陳平安,孫運全,張超虎

(江蘇大學(xué)電氣信息工程學(xué)院,江蘇 鎮(zhèn)江 210031)

1 引言

截止2018年年底,我國已探明煤炭儲量居全球第三位,盡管我國煤礦安全開采水平逐漸提升,但煤礦事故時常發(fā)生[1],為了提高煤礦井下安全生產(chǎn)水平、減少煤礦事故帶來的人員財產(chǎn)損失,因此需要進(jìn)一步研究井下人員定位技術(shù)。

目前井下人員定位技術(shù)大多基于射頻識別(Radio Frequency Identification,RFID)技術(shù)開發(fā),但存在精度低的問題,而基于接受信號強(qiáng)度指示[2](Received Signal Strength Indication,RSSI)的定位技術(shù)功耗小,成本低,近年來獲得了大力發(fā)展及推廣,在基于RSSI的定位方法中,位置指紋定位無需測距,該方法通過建立RSSI與位置坐標(biāo)的非線性映射關(guān)系來推斷出待定位點的位置坐標(biāo)。適合井下復(fù)雜環(huán)境中定位。近年來基于位置指紋[3]定位算法已有大量研究,宋明智[4]等將遺傳算法與隨機(jī)森林相結(jié)合,解決了奇點問題;余修武[5]等將巷道分區(qū),以信號強(qiáng)度確定其大致區(qū)域然后利用PSO算法定位,但在信號強(qiáng)度波動性大的情況下可能會存在誤判情況;趙建國[6]等逐步縮小待定位點的定位區(qū)域,最后利用KNN算法實現(xiàn)最終定位,提高了定位速度,但不適合于指紋庫較小的場景;崔麗珍[7]等采用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò),建立了RSSI和位置的非線性關(guān)系。吳雪敏[8]等通過RSSI判斷判斷待測節(jié)點所屬區(qū)域,然后利用改進(jìn)雞群優(yōu)化算法實現(xiàn)具體定位,提高了定位精度,但電磁信號具有波動性,粗定位階段判斷所屬區(qū)域會出現(xiàn)誤判進(jìn)而影響后續(xù)定位精度。

以上研究表明智能優(yōu)化算法可有效提高模型精度并且利用區(qū)域劃分思想應(yīng)用于井下人員定位中可有效縮小定位范圍,改善定位效果。本文提出了一種基于分區(qū)匹配和MBAS-RFR的井下人員定位模型,首先根據(jù)AP節(jié)點對井下巷道劃分區(qū)域,將離線指紋庫中符合條件的指紋數(shù)據(jù)作為每個區(qū)域的中心參考點,利用改進(jìn)加權(quán)歐氏距離結(jié)合余弦相似度模型綜合判斷待定位點的所屬區(qū)域,最后通過MBAS(Multitask Beetle Antennae Swarm,多任務(wù)天牛群)-RFR(Random Forest Regression,隨機(jī)森林回歸)模型進(jìn)行具體定位。

2 MBAS-RFR算法實現(xiàn)

2.1 隨機(jī)森林回歸

隨機(jī)森林(Random Forest,RF)算法是Breiman提出的一種以裝袋法(Bagging)為核心思想的集成算法[9],由多個決策樹組成,隨機(jī)森林回歸(Random Forest Regression,RFR)即是由多棵回歸樹組成的一種用于回歸問題預(yù)測的算法,它克服了決策樹容易過擬合的問題,具有回歸性能好,訓(xùn)練速度快等優(yōu)點。

2.2 BAS算法

天牛須搜索(BAS,Beetle Antennae Search)算法是Jiang等[10]人提出的一種新型高效的智能優(yōu)化算法,天牛須搜索算法原理實際是天牛覓食的過程。天牛須搜索算法具體過程如下:

1)設(shè)置天牛朝向,天牛的朝向向量是隨機(jī)的

(1)

2)根據(jù)天牛朝向計算天牛左右須的位置

(2)

(3)

3)計算左右須氣味濃度函數(shù)值并進(jìn)一步更新天牛的位置

(4)

4)更新天牛左右須間距和搜索步長

dt=0.95·dt-1+0.01

(5)

δt=0.95·δt-1

(6)

2.3 MBAS算法

多任務(wù)天牛群算法(MBAS,Multitask Beetle Antennae Swarm)是一種借鑒了人工蜂群(ABC,Artificial Bee Colony)算法中蜂群結(jié)構(gòu)并結(jié)合了天牛須搜索算法(BAS)的啟發(fā)式算法[11],該算法原理如下:定義種群數(shù)量為N的天牛群,天牛群分為三種任務(wù)類型,分別是搜索者,追隨者以及探索者,對于搜索者來說,任務(wù)是在可行解集內(nèi)找到最優(yōu)解,根據(jù)天牛須搜索算法尋優(yōu),位置更新如式(7)所示

(7)

追隨者天牛跟隨搜索者天牛,尋找當(dāng)前全局最優(yōu)解周圍的潛在的最優(yōu)解,位置更新如式(9)所示

(8)

(9)

式(9)中,LF是追隨者的搜索步長。

探索者天牛以固定步長移動,防止系統(tǒng)陷入局部最優(yōu),如式(11)所示

(10)

(11)

當(dāng)達(dá)到最大迭代次數(shù)后,終止尋優(yōu),輸出全局最優(yōu)解。

MBAS算法實現(xiàn)了從單只天牛尋優(yōu)到群體天牛尋優(yōu)的轉(zhuǎn)變,并且將天牛群分成不同任務(wù)類型進(jìn)行高效尋優(yōu),極大程度克服了單只天牛尋優(yōu)易陷入局部最優(yōu)的不足,改善了算法的穩(wěn)定性及尋優(yōu)效果。

2.4 MBAS-RFR算法

MBAS-RFR算法基本思想是利用MBAS算法對RFR的參數(shù)進(jìn)行尋優(yōu),對RFR算法影響最大的參數(shù)主要為決策樹數(shù)量以及樹深度,因此利用MBAS算法上述參數(shù)進(jìn)行迭代尋優(yōu)。具體流程如下:

1)初始化MBAS算法參數(shù),設(shè)置種群數(shù)sizepop,最大迭代次數(shù)T,追隨者、探索者搜索步長等。

2)將優(yōu)化目標(biāo)RFR得出的定位平均誤差作為天牛個體適應(yīng)度值,如式(13)所示

(12)

(13)

3)計算天牛個體適應(yīng)度值,將個體按適應(yīng)度值升序處理,適應(yīng)度最小個體為當(dāng)前最優(yōu)個體。

4)將天牛群體分為三種任務(wù)類型,按適應(yīng)度升序排列依次為搜索者、追隨者、探索者。

5)根據(jù)相關(guān)公式分別對追隨者搜索者探索者群體進(jìn)行方向和位置上的更新

6)分別計算三類天牛群體的適應(yīng)度值

7)判斷當(dāng)前最小適應(yīng)度值與上次迭代最小適應(yīng)度值大小關(guān)系,從中選取當(dāng)前最優(yōu)個體。

8)重復(fù)步驟3)至步驟7)直至最大迭代次數(shù)結(jié)束。

9)將MBAS算法輸出的最優(yōu)解作為RFR最優(yōu)參數(shù),同時用對應(yīng)訓(xùn)練集樣本訓(xùn)練RFR,建立井下定位算法模型。

3 改進(jìn)分區(qū)匹配模型

在具體定位前,首先需要根據(jù)AP節(jié)點對井下巷道進(jìn)行等距離分區(qū),如圖1所示,其中,Bb、Cc、Dd、Ee將巷道分為五個等距區(qū)域并從離線數(shù)據(jù)中選出每個區(qū)域的中心點,在線階段,通過衡量待定位點的信號強(qiáng)度與中心點信號強(qiáng)度的相似度特征,將待定位點進(jìn)行分區(qū),分區(qū)匹配效果的好壞直接關(guān)系到具體定位階段的定位效果,一般采用歐氏距離模型衡量兩個n維向量的距離大小[12],但在實際的井下巷道環(huán)境中電磁環(huán)境容易受到多徑效應(yīng)以及非視距因素等干擾,傳統(tǒng)歐氏距離分區(qū)匹配模型會受到一定程度影響,因此,應(yīng)針對井下復(fù)雜環(huán)境對歐氏距離分區(qū)匹配模型進(jìn)行適當(dāng)改進(jìn)。

圖1 井下巷道模型

3.1 改進(jìn)加權(quán)歐氏距離模型

受井下環(huán)境影響,井下巷道電磁信號波動較大,波動較大的信號數(shù)據(jù)所表示的實際位置不穩(wěn)定,故應(yīng)該增大實際計算出的歐式距離來表達(dá)不穩(wěn)定度,方差反映了數(shù)據(jù)的波動性,故將多次測量的信號強(qiáng)度數(shù)據(jù)取方差處理,將方差引入到歐式距離計算中去。故改進(jìn)歐氏距離模型如式(14)所示

(14)

圖1所示井下巷道中,待定位節(jié)點采集的信號強(qiáng)度來自均勻分布的6個AP節(jié)點,巷道分區(qū)并選出區(qū)域中心點后,此時可利用改進(jìn)歐氏距離公式來判斷待測點與中心點的相似度,從而判斷出待定位點所屬區(qū)域,但分區(qū)匹配模型存在不足,因為未考慮每個AP節(jié)點對待定位點的影響程度,距離AP節(jié)點越近,信號越強(qiáng);因此可以通過判定所測信號強(qiáng)弱來判斷待定位點所處的大致區(qū)域。故本文提出一種可變權(quán)重的歐氏距離公式,可根據(jù)信號強(qiáng)度大小判斷待定位點所在大致區(qū)域,進(jìn)而對此間區(qū)域改進(jìn)歐式距離的計算進(jìn)行適當(dāng)加權(quán)處理,可變權(quán)重歐氏距離公式如(15)所示

(15)

式中,ωi表示權(quán)重值,根據(jù)AP節(jié)點相鄰程度改變,ωi具體取值如下:

1)當(dāng)信號強(qiáng)度特征最強(qiáng)三個對應(yīng)AP節(jié)點為相鄰關(guān)系時

(16)

式中,max(ri)為某測試點中的最強(qiáng)信號強(qiáng)度特征,min(ri)為某測試點中的最弱信號強(qiáng)度特征。

2)當(dāng)最強(qiáng)信號特征的前兩個對應(yīng)AP節(jié)點為相鄰關(guān)系且最強(qiáng)信號特征前三個對應(yīng)AP節(jié)點僅橫跨三個區(qū)域時

(17)

式中,max3(ri)是ri中降序排列第三的信號強(qiáng)度特征。

3)其它

ωi=1

(18)

3.2 余弦相似度模型

余弦相似度通過向量的內(nèi)積空間夾角余弦值來衡量向量之間的相似性程度,余弦值越接近1,兩個向量越相似[13]。余弦相似度模型如式(19)所示

(19)

3.3 改進(jìn)加權(quán)歐氏距離結(jié)合余弦相似度

針對單一模型分區(qū)匹配衡量指標(biāo)不全面導(dǎo)致精度不理想的問題。本文在前人研究基礎(chǔ)[14]上將改進(jìn)后的歐氏距離模型與余弦相似度模型結(jié)合如式(20)所示

(20)

式中,di為改進(jìn)加權(quán)歐氏距離,cos(ra,rb)為余弦相似度。σ是一個隨機(jī)較小值,防止分母為0。

由式(20)可知,當(dāng)兩個向量的改進(jìn)加權(quán)歐氏距離越小并且余弦相似度值越大時,此時改進(jìn)分區(qū)匹配模型值越大,說明兩個向量之間的相似度越高。

4 井下定位算法流程

本文算法流程有兩個階段,首先離線階段多次采集指紋數(shù)據(jù)取均值,準(zhǔn)備好位置指紋庫,根據(jù)AP節(jié)點來劃分井下巷道區(qū)域,每個區(qū)域的定位模型訓(xùn)練數(shù)據(jù)采用本區(qū)域和相鄰區(qū)域部分訓(xùn)練集數(shù)據(jù),建立MBAS-RFR算法定位模型。

在線階段,利用改進(jìn)加權(quán)歐氏距離結(jié)合余弦相似度模型將接收到的實時位置指紋數(shù)據(jù)與中心參考點進(jìn)行匹配,將實時位置指紋數(shù)據(jù)進(jìn)行分區(qū)處理,然后,在每一個區(qū)域中,利用MBAS-RFR定位模型根據(jù)待定位點RSS數(shù)據(jù)計算出對應(yīng)位置坐標(biāo)。算法流程如圖2所示。

圖2 本文算法流程圖

5 實驗分析

5.1 實驗設(shè)計

本文采用射線跟蹤法[15]-[17]模擬井下巷道信號模型,生成訓(xùn)練測試用的位置指紋數(shù)據(jù),實驗平臺基于Python語言搭建,電腦配置為Core i5處理器、8GB內(nèi)存。利用ITU傳播模型來模擬井下信號衰減變化,如式(21)所示

(21)

式中,d為AP節(jié)點和待測節(jié)點的實際距離;d0為參考距離,RSSI(d0)為參考距離接收到的信號強(qiáng)度指示;Xσ是均值為0的高斯隨機(jī)噪聲,n為信號衰減指數(shù)。多次測量信號強(qiáng)度數(shù)據(jù)取均值構(gòu)建位置指紋數(shù)據(jù)庫包括693組離線訓(xùn)練數(shù)據(jù)、50組在線測試數(shù)據(jù),部分訓(xùn)練數(shù)據(jù)見表1。

表1 部分訓(xùn)練數(shù)據(jù)(信號強(qiáng)度單位:dBm)

實驗?zāi)M50m×4m的井下巷道模型,在其中均勻分布六個AP節(jié)點。巷道通過AP節(jié)點劃分區(qū)域并在每個區(qū)域隨機(jī)分布測試點數(shù)據(jù),如圖3所示。

圖3 巷道測試模型

實驗主要內(nèi)容是加入MBAS優(yōu)化算法前后三種定位模型性能對比。對定位模型性能的評判指標(biāo)為平均定位誤差和不同距離誤差距離下的置信概率。

5.2 MBAS算法加入前定位模型性能評估

為了能直觀地展示本文提出的定位算法性能,使用同樣的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)代入不同定位模型。并對其結(jié)果進(jìn)行對比分析,其中包括隨機(jī)森林回歸(RFR),歐氏距離分區(qū)匹配模型結(jié)合隨機(jī)森林回歸(E-RFR)和改進(jìn)分區(qū)匹配模型結(jié)合隨機(jī)森林回歸(IE-RFR)。使用的數(shù)據(jù)是在同一環(huán)境中采集的測量數(shù)據(jù)。部分定位結(jié)果圖4所示。

圖4 優(yōu)化前定位模型性能對比圖

根據(jù)圖4、表2分析,結(jié)合了分區(qū)匹配算法的兩種定位模型平均誤差分別降低了20.33%和26.97%,這說明了分區(qū)匹配模型能夠有效降低定位誤差;其中,相比于E-RFR定位模型,IE-RFR算法模型定位誤差最小,定位精度更高,這說明本文提出的改進(jìn)分區(qū)匹配算法分區(qū)匹配效果更好,更有利于保證后續(xù)階段的定位精度。

表2 優(yōu)化前定位模型平均誤差

圖5分析可知,IE-RFR算法在誤差1.5m以內(nèi)置信概率為62%,而E-RFR和RFR則分別為54%和38%,進(jìn)一步說明了IE-RFR算法相比另外兩種模型定位精度更高。

圖5 優(yōu)化前定位模型置信概率對比

5.3 MBAS算法加入后定位模型性能評估

相較于未加入優(yōu)化算法前,由圖6和表3分析可知,三種定位模型的平均誤差均有所降低且定位波動性降低;這說明了MBAS優(yōu)化算法提高了定位模型的穩(wěn)定性并降低了定位誤差;相比于另外兩種模型,本文算法的平均定位誤差分別降低了29.22%及15.76%,且定位穩(wěn)定性最好。

表3 加入優(yōu)化算法后定位模型平均誤差

圖6 加入優(yōu)化算法后模型性能對比

圖7分析可知,本文算法在誤差1.5m內(nèi)的置信概率是66%,而EMBAS-RFR和MBAS-RFR定位模型分別只有56%和60%,本文算法在1.5米內(nèi)的準(zhǔn)確率要高10%和6%,這說明改進(jìn)加權(quán)歐氏距離結(jié)合余弦相似度模型結(jié)合MBAS-RFR定位模型具有更好的定位精度和定位穩(wěn)定性且該定位精度能夠滿足井下人員定位要求。

圖7 定位模型性能對比圖

6 結(jié)論

針對井下環(huán)境復(fù)雜以及電磁信號波動導(dǎo)致井下人員定位精度低的問題,本文提出了基于分區(qū)匹配和多任務(wù)天牛群優(yōu)化隨機(jī)森林的井下人員定位算法。首先使用改進(jìn)加權(quán)歐氏距離結(jié)合余弦相似度的分區(qū)匹配模型對待定位節(jié)點進(jìn)行分區(qū)處理,隨后利用MBAS-RFR算法進(jìn)行具體定位,本文分區(qū)匹配算法保證了后續(xù)具體定位階段的精度,有效降低了定位誤差,多任務(wù)天牛群算法有效的提高了定位的穩(wěn)定性和精度。下一步將研究不同巷道類型對于定位精度的影響及模型優(yōu)化。