基于BP神经网络的ZigBee无线定位技术

合集下载

基于BP算法的无线传感器网络定位

基于BP算法的无线传感器网络定位

基于BP算法的无线传感器网络定位
于伟;王英龙;徐新;李东岳
【期刊名称】《山东科学》
【年(卷),期】2009(22)6
【摘要】无线传感器网络(wireless sensor network,WSN)是一种应用广泛的全新的信息获取和处理方式,可以实现复杂的大规模监测和追踪任务.节点定位是无线传感器网络中的关键技术之一.位置估计的精度直接影响WSN后继的网络传输和监测性能.本文利用BP神经元网络方法对定位进行优化,并对测度结果进行验证.结果表明该算法提高了定位精确度.
【总页数】4页(P66-69)
【作者】于伟;王英龙;徐新;李东岳
【作者单位】山东师范大学,山东济南250014;山东省科学院,山东济南250014;山东省科技馆,山东济南250012;山东轻工业学院,山东济南250353
【正文语种】中文
【中图分类】TP301
【相关文献】
1.基于无线传感器网络的改进 RSSI 井下定位算法的矿井人员定位系统设计 [J], 任子晖;顾靓雨;周萌萌
2.基于PSO-BP算法的无线传感器网络定位优化 [J], 卞国龙;黄海松;王安忆;于凯华
3.无线传感器网络环境下基于锚节点定位的节点定位误差分析 [J], 海丹;郑志强;张

4.基于遗传BP算法的温室无线传感器网络定位方法 [J], 王俊;刘刚
5.基于GA-LMBP算法的无线传感器网络入侵检测研究 [J], 卢帆;汪烈军
因版权原因,仅展示原文概要,查看原文内容请购买。

一种基于BP神经网络的室内定位模型

一种基于BP神经网络的室内定位模型

一种基于BP神经网络的室内定位模型摘要:室内定位技术是一种获取室内的人和物位置信息的技术,以位置信息为基础可为使用者提供多种服务,在军事和民用领域都有着广阔的应用前景。在分析几种常见的室内无线定位方法以及基于RSS的室内无线定位方法的基础上,提出一种基于BP神经网络的室内定位模型并借助MATLAB 7.0加以实现。采用该方法进行室内定位,不需要WLAN以外的其他资源。由于不需要知道定位节点和建筑物的详细特性,用户的隐私将会得到完全的保护。仿真实验证明该模型的有效性。关键词:室内定位;RSS; BP神经网络;IEEE 802.11b中图分类号:TN911.23 文献标识码:A1 引言目前,室内定位算法主要有以下几种。1)Time of arrival(TOA)TOA定位的基本原理是通过测量节点间电波传播的时间来确定节点的位置。TOA算法要求参加定位的各个基站在时间上实现严格同步。在室内环境中,由于已知点到待测点的距离通常不远,无线电波的传播速度太快,且存在严重的多径干扰,因此无法利用无线电波进行测距。目前,基于TOA的室内定位技术通常是利用超声波传播速度较慢的特点(在20摄氏度时超声波的传播速度为343.38m/s),来测量出已知点和待测点间的距离,进而求出待测点的位置[1]。2)GPS L1 Re-radiatingGPS(Global Positioning System)是70年代初由美国开发的卫星导航定位系统,本质上它也是一个基于TOA的定位系统。GPS L1 Re-radiating是将GPS在L1频段上的信号,通过户外天线接收后,增益放大为室内可接收信号,进而基于GPS实现室内定位。3)Received signal strength,RSSRSS定位的基本原理是利用移动装置侦测所接收到的无线电波信号强弱,然后根据经验模型或RSS随距离衰减的模型来推断节点间的距离,进而实现定位[2]。该技术主要使用无线网络本身的无线电信号来定位,不需额外添加硬件,是一种低功率、廉价的定位技术[3]。基于信号强度的室内定位方法分为经验模型法和信号衰减模型法。(1)经验模型法在经验模型法中,将RSSI数据转换为位置信息的方法主要有判定法和概率法两种。(2)信号衰减模型法信号衰减模型法则无需实地测量位置和RSSI,而是依据信号强度和距离的特定关系,结合三角测量法,根据来自三个(或以上)AP的RSSI来计算出待测点的位置。基于TOA的定位模型在开放的室外环境中非常有效,但在室内环境却存在一些问题。使用超声波虽可克服无线电波传输速度快的问题,但需构建专门的超声波系统。GPS也主要是针对户外目标设计的定位系统,应用于室内存在定位精度不高等问题。基于RSS的定位模型中,经验法需进行大量的实地测量,同时无法保护定位用户的隐私;而信号衰减法在室内受NLOS(非视距传播)等因素影响,也使得定位精度较低。因此,本文提出了一种基于BP神经网络的室内定位模型并借助MA TLAB 7.0加以实现。采用该方法进行室内定位,不需要WLAN以外的其他资源。由于不需要知道定位节点和建筑物的详细特性,用户的隐私将随之得到完全的保护。2 基于BP神经网络的室内定位模型BP神经网络通常是指基于误差反向传播算法(Backpropagation)的多层前向神经网络,目前,该算法已成为应用最为广泛的神经网络学习算法[4]。BP神经网络采用的是并行网络结构,包括输入层、隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果。该算法的学习过程由信息的前向传播和误差的反向传播组成。在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。第一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小。神经网络理论已经证明BP神经网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现。计算技术与自动化2007年6月第26卷第2期李瑛等:一种基于BP神经网络的室内定位模型2.1 样本数据的采集和处理输入向量为待测点收到的来自至少三个不同位置AP的RSSI值,输出向量为待测点的坐标值(X,Y)。样本采集在一个10mX10m的室内场地中进行。使用3个来自SMC公司的AP和1台配置了ORiNOCO PC CARD的笔记本电脑。AP及无线网卡符合并工作在IEEE 802.11b标准下。笔记本电脑所使用的操作系统为RedHat Linux 9.0。样本均匀分布在6mx6m的中心区域中。2.2 网络结构的确定Kolmogorov定理已经证明[5],任意一连续函数可由一个三层BP 网络来实现。虽然研究表明三层以上的BP网络可以减少隐含层节点数,提高计算效率,但在缺乏理论指导的BP网络设计中这样做容易使问题趋向复杂化。因此选择三层BP神经网络,即只有1个隐含层的BP神经网络。该网络输入层的节点数由输入向量的维数决定,输入向量的维数是3,所以输入层节点数确定为3个。输出层节点数由输出向量的维数决定,这里输出节点数为2 。隐含层节点数的选择在BP网络设计中是一个难点,目前还没有理论上的指导。过多的网络节点会增加训练网络的时间,也会使网络的泛化能力减弱,网络的预测能力下降。然而网络节点过少则不能反映后续值与前驱值的相关关系,建模不充分。经反复试验,将隐含层节点数定为30,这样形成了一个3-30-2结构的BP神经网络,如图1所示。2.3 学习算法的选择基本BP 算法采用梯度下降法使得误差均方(mse)趋向最小,直至达到误差要求。但在实际应用中,存在收敛速度慢、局部极值等缺点。Matlab 7.0神经网络工具箱中提供了十多种快速学习算法,一类是采用启发式学习方法,如引入动量因子的traingdm 算法、变速率学习算法traingda 、“弹性”学习算法trainrp等;另一类采用数值优化方法,如共轭梯度学习算法traincgf 等。本研究选择traincgf 算法。该算法在不增加算法复杂性的前提下,可以提高收敛速度,并且可沿共扼方向达到全局最小点,较好地解决了经典BP算法所存在的收敛速度慢和可能出现局部最优解的问题。2.4 BP神经网络的初始化、训练与仿真1)建立网络net==newff(P3,[30,2],{′tansig′,′purelin′},′traincgf′)newff()为建立BP 神经网络的函数;P3为6维矩阵,表示3维输入向量中每维输入的最小值和最大值之间的范围。[30,2]表示隐层节点数是30,输出层节点数是2,{′tansig′,′purelin′}表示隐含层中的神经元采用tansig转换函数,输出层采用purelin函数,′traincgf′表示选择的学习算法。2)权重和阈值初始化net==init(net)本文原文给各连接权重LW{1,1}、LW{2,1}及阈值b{1}、b{2}赋予(-1,+1)间的随机值。3)训练[net,tr]=train(net,P,T)P为输入向量,T为目标向量,根据网络学习误差逆传递算法,利用阻尼最小二乘算法迭代,由前一次训练得到的网络权重及阈值训练得到新的网络权重及阈值。为了使生成的BP网络对输入向量有一定的容错能力,最好的方法是既使用理想的信号又使用带有噪声的信号对网络进行训练。具体做法是先用理想的输入信号对网络进行训练,直到起平方和误差足够小;然后,使用20组理想信号和带有噪声的信号对网络进行训练。经过上述训练后,网络对无误差的信号也可能会采用对付带有噪声信号的办法,这样会导致很大的代价,因此,需要采用理想的向量对网络再次训练,以保证网络能对理想信号作出最好的反应。使用函数traincgf对网络进行训练时,当网络平方和误差小于3时停止网络的训练。训练过程中的误差变化情况如图2所示。根据训练后的网络及输入向量进行仿真输出。3 实验结果及分析利用训练后的BP神经网络进行了36次定位,并统计了36次定位的平均误差,结果如图3所示。与利用信号衰减模型定位相比(如图4所示),利用BP神经网络定位具有更高的统计精度。与信号衰减模型相比,虽然BP神经网络的模型解释直观性略有不足,但却可获得更精确的定位结果。利用BP神经网络,虽然可解决传统处理方法所不能处理的非线性映射问题,但在实际应用中,对如何选择和确定一个合适的神经网络结构没有确切的理论指导,只能通过试验—调整—再试验的过程来确定一个合适的网络结构。同时,BP神经网络的隐含层作用机理和隐含层节点个数的选择是BP神经网络的难点问题。隐含层的节点个数的选择需反复进行试验,当多次输出结果在一定误差范围内时才可确定。4 结束语本文提出了一种基于BP神经网络的室内定位模型,并在基于IEEE 802.11b标准的WLAN环境中对此模型进行了测试。一个基于信号衰减模型的定位算法也在同样的环境中进行了测试。对比结果表明,利用BP 神经网络进行室内定位能取得更好的定位精度。在实验过程中,节点表现出个体差异,部分节点的定位精度始终较低。采用其他BP神经网络参数值来进一步提高定位精度是今后进一步的研究方向。注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

基于神经网络的无线室内定位算法研究

基于神经网络的无线室内定位算法研究

基于神经网络的无线室内定位算法研究无线室内定位一直是无线通信领域中的一个难点问题,传统的定位算法一般需要依赖于信号强度或者时间差等测量指标,但这些指标受到信号传播中的干扰和反射等影响较大,因此误差较大。

近年来,基于神经网络的无线定位算法逐渐受到研究者的关注,其具有容错性强、精度高等优点,已被广泛应用于各种室内定位场景中。

一、神经网络基本原理神经网络模拟了生物神经元之间传递信息的机制,由若干个神经元互相连接组成。

神经网络可以进行“学习”,也就是通过大量数据的输入和处理,自动调整神经元之间的连接关系和权值,从而实现输入数据与输出数据之间的关联性。

基本的神经网络结构包括输入层、隐藏层和输出层,其中隐藏层的数量和神经元个数决定了网络的复杂度。

二、基于神经网络的无线定位算法基于神经网络的无线定位算法主要分为两类:基于迭代算法的定位方法和基于监督学习算法的定位方法。

1、基于迭代算法的定位方法这种方法通常采用迭代法对测量得到的数据进行处理,得到目标物体在空间中的位置信息。

这种方法的优势在于精度较高,但是需要大量的计算和数据处理,因此一般只用于简单的室内定位场景中。

2、基于监督学习算法的定位方法这种方法一般采用神经网络进行模型训练,并利用测试数据对模型进行验证。

通过对大量的输入数据和输出数据进行训练,神经网络可以自动学习输入和输出数据之间的关系,从而实现精准的室内定位。

三、神经网络在室内定位中的应用基于神经网络的无线室内定位算法已被广泛应用于无线局域网(WLAN)、蓝牙定位和超声波定位等场景中。

1、WLAN定位WLAN定位能够通过网络中的基站和信号强度等信息对目标物体进行定位。

现有的WLAN定位算法主要基于信号强度指标,但其受到信号反射、阻挡等因素的影响较大。

基于神经网络的WLAN定位算法可以通过对多种因素的综合考虑,实现更精确的室内定位。

2、蓝牙定位蓝牙技术广泛应用于近场通信场景中,如室内导航、人员定位等。

基于神经网络的蓝牙定位算法通过对多种传输指标进行综合考虑,可以实现较高的定位精度。

基于Zigbee无线定位技术研究毕业论文

基于Zigbee无线定位技术研究毕业论文

基于ZigBee的无线定位技术研究摘要:随着现代通信技术和无线网络的快速发展,人们对定位与导航的需求日益增大,尤其在复杂的室环境,但是受定位时间、定位精度以及复杂室环境等条件的限制,比较完善的封闭空间定位技术目前还无法很好地利用。

本文的重点就在于设计并实现了一种低成本、实用的无线传感器定位系统。

本论文主要研究了基于ZigBee网络的室无线定位技术,它包括硬件平台、节点通信程序和上位机监测软件三部分。

本文详细介绍了三部分的实现。

其中,硬件平台以集成了射频与51微控制器的CC2430芯片为核心,该平台包括射频模块、辅助电路、功能指示电路等。

论文最后对定位系统进行了实际测试。

测试表明:本系统达到了设计要求,是一个低成本、易实现的系统。

关键词:ZigBee 无线定位CC2430 Z-STACKThe Research Wireless localization Based on ZigBeeTeacher:liu zhi(Changchun university of science and technology of electronic information engineering institute,060412225 wang meng)Abstract:With the rapid development of modern communication technology and wireless network,people's demand for positioning and navigation is increasing. Especially in complex indoor environments, but as the limitation of positioning time, positioning accuracy as well as the complexity of the indoor environment conditions, well-positioning technology is still unable to be used in an encloseure space. The combination of ZigBee technology and localization is one of the key researches.This paper, aiming at ZigBee network, investigates the indoor wireless location techniques and implements a real-time localization system. This paper achieves a localization system. three parts are included. They are hardware platform, communication program of nodes and PC monitor software. The achievement of every part is clear introduced in this paper. The core of hardware platform is CC2430 which is integrated by RF and 51 MCU, the localization nodes are designed and made. It includes RF module, auxiliary module and function indication circuits.In the end, practical test is implemented. This system is confirmed to be agood one, it is a low cost and easy achieved system.Keywords: ZigBee Wireless localization CC2430 Z-STACK毕业设计(论文)原创性声明和使用授权说明原创性声明本人重承诺:所呈交的毕业设计(论文),是我个人在指导教师的指导下进行的研究工作及取得的成果。

基于BP算法的无线传感器网络定位

基于BP算法的无线传感器网络定位

法来 解决 节点 自身定位 问题 。根 据定位 机 制 , 可将 WS N节 点 定 位算 法 分为 两 类 : 于测 距 (ag—ae ) 基 rnebsd 的
定位算法和无需测距(ag—e) r e r 的定位算法。测距方法利用信号强度、 同信号到达的时间差分以及到达 n fe 不
角度 ( O 等测量 相邻 节点 的距离 , 种 方法 定 位 精度 高 但 需要 额 外 硬件 支 持 , A A) 这 主要 的定位 方 法 有 三 角定 位法 、 三边 定位 法 、 最小 二乘估 计定 位算 法等 。非测 距方 法 根据 网络联 通性 和 锚 节 点密 度 , 用规 则 的节 及 利
20 1 5 0 4,C ia;3 h n o g S i c n eh oo yMu e m ,Jn n 2 0 1 hn .S a d n c n ea d Tc n lg s u e ia 5 0 2,C i ; hn a
4 h n ogIs tt o Lg tn ut , i n2 0 5 , hn ) .S a dn ntu i d s y J a 5 3 3 C i i ef hI r n a
lc l a in i n fis k y t c oo i die t n u n e h o a i to so e o t e e hn l ge . e a c r c fn d o a i t r c l if e c s t e z z o y l
作 为一 种全 新 的信 息获 取和 处理技 术 , 无线 传感 器 网络 ( i l ssno ew r, N) 以在 广 泛 的应 wr e esr tok WS 可 es n
用领 域 内实现复 杂 的大规模 监测 和追踪 任务 , 网络 自身定 位是 大多 数应用 的基 础 。 目前 , 而 已发 展 了许 多算

基于BP人工神经网络的室内移动定位技术

基于BP人工神经网络的室内移动定位技术

刘绍刚 1,李燕梅 1,李艳平 2
(1. 滇西科技师范学院 信息工程学院,云南 临沧 677000; 2. 陕西师范大学 数学与信息科学学院,陕西 西安 710119)
摘 要:基于无线传感器网络的室内定位技术因为室内复杂的环境,传感器通信存在着多径效应,无法使用信号强度
衰减模型进行精确定位。文中提出基于 ZigBee 结合 Fingerprinting 以及遗传算法优化的 BP 神经网络的方法进行定位。实验
Keywords: indoor positioning; BackPropagation neural network; genetic algorithm; ZigBee; Fingerprinting; wireless sensor network
0引言
近年来,随着嵌入式技术和无线通信技术的不断发 展,无线传感器模块具有更低的功耗,更快的处理速度, 每一个无线传感器模块都可以独立地完成一些任务。 例 如 ,监 测 室 内 的 温 度 ,系 统 需 要 知 道 人 在 屋 内 的 确 切 位 置 ,并 测 得 人 所 在 位 置 的 实 际 温 度 ,随 后 再 把 人 所 在 位置的实际温度调整到最舒适的温度,这样就可以避免 多余的能源浪费。越智能的室内系统就越需要智能体 的 位 置 并 做 出 合 理 的 调 整 ,所 以 室 内 定 位 技 术 [1] 变 得 越 来越重要。
结果证明该方法可以用于室内的精确定位,在定位范围为 2 m×2 m 的条件下,非训练点的定位平均误差为 0.22 m。
关键词:室内定位;BP 神经网络;遗传算法;ZigBee;Fingerprinting;无线传感器网络
中图分类号:TN915.02⁃34;V271.4
文献标识码:A

一种基于BP神经网络的室内定位模型

一种基于BP神经网络的室内定位模型
v c sf ru e sb s do a in if r a in a d h sawie fr g o n l a y a d cvl o i s i o s r a e n l t o e c o o n m t n a d o e r u d i mi t r n ii d man .On t eb s f n lzn me o n i h a i o ay ig s s a o
维普资讯
第2 6卷 第 2期
2 00 7年 6月
计 算

术 与 自 动

V0 . 6. . 】 2 No 2
Co pu ig Te hn lgy a d Au o a in m tn c oo n t m to
的 室 内 无 线 定 位 方 法 的 基 础 上 , 出一 种 基 于 BP神 经 网 络 的 室 内定 位 模 型 并 借 助 MATL 0加 以 实 提 AB 7.
现 。采 用 该 方 法 进 行 室 内定 位 , 需 要 WL 不 AN 以 外 的 其 他 资 源 。 由 于 不 需 要 知 道 定 位 节 点 和 建 筑 物 的 详 细 特 性 , 户 的 隐 私将 会得 到 完 全 的 保 护 。 仿 真 实验 证 明 该 模 型 的 有 效 性 。 用 关 键 词 : 内定位 ; S ; P神 经 网 络 ; E 0 、 l 室 RS B I E8 2 lb E 中 图 分 类 号 : 9 1 2 TN 1 .3 文献标识码 : A
J n.20 07 u
文 章 编 号 : 0 3 1 9 2 0 } 2—0 7 1 0 —6 9 ( 0 7 0 BP 神 经 网 络 的 室 内 定 位 模 型

李 瑛 胡 志 刚 一,

基于BP神经网络和泰勒级数的室内定位算法研究

基于BP神经网络和泰勒级数的室内定位算法研究

基于BP神经网络和泰勒级数的室内定位算法研究张会清;石晓伟;邓贵华;高学金;任明荣【期刊名称】《电子学报》【年(卷),期】2012(040)009【摘要】在研究分析室内无线信号传播特性和传统的室内定位算法的基础上,提出了用BP神经网络来拟合室内无线信号传播模型,避免了对无线信号传播模型中参数A和n的不精确估计.在训练完成的BP神经网络的输入层输入接收信号强度值RSSI(Received Signal Strength Indicator),在输出层即可得到对应的距离值,再利用泰勒级数展开法确定盲节点的坐标位置.最终通过Matlab仿真和ZigBee平台实验验证了算法的可行性和有效性.%Based on lots of research and analysis on indoor radio signal propagation features and the traditional indoor location algorithms,a new method that uses BP(Back Propagation) neural network to fit the indoor radio signal propagation model is proposed, which avoids inaccurately estimating the parameters A and n in the indoor radio signal propagation model. Distance value proportional to theRSSI(Received Signal Strength Indicator) input through the well-trained BP neural network is obtained, and then Taylor series expansion algorithm is used to determine the coordinates of the blind node.Finally,the simulation and experiment results on the ZigBee platform verify the feasibility and effectiveness of the proposed algorithm.【总页数】4页(P1876-1879)【作者】张会清;石晓伟;邓贵华;高学金;任明荣【作者单位】北京工业大学电子信息与控制工程学院,北京100124;北京工业大学电子信息与控制工程学院,北京100124;中国广东核电集团中科华核电技术研究院北京分院,北京100086;北京工业大学电子信息与控制工程学院,北京100124;北京工业大学电子信息与控制工程学院,北京100124;北京工业大学电子信息与控制工程学院,北京100124【正文语种】中文【中图分类】TN393【相关文献】1.基于RSSI的改进泰勒级数室内定位算法 [J], 陈金星;任进2.基于BP神经网络的RFID室内定位算法研究 [J], 吴超;张磊;张琨3.基于BP神经网络的距离损耗模型室内定位算法研究 [J], 石晓伟;张会清;邓贵华4.基于RSSI滤波的改进型泰勒级数室内定位算法 [J], 程俊;周礼争;余敏;唐瑞5.基于泰勒级数展开的总体最小二乘水下短基线定位算法研究 [J], 侯华;黄鼎盛;郭胜杰;程萌因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
( )计 算 均 方 差 , 小 于 8 则 结 束 , 则 再 反 向传 递 , 3, 若 , 否 修 改权 值 和 阈 值 。 复 进 行 。 到实 际 输 出值 与 期 望 输 重 直
ቤተ መጻሕፍቲ ባይዱ出值的均方差小于给定的 8
3 基于 B P神 经 网 络 的 Zg e i e定 位 方 法 B
④ 现 计 机 21. 代 算 02 4 0

种 前 馈 网 络 . 用 最 小 均 方 差 学 习 方 式 . 种 网 络 不 采 这
) “) _ lI , = _ 』
le +

1, … , 2, p
仅 有 输 入 层 和 输 出层 .而 且 还 有 一 层 或 多层 隐 藏 神 经
Zg e 无线传 感器 网络 技术的基础上 ,提 出一 种新型 i e B
的 定 位 方 法 .该 方 法 利 用 待 定 位 节 点 与 多 个 固 定 参 考 节 点间 的 R S 值训 练 B SI P神 经 网 络 模 型得 到 未 知 节 点 的 坐 标 。 者 通 过 多 次 定 位 实 验 。 证 了该 方 法 在 短 距 笔 验 离 定 位 中 的 可 行 性 .同 时 实 验 显 示 该 方 法 具 有 较 好 的 定 位 性 能
o epo c t c igapohi pat a crc lm. rci a rvdta tepo c p fh r ete hn p r rci l ur u t j a c n c i u Pat eh s oe th r et ・ c p h j a
参 考文 献 【】 力 . 目教 学 法 在 职 业 高 中 计 算 机 专 业 课 的 应 用 研 究 1 张 项
[] 芙 琴 . 目教 学 法 在 高 职 技 能 型 课 程 中 的应 用 [. 人 3郭 项 J 成 ]
教 育 .0 1 6 21 ()
【】 伟 等 . 4章 主体 参 与 式 教 研 活 动 的实 践 与 反 思 【 . 理 导 航 . J 文 】
教 育 研 究 与 实 践 究 ,0 8 2 20 ()
A pi t no rjc T a hn p ra hi p lai f oe t e c igA po c c o P n
Pr c ial u s s a t c Co e r
Z A G Qa H N in
元 。其 主要 优点是 : 只要提供 足够 的隐藏层 和隐节点 .
B P网络 可 以逼 近任 意 的 非 线 性 映 射 关 系 同时 . P网 B 络 的学 习算 法 属 于 全 局 逼 近方 法 .因 此 它 具 有 较 好 的 泛 化 能 力 及 容 错 能 力 . 网络 结 构 如 图 2 示 其 所
该 方 案 的 实 施 过 程 主要 由 两 阶段 组 成 : ( ) 练 阶段 : 1训
上 式 中 , 为 输 入 层 第 神 经 元 与 隐 藏 层 第 i 个 个 神 经 元 之 间 的 连 接 权 值 ; 隐藏 层第 i 神 经 元 的 阈 8为 个
值; P为隐藏神经元 的个 数
的 实 际 输 出
( ) 期 望 输 出 O与 得 到 的 神 经 网 络 的 实 际 输 出 4将 t Y进 行 比较 , 生 学 习 误 差 . 均 方 差 表示 这一 误 差 : 产 用
1∑( ) o
若 该 误 差 小 于 预先 确 定 的较 小 量 8 ,则 算 法 结 束 .
方法借助 的硬件设备较 少 .并 且很多无 线通信模 块都
可 以 直 接 提 供 R S 值 因此 . 于 R S 的 测 距 方 法 被 SI 基 SI
广 泛 应 用
Rs / s I
线传 感 网络定 位技术 中较 常采用 的方 法 该类方 法大
多 数 通 过 设 置 已知 参 考 节 点 .首 先 利 用 待 定 位 节 点 接 收 到 的 R S 值 计 算 出 该 节 点 到 各 个 参 考 节 点 的 距 离 SI 后 . 通 过 各 类 定 位 算 法 推 导 出 目标 点 的坐 标 。 文 在 再 本
项 目教 学 法 在 实 践 课 程 中 的 应 用 ,体 现 了 以 学 生
2 1 00
为 本 . 大 限度 地 调 动 了 学 生 自主 学 习 的 积 极 性 , 养 最 培 了 学 生 的 综 合 能 力 。 学 生 能 够 掌握 知 识 技 能 的 同 时 , 使
还 提 升 了 学 生 的 分 析 问 题 和 解 决 问题 的能 力 。
个 定 位 环 境 模 型 , 定 有 限 个数 的 参 考 节 点 . 过 实 测 一 定 数 量 RSI 设 通 S一坐标 数 据 组 作 为 样
本数据训练得到 一类 B P神 经 网络 模 型 。 完成 后 的 B P网 络模 型 可 用 于盲 点 坐标 的 定位 。 实 验 表 明 , 方 法 具 有 较 好 的 定位 性 能 。 该 关键 词 : i e Z g e无 线传 感 网络 ; S ;节 点 定 位 ; p神 经 网络 B RS I B
传 感 器 节 点 定 位 技 术 是 无 线 传 感 网 络 应 用 的支 撑 技 术 。 近 年 来 .短 距 离 定 位 技 术 越 来 越 受 到 广 泛 的 关 注 . 应 的 各 种 定 位 方 式 也 不 断 出 现 . 是 由 于 功 耗 和 相 但
通信成本 等原 因 . 位技术还有 待进一步 的研究完善 。 定
0 引

点接收到 的无线 信号 的强度 大小 节点根 据接 收到 的 信 号强度计算 出该 信号在传播 过程 中的损耗 .利 用 已
有 的 理 论 或 者 经 验 模 型 将 传 播 损 耗 转 化 为 距 离 根 据 信 号 强 度 与 测 量 距 离 可 以 拟 合 出 R S 信 号 的 衰 减 曲 SI 线 ( 1 , 种 方 法 虽 然 精 确 度 是 很 高 . 利 用 该 图 )这 不 锄 瑚 但 是硼 咖
行 大量 的 实 验 以获 取 训 练 样 本 .并 将 实 验 的 数 据 用 于
B P神经 网络 的学 习. 到一类 预测模 型 在这个 学习之 得
现代计算机
2 1 .4 0 20
4 结

【】20 D ,0 8 【】 兴 会 . 职 项 目教 学 中 的 教 师 角 色 [. 业 教 育 研 究 , 2李 高 J职 】
为 了 模 拟 非 线 性 的特 征 , 设 为 S型 函 数 (i i Sg d mo 函数 ) 自变 量 , 算 隐 含层 各 神 经 元 的输 出 Y S型 函 的 计 i .
数取 :
本 阶段包 括场景建 模和训 练预测模 型 两个部分 首先需 要搭建实验环境 . 建立数学模型 ( 包括建立坐 标 系)确定横纵坐标轴 的有效 范围等 。 , 在本阶段 . 需要 进
输 入 层 节 点 隐 藏 层 节 点 输 出层 节 点
否 则 进 行 步 骤 ( ) 即所 谓 反 向传 递 过 程 。 5。
() 5 在反 向传递在这一过程 中, 根据误 差梯度下 降
图2 B P网络 结 构
的原 则 调 节 各 层 的连 接 权 值 及 神 经 元 的 阈 值 。故 神 经 元 U 的连 接 权 k 1 调 整 算 式 为 : i + 次
Zg e 术 作 为无 线 传 感 器 技 术 的分 支 也 随 之 发 展 起 iB e技 来 . 多 文 献 表 明 ,i e 技 术 其 自身 的优 点 能 够 更 好 很 Zg e B 地 满 足 短距 离 定 位 的要 求 当前 . 泛 使 用 的 Zg e 技 术 无 线 定 位 系统 主 要 广 i e B 通 过 测 量 节 点 间 的 距 离 来 实 现 . 于 R S 的 测 距 是 无 基 SI
w (“ w ㈤ 一 jk , j 叼
oe l ,
B P网络 的 学 习 算 法 过 程 如 下 : ( ) 始 化 权 值 及 各 神经 元 的 阈值 , 常 取 接 近 于 1初 通 零 的 随 机 数 ( ) 供样 本数 据 , 为 B 2提 作 P网 络 模 型 的 输 入 值 并 给 出期 望输 出 值 设 输 入 模 式 向量 为 X ( 2 4 ,则 对 应 输 : x, , , , ) XXxx 入 模 式 的期 望 输 出 向 量 为 O ( 0 o, 。 = o,2 , ) 0O ( ) 过 网 络 正 向传 递 过 程 计 算 各 层 点 的 实 际 输 3通 出值 : 其 中 , 含 层 各 神 经 元 的输 入 应 按 下 式 计 算 : 隐
Yi ・
同 理 ,可 以计 算 输 出 层 各 神 经 元 的输 入 和 输 出
U ui ir ,  ̄ W -— 一 - ∑ O

)— =

上 两 式 中 , 为 隐含 层 第 i 神 经 元 与 输 出层 第 t 个
个 神 经 元 之 间 的 连接 权 重 : 为输 出层 第 t 神 经 元 的 个 阈 值 ; 为 输 出 层 神 经 元 个 数 : 是 输 出 层 第 t 经 元 m Y i 神
d c s h o c p f h r e t e c iga p o h a d s ei c l t etea pia o r e s u e ec n e t e o c t hn p re , n p cf a y s t h p l t npo s t ot p j a i l a ci c
基于 B P神经 网络 的 Zg e iB e无线 定位 技术
杨 筱 宇
( 1f 学计算机学 院 , 都 606 )  ̄l I) 大 成 10 5
摘 要 :提 出一 种 利 用 B P神 经 网络 算 法 与 RS I 量 值 结合 的 新 型 定 位 方 法 。 该 方 法 首 先 建 立 一 S测
相关文档
最新文档