[发明专利]一种室内位置的反向传播神经网络概率密度预测方法

权利要求书

1.一种室内位置的反向传播神经网络概率密度预测方法，具体按照以下步骤实施：

步骤1、选取多层室内结构的正方形测试区域作为试验场地，以矩形网格形式共选取n*n个标准参考点，每个标准参考点等间距选取，标准参考点即构成室内区域取值的参考位置，通过路径损耗模型获得实际标准参考坐标，在试验场地的四角分别设置RSSI信号发射器，将选取的标准参考点测得的RSSI值和角度值两类数据汇总到同一标准数据集；

步骤2、将步骤1测得的标准数据集按照最大最小的数值处理方法进行归一化处理；将处理后的标准数据集按照7:3划分为训练集和测试集；

所述步骤2具体按照以下步骤实施：

步骤2.1、将步骤1得到的标准数据集进行归一化处理，环境为Python，版本号为3.6.0，开发所使用的编译器为PyCharm智能集成开发工具，利用公式(1)中最大最小的数值处理方法，分别对数据集中的RSSI值和角度值进行数据归一化：

当处理RSSI值时，x表示步骤1标准数据集中的RSSI值，minA和maxA分别是标准数据集中RSSI值的最小值和最大值，x′表示经过归一化处理的RSSI值；当处理角度值时，x代表标准数据集中的角度值，minA和maxA分别是标准数据集中角度值的最小值和最大值，x′表示经过数据归一化处理的角度值；

步骤2.2、将步骤2.1得到的归一化的标准数据集按照7:3划分为训练集和测试集；

步骤3、改进并分析传统的反向传播神经网络模型，最终得到改进后的BPNN模型；

所述步骤3具体按照以下步骤实施：

步骤3.1、利用步骤2.2经过归一化处理后得到的训练集对传统的BPNN模型从正向传播和反向传播两个方面进行训练，得到改进后的BPNN模型；在正向传播的过程中，BPNN模型根据当前的输入以及上一次反向传播之后更新的权值w和偏移量b值去计算出当前输入所映射的预测输出；在反向传播的过程中，从后往前不断根据当前层的误差去更新w和b值，其中，反向传播中w和b的更新过程具体如下公式(2)～(9)：

其中，BPNN模型有一个输入层、两个隐藏层和一个输出层，参数y代表输入层的输入矢量，具体指步骤2中经过数据处理后得到的训练集中RSSI值和角度值；为输出层的输出矢量，具体为预测标准参考点的x轴，y轴坐标即预测坐标；a(.)表示神经元的激活函数是一个线性函数，表示作用于第k层中的第j个神经元的线性结果；参数表示第k层中的第j个神经元激活函数的输出，参数表示第k-1层中的第i个神经元指向第k层中的第j个神经元之间的连接权重，表示第k层第j个神经元的偏置；利用最小二乘法得到预测误差E_total，根据输出的预测坐标进行分析不断优化BPNN模型，参数σ_k,j表示第k层中第j个神经元的误差；BPNN模型中的权重w和偏移量b基于梯度下降由公式(4)-(9)更新；激活函数采用线性函数、ReLU函数或sigmoid函数，具体形式为公式(10)-(12)；更新完成后即得到训练好的BPNN模型；该步骤中，通过改变激励函数对神经元作用的范围，使得同层神经元的激励函数不同，利用多个概率函数的组合作为激励函数来改进BPNN神经网络模型；

步骤4、利用改进后的BPNN模型作用于步骤2数据预处理后得到的测试集，得到参考标准点的累积误差分布函数和概率密度函数；

所述步骤4具体按照以下步骤实施：

步骤4.1、利用训练好的BPNN模型，输入为步骤2.2划分出来的测试集中的RSSI值和角度值，输出为预测标准参考点的位置坐标，进而使用公式(13)中绝对距离的计算方法用来统计BPNN模型输出的预测坐标相对于测试数据集中标准参考点坐标的误差，即预测误差；

步骤4.2、利用步骤4.1得到的预测误差，绘制累积误差分布函数曲线图；其中，横坐标为误差距离，范围是0-11米，纵坐标为预测误差小于横坐标的误差距离下的个数占测试集中总个数的比率，得到改进后的BPNN模型对应的累积误差分布函数曲线图；

步骤4.3、利用步骤4.2得到的累计误差分布函数，将该累计误差分布函数经过微分推导后得到预测的概率密度函数。