和声搜索算法优化神经网络的无线网络室内定位

发布时间：2019-09-11 20:38

【摘要】：室内环境复杂多变,无线信号具有强烈的时变性,支持向量机存在定位效率低,神经网络参数难以确定等难题。为了改善无线网络室内的定位效果,提出了和声搜索算法优化神经网络的无线网络室内定位模型。首先收集无线网络定位的训练样本,采用压缩感知算法减少训练样本的规模,然后采用聚类算法对样本进行聚类分析,选择最有效的训练样本,最后采用和声搜索算法优化神经网络实现无线网络定位,并通过具体仿真对比实验测试了该算法的可行性。测试结果表明,该算法的定位效果可以满足无线网络的定位实际要求。
【图文】：

练时间长，其中ＲBF神经网络的应用最为广泛，在实际应用中ＲBF参数直接影响定位性能，因此减少测试样本规模，确定神经网络参数是室内定位研究面临的一个难问题［11－13］。为了改善无线网络室内的定位效果，针对当前样本选择问题和ＲBF神经参数优化问题，提出和声搜索算法(harmonysearchalgorithm，HS)［14］优化ＲBF神经网络的无线网络室内定位模型(HS-ＲBF)，定位效果可以满足无线网络的定位实际要求。1相关理论1．1压缩感知算法压缩感知算法就是认为原始信号可以用少量的稀疏信号表示，其工作原理如图1所示。图1压缩感知算法的工作原理在压缩感知算法的工作过程中，信号稀疏性是基本条件，若不满足该条件，就需求通过变换将信号变成为稀疏的，设原始信号为:x∈ＲN，通过一定变换得到变换后的向量为s(s=ΨTx)，如该向量仅有K个非零系数，那么就表示该向量通过变换后可以稀疏表示，K表示稀疏度，ψ表示稀疏变换矩阵，x记为x=∑Ni=1siΨi。设x'i共有N维，y表示观测信号，共有M维，设计一个大小为M×N的测量矩阵Φ，满足如下条件y=Φx(1)Φ与信号模型无关，同时需要满足信号重构条件:M≥Klog2(N/K)，Θ=ΦΨ。信号重构是从y中恢复出信号x，由于y=Φx=ΦΨs=Θs，因此首先要对s进行求解，然后进行信号x恢复，当前主要采用通过l0范数求解实现，具体如下^s=argmin‖s‖l0s．t．Θs=y(2)由于l0最小化问题求解具有不稳定性，为此采用l1范数代替l0范数，即^s=argmin‖s‖l1s．t．Θs=y(3)将求解l1范数转化成线性规划问题，然后采用匹配追踪算法进行求解。1．2模糊聚类算法设数据集合为X={x1，x2，…，，xn}，其中xi=

j|xj－vk|2=∑Ck=1∑nj=1umkjd2kj(9)式中m为模糊指数。当0＜∑nj=1ukj＜n和∑Ck=1ukj=1条件下，模糊聚类算法对J(U，V)的最优解进行求解，μkj和vk的计算公式为ukj=1∑Ck=1(d2kj/d2ij)1/(m－1)(10)vk=∑nj=1umkjxj∑nj=1umkj(11)最终聚类结果为M={m1，m2，…，mc}，mi

本文编号：2534649