论文部分内容阅读
人工智能和物联网的高速发展推动了室内定位技术和无线信号、智能算法的紧密结合。人们对位置服务的需求日益增加,尤其在复杂的室内环境中常需获得物体的位置信息。因此,低成本、高性能的室内定位算法成为本文的研究目标。本文主要在低功耗蓝牙的基础上进行室内定位算法的优化研究,并分别进行了仿真实验验证和实验分析。文章首先分析几种常用室内定位算法的优缺点,选择采用位置指纹算法进行位置估计,并使用径向基(Radical Basis Function,RBF)神经网络作为其在线定位阶段的匹配算法。通过RBF神经网络优秀的自主学习能力将复杂的非线性问题快速转化为简单的线性问题,最终拟合出“指纹”对应的函数关系模型。并根据RBF神经网络的原理公式引出需要优化的参数——扩展速度(spread)。接下来文章选择引入粒子群优化算法(Particle Swarm Optimizition,PSO),利用其结构简单、寻优机制可维持群体多样性的优势,结合遗传算法(Genetic Algorithm,GA)优秀的全局寻优能力,提出使用混合粒子群算法(PSO-GA)经过有限次迭代后,搜索出spread最优值。由此避免粒子寻优过程中陷入局部极值,进而提高RBF神经网络模型的估计能力和泛化能力。其次,为获得实验的样本数据,文章在低功耗蓝牙协议栈的基础上,选择TI公司的CC2640芯片为核心,搭建iBeacon基站作为发射蓝牙信号的模块。并且利用Android开发智能手机端应用程序,实现接收显示蓝牙信号强度值(Received Signal Strength Indication,RSSI)的功能。同时在室内定位空间中建立坐标系,划分网格点,实地测试RSSI值接收情况并选择相对较强的位置部署iBeacon基站,搭建数据采集平台后获取样本数据。针对环境因素对信号造成的干扰,将RSSI值中的奇异值剔除,随后使用卡尔曼滤波处理余下的数据,达到削减信号噪声、平滑RSSI值的目的。最后,在MATLAB仿真平台上对涉及的算法进行实验仿真分析。分别使用PSO和PSO-GA算法搜寻spread因子最优值建立相应定位模型。从定位模型的定位精度、稳定性等性能指标出发,重点分析RBF神经网络模型、PSO-RBF神经网络模型和PSO-GA-RBF神经网络模型的定位性能,得出PSO-GA-RBF神经网络模型具有定位精度更高,误差波动更小的优点。