基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法

張劍英，　張躍輝，　周立宇

(中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院， 江蘇 徐州　221116)

?

基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法

張劍英，張躍輝，周立宇

(中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院， 江蘇 徐州221116)

摘要：針對(duì)基于加權(quán)質(zhì)心算法的井下人員定位方法誤差大的問(wèn)題，提出了一種基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法。該算法利用自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的學(xué)習(xí)篩選能力，通過(guò)分組訓(xùn)練篩選出接近理論值的實(shí)際RSSI值，找出用于加權(quán)質(zhì)心算法的有效坐標(biāo)，在加權(quán)質(zhì)心算法的基礎(chǔ)上計(jì)算未知節(jié)點(diǎn)位置。Matlab仿真結(jié)果表明，該算法的定位精度比原加權(quán)質(zhì)心算法顯著提高。

關(guān)鍵詞：無(wú)線傳感網(wǎng)絡(luò)； 人員定位； 自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)； 加權(quán)質(zhì)心

0引言

近年來(lái)無(wú)線傳感網(wǎng)絡(luò)被廣泛應(yīng)用于定位系統(tǒng)和算法。在無(wú)線傳感網(wǎng)絡(luò)定位算法中，基本上可以分為基于測(cè)距的算法和基于非測(cè)距的算法2類(lèi)?；跍y(cè)距的定位算法主要是在測(cè)得節(jié)點(diǎn)間距離和角度信息的基礎(chǔ)上，結(jié)合三邊測(cè)量法、三角測(cè)量法和最大似然估計(jì)法估測(cè)出未知節(jié)點(diǎn)的位置信息。該算法對(duì)硬件要求比較高，增加了額外的設(shè)備成本。而基于非測(cè)距的定位算法主要依據(jù)傳感網(wǎng)絡(luò)連通性進(jìn)行人員定位，主要包括分布式的質(zhì)心算法[1]、DV-HOP算法、Min-Max算法、APIT算法以及集中式的凸規(guī)劃、MDS-MAP算法。與其他算法相比，質(zhì)心算法比較簡(jiǎn)單，完全基于傳感網(wǎng)絡(luò)的連通性，不需要增加額外的硬件設(shè)備，易于實(shí)現(xiàn)，因而應(yīng)用廣泛。但是這種算法的精度不高。后來(lái)一些研究者結(jié)合傳感網(wǎng)絡(luò)中的RSSI信息提出了加權(quán)質(zhì)心算法，通過(guò)權(quán)值設(shè)定使網(wǎng)絡(luò)中的信息得到進(jìn)一步利用，從而提高定位精度。但是由于實(shí)際環(huán)境因素的影響，尤其是在環(huán)境復(fù)雜的煤礦井下，信息在傳播過(guò)程中受到電磁、多徑效應(yīng)的干擾，真實(shí)可用的信息與一些無(wú)意義信息混合在一起，給定位造成很大干擾，嚴(yán)重影響了定位精度。鑒此，本文從處理井下有用信息入手，提出一種基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法。該算法主要通過(guò)自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)對(duì)理論上的RSSI值進(jìn)行訓(xùn)練學(xué)習(xí)以作為參考，然后對(duì)實(shí)際測(cè)得的RSSI值進(jìn)行訓(xùn)練，選出接近理論結(jié)果的RSSI值，對(duì)照由信標(biāo)節(jié)點(diǎn)坐標(biāo)與其接收到的待測(cè)節(jié)點(diǎn)RSSI值所建立的數(shù)據(jù)庫(kù)，找出用于加權(quán)質(zhì)心算法的有效坐標(biāo)，在加權(quán)質(zhì)心算法的基礎(chǔ)上計(jì)算未知節(jié)點(diǎn)位置。

1理論基礎(chǔ)

1.1加權(quán)質(zhì)心算法

加權(quán)質(zhì)心算法在質(zhì)心算法的基礎(chǔ)上加入了權(quán)重因子，利用RSSI測(cè)距作為權(quán)重分配依據(jù)，通過(guò)加權(quán)使定位精度得以提升，同時(shí)繼承了質(zhì)心算法運(yùn)算簡(jiǎn)單、自適應(yīng)性強(qiáng)的特點(diǎn)。權(quán)值ωi計(jì)算公式為

(1)

式中di為未知節(jié)點(diǎn)到信標(biāo)節(jié)點(diǎn)的距離。

未知節(jié)點(diǎn)坐標(biāo)O(xo,yo)由N個(gè)信標(biāo)節(jié)點(diǎn)計(jì)算得出,計(jì)算公式為

(2)

式中:R(xi,yi)為信標(biāo)節(jié)點(diǎn)坐標(biāo);N為信標(biāo)節(jié)點(diǎn)個(gè)數(shù)。

加權(quán)質(zhì)心算法利用RSSI值測(cè)得節(jié)點(diǎn)間的距離，將距離值的倒數(shù)作為一個(gè)權(quán)重因子加入質(zhì)心計(jì)算公式中，節(jié)點(diǎn)間的距離越小，對(duì)未知節(jié)點(diǎn)的影響越大。因此，通過(guò)加入權(quán)值使信標(biāo)節(jié)點(diǎn)對(duì)未知節(jié)點(diǎn)的影響權(quán)重得到合理分配，進(jìn)而提高算法定位的精度。

參考文獻(xiàn)[2]提出的改進(jìn)型加權(quán)質(zhì)心算法添加了區(qū)域判定，提高了定位精度。參考文獻(xiàn)[3]提出了一種無(wú)線傳感器網(wǎng)絡(luò)定位算法——去中心化場(chǎng)強(qiáng)加權(quán)多跳質(zhì)心定位算法。這些算法都是在原有網(wǎng)絡(luò)中的數(shù)據(jù)基礎(chǔ)上分配權(quán)重值，進(jìn)而改善定位精度，但這些原始數(shù)據(jù)中有一些對(duì)于實(shí)時(shí)定位無(wú)意義的數(shù)據(jù)，這些數(shù)據(jù)在定位過(guò)程中被分配了權(quán)重，并且參與實(shí)際定位，給定位效果帶來(lái)了很大干擾。本文利用自組織神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)篩選能力對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步處理，從而提高定位效果。

1.2自組織神經(jīng)網(wǎng)絡(luò)

自組織神經(jīng)網(wǎng)絡(luò)可以通過(guò)反復(fù)觀察客觀事物和分析比較，自行提示其內(nèi)在規(guī)律，并對(duì)有共同特征的事物進(jìn)行正確分類(lèi)。這種網(wǎng)絡(luò)與人腦中神經(jīng)網(wǎng)絡(luò)[4]的學(xué)習(xí)模式類(lèi)似，即可以自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性。自組織神經(jīng)網(wǎng)絡(luò)大多采用競(jìng)爭(zhēng)型學(xué)習(xí)規(guī)則。競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)[5]的基本思想：網(wǎng)絡(luò)競(jìng)爭(zhēng)層的各個(gè)神經(jīng)元通過(guò)競(jìng)爭(zhēng)來(lái)獲得對(duì)輸入模式的相應(yīng)機(jī)會(huì)，最后僅一個(gè)神經(jīng)元成為競(jìng)爭(zhēng)的勝利者[6]。同時(shí)網(wǎng)絡(luò)將與獲勝神經(jīng)元有關(guān)的各連接權(quán)值向著更有利于競(jìng)爭(zhēng)的方向調(diào)整。自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)能力進(jìn)一步拓寬了神經(jīng)網(wǎng)絡(luò)在模式分類(lèi)和識(shí)別方面的應(yīng)用。

1.3競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法

競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)有很多具體形式和不同的學(xué)習(xí)算法，在此介紹一種比較簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法，其結(jié)構(gòu)如圖1所示。

圖1　基本競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(3)

式中xi為輸入樣本數(shù)據(jù)的第i個(gè)元素。

經(jīng)過(guò)網(wǎng)絡(luò)競(jìng)爭(zhēng)后權(quán)值最大的神經(jīng)元k獲得勝利，輸出結(jié)果為

(4)

競(jìng)爭(zhēng)后的權(quán)值按照式(5)修正，對(duì)于所有的輸入層神經(jīng)元i，有

(5)

2算法模型建立

由于井下環(huán)境復(fù)雜多變，信號(hào)干擾嚴(yán)重，獲取有用的訓(xùn)練數(shù)據(jù)比較困難，即使能夠獲取到訓(xùn)練數(shù)據(jù)，也無(wú)法保證網(wǎng)絡(luò)訓(xùn)練的可靠性，繼而會(huì)使下一步實(shí)際網(wǎng)絡(luò)的競(jìng)爭(zhēng)產(chǎn)生較大偏差，導(dǎo)致定位精度不準(zhǔn)確。因此，本文采用理論仿真的方法來(lái)獲取訓(xùn)練數(shù)據(jù)。

2.1數(shù)據(jù)訓(xùn)練

首先由理論仿真推導(dǎo)出信標(biāo)節(jié)點(diǎn)所接收的由未知節(jié)點(diǎn)發(fā)出的信號(hào)強(qiáng)度，本文選用具有視距傳播的對(duì)數(shù)距離路徑損耗模型，井下無(wú)線信號(hào)傳播模型為

(6)

式中：P(d)表示接收節(jié)點(diǎn)接收到的信號(hào)強(qiáng)度；P(do)表示與發(fā)射節(jié)點(diǎn)距離為do時(shí)所接收到的信號(hào)強(qiáng)度;d為接收節(jié)點(diǎn)與發(fā)射節(jié)點(diǎn)的距離;d0為到發(fā)射節(jié)點(diǎn)的一個(gè)參考距離;α為路徑長(zhǎng)度與路徑損耗之間的比例因子,其值與所處環(huán)境相關(guān);Xσ為由環(huán)境引入的噪聲,其值滿足均值為0的正態(tài)分布N(0,σ2),σ越大,信號(hào)衰減的不確定性越大。

由式(6)推算出信號(hào)強(qiáng)度值，同時(shí)記錄信標(biāo)節(jié)點(diǎn)的坐標(biāo)，并建立一個(gè)RSSI值與坐標(biāo)一一對(duì)應(yīng)的數(shù)據(jù)庫(kù)。然后對(duì)數(shù)據(jù)進(jìn)行分組，確保能對(duì)未知節(jié)點(diǎn)進(jìn)行相對(duì)準(zhǔn)確的定位。本文共選取30組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，每組至少保證有3個(gè)信標(biāo)節(jié)點(diǎn)數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)。數(shù)據(jù)訓(xùn)練結(jié)果見(jiàn)表1。

從表1可看出，數(shù)據(jù)分類(lèi)錯(cuò)誤率為7/30=23.3%，達(dá)到了預(yù)期要求。

表1　數(shù)據(jù)訓(xùn)練結(jié)果

2.2數(shù)據(jù)篩選

在數(shù)據(jù)訓(xùn)練過(guò)程中，網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行不斷、反復(fù)觀察，分析與比較其形成規(guī)律，準(zhǔn)確地從復(fù)雜數(shù)據(jù)中篩選出所有具有相似規(guī)律的數(shù)據(jù)。篩選過(guò)程選取了20組待測(cè)樣本(未知數(shù)據(jù)的有效性)，需要區(qū)分的類(lèi)別數(shù)目為2，學(xué)習(xí)速率設(shè)為0.1，學(xué)習(xí)篩選之后，舍棄一些異常數(shù)據(jù)和分類(lèi)為2的數(shù)據(jù)。

2.3未知節(jié)點(diǎn)定位計(jì)算

把實(shí)驗(yàn)中測(cè)得的RSSI值分組帶入網(wǎng)絡(luò)中進(jìn)行篩選，然后從自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)中提取出有用的信號(hào)強(qiáng)度值，對(duì)照接收到的RSSI值與其當(dāng)時(shí)對(duì)應(yīng)的坐標(biāo)數(shù)據(jù)庫(kù)，找到各個(gè)信標(biāo)節(jié)點(diǎn)的坐標(biāo)，然后根據(jù)加權(quán)質(zhì)心算法(式(2))估算未知節(jié)點(diǎn)位置。

3仿真分析

3.1節(jié)點(diǎn)部署

為了保證仿真的有效性，在Windows 7操作系統(tǒng)上采用Matlab R2013a作為仿真平臺(tái)進(jìn)行仿真[7]。將仿真區(qū)域設(shè)置成10 m×100 m，模擬井下狹長(zhǎng)的巷道環(huán)境，如圖2所示。整個(gè)區(qū)域分布著100個(gè)信標(biāo)節(jié)點(diǎn)以及隨機(jī)分布的50個(gè)待測(cè)節(jié)點(diǎn)，采用頻率為2.4 GHz的無(wú)線載波信號(hào)進(jìn)行通信，節(jié)點(diǎn)通信半徑設(shè)置為50 m。

3.2仿真結(jié)果與分析

在同樣的參數(shù)和環(huán)境下，同時(shí)采用一般加權(quán)質(zhì)心算法和基于自組織神經(jīng)網(wǎng)絡(luò)的加權(quán)質(zhì)心算法進(jìn)行定位計(jì)算，結(jié)果如圖3所示。由圖3可知，經(jīng)過(guò)自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)改進(jìn)后的算法定位效果比較顯著，未知節(jié)點(diǎn)與估測(cè)節(jié)點(diǎn)比較接近。

圖2　節(jié)點(diǎn)部署

圖3　2種算法的定位結(jié)果

2種算法的定位誤差比較如圖4所示。由圖4可知，隨著節(jié)點(diǎn)搜尋范圍的增加，即用于定位的信標(biāo)節(jié)點(diǎn)數(shù)量的增多，2種算法的精確度隨之提高。

圖4　2種算法的定位誤差比較

2種算法的仿真誤差比較結(jié)果見(jiàn)表2。由表2

可看出，定位選取的50個(gè)未知節(jié)點(diǎn)中，一般算法和改進(jìn)算法定位誤差小于1.5 m的概率分別為82.71%，91.88%；定位誤差小于1.0 m的概率分別為68.87%，86.44%；定位誤差小于0.5 m的概率分別為22.23%，42.59%。改進(jìn)后定位算法的置信概率比一般加權(quán)質(zhì)心算法高，能夠滿足井下人員定位需要。

表2　2種算法的仿真誤差比較結(jié)果

4結(jié)語(yǔ)

提出了基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法，經(jīng)過(guò)網(wǎng)絡(luò)學(xué)習(xí)篩選，過(guò)濾掉無(wú)效數(shù)據(jù)，使定位數(shù)據(jù)更加準(zhǔn)確有效。仿真結(jié)果表明，基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法定位精度得到了顯著提高,且易于實(shí)現(xiàn)。

[1]安恂,蔣挺,周正.一種用于無(wú)線傳感器網(wǎng)絡(luò)的質(zhì)心定位算法[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(20):136-138.

[2]楊鵑,韓雪松.基于改進(jìn)型加權(quán)質(zhì)心算法的井下人員定位[J].承德石油高等專(zhuān)科學(xué)校學(xué)報(bào),2014,16(4):57-60.

[3]王琰琳,黃友銳,曲立國(guó).改進(jìn)型質(zhì)心算法在井下人員定位中的應(yīng)用[J].煤礦機(jī)械,2012,33(8):76-78.

[4]吳超,張磊,張琨.基于BP神經(jīng)網(wǎng)絡(luò)的RFID室內(nèi)定位算法研究[J].計(jì)算機(jī)仿真,2015,32(7):323-326.

[5]許東,吳錚.基于Matlab6.x的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)[M].2版.西安:西安電子科技大學(xué)出版社,2002.

[6]李雙明,武慶威.采用RSSI提高無(wú)線傳感網(wǎng)絡(luò)定位精度的算法[J].無(wú)線電工程,2015,45(2):8-10.

[7]陳守平,董瑞,羅曉莉.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航天航空大學(xué)出版社,2010:153-158.

Fusion algorithm of underground personnel positioning based on self-organizing competitive network

ZHANG Jianying，ZHANG Yuehui，ZHOU Liyu

(School of Information and Electrical Engineering, China University of Mining and Technology,Xuzhou 221116, China)

Abstract：In view of problem of big positioning error of underground personnel positioning method based on weighted centroid algorithm, a fusion algorithm of underground personnel positioning based on self-organizing competitive network was proposed. The algorithm uses learning screening capacity of self-organizing competitive network, and screens out actual RSSI value close to the theoretical value by group training, then finds valid coordinates for the weighted centroid algorithm, and calculates unknown node position based on weighted centroid algorithm. The Matlab simulation results show that the positioning accuracy of the algorithm is significantly higher than the original weighted centroid algorithm.

Key words:wireless sensor networks; personnel positioning; self-organizing competitive network; weighted centroid

中圖分類(lèi)號(hào)：TD655.3

文獻(xiàn)標(biāo)志碼：A網(wǎng)絡(luò)出版時(shí)間：2016-03-07 15:18

作者簡(jiǎn)介：張劍英(1963-)，女，江蘇徐州人，教授，從事信號(hào)處理、模式識(shí)別等方面的研究工作，E-mail:zjycumt@126.com。

收稿日期：2015-12-02；修回日期：2016-01-15；責(zé)任編輯：胡嫻。

文章編號(hào)：1671-251X(2016)03-0044-04

DOI:10.13272/j.issn.1671-251x.2016.03.010

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160307.1518.010.html

張劍英，張躍輝，周立宇.基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的井下人員定位融合算法[J].工礦自動(dòng)化，2016,42(3)：44-47.