[发明专利]一种基于广义回归神经网络的室内3D定位方法

说明书

本发明公开了一种基于广义回归神经网络的室内3D定位方法，涉及3D定位技术领域，通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入，经过多次迭代，获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中，利用优化平滑因子σ的取值，建立最优广义回归神经网络模型，准确定位待测节点的三维位置；本申请提供的一种基于广义回归神经网络的室内3D定位方法，通过引入改进的灰狼算法IGWO优化广义回归神经网络的平滑因子σ，有效解决了因人为选择参数不当而导致的预测效果不好和过拟合现象，提高了模型的预测精度，定位精度更高且寻优速度更快。

技术领域

本发明涉及3D定位技术领域，特别涉及一种基于广义回归神经网络的室内3D定位方法。

背景技术

为实现更加精准的室内定位，现有技术应用人工神经网络等人工智能理论结合接收信号强度RSSI(Received Signal Strength Indication)进行室内定位。其中，广义回归神经网络(Generalized RegressionNeuralNetwork,GRNN)非线性映射能力强，数据拟合能力和学习速度也更优，十分适合室内定位。其模型结构简单，预测性能很大程度上取决于参数σ的取值，但σ取值时主观影响较大，需要寻找一种优化σ取值的方法来实现高精度定位。

灰狼优化算法(GreyWolfOptimizer,GWO)是一种新兴的群智能优化算法，收敛性能较强、参数少、易实现，可用于优化参数，被许多研究者广泛采用，但GWO算法在寻优过程中容易陷入局部最优。为进一步提升GWO算法的性能，现有技术利用混沌Cat映射、粒子群算法个体记忆功能、高斯变异扰动和优胜劣汰选择规则来优化算法。但是以上四种改进方法并没有对位置更新策略进行改进，且全局和局部搜索能力的协调不够灵活，寻优能力和寻优效率还有待提高。因此得知，现有技术中基于相对位置的定位方法容易受环境干扰，定位精度不高。

基于此现有问题，本申请提出了一种基于广义回归神经网络的室内3D定位方法，通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入，经过多次迭代，获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中，利用优化平滑因子σ的取值，建立最优广义回归神经网络模型，准确定位待测节点的三维位置。

发明内容

本发明的目的在于提供一种基于广义回归神经网络的室内3D定位方法，通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入，经过多次迭代，获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中，利用优化平滑因子σ的取值，建立最优广义回归神经网络模型，准确定位待测节点的三维位置。

本发明提供了一种基于广义回归神经网络的室内3D定位方法，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。

进一步地，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。