單超穎 李權(quán) 郭莉莉

摘? 要： 目前室內(nèi)定位技術(shù)已經(jīng)相當(dāng)成熟，但是依舊存在四個(gè)方面的問(wèn)題：一是支持向量機(jī)的定位性能不高;二是室內(nèi)環(huán)境相對(duì)復(fù)雜;三是神經(jīng)網(wǎng)絡(luò)的參數(shù)不夠明確;四是無(wú)線信號(hào)具有較強(qiáng)的時(shí)變性。針對(duì)上述問(wèn)題，提出通過(guò)和聲搜索算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的無(wú)線網(wǎng)絡(luò)室內(nèi)定位系統(tǒng)。通過(guò)模糊聚類對(duì)有效訓(xùn)練區(qū)進(jìn)行選擇，以提高其精確性。同時(shí)，以和聲搜索算法為依據(jù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)計(jì)算，實(shí)現(xiàn)更加精準(zhǔn)的室內(nèi)定位。經(jīng)過(guò)實(shí)驗(yàn)仿真表明，該系統(tǒng)切實(shí)可行。

關(guān)鍵詞： 無(wú)線網(wǎng)絡(luò); 室內(nèi)定位; RBF神經(jīng)網(wǎng)絡(luò); 和聲搜索; 聚類分析; 仿真實(shí)驗(yàn)

中圖分類號(hào)： TN915?34? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）22?0049?04

Abstract： At present， indoor positioning technology has been relatively mature， but there are still four problems： poor positioning performance of the support vector machine， relatively complex indoor environment， unclear parameters of neural network， and strong time?varying of the wireless signal. On this basis， a wireless network indoor positioning system optimized by RBF neural network by means of harmony search algorithm is proposed. The effective training area is selected by means of the fuzzy clustering to improve its accuracy. At the same time， the parameters of RBF neural network are calculated on the basis of the harmony search algorithm to achieve more accurate indoor positioning. The experiment simulation results show that the system is feasible.

Keywords： wireless network; indoor location; RBF neural network; harmony search; clustering analysis; simulation experiment

在人們生活的方方面面，基于無(wú)線網(wǎng)絡(luò)的定位技術(shù)被廣泛應(yīng)用。與室外定位不同，由于室內(nèi)環(huán)境復(fù)雜、神經(jīng)網(wǎng)絡(luò)參數(shù)難以明確以及支持向量機(jī)無(wú)法取得良好的定位性能等原因，室內(nèi)定位一直無(wú)法取得較高的精度[1]。在室內(nèi)定位當(dāng)中，以無(wú)線網(wǎng)絡(luò)為基礎(chǔ)的室內(nèi)定位技術(shù)可以大致分為兩類：一是通過(guò)時(shí)間測(cè)距進(jìn)行室內(nèi)定位;二是通過(guò)對(duì)信號(hào)強(qiáng)度的接收進(jìn)行室內(nèi)定位[2]。在通過(guò)時(shí)間測(cè)距進(jìn)行室內(nèi)定位的定位技術(shù)當(dāng)中，其室內(nèi)定位的信號(hào)判別依據(jù)可以是信號(hào)的到達(dá)時(shí)間，也可以是信號(hào)到達(dá)的時(shí)間差[3]。

1? 和聲搜索算法簡(jiǎn)述

1.1? 和聲搜索算法的原理

和聲搜索算法（HS算法）作為啟發(fā)式的全局搜索算法，通過(guò)迭代演算，選取整體最優(yōu)，達(dá)到選擇目的[4]。下面將和聲搜索算法的原理依據(jù)進(jìn)行簡(jiǎn)述。首先隨機(jī)得出和聲數(shù)據(jù)庫(kù)，以此作為解空間，而后通過(guò)音調(diào)調(diào)整和隨機(jī)抽取得出對(duì)應(yīng)候選解[5]。所得候選解與原有解空間當(dāng)中的最差解進(jìn)行比對(duì)，若候選解與最差解相比較優(yōu)，則對(duì)其進(jìn)行取代，并更新解空間。如此迭代搜索，直到達(dá)到整體最優(yōu)的選取。

1.2? 基礎(chǔ)和聲搜索算法

和聲搜索算法的執(zhí)行程序可以分為以下幾步。

1） 對(duì)問(wèn)題參數(shù)以及算法參數(shù)進(jìn)行初始化

面對(duì)實(shí)際優(yōu)化問(wèn)題，問(wèn)題參數(shù)的上限可定義為[YU]，下限可定義為[YL]。算法參數(shù)中，最大迭代次數(shù)可定義為N，HMCR為和聲記憶庫(kù)的考慮概率，HMS為和聲記憶庫(kù)的大小，也為解向量的數(shù)量，BW為音調(diào)微調(diào)的幅度，PAR為音調(diào)微調(diào)的概率。

2） 對(duì)和聲記憶庫(kù)進(jìn)行初始化

解向量的數(shù)量（HMS）構(gòu)成和聲記憶庫(kù)（HM），HM的公式可以表示為：

3） 得到新和聲向量

新和聲向量[y′]中，其[y′j]（第j維分向量）的求取與以下三個(gè)步驟有關(guān)：音調(diào)的調(diào)整、參數(shù)在定義域內(nèi)的隨機(jī)選擇以及對(duì)整體的和聲記憶庫(kù)進(jìn)行考量。和聲記憶庫(kù)的考量是指在HM中第j維分量集合當(dāng)中隨機(jī)選擇一個(gè)向量，并賦值給[y′j]。若HMCR滿足實(shí)際要求則對(duì)HM進(jìn)行考量，進(jìn)行[y′j]的賦值。此后進(jìn)行音調(diào)的調(diào)整，音調(diào)調(diào)整的前提條件是PAR滿足實(shí)際需求。此過(guò)程為，在以[y′j]為圓心的小半徑區(qū)域內(nèi)的搜索過(guò)程，若HMCR不滿足實(shí)際需求，則在整體取值范圍[[YjL，YjU]]中隨機(jī)選取數(shù)值并賦值于[y′j];若PAR不滿足實(shí)際需求，則不做動(dòng)作。此過(guò)程中，引入rand（）函數(shù)。rand函數(shù)表示在[0，1]區(qū)間內(nèi)的隨機(jī)值，此均勻值的分布方式為均勻分布。BW的數(shù)值選取往往較小，同時(shí)要依據(jù)實(shí)際的情況需要進(jìn)行設(shè)置。新和聲向量的求取過(guò)程的程序框圖如圖1所示。

4） 和聲記憶庫(kù)的更新

和聲記憶庫(kù)的更新主要是將所得的新和聲向量與和聲記憶庫(kù)中的最差解進(jìn)行比對(duì)，根據(jù)情況進(jìn)行取代，達(dá)到數(shù)據(jù)庫(kù)的更新。

5） 終止規(guī)則的檢驗(yàn)

迭代次數(shù)q達(dá)到最大迭代次數(shù)Q時(shí)，和聲搜索算法停止，迭代次數(shù)是唯一的終止規(guī)則。和聲搜索算法的整體流程如圖2所示。

2? 涉及到的相關(guān)理論簡(jiǎn)述

2.1? 壓縮感知算法

壓縮感知算法的核心依據(jù)主要包括兩個(gè)方面：一是其采樣方法與所在稀疏空間的不相關(guān)的特性;另一方面是信號(hào)所具有的稀疏特性。信號(hào)的稀疏特性也是壓縮感知算法的運(yùn)行基礎(chǔ)[6]。如果試驗(yàn)信號(hào)不滿足稀疏要求，需要對(duì)其進(jìn)行變換。具體算法當(dāng)中，原始信號(hào)用變量x表示[x=i=1Nqiφi，x∈CN]，同時(shí)，對(duì)原始信號(hào)進(jìn)行變化，得到向量q（q=[φTx]），當(dāng)向量的非零系數(shù)有有限個(gè)時(shí)，則此向量在變化之后能夠進(jìn)行稀疏表示。有限個(gè)非零系數(shù)的個(gè)數(shù)K為詞向量的稀疏度，[φ]為[N×N]階的稀疏矩陣。同時(shí)，設(shè)y為維數(shù)為M的觀測(cè)信號(hào)，[x′i]的維數(shù)為N，二者構(gòu)成[M×N]階的測(cè)量矩陣，用[μ]表示。若滿足[y=μx]，且[K log2NK≤M，θ=μφ]，則信號(hào)模型與對(duì)應(yīng)的測(cè)量矩陣不具備關(guān)聯(lián)性，但是滿足對(duì)應(yīng)的信號(hào)重構(gòu)的條件。信號(hào)重構(gòu)的過(guò)程是信號(hào)x在y中得以恢復(fù)的過(guò)程。首先應(yīng)當(dāng)對(duì)變換后的向量q做出求解計(jì)算，而后做出進(jìn)一步的信號(hào)恢復(fù)[7]。壓縮感知算法的具體工作原理如圖3所示。

2.2? 模糊聚類算法

模糊聚類算法的算法過(guò)程如下。

整體樣本集合設(shè)為[N=y1，y2，…，yn]，集合任意向量[yp=yp1，yp2，…，ypn]，n為向量維數(shù)，聚類后數(shù)據(jù)劃分的子類數(shù)量為N，第q個(gè)聚類中心可記作[Sq=Sq1，Sq2，…Sqn]，其中n=1，2，…，N。隸屬度[Uqp]為第q個(gè)聚類中心點(diǎn)與第p點(diǎn)的隸屬度，隸屬度以及聚類中心的矩陣可以記為[μqp]。依據(jù)以上參量，對(duì)各聚類之間的樣本依附性進(jìn)行計(jì)算，同時(shí)計(jì)算其各聚類之間的整體相似度，并得出整體樣本的模糊等階矩陣。而后進(jìn)行模糊聚類，并得出最優(yōu)解。

2.3? 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基（RBF）神經(jīng)網(wǎng)絡(luò)為三層結(jié)構(gòu)，包含隱含層、輸入層以及輸出層[8]。在RBF神經(jīng)網(wǎng)絡(luò)當(dāng)中，輸入層達(dá)隱含層的變化過(guò)程為非線性，隱含層達(dá)輸出層的變化過(guò)程為線性。其基本思想是通過(guò)輸入層矢量到隱含層的直接映射，確定映射關(guān)系，同時(shí)通過(guò)隱含層對(duì)輸出層的線性映射，達(dá)到更好的數(shù)據(jù)學(xué)習(xí)目的。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

2.4? 和聲搜索算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)

和聲搜索算法以和聲音樂(lè)演奏為啟發(fā)，對(duì)RBF網(wǎng)絡(luò)進(jìn)行優(yōu)化。通過(guò)隨機(jī)選取和變量微調(diào)，對(duì)已有的記憶方案進(jìn)行迭代的最優(yōu)化調(diào)整，達(dá)到最優(yōu)解的選取目的。在這一過(guò)程當(dāng)中，問(wèn)題所需的決策變量可用樂(lè)器j（j=1，2，…，N）來(lái)表示，解向量可用和聲[Hi]（i=1，2，…，M）來(lái)表示。借助和聲搜索算法，RBF神經(jīng)網(wǎng)絡(luò)所需要求解的三個(gè)參數(shù)能夠得到更好的求解[9]。具體方法如下：

1） 對(duì)基于無(wú)線網(wǎng)絡(luò)的室內(nèi)定位進(jìn)行采集，組成初始樣本集合，具體劃分為預(yù)測(cè)集合以及訓(xùn)練集合。

2） 對(duì)當(dāng)前情況下室內(nèi)定位的誤差進(jìn)行記錄，在算法優(yōu)化當(dāng)中，將此作為目標(biāo)函數(shù)。

3） 對(duì)和聲搜索算法需要進(jìn)行優(yōu)化的各項(xiàng)參數(shù)進(jìn)行初始化。

4） 通過(guò)訓(xùn)練集合進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，產(chǎn)生新和聲向量，同時(shí)對(duì)此向量做出評(píng)測(cè)。

5） 新和聲向量與最優(yōu)和聲向量進(jìn)行比對(duì)，若新和聲向量較優(yōu)，則做出替代。

6） 繼續(xù)進(jìn)行迭代，若迭代次數(shù)滿足最大迭代次數(shù)，則停止;否則，執(zhí)行步驟4）。

7） 得出最優(yōu)和聲向量，求取最優(yōu)RBF神經(jīng)網(wǎng)絡(luò)相關(guān)的三個(gè)參數(shù)，完成室內(nèi)定位模型的建立。其程序如圖5所示。

3? 優(yōu)化后室內(nèi)定位模型的建立

基于和聲搜索算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的室內(nèi)定位系統(tǒng)的建立，分為3步：

1） 進(jìn)行信號(hào)重構(gòu)，以壓縮感知算法為依據(jù);

2） 將樣本數(shù)據(jù)進(jìn)行聚類分析，以模糊聚類算法為依據(jù);

3） 通過(guò)和聲搜索算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化，完成室內(nèi)定位系統(tǒng)的建立[10]。整體的流程如圖6所示。

基于和聲搜索算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)定位模型的運(yùn)行流程如下：

1） 室內(nèi)定位當(dāng)中，其處在各位置的信號(hào)強(qiáng)度用變量x表示，若該點(diǎn)未經(jīng)采集，則進(jìn)行錄入;否則，刪除對(duì)應(yīng)點(diǎn)。

2） 依據(jù)已得信息，進(jìn)行觀測(cè)矩陣的建立。

3） 通過(guò)壓縮感知算法對(duì)采集數(shù)據(jù)進(jìn)行信號(hào)重構(gòu)。

4） 對(duì)重構(gòu)后的信號(hào)通過(guò)模糊聚類算法進(jìn)行聚類分析。

5） 通過(guò)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和結(jié)果選取，并借助和聲搜索算法進(jìn)行結(jié)果優(yōu)化，實(shí)現(xiàn)更為精準(zhǔn)的基于無(wú)線網(wǎng)絡(luò)的室內(nèi)定位。

4? 實(shí)驗(yàn)結(jié)果以及分析

4.1? 實(shí)驗(yàn)環(huán)境簡(jiǎn)述

為檢驗(yàn)研究成果，選取普通住所作為實(shí)驗(yàn)的實(shí)踐環(huán)境。普通住所的平面結(jié)構(gòu)圖如圖7所示。無(wú)線檢測(cè)信號(hào)為WiFi，移動(dòng)終端使用手機(jī)，各位置樣本采集量為100，信號(hào)的采樣時(shí)間設(shè)置為2 s，定位模型交互環(huán)境使用Matlab 2015b。

4.2? 結(jié)果以及分析

選擇當(dāng)下較為經(jīng)典的K最近鄰算法以及原有的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行橫向比對(duì)。同一位置各算法的定位誤差如圖8所示。

由圖8對(duì)比發(fā)現(xiàn)，通過(guò)和聲搜索算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)與其他兩種算法相比具備更精確的室內(nèi)定位效果。這與優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)能夠獲取充分的WiFi信號(hào)信息以及其優(yōu)化能力有很大的關(guān)系。其中，RBF神經(jīng)網(wǎng)絡(luò)具備優(yōu)于K最近鄰算法的定位精度，這主要是由于RBF神經(jīng)網(wǎng)絡(luò)相較之下具備更好的學(xué)習(xí)能力。圖9為不同參考位置以及不同算法的誤差對(duì)比。

由圖9可知，在不同相鄰參照位置距離之下，通過(guò)和聲搜索算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)總體來(lái)說(shuō)定位精度更高，相對(duì)收斂程度更好。通過(guò)實(shí)踐結(jié)果分析，經(jīng)和聲搜索算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)具備更為優(yōu)越的室內(nèi)定位性能。

5? 結(jié)? 語(yǔ)

為了解決當(dāng)前基于無(wú)線網(wǎng)絡(luò)的室內(nèi)定位當(dāng)中的固有問(wèn)題，對(duì)通過(guò)和聲搜索算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位系統(tǒng)進(jìn)行研究和實(shí)踐。此過(guò)程中，整體數(shù)據(jù)樣本的預(yù)處理借助壓縮采樣和模糊聚類，起到了減少樣本數(shù)據(jù)采集、加快訓(xùn)練速度的作用。而后，借助和聲搜索算法，對(duì)RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)求取進(jìn)行優(yōu)化，在更大程度上提高了室內(nèi)定位系統(tǒng)的精確性。結(jié)果表明，所提方法切實(shí)可行，能夠起到更好的以無(wú)線網(wǎng)絡(luò)為基礎(chǔ)的室內(nèi)定位效果。

參考文獻(xiàn)

[1] BOURNE D W A. Mathematical modeling of pharmacokinetic data [M]. Florida： CRC Press， 2018.

[2] KADRI R L， BOCTOR F F. An efficient genetic algorithm to solve the resource?constrained project with trans?fer times： the single mode case [J]. European journal of operational research， 2018（2）： 459?461.

[3] BATES J， THE I， MCCLYMONT D， et al. Monte Carlo simulations of diffusion weighted MRI in myocardium： validation and sensitivity analysis [J]. IEEE transactions on medical imaging， 2017， 36（6）： 1316?1321.

[4] 李華亮，錢志鴻，田洪亮.基于核函數(shù)特征提取的室內(nèi)定位模型研究[J].通信學(xué)報(bào)，2017，38（1）：159?166.

（上接第52頁(yè)）

[5] OUYANG H， GAO L， LI S， et al. Improved global?best?guided particle swarm optimization with learning operation for global optimization problems [J]. Applied soft computing， 2017， 52： 992?1005.

[6] LI X Y， QIN K， ZENG B， et al. A dynamic parameter controlled harmony search algorithm for assembly sequence planning [J]. The international journal of advanced manufacturing technology， 2017， 92（9/12）： 3400?3409.

[7] GUO Z， WANG S W， YUE X Z， et al. Global harmony search with generalized opposition?based learning [J]. Soft computing， 2017， 21（8）： 2130?2137.

[8] 趙新超，劉朝華.一種融入差分變異的變規(guī)模和聲搜索算法[J].集美大學(xué)學(xué)報(bào)（自然版），2017，22（4）：58?67.

[9] BASTUG E， BENNIS M， MEDARD M， et al. Toward interconnected virtual reality： opportunities， challenges， and enablers [J]. IEEE communications magazine， 2017， 55（6）： 110?117.

[10] 雍龍泉，拓守恒，史加榮.約束處理技術(shù)及應(yīng)用[J].計(jì)算機(jī)科學(xué)與探索，2018，12（6）：1015?1020.