摘  要： 使用BP-GA算法相結合的方法來作為室內定位模型的主要定位算法，在得到初始坐標后利用泰勒級數(shù)定位算法優(yōu)化得到最終待測點坐標。該算法很好地減弱了室內環(huán)境對定位精度的影響，并且具有較高的精度。仿真實驗驗證了該模型的有效性。
關鍵詞： 室內定位；BP算法；GA算法；泰勒級數(shù)定位算法

    室內定位技術按所借助的手段不同可以分為[1-2]基于無線電信號的定位技術、基于紅外線的定位技術、基于超聲波的定位技術、基于藍牙的定位技術、基于激光的定位技術、基于射頻識別技術的定位技術以及基于WiFi的定位技術等。由于室內環(huán)境存在非視距、多徑、干擾多變等因素, 同時考慮到設備費用和實現(xiàn)的復雜程度等,本文選擇了利用ZigBee技術基于RSSI值的定位算法。
    當前，廣泛使用的ZigBee技術無線定位系統(tǒng)主要通過測量節(jié)點間的距離來實現(xiàn)[3]?；赗SSI的測距是無線傳感網絡定位技術中較常采用的方法，該類方法大多數(shù)通過設置已知參考節(jié)點。首先利用待定位節(jié)點接收到的RSSI值計算出該節(jié)點到各個參考節(jié)點的距離，再通過各類定位算法推導出目標點的坐標。傳統(tǒng)的基于RSSI的室內定位技術基本上都是以無線信號傳播模型為基礎的，在不同的定位環(huán)境中，通過擬合或直接根據(jù)經驗得出無線信號傳播模型中未知參數(shù)A和n，再根據(jù)一些位置距離算法來最終實現(xiàn)定位。但這些算法過于依賴一些經驗模型，對于不同的環(huán)境的適應性不強，在一些室內情況復雜的條件下會有很大的誤差。本文在基于ZigBee組成的網絡的基礎上，使用BP神經網絡和GA算法融合來初步算出待定位物體的位置，再融入泰勒級數(shù)定位算法來算出最終待定位物體的位置。
  

    由此可以看出，A和n為值直接影響到了根據(jù)RSSI值得到的距離，進一步影響到定位的精度。無論是理想環(huán)境還是室內環(huán)境下，傳輸信號與傳輸距離之間有一定的關系，在實際環(huán)境下RSSI值的變化有一定的規(guī)律可循，RSSI值與距離d之間是一個連續(xù)的非線性關系，而Kolmogorov定理也已經證明[5-6]，任意一連續(xù)函數(shù)可由一個3層BP網絡來實現(xiàn)，所以可由一個3層的BP網絡來代替RSSI經驗公式來得到RSSI值與d之間的關系，并且可以直接由BP網絡直接得到待測節(jié)點的坐標值。
2 BP神經網絡模型的確定
    根據(jù)RSSI與坐標值之間的一一對應關系，本系統(tǒng)設計由4個參考節(jié)點確定一個盲節(jié)點位置，所以BP神經網絡的輸入有4個(即4個參考節(jié)點到盲節(jié)點的RSSI值)，輸出有2個(x，y)(即盲節(jié)點的坐標值)，對于隱含層層數(shù)和神經元數(shù)的選擇是一個難點，目前還沒有理論上的指導，只有經過大量的實驗來選擇最佳的隱含層層數(shù)。
    本文采用4:35:2結構的BP神經網絡，如圖1所示。使用相似的方法可以確定出計算RSSI值與d之間關系的BP網絡結構圖,與圖1結構相似，采用1:20:1的結構。傳統(tǒng)的BP神經網絡[6-7]算法確定權重時所采用的學習算法是基于梯度下降的，不可避免地存在著訓練時間長、收斂速度慢、易陷于局部極小值以及完全不能訓練等問題。所以本文結合使用遺傳算法來優(yōu)化BP神經網絡，改善BP神經網絡的缺陷，使算法避免陷入局部極小值、收斂速度慢等問題。

3 BP-GA算法
    在GA每一代進行遺傳操作之前，對群體中的最優(yōu)個體進行次數(shù)較多的BP訓練[8-10]，使最優(yōu)個體得到足夠的訓練后目標誤差能很快地下降，作為混合學習算法指導誤差下降的主導搜索方向，然后將經BP訓練后的最優(yōu)個體與群體中的其他個體逐一進行啟發(fā)式的交叉式算法，能在最優(yōu)個體與群體的其他個體所形成的尋優(yōu)空間中并行尋優(yōu)，再從交叉子代和經BP訓練后的原最優(yōu)個體中選出當代最優(yōu)個體進行下一次的BP訓練。
4 泰勒級數(shù)定位算法
    泰勒級數(shù)定位方法[11-12]是一種基于泰勒級數(shù)展開的加權最小二乘估計迭代算法。它適用于所有的定位系統(tǒng)，并利用所有的測量參量來改善定位精度。該方法的核心思想為：(1)在目標位置的初始估計點利用泰勒級數(shù)展開，并忽略二次及以上項，將非線性方程變?yōu)榫€性方程，并采用最小二乘算法對偏移量進行估計；(2)利用估計的偏移量修正估計的目標位置，并不斷迭代，使估計的目標位置逼近真實位置，從而得到對目標位置的最優(yōu)估計。
5 ZigBee定位系統(tǒng)模型
    本系統(tǒng)設計的這套二維室內無線定位系統(tǒng)主要由主機、網關、定位節(jié)點、參考節(jié)點4個部分組成。主機是一臺筆記本電腦，負責處理網關發(fā)送的信息，計算出盲節(jié)點坐標和顯示盲節(jié)點位置等。網關由CC3430組成，負責網絡的組建、節(jié)點地址的分配和負責主機與參考節(jié)點、盲節(jié)點之間的通信等，參考節(jié)點由CC2430組成，是位置已知且固定不動的節(jié)點。盲節(jié)點由CC2431組成，是位置未知的移動節(jié)點。
5.1 系統(tǒng)模型定位流程圖
    系統(tǒng)總體流程圖如圖2所示。首先建立ZigBee網絡，然后待測節(jié)點收到各個參考節(jié)點的RSSI值，將RSSI值發(fā)送到網關，由網關送入主機中的BP-GA算法計算得到待測節(jié)點的初始坐標，將此坐標值確定為送入泰勒級數(shù)定位算法的初始值，進行循環(huán)泰勒級數(shù)展開，泰勒級數(shù)定位算法的計算達到要求的精度值后，輸出最終待測節(jié)點坐標，發(fā)送到監(jiān)控軟件界面顯示。

5.2 實驗仿真結果分析
    由ZigBee網絡中盲節(jié)點收集到的各個參考節(jié)點到其RSSI值送入到算法網絡中作為輸入，該RSSI值所在節(jié)點的實際坐標為輸出標準進行訓練,將得到的初始坐標值送入泰勒級數(shù)定位算法中進行二次優(yōu)化得到最終的盲節(jié)點坐標。
    首先，選用4個參考節(jié)點a、b、c、d，其坐標（0，0）、（0，13）、（7，13）、（7，0）組成一個實驗環(huán)境，其中每格為30 cm。在其中隨機選取20個點作為測試點，將這些值分別送入BP算法、BP-GA算法和本文算法，得到盲節(jié)點的坐標如圖3所示。
    由圖3、圖4、圖5可以看出在本文算法用于定位優(yōu)于單獨使用BP算法或是使用BP-GA算法進行定位。使用本文算法所得到的盲節(jié)點坐標值與盲節(jié)點的實際坐標值非常接近，較好地克服了定位時環(huán)境中的各種干擾因素的影響。

    本文通過在ZigBee組成網絡基礎上，通過使用BP-GA算法和泰勒級數(shù)定位算法相結合的定位方法，并且通過引入BP網絡來代替RSSI經驗公式來得到RSSI值與d之間的關系，避免了對環(huán)境中復雜參數(shù)A和n的擬合，很好地減弱了環(huán)境因素對定位精度的影響，且通過上面的仿真可以發(fā)現(xiàn)，只要在一個室內環(huán)境中采集足夠多的RSSI值，利用該算法就能夠達到很好的定位精度，誤差能夠控制在30 cm內。
參考文獻
[1] Yu Kengen，SHARP L，GUO Y J.Ground-based wireless positioning[M].Wiley-IEEE Press，2009.
[2] 萬群，郭賢生，陳章鑫.室內定位理論、方法和應用[M].北京：電子工業(yè)出版社，2012.
[3] 呂源，李軍.基于CC2431的室內定位系統(tǒng)[J].現(xiàn)代電子技術，2009(2)：95-101.
[4] 朱明輝，張會清.基于RSSI的室內測距模型的研究[J].傳感器與為系統(tǒng)，2010，29(8)：19-22.
[5] KHOSHGOFTAAR T M，PANDYA A S，LANNING D L. Applicationof neural networks for predicting defects[J].An nals of Software Engineering，1995，1(1)：141－154.
[6] HAYKIN S.Neural Networks[M].Prentice Hall，1998.
[7] 陸瓊瑜，童學鋒.BP算法改進研究[J].計算機工程與設計，2007，28(3)：648-649.
[8] 陳永龍，何國良，徐宗昌.基于BP-GA的融合算法實現(xiàn)[J].裝備指揮技術學報，2007，18(4)：107-110.
[9] Lu Chun，Shi Bingxue，Chen Lu.Hybrid BP-GA for multilayer feedforward neural network[J].ICECS 2000，2002(2)：958-961.
[10] Li Jianping，BALAZS M E，PARKS G T，et al.A speciesconserving genetic algorithm for multimodal function optimization[J].Evol Comput.，2002，10(3)：207-234.
[11] 張會清，石曉偉，鄧貴華，等.基于BP神經網絡和泰勒級數(shù)的室內定位算法研究[J].電子學報，2012，40(9)：1876-1879.
[12] 田孝華，周義建.無線電定位理論與技術[M].北京：國防工業(yè)出版社，2011.