更全的杂志信息网

基于BP神经网络模型的RSSI测距方法研究

更新时间:2016-07-05

引 言

随着定位技术的不断发展,人们对于基于位置的服务(location based service,LBS)的需求变得越来越多.室外定位技术已经十分成熟,各种基于GPS技术的手机APP室外定位软件为我们的户外定位导航带来极大的方便.目前,室内定位服务的需求也在不断增加,人们的视线开始由室外转向室内,由于室内环境的复杂,GPS、北斗等室外技术不能很好地实现室内定位, 越来越多的人开始研究基于接收的信号强度指示(received signal strength indication, RSSI)的Wi-Fi室内定位.但是基于RSSI的测距技术容易受到一些环境因素的影响,如反射、衍射、绕射、多径效应等,这给信号传播路径损耗模型的建模带来了一定的困难,从而影响测距的准确性,导致了定位误差的产生[1-2].如何减小测距误差是研究的重点,本文建立了反向传播(back propagation, BP)神经网络路径损耗模型,分析对比不同模型的测距精度,并寻找最优的测距方法.

1 RSSI测距原理分析

1.1 RSSI测距模型

在室内复杂的环境中,因为障碍物产生的反射、散射、绕射、衍射等因素的干扰,发生多径传播的现象,导致接收到的信号强度是不同信号的叠加.人们经过大量的实验发现,室内环境下的传播路径与路径损耗之间的关系服从对数-常态分布模型(log-normal model),利用这一模型将损耗转换成距离,一般形式如式(1)所示[1-3]:

(1)

式中:d是信号发射端与接收端的距离,是真实距离,P(d)dBm为经过距离d后的路径损耗;d0是参考距离,一般为1 m,P(d0)dBm是在参考距离为d0时接收信号强度;n是路径损耗因子,表示信号损耗随距离增加而增加的程度(n越大表示信号在信道中传播时随着传播距离的增大,从而信号强度衰减越快),它的值与建筑物和环境的类型有关,范围一般是2~4,通常在室内环境下n较小,在室外环境下n较大;XdBm是遮蔽因子,单位是dB,其均值是0,均方差式的正态随机变量,其范围是4~10[1-3].

式(1)可简化为[2-3]

RSSI=A-10nlg(d) .

内生动力、益贫市场与政策保障:打好脱贫攻坚战实现“真脱贫”的路径框架…………………左 停 金 菁 于乐荣(47)

(2)

式中:

Ai=RSSI1i-10nilg(d1i);

1) 采集RSSI数据,利用提取总体样本的最大RSSI值方法来处理数据,记录采集设备到AP点的距离d.

1.2 数据采集及处理

数据的正确性对实验的结果起到至关重要的作用,考虑到RSSI 信息存在较大的波动性,利用电脑上的Vistumbler软件对固定的AP节点每间隔1 m采集一次数据,采集时间为3 min,每个采集点的RSSI数据个数为100~120不等,这样大量数据分析便于减少噪声干扰.数据处理将研究三种方法从而决定本论文的数据处理方法,主要是直接利用最大RSSI值法,均值法和中值法等,除了研究这三种方法外还要研究抽样和总体样本对数据处理有何影响.从采集到的RSSI数据中抽出2 min来做样本数据,按照这三种方法进行处理,将处理后的RSSI数据利用MATLAB进行曲线拟合[4-5].

对抽样数据和总体数据分别做处理,对每个点所测得的一组RSSI值在Excel里利用公式MAX求最大RSSI值,AVERAGE求算术平均值,MEDIAN求数值集合的中值,对应拟合结果如图1~3所示.

(a) 抽样样本 (a) Sampling sample

(b) 总体样本 (b) The total sample 图1 抽样样本和总体样本的最大RSSI处理法 Fig.1 The maximum RSSI processing method for sampling sample and the total sample

(a) 抽样样本 (a) Sampling sample

(b) 总体样本 (b) The total sample 图2 抽样样本和总体样本的均值法 Fig.2 The mean method of sampling sample and the total sample

(a) 抽样样本 (a) Sampling sample

(b) 总体样本 (b) The total sample 图3 抽样样本和总体样本的中值法 Fig.3 The median method for sampling sample and the total sample

以上5项得分之和作为牙周炎的分度标准[7],轻度:0~6分;中度:7~12分;重度:13~18分。所有填表者和检查者各由2名经过统一培训及标准一致性检验(kappa值=0.84)的医生完成。

图4 数据处理分析GUI界面 Fig.4 Data processing and analysis of GUI interface

表1 数据处理方法分析 Tab.1 Analysis of data processing methods

数据处理方法样本最大RSSI总体最大RSSI样本均值总体均值样本中值总体中值MSE误差5277884147306576615122121 03675e+06608726

从表1可以看出,采集到的数据受环境干扰较大时导致数据抖动厉害,均方误差都比较大,后面做BP神经网络模型时要尽可能减少环境干扰.利用总体样本提取最大RSSI值的做法明显误差要小点.

1.3 传统RSSI测距误差分析

利用公式(2)计算的距离和实际测量的距离是有一定的误差的,分析误差一般是考虑绝对误差或相对误差,绝对误差与相对误差计算公式如下:

绝对误差=|测量值-真实值| (即测量值与真实值之差的绝对值);

RSSI测距误差分析与处理主要分为四步,步骤如下:

相对误差=|测量值-真实值|/真实值 (即绝对误差所占真实值的百分比).

收集到的临床资料可能是零碎的、片面的、混乱的、有矛盾的甚至是错误的,必须经过分析、处理和判断才能使之完整化、真实化、系统化,才能用于临床[7]。例如一位老年患者到口腔科门诊,主诉“牙痛”。口腔科医生做了详细的口腔检查,没有发现异常,就诊断“神经痛”。该患者到另外一个医院口腔科门诊,医生发现患者不是牙痛,疼痛部位在颞颌关节处,每当咬合时发生,而且咬合时可以听到声响。遂诊断“颞颌关节炎”。

A为1 m 时所测得的RSSI 值,单位为dBm;n为衰减因子;d为待定位节点与参考节点之间的距离,单位为m.

2) 将实际距离值和对应的RSSI的值使用最小二乘法数据拟合的方法并用MATLAB进行处理计算,可以求出传播因子n和偏移量A的值.

求知欲主要表现为对学习、了解、掌握新知识的渴望.“串联式”实践教学活动从多个途径创设学生自主学习的平台,增加了学生的参与度,活跃了学习氛围.在面对各种临床复杂情景时,护生不断发现自己知识的局限性,从而激发了他们的求知欲和学习热情.在“串联式”教学活动中“动”、“静”结合,如床边病例分析讨论后形成护理病历,在非经典PBL教学查房后进行概念图的练习,不仅能将所学理论知识运用于实践,将新知识与原有知识进行有意义的连接,而且有利于培养学生良好的思维习惯,提高分析、总结和归纳的能力,从而增强评判性思维的自信心[6].

3) 根据已知的n和偏移量A的值利用公式(2)计算理论距离值.

4) 将理论距离与实际距离进行求误差处理, 分析误差的变化寻找减小误差的方法.

2 基于BP神经网络模型的RSSI测距方法

BP神经网络的实现过程流程图如图5所示.

2.1 BP神经网络

BP算法又称为误差反向传播算法,是人工神经网络中的一种监督式的学习算法.使用BP算法的神经网络多层感知器模型以其独到的并行分布式处理、联想记忆、良好的自组织、自学习能力,以及良好的容错性、鲁棒性、极强的非线性映射能力,在许多领域都得到了广泛应用[8-9].

训练数据对于BP神经网络的建立十分重要,将事先采集的RSSI数据和记录的距离d数据建立训练数据库,训练数据如表2所示.

从图4和表1可以看出,由于传统信号传播路径损耗模型的RSSI测距误差太大,可以说直接使用公式(2)在一定误差范围内准确测距的可行性是很低的,除非对公式(2)进行矫正,如:RSSI=A-10nlg(d)+θ,θ为偏移量.导致这一原因除了环境参数An收到环境的干扰外,最主要是环境参数是一个随时变化的值,而这个是很难分析的[6-7].根据Kolmogomv定理可知,任意一连续函数可由一个三层BP网络来实现.神经网络模型具有较强的学习能力和适应能力,可以利用BP神经网络模型来处理那些具有不确定性和非线性特点的数据.通过BP神经网络模型处理RSSI和距离d的关系就能很好地避免环境因素所造成的影响[8-9].

图5 BP神经网络实现流程图 Fig.5 Flowchart of implementation of BP neural network

2.2 BP神经网络算法在RSSI测距中的应用

常用的RSSI测距方法一般的做法是先采集信号强度RSSI数据和距离d,然后利用公式(2)进行曲线拟合计算得到环境因子A和路径损耗n,再在待测点采集RSSI利用拟合得到的公式来计算距离d.但是由于环境因子A和路径损耗n与射频电路和无线信号传输环境密切有关,且随着定位节点的移动实时变化,因此直接利用经验参数的模型公式计算距离往往误差较大.而且多数修正模型中环境因子和路径损耗的方案都难以适应时变和复杂的环境,应用起来也有一定的局限性[8-9].利用BP神经网络的非线性映射、自适应等优点建立训练网络,实现目标数据的测算可以很好地解决这一问题.

四是借鉴互联网企业创新管理理念,促进学科协作,在学科交叉领域催生新技术。通过召开院级层面新技术、新项目推介会,建立新技术、新项目开展绿色通道及多部门协调机制等途径,促进各临床、医技科室之间增进交流与合作,共同探讨相关技术发展问题。创造了各科室之间齐头并进、共谋发展的良好局面,在知识交流与思想碰撞的过程中,实现了医疗技术水平的更新和提高。

从上面的6幅图可以看出提取最大RSSI值对抽取样本数据和总体样本数据处理结果差别不大.但在实验环境特别复杂的情况下,数据抖动比较厉害时,使用抽样样本信息会丢失部分信息,就会出现比较大的差异.均值法相对较差,可以看出所采集到的RSSI波动较大时,说明该方法无法很好地解决RSSI干扰问题.中值法相比均值处理的方法要好,图中可以看出总体处理的数据效果比样本处理的数据效果要好,曲线要平滑.正好说明中位值滤波能有效克服因偶然因数引起的波动干扰,但是对于脉冲干扰比较强,样本容量不多的情况下,滤波效果不理想[4].为了更加直观地了解各个处理方法的优劣,对其做均方误差(mean squared error, MSE)分析,利用MATLAB设计GUI来进行误差分析,GUI截面如图4所示.分析结果为总体最大RSSI处理方法最佳.结果如表1所示.

2.2.1 建立训练数据

自1921年东非肯尼亚首次公开非洲猪瘟,到目前依旧有29个国家存在非洲猪瘟的问题,这些国家大部分来自亚洲,但是在高加索地区以及俄罗斯地区等一些欧洲国家也存在该疫情。2017年3月俄罗斯远东地区发生了非洲猪瘟疫病,该区域距离我国较近,导致非洲猪瘟传入我国的风险进一步加大,就我国目前出现的非洲猪瘟疫病分布情况进行分析,截止到2018年9月22号我国已经发生了20例非洲猪瘟疫病,具体如表1所示。9月24日内蒙古地区又新增1例非洲猪瘟疫病,截至目前共感染猪只1 947例,死亡猪只1 063例,对我国的养猪行业造成非常严重的影响。

在监督式学习下,输入数据被称为“训练数据”,每组训练数据均有一个明确的标识或结果.在建立预测模型的时候,建立一个监督式学习过程,将预测结果与“训练数据”的实际结果进行比较,不断地调整预测模型直到模型的预测结果达到一个预期的准确率[8-9].

表2 训练数据表 Tab.2 Training data

RSSI/dBm-24-25-27-29-31-33-35-36-38-39-40距离/m1234567891011RSSI/dBm-41-43-43-43-44-46-48-50-51-53距离/m12131415161718192021

2.2.2 构建训练网络

蒸过久会丢失维生素在蒸的过程中,食材与水蒸气基本上处于一个密闭的环境中,食材是在饱和的热蒸气下做熟的,因此可溶性维生素的损失较少。然而,维生素C对热具有较高的敏锐度,假如蒸的时间过长,维生素C则会遭到破坏,而且部分B族维生素也会遭受破坏。

②样本数据的排序和分段:对热误差y进行排序得到新的序列yP,将排序后的yP的取值区间划分为H个不重叠的区间I1,I2,…,IH。落在分段Ih(h=1,2,…,H)的yPi(i=1,2,…,n)的比例定义为其中,当yPi∉Ih时,δh(yPi)=0,否则δh(yPi)=1。同时依据上述排序方法对X进行排序,将排序后的温度样本XP划分为H个不重叠的区间J1,J2,…,JH。

如图6所示为本文构建的BP训练网络模型,三层的BP网络可以逼近任意的映射关系,且与通常使用的一个隐含层的网络相比,两个隐含层的网络对提高最终的预测准确率来说没有显著效果,且隐含层中节点数目的选择没有统一的规则作指导.本文使用三层BP网络对实验数据进行训练,以RSSI作为输入量,实际距离值d为输出量进行仿真模拟.隐层传递函数为 tansig函数,输出层传递函数为purelin函数,网络训练方式为trainlm,通过设置不同的隐含层节点数对不同数据进行测试,结果表明将隐含层节点数设为3个时,训练效果最好,最终的BP神经网络模型采用1∶3∶1的网络结构.

图6 BP神经网络模型图 Fig.6 BP neural network model diagram

3 仿真测试及分析

3.1 实验

本实验的主要目的是采集AP点的RSSI值,记录接收终端到AP节点的距离,然后根据公式(2)计算距离d,从而分析计算的距离和实测距离之间的误差.为了让实验环境更加贴近生活,实验数据更加真实可靠,实验环境选择在学院实验楼6楼的大教室内进行,时间选择没有人的晚上进行,尽可能减少室内人员走动和外面高斯噪声的干扰.采集RSSI的设备是电脑,AP节点是路由器,利用电脑上的Vistumbler软件对固定的AP点进行RSSI数值采集.AP距地面约1 m左右,测试接收设备距地面1 m左右.在确定的环境中用激光测距仪测量实际距离,以1 m为单位叠加测量,从1 m开始测量,每个距离值的测量时间为五分钟.在五分钟内至少完成三分钟的RSSI数据采集.考虑到测量距离较远时RSSI的值不稳定、跳跃幅度较大,不便于数据的采集,所以测量距离为21 m.

3.2 测试结果及分析

将表2中AP点的RSSI值和实际的距离值d带入神经网络仿真模型进行仿真,如图7所示,将原始数据、传统RSSI测距方法处理过的数据、BP神经网络处理过的数据利用MATLAB里的plot函数进行曲线拟合,可以得到三条不同曲线,曲线对比结果如图8所示.

图7 BP神经网络仿真模型图 Fig.7 Simulation model of BP neural network

图8 曲线拟合结果图 Fig.8 Curve fitting result diagram

从图8可以很直观地看出BP神经网络模型可以应用于基于RSSI值的测距,并且测距误差较小,BP神经网络模型的RSSI测距明显优于对数距离路径损耗模型.

4 结 论

本文对传统信号传播路径损耗模型进行研究分析,发现其RSSI测距误差较大,因此,利用BP神经网络构建新的路径损耗模型,并将该模型应用到RSSI测距中,通过现场实验和MATLAB仿真对算法进行验证.结果表明,BP神经网络算法拟合出来的曲线和原图十分接近,而传统算法拟合效果差.即将BP神经网络模型应用于RSSI测距是可行的,且测距误差较小,并且测距精度明显优于对数距离路径损耗模型的RSSI测距.

参考文献

[1] 方震, 赵湛, 郭鹏, 等.基于RSSI测距分析[J].传感技术学报, 2007, 20(11): 2526-2530.

FANG Z,ZHAO Z,GUO P, et al. Range analysis based on RSSI[J]. Chinese journal of sensors and actuators, 2007, 20(11): 2526-2530.(in Chinese)

[2] 朱明辉, 张会清.基于RSSI的室内测距模型的研究[J].传感器与微系统, 2010, 29(8): 19-22.

ZHU M H, ZHANG H Q. Research on indoor distance measurement model based on RSSI[J]. Transducer and microsystem technologies, 2010, 29(8): 19-22.(in Chinese)

[3] 贾宗璞, 徐园园, 董家昕. 基于RSSI定位算法的无线传感网络研究[J]. 河南理工大学学报(自然科学版), 2016, 35(4): 551-555.

JIA Z P, XU Y Y, DONG J X. Research on wireless sensor network based on RSSI location algorithm[J]. Journal of Henan Polytechnic University(science and technology), 2016, 35(4): 551-555. (in Chinese)

[4] 陶为戈, 朱昳华, 贾子彦. 基于RSSI混合滤波和最小二乘参数估计的测距算法[J].传感技术学报, 2012, 25(12):1748-1753.

TAO W G, ZHU Y H, JIA Z Y. A range finding algorithm based on RSSI mixed filter and least square parameter estimation[J]. Chinese journal of sensors and actuators, 2012, 25(12):1748-1753. (in Chinese)

[5] 史兴燕, 韩敏. 基于RSSI测距和免疫遗传算法的定位系统设计[J].计算机测量与控制, 2014(1): 94-96.

SHI X Y,HAN M. Design of positioning system based on RSSI ranging and immune genetic algorithm[J]. Computer measurement and control, 2014(1): 94-96. (in Chinese)

[6] 孙建, 杜永贵. RSSI-神经网络在无线传感网络定位中的应用[J]. 科学与技术工程, 2013, 13(6): 1479-1482.

SUN J,DU Y G. Application of RSSI-neural network in wireless sensor network location[J]. Science and technology engineering, 2013, 13(6): 1479-1482. (in Chinese)

[7] 吴炜, 张琳. 室内路径损耗模型在无线局域网中的应用与分析[J]. 数据通信, 2013(4):16-20.

WU W,ZHANG L. Application and analysis of indoor path loss model in wireless LAN[J]. Data communication, 2013(4): 16-20. (in Chinese)

[8] 石晓伟, 张会清, 邓贵华. 基于BP神经网络的距离损耗模型室内定位算法研究[J]. 计算机测量与控制, 2012, 20(7): 1944-1947.

ZHANG X W,ZHANG H Q, DENG G H. Research on indoor location algorithm for distance loss model based on BP neural network[J]. Computer measurement and control, 2012, 20(7): 1944-1947. (in Chinese)

[9] 贲伟, 王敬东. 利用人工神经网络的RSSI测距优化技术研究[J]. 价值工程, 2012, 31(11): 164-166.

BEN W,WANG J D. Research on RSSI ranging optimization technology using artificial neural network[J]. Value engineering, 2012, 31(11): 164-166. (in Chinese)

建立健全国有施工企业的财务管理制度,是加强企业财务管理工作的重要前提,也是能够保障财务管理有效进行的保障。只有建立了严格的规章制度,才能使企业的财务管理有章可循,进而推动企业的可持续发展。规章制度的建立一定要对企业的整体负责,具有全面性,让企业所有的财会工作都变得有据可依。不仅要制定规章制度,制度还需要强有力的执行力,要对员工进行培训,使其深入了解每一项制度,提高其遵守制度的自觉性,并且依靠员工之间的竞争心理,使其在日常工作中做到相互监督,管理人员也要遵章守法,提高自控力,让自己的一言一行都能对其他人起到良好的榜样作用。共同促进公司又好又快发展。

费扬,杜庆治
《电波科学学报》 2018年第02期
《电波科学学报》2018年第02期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号