亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        K-means+SSA-Elman網(wǎng)絡(luò)可見光室內(nèi)位置感知算法

        2022-07-05 08:12:28李寶玉劉葉楠
        應(yīng)用光學(xué) 2022年3期
        關(guān)鍵詞:聚類閾值神經(jīng)網(wǎng)絡(luò)

        李寶玉,張 峰,彭 俠,劉葉楠

        (1.西安工業(yè)大學(xué) 電子信息工程學(xué)院,陜西 西安 710065;2.西安應(yīng)用光學(xué)研究所,陜西 西安 710065)

        引言

        隨著無線定位的發(fā)展,位置感知服務(wù)市場應(yīng)用前景日益廣闊[1-2]??梢姽?visible light, VLC)室內(nèi)位置感知具有成本低、定位精度高、噪聲干擾小等優(yōu)點(diǎn)[3-4]。在基于場強(qiáng)、聚類和神經(jīng)網(wǎng)絡(luò)等室內(nèi)位置感知算法中[5],神經(jīng)網(wǎng)絡(luò)在VLC室內(nèi)位置感知中具有訓(xùn)練速度快、耗時(shí)短等優(yōu)點(diǎn)。其中,基于Elman網(wǎng)絡(luò)的算法具有適應(yīng)時(shí)變特性、計(jì)算能力強(qiáng)等特點(diǎn),但也存在預(yù)測值易陷入局部最優(yōu)、收斂速度慢等問題[6]。文獻(xiàn)[7]將遺傳算法融入粒子群算法中,確定Elman網(wǎng)絡(luò)權(quán)閾值,建立訓(xùn)練模型,提高預(yù)測精度,但需大量訓(xùn)練樣本,操作繁瑣;文獻(xiàn)[8]通過灰狼優(yōu)化算法對Elman網(wǎng)絡(luò)進(jìn)行優(yōu)化,確定最優(yōu)權(quán)閾值,提高模型預(yù)測精度;文獻(xiàn)[9]采用EMD將數(shù)據(jù)分解為有限個子函數(shù),建立Elman子模型,利用粒子群算法對權(quán)值進(jìn)行尋優(yōu)操作,但精度提升有限。

        論文利用SSA對Elman神經(jīng)網(wǎng)絡(luò)權(quán)閾值進(jìn)行優(yōu)化,使網(wǎng)絡(luò)獲得最優(yōu)參數(shù),從而達(dá)到提高定位精度的目的。在此基礎(chǔ)上融合K-means算法,利用K-means對數(shù)據(jù)庫完成聚類優(yōu)化,進(jìn)一步提高室內(nèi)位置感知系統(tǒng)的定位精度和穩(wěn)定性[10]。

        1 基于Elman網(wǎng)絡(luò)的VLC室內(nèi)位置感知模型

        1.1 Elman神經(jīng)網(wǎng)絡(luò)VLC室內(nèi)定位整體綜述

        論文基于神經(jīng)網(wǎng)絡(luò)算法和麻雀搜索優(yōu)化方法建立VLC室內(nèi)位置感知模型,如圖1所示。

        圖1 定位算法整體組成圖Fig.1 Overall composition diagram of positioning algorithm

        數(shù)據(jù)采集階段采集光功率,建立數(shù)據(jù)庫。建模階段利用K-means對數(shù)據(jù)庫優(yōu)化:隨機(jī)選取 K個點(diǎn)為初始聚類中心;計(jì)算剩余數(shù)據(jù)與初始中心的歐式距離進(jìn)行相似度評判;比較數(shù)據(jù)點(diǎn)與各中心點(diǎn)光功率的相似度形成K 個簇;反復(fù)迭代直至中心不再變化。將優(yōu)化后的數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)搭建Elman網(wǎng)絡(luò)模型,利用SSA優(yōu)化網(wǎng)絡(luò)最優(yōu)權(quán)閾值,建立SSA-Elman模型。實(shí)時(shí)定位階段根據(jù)待測點(diǎn)信息通過模型得初步預(yù)測,將初步預(yù)測值代入子類二次訓(xùn)練得到預(yù)測點(diǎn)的最終坐標(biāo)。

        1.2 基于Elman神經(jīng)網(wǎng)絡(luò)的定位算法

        Elman網(wǎng)絡(luò)是對人腦基本特性的模擬和抽象中提出的一種遞歸神經(jīng)網(wǎng)絡(luò)[11],如圖2所示,共4層:輸入層、輸出層、隱含層和承接層。Elman網(wǎng)絡(luò)無需考慮外部因素,可任意精度逼近非線性系統(tǒng)[12]。

        圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure diagram of Elman neural network

        Elman神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型為

        式(1)中:u(t-1)為 輸入層的輸入; y(t)為輸出層的輸出; x(t)為 隱含層輸出; w1為輸入層與隱含層間的連接權(quán)值; w2為 承接層與隱含層間的權(quán)值; w3為隱含層與輸出層間的權(quán)值; xc為承接層輸出反饋向量。(2)式中:f()為隱含層傳遞函數(shù),如下:

        式中:g()為輸出層傳遞函數(shù),常用Pureline函數(shù),可得到(5)式:

        Elman最優(yōu)權(quán)閾值的設(shè)置可使網(wǎng)絡(luò)有更好的訓(xùn)練效果和收斂速度。雖然Elman網(wǎng)絡(luò)在計(jì)算能力及穩(wěn)定性方面優(yōu)于BP網(wǎng)絡(luò),但由于是基于梯度下降原理,存在最優(yōu)權(quán)值難確定及由此所帶來的局部極小值問題,造成網(wǎng)絡(luò)訓(xùn)練難達(dá)到全局最優(yōu),影響精度和穩(wěn)定性。為此引入SSA算法進(jìn)行優(yōu)化。

        2 基于SSA算法的模型優(yōu)化

        2.1 SSA算法的基本原理

        麻雀搜索算法具有搜索范圍全面、訓(xùn)練速度快等優(yōu)點(diǎn)[13]。算法的核心內(nèi)容是麻雀的捕食與反捕食行為,模型建立的規(guī)則如下:

        麻雀種群位置初始化,如(6)式所示:

        式中:d為待優(yōu)化問題(神經(jīng)網(wǎng)絡(luò)初始權(quán)閾值)變量維數(shù);n是麻雀個數(shù)。麻雀適應(yīng)度為

        式中:f 表示種群適應(yīng)度。在SSA中,發(fā)現(xiàn)者的適應(yīng)度值越高,越容易獲取到食物。發(fā)現(xiàn)者位置更新如(8)式。

        式中:t 為迭代數(shù); Tmax為最大迭代數(shù); α∈(0,1]是隨機(jī)數(shù); xi,j為 第i個個體在第 j維空間中的位置;R2(R2∈[0,1])為 預(yù)警值; ST(ST∈[0.5,1])為安全值;Q是隨機(jī)數(shù),服從正態(tài)分布;L表示一個1 ×d矩陣,元素全部為1。當(dāng) R2≤ST ,周圍安全;當(dāng) R2≥ST,周圍發(fā)現(xiàn)捕食者,所有麻雀飛到其他安全區(qū)域覓食。追隨者位置更新如(9)式:

        式中:XP和 Xw分別為目前覓食最佳和最差位置;A為 1×d 矩陣,元素為1或-1,且 A+=AT(AAT)-1。當(dāng) i≥n/2 時(shí) ,第 i 個個體的適應(yīng)度較低,要飛到其他區(qū)域覓食。當(dāng)危險(xiǎn)出現(xiàn),偵察者數(shù)學(xué)表達(dá)式如下:

        式中:fi=fg表明種群中間位置的麻雀發(fā)現(xiàn)危險(xiǎn),它們將靠近其他個體來減少自己被捕食的危險(xiǎn);fi≥fg表示此時(shí)麻雀在種群邊緣區(qū)域,易受到外來生物的攻擊; K為步長控制參數(shù)。

        SSA算法有較強(qiáng)的全局和局部搜索尋優(yōu)能力,為確保全局最優(yōu)解,需保證實(shí)驗(yàn)數(shù)據(jù)量充足,多次尋優(yōu)直至得全局最優(yōu)解;同時(shí)通過目標(biāo)函數(shù)優(yōu)化避免收斂后期陷入局部最優(yōu)。為提高效率,在精度滿足時(shí)停止尋優(yōu)。此時(shí)雖非全局最優(yōu)解,但能滿足應(yīng)用需求。

        2.2 基于SSA-Elman神經(jīng)網(wǎng)絡(luò)算法模型匹配算法

        建立SSA-Elman網(wǎng)絡(luò)算法模型,主要利用SSA算法搜索范圍廣、收斂速度快特點(diǎn),對Elman網(wǎng)絡(luò)優(yōu)化,避免網(wǎng)絡(luò)因權(quán)閾值選擇不當(dāng)導(dǎo)致精度不高的問題。算法步驟為:

        1)輸入數(shù)據(jù),對獲取到的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)作歸一化處理;

        2)選擇合適的參數(shù),確定Elman網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、各層的節(jié)點(diǎn)個數(shù)及隱含層的層數(shù);

        3)構(gòu)建網(wǎng)絡(luò)模型 初始化Elman網(wǎng)絡(luò)的權(quán)閾值,設(shè)置種群最大迭代數(shù)maxgen、種群規(guī)模sizepop等參數(shù)。定義空間維度K,如(11)式:

        式中:M 、 N、 P分別表示輸入層、隱含層和輸出層神經(jīng)元個數(shù),隱含層神經(jīng)元個數(shù)計(jì)算公式N≤其中 a 為1~10之間常數(shù)。

        4)計(jì)算初始個體適應(yīng)度,開始循環(huán),利用SSA計(jì)算種群適應(yīng)度,更新最優(yōu)個體值,進(jìn)行覓食與反捕食行為;進(jìn)行最優(yōu)個體比較,更新迄今最優(yōu)個體;

        5)循環(huán)步驟4)直至最大迭代次數(shù),判斷是否得到最優(yōu)解,跳出循環(huán);

        6)將步驟5)中得到的權(quán)閾值作為網(wǎng)絡(luò)參數(shù),進(jìn)行訓(xùn)練,構(gòu)建SSA-Elman網(wǎng)絡(luò)模型。

        3 利用K-means優(yōu)化SSA-Elman網(wǎng)絡(luò)模型

        利用K-means對SSA-Elman算法優(yōu)化是將數(shù)據(jù)庫分成 K個子類,這里的子類表示數(shù)據(jù)庫經(jīng)Kmeans優(yōu)化過后分成的子數(shù)據(jù)庫。首先對數(shù)據(jù)初步預(yù)測得到待測點(diǎn)類別,然后將預(yù)測類別代入子類進(jìn)行二次訓(xùn)練預(yù)測。采用MSE(minimum squared error)[14]評價(jià)聚類效果:

        通過 E相似度對子聚類對象平均值測算。k值的確定采用輪廓系數(shù)法,計(jì)算過程如下:對數(shù)據(jù)庫數(shù)據(jù)聚類優(yōu)化得到 k個簇并確定每個簇的中心,分別對每個簇中每個樣本點(diǎn)i計(jì)算輪廓系數(shù),如下:

        式中:a(i)為 樣本點(diǎn)i到同一簇中其他樣本點(diǎn)的距離平均值,a(i)越 小該類可能性越大; b(i)為 樣本點(diǎn)i到其他簇樣本點(diǎn)距離平均值。s∈[-1,1],越接近1,聚類效果越好。經(jīng)對比發(fā)現(xiàn)本設(shè)計(jì) k=5聚類效果最優(yōu)。K-means對SSA-Elman網(wǎng)絡(luò)模型優(yōu)化流程如下:

        1)在數(shù)據(jù)庫隨機(jī)選 K個點(diǎn)作為初始聚類中心點(diǎn),這里 K值取5;

        2)將數(shù)據(jù)庫剩余數(shù)據(jù)分配到最近的數(shù)據(jù)中心形成 K 個簇,計(jì)算 K個簇聚類中心;

        3)重復(fù)第2)步直至聚類中心不再變化,形成K個子集,完成數(shù)據(jù)集優(yōu)化;

        4)處理后數(shù)據(jù)作為SSA-Elman網(wǎng)絡(luò)輸入,輸出預(yù)測數(shù)據(jù)在 K個子集中的類別;

        5)將測試集數(shù)據(jù)根據(jù)類別帶入所屬子類中,構(gòu)建 K個子SSA-Elman網(wǎng)絡(luò)模型;

        6)對K個子模型分別進(jìn)行訓(xùn)練,得到預(yù)測點(diǎn)的最終坐標(biāo),計(jì)算預(yù)測坐標(biāo)與真實(shí)坐標(biāo)之間的誤差,評判模型預(yù)測效果。

        4 實(shí)驗(yàn)與結(jié)果分析

        4.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

        實(shí)驗(yàn)環(huán)境為0.8 m×0.8 m×0.8 m的立體空間,其三維示意圖如圖3所示。

        圖3 實(shí)驗(yàn)環(huán)境三維圖Fig.3 Three-dimensional diagram of experimental environment

        根據(jù)光照度補(bǔ)償原理布設(shè)4個LED光源。將實(shí)驗(yàn)區(qū)域劃分網(wǎng)格,在每個網(wǎng)格點(diǎn)利用光電探測儀采集來自4個不同光源的光功率值,對各光源分別采集50次數(shù)據(jù),對采集數(shù)據(jù)處理去極值后取平均,作為該點(diǎn)4組光強(qiáng)數(shù)據(jù)。實(shí)驗(yàn)環(huán)境參數(shù)如表1所示。

        表1 實(shí)驗(yàn)環(huán)境參數(shù)Table 1 Parameters of experimental environment

        隨機(jī)選取其中30組數(shù)據(jù)做測試數(shù)據(jù),剩余數(shù)據(jù)做訓(xùn)練數(shù)據(jù),對訓(xùn)練數(shù)據(jù)經(jīng)聚類優(yōu)化后進(jìn)行實(shí)驗(yàn)仿真,經(jīng)過SSA-Elman網(wǎng)絡(luò)模型訓(xùn)練輸出預(yù)測坐標(biāo)。

        4.2 基于K-means聚類數(shù)據(jù)庫的優(yōu)化

        利用K-means對數(shù)據(jù)庫優(yōu)化,聚類個數(shù)為5,隨機(jī)選取初始聚類中心開始優(yōu)化,不斷迭代最終聚類結(jié)果如圖4所示。

        圖4 聚類結(jié)果Fig.4 Diagram of clustering results

        由圖4,經(jīng)K-means聚類優(yōu)化后,數(shù)據(jù)分成5類,用不同形狀標(biāo)簽表示各類數(shù)據(jù),各類聚類中心用實(shí)心圓標(biāo)出。

        4.3 基于SSA的網(wǎng)絡(luò)訓(xùn)練

        Elman網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)為1 000,學(xué)習(xí)速率0.01,輸入層節(jié)點(diǎn)數(shù)4,輸出層節(jié)點(diǎn)數(shù)2,隱含層節(jié)點(diǎn)通過對比平均誤差設(shè)為14。SSA算法參數(shù)設(shè)置為:種群數(shù)為20,迭代次數(shù)30,種群預(yù)警值為0.7,意識到危險(xiǎn)麻雀比重0.15,發(fā)現(xiàn)者比重0.8。分別利用粒子群算法和麻雀搜索算法對初始網(wǎng)絡(luò)權(quán)閾值進(jìn)行訓(xùn)練尋優(yōu),得到收斂曲線如圖5所示。

        圖5中,縱坐標(biāo)的適應(yīng)度值為均方誤差值??梢钥闯觯S著迭代次數(shù)的增加,最佳適應(yīng)度值不斷下降。其中SSA在迭代次數(shù)到達(dá)8次最終穩(wěn)定,而PSO迭代20次趨于穩(wěn)定,且SSA確定最佳適應(yīng)度值接近 2.64×10-3,PSO為 3.93×10-3,驗(yàn)證相較于PSO,經(jīng)SSA優(yōu)化后網(wǎng)絡(luò)權(quán)閾值迭代尋優(yōu)過程較快,效果更好。

        圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂曲線Fig.5 Convergence curves of neural network training

        4.4 定位數(shù)據(jù)獲取及分析

        數(shù)據(jù)庫隨機(jī)選取30組位置數(shù)據(jù)作為測試數(shù)據(jù),得到定位誤差分布圖如圖6所示。

        圖6 定位誤差分布圖Fig.6 Distribution diagram of positioning error

        選取其中10組位置數(shù)據(jù),對真實(shí)坐標(biāo)與預(yù)測坐標(biāo)進(jìn)行比較,如表2所示。

        表2 位置坐標(biāo)比較Table 2 Comparison of position coordinates

        由圖6及表2可知,大部分預(yù)測點(diǎn)與真實(shí)點(diǎn)位置接近,少部分預(yù)測點(diǎn)與真實(shí)點(diǎn)位置稍有偏差。位于實(shí)驗(yàn)中心區(qū)域預(yù)測點(diǎn)與真實(shí)點(diǎn)誤差較小,位于實(shí)驗(yàn)區(qū)域四周誤差偏大,原因是靠近四周,受環(huán)境影響較大,光照強(qiáng)度降低,定位誤差增大。

        將SSA-Elman網(wǎng)絡(luò)算法、Elman網(wǎng)絡(luò)算法及K-means+SSA-Elman算法進(jìn)行比較,得累積誤差分布如圖7所示。

        圖7 累計(jì)誤差分布曲線Fig.7 Distribution curves of cumulative error

        由圖7可知,論文算法相較SSA-Elman算法和Elman網(wǎng)絡(luò)算法定位置信概率有明顯提升,定位精度顯著提高。論文算法總體定位誤差分布在8 cm以內(nèi),小于6 cm的概率達(dá)到90%,相較Elman定位算法,定位誤差小于2 cm置信概率提高15%,小于4 cm置信概率提高10%,小于6 cm置信概率提高11%,精度和穩(wěn)定性明顯提升。定位誤差對比如表3所示。

        表3 3種算法定位誤差比較Table 3 Comparison of positioning errors of three algorithms cm

        由表3知,K-means+SSA-Elman的最大誤差、最小誤差及平均誤差均低于SSA-Elman算法和Elman算法。論文所提算法定位平均誤差為3.22 cm,SSA-Elman算法平均定位誤差為3.48 cm,Elman算法平均定位誤差為3.87 cm。論文所提算法相較于SSA-Elman定位精度提高7.5%,相較于Elman提高16.8%。

        5 結(jié)論

        論文通過SSA對Elman網(wǎng)絡(luò)進(jìn)行優(yōu)化,同時(shí)融合K-means算法,形成一種混合可見光室內(nèi)位置感知算法,改善傳統(tǒng)Elman網(wǎng)絡(luò)定位算法初始權(quán)值閾值選擇不當(dāng)導(dǎo)致定位精度低、穩(wěn)定性差的問題,提高室內(nèi)定位精度。理論分析及實(shí)驗(yàn)結(jié)果表明:

        1)利用神經(jīng)網(wǎng)絡(luò)算法大幅提高可見光室內(nèi)位置感知結(jié)果的準(zhǔn)確程度;

        2)利用麻雀算法對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,能夠避免網(wǎng)絡(luò)陷入局部極小值,克服初始權(quán)閾值選擇不當(dāng)?shù)膯栴},提高定位精度;

        3)對SSA-Elman網(wǎng)絡(luò)進(jìn)行K-means優(yōu)化,有效提高了位置感知系統(tǒng)對室內(nèi)環(huán)境的適應(yīng)性,進(jìn)而提高定位精度和穩(wěn)定性。

        猜你喜歡
        聚類閾值神經(jīng)網(wǎng)絡(luò)
        神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應(yīng)用
        基于自適應(yīng)閾值和連通域的隧道裂縫提取
        基于DBSACN聚類算法的XML文檔聚類
        電子測試(2017年15期)2017-12-18 07:19:27
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        室內(nèi)表面平均氡析出率閾值探討
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        基于改進(jìn)的遺傳算法的模糊聚類算法
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
        亚洲av最新在线网址| 久久精品国产视频在热| 毛片成人18毛片免费看| 日韩不卡av高清中文字幕| 国产精品区一区第一页| 久久天天躁狠狠躁夜夜不卡| 精彩视频在线观看一区二区三区 | 久久香蕉国产线看观看精品yw| 亚洲精品国产成人久久av| 西西少妇一区二区三区精品| 亚洲精品国产字幕久久vr| 亚洲av成人中文无码专区| 久久久久亚洲精品男人的天堂| 国产丝袜美腿嫩模视频诱惑| 男人天堂AV在线麻豆| 在线天堂中文字幕| 丁香花在线影院观看在线播放| 中文字幕人妻在线中字| 国产成人自拍视频播放| 久久精品日韩免费视频| 九九99久久精品在免费线97| 香蕉色香蕉在线视频| 国产精品麻豆成人av电影艾秋 | 久久中文字幕无码专区| 国产精品精品自在线拍| 青青草成人在线免费视频| 日本高清视频一区二区| 一区二区三区免费观看在线视频| 欧美日韩国产成人综合在线影院| 欧美喷潮久久久xxxxx| 免费1级做爰片1000部视频| 国产精品国产亚洲精品看不卡| 国产成人av三级在线观看韩国| 国产日韩精品视频一区二区三区 | 中文字幕在线亚洲日韩6页| 无码人妻精品一区二区三| 日韩中文字幕版区一区二区三区| 亚洲国产日韩一区二区三区四区 | 久久无码专区国产精品s| 久久精品国产清自在天天线| 亚洲视频网站大全免费看|