基于CQPSO-GRNN的ZigBee节点定位算法研究

发布时间：2024-03-02 11:47

　　针对传统无线信号传播模型的参数一般通过拟合或直接根据经验得出,且又受环境复杂、多径效应等因素的影响,使得定位精度不高。为提高定位精度,引入广义回归神经网络(GRNN)来构建定位模型,以未知节点和参考节点之间的接收信号强度值(RSSI)作为网络的输入,未知节点的位置坐标(X,Y)作为输出来拟合网络模型。同时采用剔除处理和卡尔曼滤波处理对采集的RSSI值进行预处理,来削弱环境因素对信号的扰动。为避免GRNN参数选取的随意性及人为因素的干扰,采用混沌量子粒子群算法(CQPSO)来优化网络的光滑因子(σ),以建立最优的网络定位模型来实现对未知节点坐标的预测。在Matlab平台上,与GRNN模型相比,其结果显示改进的定位算法具有更高的定位精度,提高了GRNN回归预测效果以及模型的泛化能力。

【文章页数】：6 页

【部分图文】：

图8QPSO-GRNN定位图

图7GRNN定位图1）参考节点密度对定位误差的影响

图1GRNN网络结构

GRNN结构由输入层、模式层、求和层和输出层构成。对应模型输入为RSSI=[RSSI1,RSSI2,?,RSSIn]T，其输出为P=[x,y]T，如图1所示。GRNN模型的机理是基于非线性回归分析，其原理如下[2]:f(x,y)表示随机变量x和y的联合概率密度函数，若x的观测值为....

图2f1(x)的寻优曲线

式中：ffitnessi是粒子i的适应度值；(xi,yi)是第i个定位节点的实际坐标；(x′i-xi)为网络模型对第i个定位节点的预测坐标。图3f2(x)的寻优曲线

图3f2(x)的寻优曲线

图2f1(x)的寻优曲线根据设置的适应度函数，计算初始种群中每个粒子的适应度值，并将这些适应度值分别设置为其粒子的最优值，然后对其比较得出一个全局最优值，并将与全局最优值相对应的粒子位置记录为全局最优位置。

本文编号：3916812