基于KDMSPCS-GRNN的室內定位技術研究
信息技術與網絡安全
王 超1，單志勇2
(1.東華大學 信息科學與技術學院，上海201620；2.數字化紡織技術教育部工程中心，上海201620)
摘要： 針對利用廣義神經網絡(Generalized Regression Neural Network，GRNN)搭建的定位預測模型定位精度低、效率慢等問題，基于動態分群策略，提出一種線性遞減粒子群(Linear Decreasing Contraction Particle Swarm Optimization，LDCPSO)和布谷鳥(Cuckoo Search，CS)混合尋優算法，并利用此算法為GRNN選擇最優參數，構建定位預測模型。該算法主要利用K均值聚類算法(K-means)對整個種群進行周期性的分群，底層使用LDCPSO算法優化各個子群，并將最優粒子傳至高層，高層使用CS算法優化各個子群的最優粒子，并將最終結果返回底層，執行下一次迭代。實驗過程中，一方面將提出的算法應用于多個測試函數，結果表明該算法具有更好的收斂速度和收斂精度；另一方面利用該算法搭建定位模型，并與其他定位模型對比，結果顯示該定位模型具有更好的定位效果。
中圖分類號： TP301.6
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.04.004
引用格式： 王超，單志勇. 基于KDMSPCS-GRNN的室內定位技術研究[J].信息技術與網絡安全，2021，40(4)：20-27，45.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.04.004
引用格式： 王超，單志勇. 基于KDMSPCS-GRNN的室內定位技術研究[J].信息技術與網絡安全，2021，40(4)：20-27，45.
Research on indoor positioning technology based on KDMSPCS-GRNN
Wang Chao1，Shan Zhiyong2
(1.School of Information Science and Technology，Donghua University，Shanghai 201620，China； 2.Digital Textile Technology Ministry of Education Engineering Center，Shanghai 201620，China)
Abstract： Aiming at the problems of low positioning accuracy and slow efficiency in the positioning prediction model built by the generalized neural network(GRNN)，based on the dynamic clustering strategy,this paper proposed a Linear Decreasing Contraction Particle Swarm Optimization(LDCPSO) and Cuckoo Search(CS) hybrid optimization algorithm,and used this algorithm to select the optimal parameters for GRNN to construct a positioning prediction model.The algorithm mainly uses the K-means clustering algorithm to periodically group the entire population.The bottom layer uses the LDCPSO algorithm to optimize each subgroup,and the optimal particles are transmitted to the high level.The high level uses the CS algorithm to optimize the optimal particles of each subgroup and returns the final result to the bottom layer to execute the next iteration.During the experiment,on the one hand，the proposed algorithm was applied to multiple test functions,and the results showed that the algorithm has better convergence speed and accuracy;on the other hand,the algorithm was used to build a positioning model and compared with other positioning models，the results showed the positioning model has a better positioning effect.
Key words : LDCPSO algorithm；CS algorithm；K-mean algorithm；GRNN algorithm；test function
0 引言
隨著第四代網絡通信技術的成熟和微電子行業的迅速發展，移動終端設備在人們日常生活中得到很大程度的普及，人們對基于用戶位置服務(Location Based Services，LBS)[1]的需求愈來愈廣泛。而室內定位技術作為LBS中必不可少的底層技術，它的好壞將直接影響服務的質量，因此室內定位領域受到技術人員廣泛關注，無線定位技術得到了極大的發展。目前已經提出的定位技術有RFID、UWB、ZigBee[2]和WiFi[3]等。相比于其他幾種技術而言，WiFi在人們日常生活中的覆蓋率更高，且對硬件設備要求較低，故而更具實踐價值。目前WiFi定位技術已經成為室內定位技術研究的主要熱點之一。
本文詳細內容請下載：http://www.xxav2194.com/resource/share/2000003473
作者信息：
王 超1，單志勇2
(1.東華大學 信息科學與技術學院，上海201620；2.數字化紡織技術教育部工程中心，上海201620)
此內容為AET網站原創，未經授權禁止轉載。