BP神经网络在无线传感网实时定位中的研究.docVIP

BP神经网络在无线传感网实时定位中的研究 　　摘 要 　　本文提出了一种基于接收信号强度并结合BP神经网络算法的一种新型定位方法。该方法首先建立一个定位环境模型，用有限数量的参考节点先组建一个无线传感器网络。然后采集样本数据，读取RSSI和实测盲节点的位置坐标，把这些数据用作训练和测试BP神经网络模型。最后把得到的BP神经网络模型应用于具体问题并检测应用效果。经实践检验，该定位方法在短距离定位中比较可行，具有较好的定位性能。 　　【关键词】无线传感器网络 BP算法 神经网络 定位 　　随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，人们研制出了各种具有感知能力、计算能力和通信能力的微型传感器。许多的微型传感器构成了无线传感器网络引起了人们的极大关注。无线传感网可以使人们在任何时间、地点和任何环境条件下获取大量详实可靠的物理世界的信息，将被广泛地用于国防军事、国家安全、环境监测、交通管理、医疗卫生、制造业、反恐抗灾等领域。 　　传感器节点的定位技术是无线传感网络的支撑技术。目前，广泛使用的ZigBee无线传感器网络的原理是测量节点间的距离实现网络传输，无线传感器网络定位技术通常采用的方法是在保证信号接收强度（RSSI）的基础上进行测量。这种测量方法采取的主要方式是设置已知的参考节点，通过待定位节点接收到的RSSI值对该节点到各个参考节点的距离进行计算，再利用计算结果、采用不同的算法对目标点的坐标进行推导。本文对一种新型的定位方法进行了分析，此种方法得到未知节点坐标的途径是利用待定位节点与多个固定参考节点间的RSSI值对BP神经网络模型进行训练得到的。 　　1 无线信号传输模型 　　根据无线通信的基本原理，无线信号在自由空间中传播时信号随传播距离的增加而有规律的变弱。但是在一些复杂的环境里与自由空间相比，无线信号的传播规律性比较差。即便是传播距离相等，所测得的信号强度的差别也比较大。传统的定位技术受接受信号强度的影响，利用无线信号传播模型，利用拟合技术或凭经验得到模型中的未知参数A和N，接着在传播模型中代入信号强度值，计算出对应的距离，最后利用位置距离算法实现定位。此种方法的缺点是经验性强，普遍适用性差，不能得到较高的精度。而且在复杂多变的空间环境中，接收信号强度（RSSI）与传播距离（d）的关系就更加复杂多变。 　　2 用BP神经网络拟合RSSI-d非线性函数关系 　　Kolmogorov定理对此的证明显示，一个三层BP网络可以实现所有连续函数，所以RSSI与距离d之间建立的非线性函数关系完全可以用BP神经网络来拟合。误差反向传递神经网络是BP神经网络的别称。该网络具有前反馈性，利用的学习方式是均方差。BP网络同时具备输入层和输出层，另外还有一层或多层隐藏神经元结构。该种网络的采用全局逼近方法的学习算法，所以该网络的泛化和容错能力都比较强。 　　3 BP神经网络与无线传感网定位方法 　　3.1 神经网络模型建立 　　本文采用RSSI方法测量盲节点与各参考节点之间的距离，参考节点固定，盲节点通常是移动的，盲节点每隔一定时间发送一次广播信息，参考节点将监听到广播信息后，将测得的各RSSI值发送至中心盲节点，盲节点收集好信息后再发送给协调器及上位机。 　　3.2 样本数据库建立 　　通过对训练样本的学习，BP网络才能获得节点位置预测的能力。一般来说，训练样本数量越多，BP神经网络预测能力越强，所以为了提高定位的精准度，应适当多采样来训练样本，同时采用平均值法使样本数据更有效。 　　3.3 BP神经网络参数确定 　　本文采用3层的BP神经网络来实现，只包含一个隐含层。基本BP算法采用梯度下降法使得误差均方趋向最小，直到达到误差要求。经比较发现，traincgf算法收敛速度快，并且可沿共轭方向达到全局最小点，适合应用于节点位置估测；隐含层节点数对BP神经网络的预测精度有较大影响，隐含层节点数过多会增加训练网络的时间，网络容易过拟合。本文取经验值3为隐含层节点数，经仿真验证，可达到很好的效果。 　　4 仿真结果分析 　　不同测距误差下BP定位算法与最小二乘估计法的比较：BP定位算法与最小二乘法定位效果表中，进行一千次实验后得到的BP定位算法，利用参考节点与盲节点之间的坐标得到最小二乘法的数据。定位结果到未知节点真实值之间的距离成为定位误差，通过比较BP定位算法得到的平均误差与较之最小二乘估计法得到的误差，前者的误差较小。图1中显示，随着误差的增大，与最小二乘估计法相比BP定位算法得到的误差增大速度慢。可以说，当测距误差较大时，BP定位算法有较大的优势，由此可以说明BP定位算法的定位性能比最小二乘估计法好。 　　5 结语 　　定位技术是无线传感器网络的关键技术，对提高生产效率、人员