[发明专利]一种基于广义回归神经网络的室内3D定位方法

权利要求书

1.一种基于广义回归神经网络的室内3D定位方法，其特征在于，包括以下步骤：

采集测试场所内测试节点的三维坐标样本数据，训练并建立广义回归神经网络模型；

利用灰狼算法调整平滑因子，获得最优优化平滑因子σ；

将灰狼种群的初始种群分布的最优优化平滑因子σ映射为广义回归神经网络模型的参数平滑因子σ；

在测试场所的角落和中心处设置信标节点；

将待测节点与信标节点间的信号强度值输入广义回归神经网络模型，广义回归神经网络模型输出待测节点的三维坐标值。

2.如权利要求1所述的一种基于广义回归神经网络的室内3D定位方法，其特征在于，所述利用灰狼算法调整平滑因子，获得最优优化平滑因子σ的步骤，包括：

利用佳点集方法初始化灰狼算法的灰狼种群，获得灰狼种群的初始种群分布；

引入适应度权值，计算灰狼种群的初始种群分布的适应度值；

对灰狼算法的控制参数进行对数式调整；

获取灰狼种群的最优优化平滑因子σ。

3.如权利要求2所述的一种基于广义回归神经网络的室内3D定位方法，其特征在于，所述利用佳点集方法初始化灰狼算法的灰狼种群，获得灰狼种群的初始种群分布的步骤，包括：

在D维搜索空间内随机生成N个灰狼表示为：

r_d＝e^d,1≤d≤D

其中，e为常数，e＝2.71828183，d表示当前搜索空间维数；

使用佳点集方法，佳点集中第i个点的第d维表示为：

其中，表示向下取整；

将佳点集映射到灰狼种群的初始种群，搜索空间为1维，则第i个灰狼的1维空间的值为：

X_i＝l₁+r_i1(u₁-l₁),i＝1,2,...,N

其中，u₁和l₁分别表示灰狼个体的1维空间的上下限；

获得灰狼种群的初始种群分布。

4.如权利要求2所述的一种基于广义回归神经网络的室内3D定位方法，其特征在于，所述引入适应度权值，计算灰狼种群的初始种群分布的适应度值的步骤，包括：

构造适应度函数计算灰狼个体的适应度值，适应度函数为：

其中，(x′_j,y′_j,z′_j)是广义回归神经网络模型的第j个预测位置，(x_j,y_j,z_j)是第j个样本实际位置，M为测试位置样本数；

根据计算出的适应度值选出值最小的3个灰狼个体，适应度值按从小到大分别记为f_α、f_β、f_δ，将α、β、δ狼的适应度权值分别记为：k_α、k_β、k_δ，数学表达式为：

5.如权利要求2所述的一种基于广义回归神经网络的室内3D定位方法，其特征在于，所述对灰狼算法的控制参数进行对数式调整的步骤，包括：

采用对数函数调整灰狼算法的控制参数，调整方式为：

其中，μ为曲率参数。

6.如权利要求5所述的一种基于广义回归神经网络的室内3D定位方法，其特征在于，还包括：

根据曲率参数，获取协同系数变量和摆动因子：

C＝2rand(0,1)

其中，A为协同系数向量，C为摆动因子，rand(0,1)表示[0,1]上均匀分布的随机数。