基于粒子群和人工神经网络来优化RFID 室内定位算法

粒子群优化人工神经网络的RFID 室内定位算法

作者：陈珊珊，史志才，吴 飞，张玉金，陈计伟

文章提出了一种基于粒子群优化( PSO) 的人工神经网络( ANN) 方法。采用 PSO 优化 ANN 的权值与阈值，避免了传统 ANN 预测结果易陷入局部最优的缺点，并建立了标签信号强度值与位置坐标的关系。

RFID 室内定位算法分析

一般阅读器获取定位标签的信号强度随着传播距离的增加而减弱，其中信号强度值和传播距离模型为：

式中 RSSI( d) 为阅读器读取与其相距为 d( m) 的电子标签的信号强度，P0 为阅读器读取参考距离为 d0 ( m) 时电子标签的信号强度，γ 为信号的路径损耗系数，d 为阅读器与标签之间的距离，εδ 为高斯噪声。

室内定位算法的改进

RFID室内定位信息服务是建立高斯滤波后的RSSI向量与位置坐标之间的关系。

(1) 4 个阅读器分别重复读取 50 次每个参考标签的 RSSI 值，对重复读取的 50 个 RSSI 值进行高斯滤波
处理，并将处理后的 RSSI 值与每个参考标签的坐标作为训练数据。另外需要初始化粒子群算法的位置和速度，用训练数据作为粒子群算法的输入得到最优的 ANN 权值和阈值，最后将优化后的 ANN 作为本文的定位模型。
(2) 把待定位标签接收的 RSSI 向量经过高斯滤波处理后获得( Gauss RSSI，GRSSI) 向量作为定位模型的输入，由定位算法得到的坐标 即是待定位标签估计的定位位置。

数据滤波

在实际室内环境中，阅读器在同一位置重复测量的RSSI值遵循高斯分布:

式中 σ2 为方差，A 为期望值，有

式中 n 为测量 RSSI 值的总次数，RSSIk 为第 k 次测得的RSSI 值。

实验

实验环境

定位场景是在一个 12 m × 5 m 的长方形区域内，每一个物理格被 4 个阅读器信号覆盖。在定位地图中，布置有 50 个参考标签，其相邻参考标签之间间隔 1 m。另外，在定位地图放置 4 个阅读器天线来收集 PSO-ANN 的 RSSI 样本值。仿真前需要根据所有参考标签的坐标，分别计算出与 4 个阅读器之间的距离，将距离根据式生成对应的 RSSI 向量，其中 r 取 10; 并在 RSSI数据中添加均值为 0、标准差为 3 的高斯噪声，作为RSSI的随机分量，以模拟实际环境中的噪声，然后通过高斯滤波对接收的 RSSI 值进行去噪。将参考标签的坐标和其对应的信号强度向量作为 ANN 和 PSO-ANN 的训练数据，用于两者的训练，使得训练后的 ANN 和 PSO-ANN 能够预测待定位标签的位置。

实验结果

随机生成 50 个待定位标签的二维坐标，分别计算出每个待定位标签与 4 个阅读器之间的距离，利用式( 1) 计算每个待定位标签的 RSSI 向量，将这 50 个待定位标签的 RSSI向量经过滤波处理后获得 GRSSI 向量，将 GRSSI 向量分别作为 ANN 和 PSO-ANN 的输入，分别通过 2 种算法预测出50 个待定位标签的坐标，每种算法对 50 个待定位标签共进行了 50 次位置预测。

以位置误差验证测量系统的定位精度。第 j 个标签的测量位置的误差 ej 定位的平均误差 eA 为

式中 ( xj，yj ) 为 第 j 个参考标签估计位置，( xjo，yjo ) 为 第 j 个标签的真实位置，h 为测验总次数。