基于PSO-Elman算法的校園人員室內定位技術研究

摘? 要：室內人員定位對于校園公共安全至關重要。文章根據室內無線接入點的關聯性，提出一種基于粒子群優化算法（PSO）和Elman神經網絡的算法。采用接入點（AP）和未知節點的質心信息與跳數信息作為Elman神經網絡的輸入值，通過Elman神經網絡進行訓練，最終得到未知節點的預測位置。仿真結果表明，該算法的定位誤差明顯小于傳統的TOA、AOA、RSSI等定位方法，定位精度得以大幅提升。

關鍵詞：人員定位；粒子群優化算法；Elman神經網絡；WSN

中圖分類號：TP18? 文獻標識碼：A? 文章編號：2096-4706（2023）06-0057-04

Research on the Indoor Positioning Technology for Campus Personnel Based on PSO-Elman Algorithm

LIANG Qiao

（Xuzhou Economic and Trade Branch of Jiangsu Union Technical Institute， Xuzhou? 221004， China）

Abstract： Indoor personnel positioning is crucial to campus public safety. According to the relevance of indoor wireless access points， this paper proposes an algorithm based on Particle Swarm Optimization （PSO） and Elman neural network. The centroid information and hop number information of the Access Point （AP） and the unknown node are used as the input values of the Elman neural network. The training is carried out by Elman neural network to obtain the predicted position of the unknown node finally. The simulation results show that the positioning error of this algorithm is significantly smaller than that of traditional TOA， AOA， RSSI and other positioning methods， and the positioning accuracy is greatly improved.

Keywords： personnel positioning; Particle Swarm Optimization; ELman neural network; WSN

0? 引? 言

校園是一個人員非常密集的公共場所，隨著社會的進步，校園安全問題日漸引起全社會各級人員的關注。尤其是信息化教室和宿舍內環境十分復雜，再加上室內網絡安全監控技術不成熟，室內安全事故時有發生，有些甚至會給學校造成極其惡劣的社會影響。當下，物聯網技術的快速發展給校園安全提出了新階段的要求，人員目標的精確定位精度對于校園安全的預防與規劃十分重要，不僅可以幫助管理人員動態審核人員信息和實時監測人員出勤情況，而且在面對緊急事故時，對于人員快速救援也能夠提供方案依據，及時減少損失[1]。

由于校園室內的環境復雜、布線困難，其他領域的定位算法無法直接應用于室內定位。針對室內人員定位問題，大量的研究機構進行了深入、廣泛的研究，當前有許多室內人員定位技術。經典的室內無線人員定位方法主要包括基于TOA、AOA、RSSI等距離相關算法和以基于FP、DV-Hop、APIT等距離無關這兩類算法[1，2]。此外，還有一些其他算法及改進算法等都有不錯的定位效果，比如：趙青杉等人提出了基于粒子群優化算法（PSO）的節點定位算法[3]；杜士懷等人提出了一種改進的質心定位及誤差校正算法[4]。

校園可分為室內區域和室外區域。教室和宿舍外圍的公共空間安裝了電線和光纖通信線路。而室內往往沒有這些設備，并且狹窄、環境復雜。以光纖骨干網為基礎的設備大多分布于校園建筑物外圍的公共區域。有線設備很難實現室內全部區域人員監測和定位。如圖1所示。

近年來，人工智能相關算法的不斷出現和深入融合，促進了諸多技術與領域的協同發展，在定位問題上，也有比較多的應用。徐奇基于BP神經網絡和RSSI提出了一種定位算法[5]；宋慧敏等人基于徑向基函數神經網絡和節點跳數提出了一種定位算法[6]；閆俊伢等人提出了基于多徑距離和神經網絡的節點定位算法[7]；孫凱等人提出了一種基于虛擬節點的BP節點定位算法[8]。

為了提高室內工作人員的定位效果，本文主要采用Elman神經網絡來協同規劃這一問題，Elman作為一個典型的動態神經網絡，廣泛應用于各大領域，適應性和計算能力出眾，屬于回歸神經網絡（RNN）的一種模型[9]。在結合神經網絡算法的同時，需要考慮神經網絡中的權重對整體效果的影響。本文利用PSO來優化初始權重，結合Elman神經網絡進行定位，仿真實驗結果表明，該結合算法可以有效減少定位誤差，提高人員定位精度。

1? 室內人員相關信息的提取

室內人員所攜帶的無線通信裝置相當于一個節點，本文采用Elman神經網絡定位人員位置，需要選取人員節點的相關信息作為Elman神經網絡的輸入值。人員節點的相關信息主要包含接入點（AP）和人員的質心信息與跳數信息，選取后，將AP節點和未知人員節點的相關信息分別作為Elman神經網絡的訓練參數和測試參數。

1.1? 質心信息

質心信息確定方法如下：假設某區域內一共存在N個節點，其中AP有M個，未知人員節點有（N-M）個，這N個節點的位置用坐標（xi， yi）表示，其中，i=1， 2，…， N。在通信半徑d的范圍內，各AP周期性地向周圍AP廣播含自身位置的分組信息，當某AP接收到一定量信息后，計算由接收到的AP組成的多邊形的質心，用坐標（， ）表示，該坐標也即該AP預測位置的坐標。然后各AP再周期性地向周圍未知人員節點廣播含自身位置的分組信息，同理，其質心坐標用（， ）表示，該坐標也即該未知人員節點預測位置的坐標。

1.2? 跳數信息

跳數信息確定方法為：在通信半徑d的范圍內，各AP周期性地向周圍AP廣播含自身位置以及初始值為0的跳數的分組信息，得到這M個AP之間的最小跳數，用Hkj表示，其中，k=1， 2，…， M；j=1， 2，…， M。因此，AP之間的跳數信息一共有M×M個。然后各AP再周期性地向周圍未知人員節點廣播含自身位置以及初始值為0的跳數的分組信息，同理，得到這M個AP和（N-M）個未知人員節點之間的最小跳數，用hkl表示，其中，k=1， 2，…， M；l=1， 2，…， N-M。因此，AP和未知人員節點之間的跳數信息一共有M×（N-M）個。

2? 模型與方法

2.1? Elman神經網絡結構模型

Elman是一種典型的局部回歸神經網絡模型，它的結構模型可劃分為：輸入層、隱含層、聯系單元層以及輸出層這四層。如圖2所示，輸入層和隱含層的中所包含的各個節點、隱含層和聯系單元層中所包含的各個節點、隱含層和輸出層中所包含的各個節點都有相應的權值所相連，分別為W1、W2和W3。與傳統的BP神經網絡不同的是，Elman所獨有的聯系單元層可以組合在一起構成局部反饋模型，并且可以將反饋的信號信息在隱含層中得以表現出來，從而保存節點狀態信息，進一步構成了Elman神經網絡良好的對動態信息的處理能力和強勁的動態記憶能力。

其中，U（i-1）表示輸入層的輸入值，Xc（i）表示聯系單元層的輸出值，X（i）表示隱含層的輸出值，Y（i）表示輸出層的輸出值，k∈[0， 1]表示增益因子，f1和f2分別表示隱含層和輸出層的節點函數。因此，Elman神經網絡通常可簡述為以下的數學模型：

Xc（i）=kXc（i-1）+X（i-1）? ? ? ? ? ? ? ? ? ? ? ? （1）

X（i）=f1（W1U（i-1）+W2 Xc（i））? ? ? ? ? ? ? ? ? ? ?（2）

Y（i）=f2（W3 X（i））? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

2.2? PSO結構模型

PSO是通過模仿鳥類等動物的集群行為，不斷進行迭代、更新、優化過程來尋覓食物，最終得到最優策略的一種尋優算法。

如圖3所示，PSO結構主要包括初始化粒子群、計算適應度、尋找極值、更新信息、輸出最優解等部分。粒子群的初始化主要針對部分為位置和速度，在計算每個粒子適應度過程中，再分別與自身尋覓的最佳位置best1、當前全局最佳位置best2相比。如果該粒子的適應度優于最佳位置best1，則將該粒子的適應度作為best1的值；如果該粒子的適應度優于最佳位置best2，則將該粒子的適應度作為best2的值。若滿足終止條件則輸出最優解結束程序，終止條件一般情況下可選取達到最大迭代次數或是相鄰兩代間的差值滿足某個閾值等；否則，需要對粒子的速度與和位置進行更新，再次開始計算粒子的適應度，直至滿足終止條件。

對于更新粒子的速度與和位置所用到的計算公式為：

S1=c1r1（best1-X（i-1））? ? ? ? ? ? ? ? ? ? ? ? ? （4）

S2=c2r2（best2-X（i-1））? ? ? ? ? ? ? ? ? ? ? ? ? （5）

V（i）=WV（i-1）+S1+S2? ? ? ? ? ? ? ? ? ? ? ? ? （6）

X（i）=X（i-1）+V（i）? ? ? ? ? ? ? ? ? ? ? ? ? ? （7）

其中，c1和c2表示學習因子，r1和r2表示在0～1間的隨機數，best1和best2分別表示粒子自身尋覓的最佳位置和當前全局最佳位置，W表示權重，V（i）和X（i）分別表示粒子的速度和位置。

2.3? PSO-Elman神經網絡的優化方法

為了解決Elman神經網絡初始權重隨機化等問題，本文提出的結合PSO的優化方法如下：

（1）粒子群初始化：將神經網絡中的權值和閾值進行編碼。假設Elman神經網絡的輸入層有a個節點，隱含層有b個節點，輸出層有c個節點，那么權值共有（ab+bc）個，閾值共有（b+c）個，可得到一個長度為1行（ab+bc+b+c）列的粒子。

（2）將AP的質心信息和跳數信息作為Elman神經網絡的訓練輸入值，AP的真實坐標作為訓練輸出值。將未知節點的質心信息和跳數信息作為Elman神經網絡的測試輸入值，然后進行未知節點的位置預測。

（3）確定粒子適應度：將預測得到的未知人員節點的橫、縱坐標與真實的未知人員節點的橫、縱坐標差的絕對值作為PSO的粒子適應度。

（4）計算得到個體最佳位置best1以及全局最佳位置best2。

（5）判斷是否達到PSO的終止條件，若達到，則輸出最優解，轉到（7）；否則轉到（6）。

（6）更新粒子位置與速度并轉到（3）。

（7）將PSO最優解對應的粒子進行解碼，并作為Elman神經網絡的初始權值和閾值。

（8）重新訓練、測試Elman神經網絡，最終得到未知人員節點的預測位置。

該結合算法的具體流程圖如圖4所示。

3? 實驗仿真與分析

3.1? 仿真實驗

本文實驗采用Matlab平臺對算法進行實驗仿真，綜合對比分析了傳統的質心定位算法、Elman神經網絡算法和PSO-Elman神經網絡算法的定位性能。本定位實驗模擬了室內走廊、房屋的實際情況，設定一個長1 000 m、寬5 m、高5 m的狹長區域，該區域隨機分布著25個AP和50個未知人員節點。

本文實驗的目的是盡可能地減少人員節點定位誤差，增強定位能力。分別就不同算法定位后的橫、縱坐標誤差進行對比分析，然后分析了PSO-Elman神經網絡算法中粒子種群對適應度的影響，最后綜合對比分析了不同算法的定位誤差。

3.2? 仿真結果與分析

本文所涉及的PSO和Elman神經網絡算法需要設置某些關鍵參數，如表1和表2所示。

圖5和圖6分別表示在質心算法、Elman神經網絡算法、PSO-Elman神經網絡算法下未知人員節點的橫、縱坐標與真實橫、縱坐標的對比情況。由圖可知，這些算法的坐標與真實坐標吻合程度較高，還需通過具體計算量化誤差，比較其結果。

主要采用了各算法的坐標預測值（x1， y1）與坐標真實值（x0， y0）的歐氏距離作為WSN的定位誤差Error，具體計算方法為：

Error=[（x1-x0）2+（y1-y0）2]1/2? ? ? ? ? ? ? ? ? ?（8）

經過計算分析這些算法的定位誤差可知：PSO-Elman神經網絡算法的定位誤差最小，此外Elman神經網絡算法優于質心算法。

在本文中，將小適應度作為優秀粒子評價指標，也即適應度越小越好。由圖7可知，隨著PSO迭代次數的增加，對應不同種群規模下的適應度均在不斷減小，直至趨于平穩。另外，通過不斷改變種群規模，分別設置種群數為5、10、20，可以得到：種群規模越大，最終PSO粒子的適應度越小，定位誤差越小，算法不斷得以優化，如圖8所示。

圖8表示了質心算法、Elman神經網絡算法、種群數為5的PSO-Elman結合算法、種群數為10的PSO-Elman結合算法和種群數為20的PSO-Elman結合算法的定位誤差對比情況。圖中結果表明，PSO-Elman結合算法的定位誤差明顯小于傳統的質心定位方法，定位準確度不斷提高。

4? 結? 論

本文針對校園特定的地理和通信環境，提出了一種PSO和Elman神經網絡的結合算法，來定位室內未知人員位置，利用PSO來優化Elman神經網絡的初始權值和閾值，并將人員節點的質心信息和跳數信息作為Elman神經網絡的輸入值訓練網絡。仿真實驗結果表明，該結合算法有著比較好的定位效果，其定位誤差明顯小于傳統的定位算法，增強了人員定位的準確程度。此外，定位精度還與PSO和Elman神經網絡的參數設置有關，在深度實驗與研究應用中，還需要不斷進行調整改進，以求達到更好的訓練和測試效果。

參考文獻：

[1] 蔣志鑫.室內無線定位技術研究 [D].成都：電子科技大學，2021.

[2] 劉文，趙旭，李連鵬，等.基于TL-LFL的UWB室內定位算法 [J].儀表技術與傳感器，2022（11）：82-87.

[3] 趙青杉，胡玉蘭.基于PSO的無線傳感網絡節點定位算法 [J].計算機仿真，2012，29（5）：174-177.

[4] 杜士懷，宋杰.一種改進的質心定位及誤差校正算法 [J].計算機應用與軟件，2017，34（5）：115-118+194.

[5] 徐奇.一種基于人工神經網絡的無線傳感器網絡定位算法 [J].新鄉學院學報：自然科學版，2013，30（3）：202-204.

[6] 宋慧敏，楊社堂，趙棟棟.基于人工神經網絡的無線傳感器定位算法 [J].計算機測量與控制，2014，22（2）：473-475+502.

[7] 閆俊伢，錢宇華，李華鋒，等.WSN中基于多徑距離和神經網絡的節點定位 [J].計算機科學，2017，44（8）：71-75.

[8] 孫凱，劉潤杰，申金媛.基于虛擬節點的BP無線傳感器網絡定位算法 [J].傳感器與微系統，2010，29（9）：122-124+134.

[9] 朱群雄，孫鋒.RNN神經網絡的應用研究 [J].北京化工大學學報：自然科學版，1998，25（1）：86-90.

作者簡介：梁俏（1995—），女，漢族，江蘇徐州人，助教，碩士研究生，研究方向：人工智能、室內定位技術。收稿日期：2022-10-25