一种井下人员无线定位算法研究
发布时间：2021-10-28 18:59
针对传统井下指纹定位算法存在需要采集大量指纹数据和定位精度不高的问题,提出了一种差分鱼群优化最小二乘支持向量机（DEAFSA-LSSVM）的井下人员无线定位算法.首先将井下实验区域划分为多个小区域,并利用克里金插值算法建立指纹数据库;然后利用差分进化与人工鱼群混合智能算法优化正则化参数和核函数宽度,建立最小二乘支持向量机算法模型,利用无线采集接收终端采集待定位点的无线信息数据,通过最小二乘支持向量机算法模型计算出其所属小区域;最后利用小区域内无线信息数据,通过加权K近邻算法进行实时定位.实验结果表明:该定位算法的收敛速度快,分类准确,准确率达到98.87%;定位精度高,平均定位误差为1.51 m,比未经优化的最小二乘支持向量机算法的定位精度提高18.82%.
【文章来源】：工矿自动化. 2020,46(04)北大核心
【文章页数】：8 页
【部分图文】：
插值数据估算流程
DEAFSA-LSSVM算法模型的建立．2实验环境实验环境为贵州某煤矿井下747m的总风道和回风巷，巷道内已覆盖工业以太网，巷道截面宽度为4m左右．在此基础上搭建井下人员无线定位系统，只需要安装光纤交换机和本质安全型AP(接入点)终端．实验区域为总风道和回风巷，巷道中基本没有杂物堆放和大型机电设备．巷道墙面粗糙，分布着水管、支架、电缆和光纤等设备;巷道相对比较直且弯道较小，过往作业人员也不是太多．实验环境中电磁环境相对稳定，AP节点与AP节点之间的距离控制在100m左右，实验区域如图1所示．图1井下实验巷道Fig．1Undergroundexperimentalroadway从图1可看出，起点在总风道，终点在回风巷，在整个实验区域共安装7个本质安全型AP节点，可实现巷道内无线全覆盖．3井下无线定位算法实现井下无线定位算法实现过程分4个步骤，依次为区域划分、插值数据估算、算法训练和实时定位．3．1区域划分根据井下巷道的环境，将747m的实验区域划分为166个实验小区域，每个实验小区域长为4．5m，宽为3m．实验小区域划分如图2所示．从图2可看出，在4．5m×3m区域内共有12个点，其中6个采集点，需要实验人员采集该点的无线信息数据;6个预测点，需要利用采集点的信息数据，通过服务器和利用克里金插值算法估算它们的无线信息数据，完成实验小区域指纹信息采集工作，这种方法可以减少50%采集工作量．图2中有一条中轴线，在井下采集数据时，以该中轴线为巷道中心位置进行采集．图2实验小区域划分Fig．2Divisionofexperimentalsmallarea由实验人员携带无线采集接收终端进入实验区域完成所有采集点的无线信息数据采集．指纹数据采集流程如图3所示．图3指纹
诘阒?涞木嗬肟刂?在100m左右，实验区域如图1所示．图1井下实验巷道Fig．1Undergroundexperimentalroadway从图1可看出，起点在总风道，终点在回风巷，在整个实验区域共安装7个本质安全型AP节点，可实现巷道内无线全覆盖．3井下无线定位算法实现井下无线定位算法实现过程分4个步骤，依次为区域划分、插值数据估算、算法训练和实时定位．3．1区域划分根据井下巷道的环境，将747m的实验区域划分为166个实验小区域，每个实验小区域长为4．5m，宽为3m．实验小区域划分如图2所示．从图2可看出，在4．5m×3m区域内共有12个点，其中6个采集点，需要实验人员采集该点的无线信息数据;6个预测点，需要利用采集点的信息数据，通过服务器和利用克里金插值算法估算它们的无线信息数据，完成实验小区域指纹信息采集工作，这种方法可以减少50%采集工作量．图2中有一条中轴线，在井下采集数据时，以该中轴线为巷道中心位置进行采集．图2实验小区域划分Fig．2Divisionofexperimentalsmallarea由实验人员携带无线采集接收终端进入实验区域完成所有采集点的无线信息数据采集．指纹数据采集流程如图3所示．图3指纹数据采集流程Fig．3Fingerprintdatacollectionprocess由无线采集接收终端将扫描、处理后得到的无线信息数据(ＲSSI值、IP地址和MAC地址)，通过无线网络传输到服务器，每个采集点进行12次采集工作，再由服务器对其求出ＲSSI的平均值，确保每个采集点的ＲSSI值稳定可靠;最后将ＲSSI平均值与采集点的实际坐标进行组合，并将组合数据存放到指纹数据库．在实验区域内共采集750个点的无线信息数据，建立采集指纹数据库，完成指纹数据采集工作．3．2插
【参考文献】：
期刊论文
[1]基于优化RBF神经网络的无线室内定位[J]. 刘夏,莫树培,何惠玲,杨军. 电讯技术. 2019(11)
[2]改进克里金插值算法的井下无线定位指纹库构建方法[J]. 刘夏,莫树培. 传感技术学报. 2019(07)
[3]基于SAPSO-BP神经网络的井下自适应定位算法[J]. 莫树培,唐琎,杜永万,陈明. 工矿自动化. 2019(07)
[4]采用分段加权最小二乘法的井下人员实时定位系统设计[J]. 莫树培,李国良. 矿业安全与环保. 2019(03)
[5]基于聚类和K近邻算法的井下人员定位算法[J]. 莫树培,唐琎,汪郁,赖普坚,金礼模. 工矿自动化. 2019(04)
[6]煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 王国法,刘峰,庞义辉,任怀伟,马英. 煤炭学报. 2019(02)
[7]改进人工鱼群算法在SVM参数优化中的应用[J]. 邱云飞,李智义. 计算机工程与科学. 2018(11)
[8]基于支持向量机的混合相似度室内指纹定位算法[J]. 施涛涛,卢先领,于丹石. 计算机工程. 2018(07)
[9]基于文化算法的改进遗传人工鱼群优化算法[J]. 刘全明,贺剑强,张虎. 山西大学学报(自然科学版). 2018(02)
[10]WSN中基于双群体差分进化的资源分配优化算法[J]. 郝晓辰,王立元,刘金硕,解力霞,张文焕. 通信学报. 2018(04)
本文编号：3463201
【文章来源】：工矿自动化. 2020,46(04)北大核心
【文章页数】：8 页
【部分图文】：
插值数据估算流程
DEAFSA-LSSVM算法模型的建立．2实验环境实验环境为贵州某煤矿井下747m的总风道和回风巷，巷道内已覆盖工业以太网，巷道截面宽度为4m左右．在此基础上搭建井下人员无线定位系统，只需要安装光纤交换机和本质安全型AP(接入点)终端．实验区域为总风道和回风巷，巷道中基本没有杂物堆放和大型机电设备．巷道墙面粗糙，分布着水管、支架、电缆和光纤等设备;巷道相对比较直且弯道较小，过往作业人员也不是太多．实验环境中电磁环境相对稳定，AP节点与AP节点之间的距离控制在100m左右，实验区域如图1所示．图1井下实验巷道Fig．1Undergroundexperimentalroadway从图1可看出，起点在总风道，终点在回风巷，在整个实验区域共安装7个本质安全型AP节点，可实现巷道内无线全覆盖．3井下无线定位算法实现井下无线定位算法实现过程分4个步骤，依次为区域划分、插值数据估算、算法训练和实时定位．3．1区域划分根据井下巷道的环境，将747m的实验区域划分为166个实验小区域，每个实验小区域长为4．5m，宽为3m．实验小区域划分如图2所示．从图2可看出，在4．5m×3m区域内共有12个点，其中6个采集点，需要实验人员采集该点的无线信息数据;6个预测点，需要利用采集点的信息数据，通过服务器和利用克里金插值算法估算它们的无线信息数据，完成实验小区域指纹信息采集工作，这种方法可以减少50%采集工作量．图2中有一条中轴线，在井下采集数据时，以该中轴线为巷道中心位置进行采集．图2实验小区域划分Fig．2Divisionofexperimentalsmallarea由实验人员携带无线采集接收终端进入实验区域完成所有采集点的无线信息数据采集．指纹数据采集流程如图3所示．图3指纹
诘阒?涞木嗬肟刂?在100m左右，实验区域如图1所示．图1井下实验巷道Fig．1Undergroundexperimentalroadway从图1可看出，起点在总风道，终点在回风巷，在整个实验区域共安装7个本质安全型AP节点，可实现巷道内无线全覆盖．3井下无线定位算法实现井下无线定位算法实现过程分4个步骤，依次为区域划分、插值数据估算、算法训练和实时定位．3．1区域划分根据井下巷道的环境，将747m的实验区域划分为166个实验小区域，每个实验小区域长为4．5m，宽为3m．实验小区域划分如图2所示．从图2可看出，在4．5m×3m区域内共有12个点，其中6个采集点，需要实验人员采集该点的无线信息数据;6个预测点，需要利用采集点的信息数据，通过服务器和利用克里金插值算法估算它们的无线信息数据，完成实验小区域指纹信息采集工作，这种方法可以减少50%采集工作量．图2中有一条中轴线，在井下采集数据时，以该中轴线为巷道中心位置进行采集．图2实验小区域划分Fig．2Divisionofexperimentalsmallarea由实验人员携带无线采集接收终端进入实验区域完成所有采集点的无线信息数据采集．指纹数据采集流程如图3所示．图3指纹数据采集流程Fig．3Fingerprintdatacollectionprocess由无线采集接收终端将扫描、处理后得到的无线信息数据(ＲSSI值、IP地址和MAC地址)，通过无线网络传输到服务器，每个采集点进行12次采集工作，再由服务器对其求出ＲSSI的平均值，确保每个采集点的ＲSSI值稳定可靠;最后将ＲSSI平均值与采集点的实际坐标进行组合，并将组合数据存放到指纹数据库．在实验区域内共采集750个点的无线信息数据，建立采集指纹数据库，完成指纹数据采集工作．3．2插
【参考文献】：
期刊论文
[1]基于优化RBF神经网络的无线室内定位[J]. 刘夏,莫树培,何惠玲,杨军. 电讯技术. 2019(11)
[2]改进克里金插值算法的井下无线定位指纹库构建方法[J]. 刘夏,莫树培. 传感技术学报. 2019(07)
[3]基于SAPSO-BP神经网络的井下自适应定位算法[J]. 莫树培,唐琎,杜永万,陈明. 工矿自动化. 2019(07)
[4]采用分段加权最小二乘法的井下人员实时定位系统设计[J]. 莫树培,李国良. 矿业安全与环保. 2019(03)
[5]基于聚类和K近邻算法的井下人员定位算法[J]. 莫树培,唐琎,汪郁,赖普坚,金礼模. 工矿自动化. 2019(04)
[6]煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 王国法,刘峰,庞义辉,任怀伟,马英. 煤炭学报. 2019(02)
[7]改进人工鱼群算法在SVM参数优化中的应用[J]. 邱云飞,李智义. 计算机工程与科学. 2018(11)
[8]基于支持向量机的混合相似度室内指纹定位算法[J]. 施涛涛,卢先领,于丹石. 计算机工程. 2018(07)
[9]基于文化算法的改进遗传人工鱼群优化算法[J]. 刘全明,贺剑强,张虎. 山西大学学报(自然科学版). 2018(02)
[10]WSN中基于双群体差分进化的资源分配优化算法[J]. 郝晓辰,王立元,刘金硕,解力霞,张文焕. 通信学报. 2018(04)
本文编号：3463201
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3463201.html
