本发明专利技术公开了一种基于鸟群算法优化BP神经网络的室内靶车定位方法，主要解决现有技术无法实现长期稳定高精度定位的问题。其方案是：1)建立BP神经网络，并通过基站与信标的实时通信获得网络的训练集和测试集；2)初始化鸟群算法中的参数，利用该算法迭代寻找网络的阈值和权值，以优化BP神经网络；3)基于训练集通过trainlm模型对优化后的BP神经网络进行训练；5)将测试集输入到训练好的神经网络，输出信标与一个基站间的估算距离；6)重复1)至5)得到信标与另两个基站间的估算距离；7)利用三个估算距离建立方程组，解算后得到靶车在室内的二维定位坐标。本发明专利技术提高了定位的精度和稳定性，可用于室内智能无人靶车的管理。可用于室内智能无人靶车的管理。可用于室内智能无人靶车的管理。
【技术实现步骤摘要】
基于鸟群算法优化BP神经网络的室内靶车定位方法
[0001]本专利技术属于通信
，更进一步涉及一种室内靶车定位方法，可用于在无线跟踪中对室内无人靶车的二维位置估计。
技术介绍
[0002]室内无人靶车是一种由人员在室内靶场进行射击训练时需要使用的一种可移动设备，随着科学技术的迅速发展，靶车上开始加载智能控制单元，为了方便对室内智能无人靶车的管理，必须要知道室内无人靶车所处的位置，即对无人靶车进行室内定位。应用于室内定位的方法有很多，其中基于ZigBee的室内定位方法是较为常见的室内定位方法。该方法利用无线电信号在空气中传播的衰减规律，并根据接收到的信号强度来推算出终端标签节点到协调器参考节点之间的相对距离，从而解算出目标物体在室内的具体位置。但是这种方法中的环境参数易受无线传输环境以及障碍物等因素影响，估算距离误差往往较大，具有一定的局限性。而依赖于基于多层前馈网络的反向传播BP神经网络强大的非线性映射和自适应学习能力。建立训练网络，通过对信号强度数据与实际距离数据的不断训练，能够实现较为准确的距离数据的预测，可以很好地解决传统测距方法受环境因子影响，从而导致测距不可靠这一问题。
[0003]北京工业大学在其申请号为CN201910192011.7的专利文献中公开了“一种基于BP神经网络精确室内定位系统及定位方法”，其采用ZigBee技术进行精确的小范围定位，提出了误差滤波算法，缺失值补全算法和神经网络定位算法室内定位方法，并结合它们提高了定位精度。该方法首先根据ZigBee定位获得准确的距离信息，再根据误差滤除算法精确距离。如发现存在缺失值,就用基于KNN算法进行缺失值补全。最后根据节点到盲节点的距离引入BP神经网络，得出盲节点坐标。该方法使用在平面定位中优于三角形心算法的神经网络定位方法，可在节点数较少的情况下降低非视距复杂环境的影响、提高定位精度的目的。但由于使用权值随机生成的传统BP神经网络，致使网络的输出具有不确定性和歧义性，严重影响网络预测性能。使得网络的训练速度会受到初始参数的选择影响，导致收敛速度过慢，容易陷入局部极值，同时使得经过此网络训练输出后的预测距离值相对于实际距离误差较大，无法实现长期稳定的高精度定位。
技术实现思路
[0004]本专利技术的目的在于针对上述现有技术存在的缺陷，提出一种基于鸟群算法优化BP神经网络的室内靶车定位方法，以提高高精度定位的准确性和稳定性。
[0005]本专利技术的技术方案是这样实现的：
[0006]一.技术原理
[0007]本专利技术针对传统BP神经网络的存在的缺陷，利用鸟群算法，对原始BP神经网络进行改进和优化，即利用鸟群算法能迅速跳出局部的极值问题点，在全局中持续迭代地找到最优估计解，很快收敛速率的特点，弥补传统BP神经网络所存在对初值较为敏感而导致的
缺陷，从而获得具有最佳权值和阈值的网络。使用该网络模型得到测距结果，并通过定位算法得到室内靶车的最终定位结果，以克服现有技术中使用传统BP神经网络定位方法导致室内无人靶车定位精度不高的不足。
[0008]二.根据上述原理，本专利技术实现方案包括如下步骤：
[0009](1)设定BP神经网络参数:
[0010]设定隐含层的神经元为3个，输入层和输出层神经元均为1个的BP神经网络结构；
[0011]分别选用tansig激活函数和purelin线性传递函数作为隐含层和输出层的传递函数；
[0012](2)通过基站与信标的实时通信，得到M个信号强度数据RSSI值，并将其按照7：3的比例划分，分别作为BP神经网络的训练集和测试集，其中M>＝1000；
[0013](3)初始化鸟群算法中的参数；
[0014](3a)初始化鸟群的数目N为100，设置最大迭代次数T为50，将鸟群中鸟的位置状态设置为网络的初始阈值和权值，并动态更新飞行移动间隔FQ；
[0015](3b)将BP神经网络训练误差函数E的倒数作为鸟群的适应度值；
[0016](4)利用鸟群算法不断迭代寻找BP网络的阈值和权值，当达到最大迭代次数T时将鸟群的最优解位置状态赋给BP神经网络作为该网络的最佳阈值和权值，得到优化后的BP神经网络；
[0017](5)将训练集作为优化后的BP神经网络的输入，利用trainlm模型训练方式使网络的实际输出值和期望输出值的误差均方差达到最小，得到训练好的神经网络。
[0018](6)将测试集输入到训练好的神经网络，输出信标与一个基站间的估算距离r1；
[0019](7)对另外两个基站均重新执行步骤(1)到步骤(6)，分别得到信标与另外两个基站间的估算距离r2和r3；
[0020](8)对步骤(6)和步骤(7)得到信标与三个基站的估算距离r1，r2，r3，使用二维三边定位算法建立方程组，解算后得到靶车在室内的二维定位坐标。
[0021]本专利技术与现有技术相比具有如下优点：
[0022]第一，由于本专利技术利用BP神经网络算法，通过对信号强度数据与实际距离数据的不断训练，能够实现较为准确的距离预测，克服了现有技术中因环境参数易受无线传输环境以及障碍物等因素影响导致估算距离精度较差的不足，提高了室内无人靶车的定位精度。
[0023]第二，本专利技术利用鸟群算法寻找BP神经网络的最优阈值和权值，提高其预测结果的准确性和稳定性。克服了现有技术中使用传统BP神经网络定位方法的初始参数是随机生成的并且易陷入局部极值而导致室内无人靶车定位精度不高的不足，使得本专利技术定位精度更高并且稳定性更好。
附图说明
[0024]图1为本专利技术的实现流程图；
[0025]图2为本专利技术与现有技术定位误差的仿真结果对比图。
具体实施方式
[0026]以下结合附图对本专利技术的实施例和效果作进一步详细描述。
[0027]参照图1，本实例的实现步骤如下：
[0028]步骤1，设定BP神经网络，划分其输入数据集。
[0029]本专利技术的实施例中，构建一个搭载在靶车上的信标，通过ZigBee协议实现与三个基站的点对点通信，将信标获取到的数据信息经过无线通信模块传输给协调器，协调器节点通过BC26 NB
‑
IOT模块实现与上位机的数据通信。
[0030]1.1)设定隐含层神经元为3个，输入层和输出层神经元均为1个的BP神经网络结构，选用tansig激活函数和purelin线性传递函数作为BP神经网络隐含层和输出层的传递函数；
[0031]1.2)通过基站与信标的实时通信，得到m个信号强度数据RSSI值，并将其按照7：3的比例划分，分别作为BP神经网络的输入训练集和测试集，其中m>＝1000。
[0032]步骤2，初始化鸟群算法中的参数。
[0033]鸟群算法是由Xian
‑
Bing Meng等人根据自然界鸟群觅食、警觉和迁移等生物行为于2015年提出的一种新型生物启发式算法。该算法具有分散搜索，保持种本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于鸟群算法优化BP神经网络的室内靶车定位方法，其特征在于，包括如下步骤：(1)设定BP神经网络参数:设定隐含层的神经元为3个，输入层和输出层神经元均为1个的BP神经网络结构；分别选用tansig激活函数和purelin线性传递函数作为隐含层和输出层的传递函数；(2)通过基站与信标的实时通信，得到m个信号强度数据RSSI值，并将其按照7：3的比例划分，分别作为BP神经网络的训练集和测试集，其中m>＝1000；(3)初始化鸟群算法中的参数；(3a)初始化鸟群的数目N为100，设置最大迭代次数T为50，将鸟群中鸟的位置状态设置为网络的初始阈值和权值，并动态更新飞行移动间隔FQ；(3b)将BP神经网络训练误差函数E的倒数作为鸟群的适应度值；(4)利用鸟群算法不断迭代寻找BP网络的阈值和权值，当达到最大迭代次数T时将鸟群的最优解位置状态赋给BP神经网络作为该网络的最佳阈值和权值，得到优化后的BP神经网络；(5)将训练集作为优化后的BP神经网络的输入，利用trainlm模型训练方式使网络的实际输出值和期望输出值的误差均方差达到最小，得到训练好的神经网络。(6)将测试集输入到训练好的神经网络，输出信标与一个基站间的估算距离r1；(7)对另外两个基站均重新执行步骤(1)到步骤(6)，分别得到信标与另外两个基站间的估算距离r2和r3；(8)对步骤(6)和步骤(7)得到信标与三个基站的估算距离r1,r2,r3，使用二维三边定位算法建立方程组，解算后得到靶车在室内的二维定位坐标。2.根据权利要求1所述的方法，其特征在于，步骤(3a)中动态更新飞行移动间隔FQ，公式如下：式中:FQ(t)代表当前的FQ值；FQ
max
为最大惯性权重，FQ
min
为最小惯性权重；t是当前迭代次数，T为最大迭代次数，r为控制因子。3.根据权利要求1所述的方法，其特征在于，步骤(3b)中的BP神经网络训练误差函数，表示如下：式中：y
i
表示神经网络的输出，表示监督数据，取真实距离值。i表示输入数据的维度。4.根据权利要求1所述的方法，其特征在于，步骤(4)中利用鸟群算法不断迭代寻找BP网络的阈值和权值，实现如下：(4a)判断鸟群迭代次数T是否等于动态更新飞行移动间隔FQ:若是,则执行(4d)；否则,执行(4b)；(4b)判断等概率产生的(0,1)之间随机数是否小于常数P：
若是，则鸟根据自己和种群的觅食经验寻找食物，并按如下公式即时记录、更新其所经过的个体和种群的最佳觅食位置：式中：为第i只鸟在t时刻所在位置，为第i只鸟在t+1时刻所在位置；p
i,j
为第i只鸟所经过的最佳位置；rand(0,1)...
【专利技术属性】
技术研发人员：唐影，梁添程，钱海雷，邓军，
申请(专利权)人：昆山九毫米电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。