一种基于BP神经网络室内定位模型.docVIP

一种基于BP神经网络的室内定位模型 　　摘 要:室内定位技术是一种获取室内的人和物位置信息的技术,以位置信息为基础可为使用者提供多种服务,在军事和民用领域都有着广阔的应用前景#65377;在分析几种常见的室内无线定位方法以及基于RSS的室内无线定位方法的基础上,提出一种基于BP神经网络的室内定位模型并借助MATLAB 7.0加以实现#65377;采用该方法进行室内定位,不需要WLAN以外的其他资源#65377;由于不需要知道定位节点和建筑物的详细特性,用户的隐私将会得到完全的保护#65377;仿真实验证明该模型的有效性#65377; 　　关键词:室内定位;RSS; BP神经网络;IEEE 802.11b 　　中图分类号:TN911.23 文献标识码:A 　　 　　1 引 言 　　 　　目前,室内定位算法主要有以下几种#65377; 　　1)Time of arrival(TOA) 　　TOA定位的基本原理是通过测量节点间电波传播的时间来确定节点的位置#65377; 　　TOA算法要求参加定位的各个基站在时间上实现严格同步#65377;在室内环境中,由于已知点到待测点的距离通常不远,无线电波的传播速度太快,且存在严重的多径干扰,因此无法利用无线电波进行测距#65377;目前,基于TOA的室内定位技术通常是利用超声波传播速度较慢的特点(在20摄氏度时超声波的传播速度为343.38m/s),来测量出已知点和待测点间的距离,进而求出待测点的位置[1]#65377; 　　2)GPS L1 Re-radiating 　　GPS(Global Positioning System)是70年代初由美国开发的卫星导航定位系统,本质上它也是一个基于TOA的定位系统#65377; 　　GPS L1 Re-radiating是将GPS在L1频段上的信号,通过户外天线接收后,增益放大为室内可接收信号,进而基于GPS实现室内定位#65377; 　　3)Received signal strength,RSS 　　RSS定位的基本原理是利用移动装置侦测所接收到的无线电波信号强弱,然后根据经验模型或RSS随距离衰减的模型来推断节点间的距离,进而实现定位[2]#65377; 　　该技术主要使用无线网络本身的无线电信号来定位,不需额外添加硬件,是一种低功率#65380;廉价的定位技术[3]#65377; 　　基于信号强度的室内定位方法分为经验模型法和信号衰减模型法#65377; 　　(1)经验模型法 　　在经验模型法中,将RSSI数据转换为位置信息的方法主要有判定法和概率法两种#65377; 　　(2)信号衰减模型法 　　信号衰减模型法则无需实地测量位置和RSSI,而是依据信号强度和距离的特定关系,结合三角测量法,根据来自三个(或以上)AP的RSSI来计算出待测点的位置#65377; 　　基于TOA的定位模型在开放的室外环境中非常有效,但在室内环境却存在一些问题#65377;使用超声波虽可克服无线电波传输速度快的问题,但需构建专门的超声波系统#65377;GPS也主要是针对户外目标设计的定位系统,应用于室内存在定位精度不高等问题#65377;基于RSS的定位模型中,经验法需进行大量的实地测量,同时无法保护定位用户的隐私;而信号衰减法在室内受NLOS(非视距传播)等因素影响,也使得定位精度较低#65377; 　　因此,本文提出了一种基于BP神经网络的室内定位模型并借助MATLAB 7.0加以实现#65377;采用该方法进行室内定位,不需要WLAN以外的其他资源#65377;由于不需要知道定位节点和建筑物的详细特性,用户的隐私将随之得到完全的保护#65377; 　　 　　2 基于BP神经网络的室内定位模型 　　 　　BP神经网络通常是指基于误差反向传播算法(Backpropagation)的多层前向神经网络,目前,该算法已成为应用最为广泛的神经网络学习算法[4]#65377; 　　BP神经网络采用的是并行网络结构,包括输入层#65380;隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果#65377;该算法的学习过程由信息的前向传播和误差的反向传播组成#65377;在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层#65377;第一层神经元的状态只影响下一层神经元的状态#65377;如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小#65377;神经网络理论已经证明BP神经网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现#65377;