本技术公开一种基于改进黑翅鸢算法优化神经网络的室内定位方法,属于室内定位技术领域。本发明利用黑翅鸢优化算法进化能力强、搜索速度快的特点提高算法性能,并进一步对黑翅鸢算法进行改进,采用Tent混沌映射产生均匀分布的初始个体,提高种群的多样性,从而避免算法过早收敛到局部最优解,增强全局搜索能力;通过透镜成像反向学习策略,提高算法的稳定性和鲁棒性;在攻击和迁徙阶段引入黄金正弦策略,按照黄金分割系数切割解空间,更新黑翅鸢的个体位置。本发明的黑翅鸢优化算法性能更优异,并利用黑翅鸢优化算法构建基于BP神经网络的RSSI测距模型,优化神经网络的权值和阈值,实现复杂室内环境下的高精度定位。
背景技术
定位技术影响人们生活的各个领域,而室内定位技术拓展了传统定位技术的应用场景,近年来受到了广泛关注,具备良好的发展前景。在室内环境中,卫星与室内接收机之间缺乏视距信号传输通道,现有室外定位系统难以精确地为室内环境提供定位服务,因此开发可靠且精确的室内定位系统十分重要。
尽管基于RSSI的室内定位算法有着易实现、价格低、能耗低,实时性强等优点,但在传统的基于RSSI测距的定位算法中,其模型参数往往通过经验选取,精度不高。并且,在复杂室内环境下存在多径误差、非视距误差等干扰因素,导致难以准确构建合适的测距模型,故可能产生显著的定位误差。
近年来,众多学者利用神经网络良好的非线性拟合能力来减轻RSSI波动对距离估计的影响,以此降低基于RSSI的测距模型对环境参数选择的依赖。李英玉等采用神经网络对RSSI值预处理降低测距误差,再结合牛顿定位算法修正了节点位置,降低了RSSI的测距误差。赵珊等采用粒子滤波模型对RSSI值进行了预处理,以此降低室内环境中非视距误差和多径传输的影响。费扬等利用BP神经网络构建了信号传播路径损耗模型,结果表明基于BP神经网络模型的RSSI测距误差相比传统的信号传播路径损耗模型的误差更小。石欣等采用强跟踪滤波自适应跟踪RSSI阶跃变化,克服了传统RSSI状态空间模型中未建模状态的不确定性。李天松等采用改进的灰狼优化算法优化三边定位算法,使得改进后的射频识别室内定位算法精度明显提高。林贻若等提出了一种基于GWO-BP神经网络的RSSI测距算法,进而增强了RSSI与真实物理距离之间的映射关系,从而提高测距精度和提升稳定性。刘博等通过混合滤波优化RSSI值,并改进麻雀搜索算法构建适应度函数优化搜索节点位置,提高了定位精度。
在上述基于RSSI的测距算法的研究中,主要面临以下挑战:①传统的路径损耗模型易受环境参数和RSSI信号波动的影响,导致定位精度不够;②基于BP神经网络的测距模型精度较高,但BP神经网络随机给定初始权值和阈值导致了局部最优问题;③上述文献引入优化算法虽一定程度上提高了BP神经网络模型的测距精度,但仍存在全局搜索能力弱,收敛精度不足等问题。
实现思路