|
表1 AFSA和IAFSA算法寻优值和性能对比 典型函数- IAFSA AFSA 最优值 迭代数 最优值 迭代数 f1 (x) 19.890 9 123 19.8779 105 /2 (x) 2.109 0 255 2. 1020 189 通过实验数据验证了改进的人工鱼群算法搜素的速度和误差相比于ASFA算法，在寻优时间和精度方面有一定的改进，并且能够在较快的时间内寻找出全局最优值。实验说明改进算法能够一定程度上提高定位的速度和精度。 3改进人工鱼群算法选取的BP神经网络参数 人工鱼群通过个体的局部寻优,实现全局最优16]。人工鱼群算法具有操作简单、收敛快速快、全局搜索能力强等特点,故本文将其作为学习方法来对神经网络进行训练以改进性能。 人工鱼群的算法在训练神经网络的过程中逐步调整神经网络权值与阈值,直到误差最小。本文利用人工鱼群算法训练神经网络是采用各个人工鱼状态代表神经网络连接权值和阈值，并且将输出值与期望值均方差的倒数作为食物浓度，然后按照人工鱼群算法的步骤反复优化神经网络的连接权值和阈值，通过寻找食物最大浓度使均方误差最小,从而找到全局最优神经网络参数。 改进的人工鱼群神经网络（ImprovedAFSA-NeuralNetwork,IAFSA~NN)采用改进的人工鱼群算法来训练神经网络,假设该神经网络如图1,具有I个输入节点,H个隐藏节点，O个输入节点,为输入神经元i和隐含层神经元j的连接权值为隐含层神经元i的阈值为隐含层神经元+和输出层神经元k之间的链接权值，^为输出神经元的阈值。 参数Vj,,;,^為就是要利用人工鱼群寻优的神经网络 的参数，本文按照人工鱼的定义将参数转化为人工鱼。采用改进的人工鱼群算法来训练具有三层神经网络，按照以下的步骤。 1)初始化并输入人工鱼群的群体规模N最大迭代次数Number,人工鱼的视野范围域visual,人工鱼的最大移动步长step拥挤度因子5。 2)设置初始的迭代次数Number=0,在控制变量可行域之内随机地生成N个人工鱼。 3)计算初始化鱼群各个人工鱼个体当前位置的食物浓度Y取食物浓度Y数值比较大者进入到公告板，将此鱼的状态复制到公告板。 4)各个人工鱼分别模拟追尾和群聚行为，选择行为后食物浓度Y数值较大的行为执行，缺省行为为觅食行为。 5)各个人工鱼每行动一次后,检验自身的食物浓度Y与公告板食物浓度Y如果自身优于公告板就用自身的值取代，否则继续觅食。 6)判断Number是否已经到达已经预置的最大迭代次数:若是，则输出公告板;否则Number++,同时随着迭代次数 Number次数的增加按照3)调整step和visual的大小，并转向4)。 4、距离加权质心法计算位置 通过改进的人工鱼群算法选取神经网络参数，然后按照神经网络拟合的RSSI模型就可以计算出距离d,在选取多个锚节点的RSSI值计算出的d的基础上按照三边测量法来确定移动节点的坐标位置，传统的三边定位法和加权三边定位法在室内复杂环境的因素下定位精度较低，因此本文提出一种改进的加权质心方法来提高定位的精度。在无线传感网络中，每个移动节点接收周围锚节点信号，移动节点把收到的RSSI,通过改进的人工鱼群算法换算出距离值,然后按照三边定位法计算出圆交点，按照质心算法如式(5)、（6)可以得出移动节点的坐标： i = 1 i=1 (5) Tp = i=1 'hjij Xwi i=1 (6) 实验中选取RSSI信号强度较大的多个锚节点作为计算节点，并且经过多次测量和使用三边定位法，将多组距离值计算多组三圆交点作为多边形来求质心，RSSI的能量数值的大小对定位的精度有一定的影响，在计算的时候加入距离相关的加权因子，如式(5)、（6)所示,加权因子决定了锚节点对质心位置的影响程度。设移动节点的坐标为锚节点到移动节点的距离通过训练得到的模型获取的距离为&,h,…，r"(n>3),因此可得基于距离的加权因子为k1=1々1,k2=1/r2，…,kn=1/rn,根据加权质心法可估算的移动节点的位置坐标(&,.),如式(7)、（8)所示：=k1X1+k2X2+ooo+k+女2+ooo+k1T1+k2T2+…+k+^2+ooo+kn 本文中按照改进的人工鱼群算法训练的模型计算出RSSI数值对应的距离并且按照距离加权质心算法来进_步减小室内复杂环境带来的误差，通过实验对比发现该算法能够在一定程度上提高定位的精度和算法的速度，对室内定位的精度有一定的提高。 5仿真实验 5.1实验环境 无线室内定位的实验采用学校大学生实验室来模拟真实的实验环境，实验区域面积为10mx8m,在实验室环境的四周固定的位置放置6个锚节点，实验室地面建立坐标轴放置的锚节点的位置如下（0,0)、（5,0)、（10,0)、（0,8)、（5,8)、(10,8)、（5,4),锚节点采用CC2431该设备能满足低功耗SgBee无线传感器网络的应用需要。定位引擎基于RSSI技术,根据接收信号强度与已知参考节点位置通过计算出参考节点位置，本实验中移动节点采用CC2430组成的简易装置，软件平台包括IAR编程集成开发工具、ZigBee协议栈(Z-Stack),数据分析仪。 实验前采样样本，主要是测量RSSI数值和d,通过采样30个样本，然后然后分为两组，第_组随机选取20个样本作为训练样本,剩余的10个为实验样本,输入训练样本根据改进的人工鱼群算法来训练神经网络连接权值和阈值得到人工神经网络的模型,然后将该模型通过编程应用移动节点计算距离公式中，然后将得到的距离值采用改进的距离加权质心算法分析定位最后获得距离值。 5.2实验结果分析 实验数据随机在实验室中选定15个固定点作为移动点的预定测试位置,然后通过收集数据得到定位数据得出改进的人工鱼群算法对比实验结果如图2所示。 图2中横坐标表示位置测量点编号，纵坐标表示位置测量点和实际位置的误差，通过对实验数据和处理计算出本文算法的平均误差在1.8m左右,相对于BP神经网络RSSI模型定位平均误差2.1m有一定降低，基本能够满足室内定位对误差的要求。 通过实验和参考文献得出基于指纹库定位技术[17]和基于惯性室内定位[18]定位方法的误差平均值，通过和本实验得出的数据进行对比，数据如表2所示。 表2室内定位算法误差对比 定位算法平均误差/m 指纹库算法2.2 惯性测量算法1.6 本文算法1.8 |
|
核心期刊网（www.hexinqk.com）秉承“诚以为基，信以为本”的宗旨，为广大学者老师提供投稿辅导、写作指导、核心期刊推荐等服务。 核心期刊网专业期刊发表机构，为学术研究工作者解决北大核心、CSSCI核心、统计源核心、EI核心等投稿辅导咨询与写作指导的问题。 投稿辅导咨询电话：18915033935 投稿辅导客服QQ： 投稿辅导投稿邮箱：1003158336@qq.com |
| 你好，欢迎来到！ 设为首页 ｜收藏本站 | ||
|
