn)場(chǎng)地，每隔2m采集1個(gè)采樣點(diǎn)，共采集153個(gè)采樣點(diǎn)，組成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。

3 性能分析

離線(xiàn)訓(xùn)練階段：將訓(xùn)練集中RSSI值作為兩個(gè)模型輸入，將訓(xùn)練集中采樣點(diǎn)坐標(biāo)位置作為模型輸出，設(shè)置學(xué)習(xí)率η為0.42；動(dòng)量因子α為0.58；把訓(xùn)練集分別帶到兩個(gè)模型中進(jìn)行訓(xùn)練，經(jīng)過(guò)多次迭代計(jì)算后，完成訓(xùn)練。

經(jīng)過(guò)測(cè)試BP神經(jīng)網(wǎng)絡(luò)算法和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練達(dá)到最優(yōu)時(shí)，迭代次數(shù)見(jiàn)表1。

表1 兩種神經(jīng)網(wǎng)絡(luò)算法最優(yōu)迭代次數(shù)

從表1中可看出BP神經(jīng)網(wǎng)絡(luò)算法迭代次數(shù)為2459次，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法迭代次數(shù)為1126次，由此可得改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法迭代次數(shù)較少，算法復(fù)雜度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法，從而加快神經(jīng)網(wǎng)絡(luò)收斂速度。

在線(xiàn)定位階段：測(cè)試人員從起始位置（0,0）帶上CC2530作為待測(cè)點(diǎn)，以2m/s的速度做隨機(jī)曲線(xiàn)運(yùn)動(dòng)，走到終點(diǎn)位置（100,4），經(jīng)過(guò)多次反復(fù)行走，共隨機(jī)得到59個(gè)待測(cè)點(diǎn)數(shù)據(jù)。

將得到帶測(cè)點(diǎn)數(shù)據(jù)用質(zhì)心算法、加權(quán)質(zhì)心算法、BP神經(jīng)網(wǎng)絡(luò)算法和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行定位計(jì)算，得到算法定位誤差概率圖，如圖2所示：

圖2 算法定位誤差累計(jì)概率圖

由圖2可知，四種算法定位誤差小于1m概率分別為 21.49%，30.21%，42.13%；48.64%，而定位誤差小于3m概率分別提高到 62.87%，69.45%，87.38%，94.54%；而定位誤差小于5m概率分別到87.12%，90.26%，95.87%，97.91%。根據(jù)定位誤差概率，可看出改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法比質(zhì)心算法和加權(quán)質(zhì)心算法定位精度大幅提高，比BP神經(jīng)網(wǎng)絡(luò)算法定位精度略有提高，所以改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法能夠滿(mǎn)足井下人員無(wú)線(xiàn)定位的需要。

4 結(jié)論

針對(duì)煤礦井下無(wú)線(xiàn)定位算法的不足，將BP神經(jīng)網(wǎng)絡(luò)引入到定位方法中，并BP神經(jīng)網(wǎng)絡(luò)加入動(dòng)量項(xiàng)，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到較好的定位效果。本文中利用動(dòng)量項(xiàng)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提出改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，提升收斂速度，同時(shí)提高定位精度。