基于SAPSO-BP神经网络的井下自适应定位算法.pdf

工矿自动化 I n d u st r y a n d Min e Au t o ma t io n 第45卷第7期 2019年7月 Vo l, 45 No . 7 Ju l. 2019 文章编号1671-251X201907-0080-06DOI 10.13272/j. issn . 1671-251x . 2019010066 基于SAPSO-BP神经网络的井下自适应定位算法 莫树培“，唐琏2,杜永万1,陈明1 （1 贵州工业职业技术学院图书与信息中心，贵州贵阳550008； 2.中南大学信息科学与工程学院，湖南长沙410083） 扫码移动阅读 摘要针对基于传统BP神经网络的井下定位算法存在收敛速度慢、易形成局部极值、在煤矿井下强时 变性电磁环境中定位误差大等问题，提出了一种基于模拟退火思想的粒子群优化算法加EP神经网络 （SAPSO-BP）的井下自适应定位算法。采用SAPSO算法优化BP神经网络的初始权值和阈值，以加快训练 收敛速度,使之到达全局最优；通过安装在井下巷道中的无线校准器采集目标点接收信号强度指示（RSSI） 值，采用自适应动态校准方法对RSSI值进行实时校准，以减小强时变性电磁环境对定位精度的影响字最后 利用SAPSO-BP神经网络估算出目标点位置坐标。实验结果表明，该算法的定位误差在2 m内的置信概率 为77.54,平均误差为1.53 m,定位性能优于未校准SAPSO-BP神经网络算法.PSO-BP神经网络算法、 BP神经网络算法。 关键词井下人员定位；自适应定位；模拟退火思想的粒子群优化算法；SAPSO-BP神经网络；自适应 动态校准 中图分类号TD655.3 文献标志码A Underground adaptive positioning algorithm based on SAPSO-BP neural network MO Sh u pei12, TANG Jin2, DU Yo n g w a n1, CHEN Min g1 l.Bo o k a n d I n f o r ma t io n Cen t er , Gu izh o u I n d u st r y Po lyt ec h n ic Co lleg e, Gu iya n g 550008, Ch in a; 2. Sc h o o l o I n f o r ma t io n Sc ien c e a n d En g in eer in g , Cen t r a l So u t h Un iv er sit y, Ch a n g sh a 410083, Ch in a AbstractI n v iew o f pr o blems o f slo w c o n v er g en c e, ea sy t o f o r m lo c a l ex t r emu m a n d la r g e po sit io n in g er r o r in st r o n g t ime-v a r yin g elec t r o ma g n et ic en v ir o n men t o u n d er g r o u n d po sit io n in g a lg o r it h ms ba sed o n t r a d it io n a l BP n eu r a l n et w o r k , a n u n d er g r o u n d a d a pt iv e po sit io n in g a lg o r it h m ba sed o n simu la t ed a n n ea lin g a n d pa r t ic le sw a r m o pt imiza t io n a n d BP n eu r a l n et w o r k SAPSO-BP w a s pr o po sed . SAPSO a lg o r it h m is u sed t o o pt imize t h e in it ia l w eig h t a n d t h r esh o ld o f BP n eu r a l n et w o r k t o a c c eler a t e t r a in in g c o n v er g en c e speed a n d ma k e it r ea c h t h e g lo ba l o pt imu m. Th e t a r g e t po in t RSSI v a lu e is c o llec t ed by w ir eless c a libr a t o r in st a lled in u n d er g r o u n d r o a d w a y a n d r ea l-t ime c a libr a t ed by a d a pt iv e d yn a mic c a libr a t io n met h o d , in o r d er t o r ed u c e in f lu en c e o f t ime-v a r yin g elec t r o ma g n et ic en v ir o n men t o n po sit io n in g a c c u r a c y. Fin a lly, t h e SAPSO-BP n eu r a l n et w o r k is u sed t o est ima t e po sit io n c o o r d in a t es o t a r g e t po in t . Th e ex per imen t a l r esu lt s sh o w t h a t c o n f id en c e pr o ba bilit y o f po sit io n in g er r o r w it h in 2 m o t h e pr o po sed a lg o r it h m is 77.54, a v er a g e er r o r is 1. 53 m, t h e po sit io n in g per f o r ma n c e is bet t er t h a n u n c a libr a t ed SAPSO-BP n eu r a l n et w o r k a lg o r it h m, PSO-BP n eu r a l n et w o r k a lg o r it h m a n d BP n eu r a l n et w o r k a lg o r it h m. Key wordsu n d er g r o u n d per so n n el po sit io n in g ; a d a pt iv e po sit io n in g ; simu la t ed a n n ea lin g a n d pa r t ic le 收稿日期2019-01-16；修回日期2019-06-06；责任编辑胡娴。 基金项目贵州省科技厅资助项目（黔科合J字C201€2082,黔科合LH字〔2016〕7069）。 作者简介莫树培（1982-）,男，布依族，贵州都匀人，副教授，硕士，主要研究方向为无线网络、传感器、模式识别与人工智能,E-ma il 41851348 q q . c o m。 引用格式 漠树培，唐璇，杜永万，等基于SAPSO-BP神经网络的井下自适应定位算法口］.工矿自动化,2019,45（7）80-85. MO Sh u p SAPSO-BP n eu r a l n et w o r k; a d a pt iv e d yn a mic c a libr a t io n 0引言 井下人员定位技术是保障煤矿安全生产的重要 技术之一煤矿安全规程要求煤矿井下必须配 备具有井下人员精确定位功能的系统阂。目前，无 线通信技术已逐渐成为国有大型煤矿移动通信系统 的主流技术⑷，利用 RSSI（Rec eiv ed Sig n a l St r en g t h I n d ic a t io n ,接收信号强度指示）进行井下人员定 位⑷，不需要增加额外设备，从而节约定位系统建造 成本，因此，针对RSSI定位算法，学者们进行了大 量研究工作，并提出了许多优化算法。基于RSSI 的定位算法包括加权K近邻算法㈤、加权质心定位 算法同和神经网络定位算法卬等。优化算法中， 石晓伟㈤提出一种改进质心算法，用BPCBa c k Pr o pa g a t io n,反向传播）神经网络来拟合传统的距 离损耗模型，再通过六点质心定位算法计算节点位 置，但BP神经网络训练收敛速度较慢。 张会清等凹提出基于BP神经网络和泰勒级数的定 位算法，使用BP神经网络模型估算距离，再利用泰 勒级数展开算法确定目标点坐标位置，但未考虑BP 神经网络权值优化问题。崔丽珍等刚提出基于 PSO-BP神经网络的定位算法，利用PSO（Pa r t ic le Sw a r m Opt imiza t io n ,粒子群优化）算法对BP神经 网络各个神经元之间的权值进行寻优，但该算法在 搜索全局最优时收敛速度慢，易陷入局部极小值。 针对上述问题，本文提出了一种基于SAPSO （Simu la t ed An n ea lin g a n d Pa r t ic le Sw a r m Opt imiza t io n，模拟退火思想的粒子群优化）-BP神 经网络的井下自适应定位算法，利用SAPSO算法 对BP神经网络的初始权值和阈值寻优，优化BP神 经网络参数,提高运算效率，加快训练收敛速度，使 之到达全局最优。此外，由于煤矿井下巷道空间狭 小，各种电磁干扰严重，无线信号传输时会产生多径 效应和阴影效应,影响定位精度，所以本文利用自适 应动态校准方法对目标点的RSSI值进行实时校 准，以减小强时变性电磁环境对定位精度的影响，使 定位系统能自适应井下多变的电磁环境。实验结果 表明，该定位算法平均定位误差为1. 53 m,适用于 井下特殊环境。 1 SAPSO-BP神经网络算法实现 SAPSO-BP神经网络算法可以进行大范围数 据融合，减少环境对计算的影响，提高神经网络运行 效率，提升定位系统的稳定性和定位精度。 1.1 BP神经网络算法 BP神经网络算法是一种利用误差反向传播训 练的多层前馈型网络算法“⑵。根据煤矿井下定 位需求，建立BP神经网络模型，其结构如图1 图1 BP神经网络模型结构 Fig. 1 St r u c t u r e o f BP n eu r a l n et w o r k 输入信号R”为在样本点或目标点处利用终端 设备扫描第n个AP（Ac c ess Po in t,接入点）获得的 RSSI值;输出信号Q（2 l,2）为样本点或目标点估 算坐标a,y）；；Zm为隐含层中的勿个神经元；％„为 输入层到隐含层的连接权值;3也为隐含层到输出层 的连接权值。 隐含层输出公式为 n 乙于（工九乩）粒子速度最小值和最大值分别为九m,*。个 体最优值为 其中P缶为单 个粒子在t时刻第d维空间的最优值。全局最优值 为P； P；i,P2，“・，PAT,其中P冷为整个粒子群 在t时刻第d维空间的最优值。 粒子/在/十】时刻的速度更新为 Q書 1 e 随机数[0,1]，则接收新位置，跳转到步 骤4；否则拒绝新位置，进行降温，令垢陆，B为 退火速度，跳转到步骤4。 9 将SAPSO算法输出的最优解映射为BP 神经网络的初始权值和阈值，用训练样本集训练BP 神经网络，完成井下定位算法模型建立。 2自适应动态校准方法 在煤矿井下特殊环境中，无线信息传输时会产 生多径效应和阴影效应，导致采集的RSSI值产生 误差,从而影响定位精度。为此，在井下安装无线校 准器对目标点RSSI值进行校准。无线校准器主要 用于扫描井下巷道固定点处的RSSI值，由主控芯 片STC15W4K56S4、液晶显示模块LCD1602,无线 芯片ESP8266EX和井下供电模块组成。 自适应动态校准方法的基本思想通过安装在 井下巷道中的W个无线校准器采集目标点在训练 阶段和实时定位阶段的RSSI值，根据其变化量实 时动态校准目标点RSSI值。 假设目标点在实时定位阶段的RSSI集合为 Q {R,,R2,-,Rn},补偿后目标点的RSSI集合 为Q {疋，出，,R；}，则补偿公式为 「 g 琅i 尺，为实时定位阶段第j个无 线校准器接收的第i个AP的RSSI值。 3井下自适应定位算法流程 井下自适应定位算法分为采集训练阶段和实时 定位阶段2个部分。 采集训练阶段利用无线接收设备采集训练样本 和测试样本，为SAPSO-BP神经网络提供训练和测 试数据，建立SAPSO-BP神经网络模型，具体流程 如图2所示。 图2釆集训练流程 Fig . 2 Flo w o f a c q u isit io n t r a in in g 实时定位阶段通过无线接收设备采集目标点处 的RSSI值,利用自适应动态校准方法对RSSI值进 行实时动态校准，将校准过的RSSI值代入SAPSO- BP神经网络算法中，估算目标点位置坐标,具体流 程如图3所示。 图3实时定位流程 Fig . 3 Flo w o f r ea l-t ime po sit io n in g 4实验分析 4. 1 实验环境 实验环境为贵州某煤矿井下645 m运输巷，该 巷道已覆盖工业以太网，截面宽度为4 m左右。在 此基础上搭建井下定位系统，只需要安装交换机、 AP终端和无线校准器。考虑到煤矿井下各类机电 设备电磁干扰严重、杂物堆放、人员和设备移动等因 素会改变巷道电磁环境,AP节点间距在90 m内可 实现无线全覆盖，因此，在运输巷中安装8个AP终 端，井下实验巷道如图4所示。 图4井下实验巷道 Fig . 4 Un d er g r o u n d ex per imen t a l r o a d w a y 由图4可知，在运输巷中安装的4个无线校准 器可全面监测井下巷道电磁变化情况。 4.2数据采集及模型训练 用于采集RSSI数据的无线接收设备由主控芯 片STC15W4K56S4、液晶显示模块LCD1602,无线 芯片ESP8266EX和锂电池供电模块组成。实验人 员将无线接收设备佩戴在腰间，每个训练采样点采 集20次RSSI数据，通过无线网络传输到服务器， 服务器求出RSSI平均值，并与训练采样点的实际 坐标组合后存放到数据库，组合方式为 （Ri,l RIA , “ Ri,n，竝，卩），R,”为第l个采集点扫描 第71个AP获得的RSSI值，（九，M）为第i个采集点 坐标。实际采样过程中，采样点间距基本控制在 2〜2. 5 m,本次实验一共采集583个训练点，采集 的数据存储到训练数据库。另外采集56次测试点 数据，组成测试数据集并存储到测试数据库。在采 集训练阶段,4个无线校准器也在采集数据，组成采 集训练阶段校准数据集。 根据实验条件和数据采集情况，设置SAPSO- BP神经网络初始参数输入层节点数为8（AP终端 的个数），输出层节点数为2,隐含层神经元个数为 13,学习速度q为0. 1,动量因子a为0. 25,粒子数 H为60,学习因子Ci和eg均为1. 55,最大惯性权 重卩ma x为0. 95,最小惯性权重知in为0. 4,最大迭代 次数Gma x为500,收敛精度设置为10-6。对 SAPSO-BP神经网络进行训练，其结果如图5所示。 图5 SAPSOBP神经网络训练结果 Fig . 5 Tr a in in g r esu lt o f SAPSO-BP n eu r a l n et w o r k 由图5可知，通过SAPSO算法对BP神经网络 84 工矿自动化2019年第45卷 参数进行优化后，网络模型完全满足性能指标要求， 证明了 SAPSO-BP神经网络的可行性。 实时定位阶段，实验人员佩戴无线接收设备从 起始位置0,2 m以2 m/s的速度做匀速运动，随 机走到终点位置645 m,l m,无线接收设备每隔 15 s采集一次数据。在试验区测试5个来回，共采 集到105组有效数据，存储到在线定位数据库。同 时,4个无线校准器也在采集数据，组成实时定位阶 段校准数据集，为目标点的RSSI值实时动态校准 提供数据支持。 4.3 定位性能分析 对传统BP神经网络算法、PSOBP神经网络算 法、未校准RSSI值的SAPSO-BP神经网络算法和 本文算法的定位性能进行比较，为保障不同算法建 模效果，统一采用实验区域采集到的训练数据库和 测试数据库进行训练和测试，定位性能对比如图6 图6 4种算法的定位性能对比 Fig . 6 Co mpa r iso n o f po sit io n in g per f o r ma n c e o f f o u r a lg o r it h ms 由图6可知，本文算法的定位误差在2 m内的 置信概率为77. 54,高于未校准SAPSO-BP神经 网络算法、PSO-BP神经网络算法和BP神经网络算 法的6 18、56. 73和45.39。4种算法的定 位误差统计结果对比见表1。 表1 4种算法的定位误差统计结果对比 Ta ble 1 Co mpa r iso n o f st a t ist ic a l r esu lt s o f po sit io n in g er r o r o f f o u r a lg o r it h ms 算法 最大误差/m最小误差/m平均误差/m BP神经网络5. 381.522.56 PSO-BP神经网络4.651.381.88 未校准SAPSO-BP 3. 840. 951.72 神经网络 本文算法3.15 0. 721. 53 由表1可知，本文算法的平均定位误差为 1.53 m,低于其他算法。本文算法的定位精度比未 校准SAPSO-BP神经网络算法提高了 11.05,比 PSO-BP神经网络算法提高了 162,比BP神经 网络算法提高了 40.23。 5结论 1 利用SAPSO算法优化BP神经网络模型 参数，克服了传统BP神经网络算法易陷入局部最 优的缺点，提高了 BP神经网络算法收敛速度和学 习能力。 2 利用自适应动态校准方法对目标点RSSI 值进行校准,减小井下环境对定位的影响，使定位算 法能自适应井下多变的电磁环境。 3 实验分析结果表明，本文算法的定位误差 在2 m内的置信概率为77. 54,平均误差为 1.53 m,性能优于未校准SAPSO-BP神经网络算 法.PSO-BP神经网络算法、BP神经网络算法。 4 下一步的研究工作是利用克里金插值法对 未采样点进行估算，将训练数据库中采样点间距减 小到1 m内，增加指纹库的密度，从而在不增加设 备和测试人员工作量的前提下，提高定位精度。 参考文献References [11孙继平.煤矿信息化自动化新技术与发展口丄煤炭科 学技术,2016,44119-23. SUN Jipin g. New t ec h n o lo g y a n d d ev elo pmen t o f min e in f o r ma t iza t io n a n d a u t o ma t io n ]J]. Co a l Sc ien c e a n d Tec h n o lo g y,2016,441 19-23. L 2 ]孙继平.2016年版煤矿安全规程监控与通信条款 解析[J1工矿自动化,2016,4251- SUN Jipin g . Ex pla n a t io n s f o r pa r t o f mo r d t o r in g a n d c o mmu n ic a t io n o Coal Mine Safety Regulations o f 2016 Ed it io n Q J]. I n d u st r y a n d Min e Au t o ma t io n , 2016,4251-8. E 3 ]张立亚.全矿井融合通信系统研究[J].工矿自动化， 2018,44312-16. ZHANG Liya . Resea r c h o n min e in t eg r a t ed c o mmu n ic a t io n syst em [ J ]・ I n d u st r y a n d Min e Au t o ma t io n ,2018,443 12-16. [4 ] LI U Da w ei, SHENG Bin , HOU Fen , et a l. Fr o m w ir eless po sit io n in g t o mo bile po sit io n in g a n o v er v iew o f r ec en t a d v a n c es [J]. I EEE Syst ems Jo u r n a l,2014,84 ；1249-1259. [5 ] FANG Xu min g , JI ANG Zo n g h u a , NAN Lei, et a l. Opt ima l w eig h t ed K-n ea r est n eig h bo r a lg o r it h m f o r w ir eless sen so r n et w o r k f in g er pr in t lo c a t io n in n o isy en v ir o n men t ]J]. I ET Co mmu n ic a t io n s,2018,1210 1171-1177. [6]蒋锐，杨震.基于质心迭代估计的无线传感器网络节 点定位算法[J1物理学报,2016,6539-17. JI ANG Ru i, YANG Zh en . An impr o v ed c en t r o id 2019年第7期莫树培等基于SAPSO-BP神经网络的井下自适应定位算法 85 lo c a liza t io n a lg o r it h m ba sed o n it er a t iv e c o mpu t a t io n f o r w ir eless sen so r n et w o r k [J]. Ac t a Ph ysic a Sin ic a , 2016,6539-17. [7]邹自明，何文斌，杨小平.基于LMBP神经网络的无 线室内定位方法[J1桂林理工大学学报，2018, 383574-578. ZOU Zimin g ,HE Wen bin ,YANG Xia o pin g . Wir eless in d o o r po sit io n in g met h o d ba sed o n LMBP n eu r a l n et w o r k [ J ]. Jo u r n a l o f Gu ilin Un iv er sit y o Tec h n o lo g y,2018,383574-57 8 ]石晓伟基于BP神经网络和改进质心算法的室内无 线定位技术的研究[D].北京北京工业大学,2012. [9] 张会清，石晓伟，邓贵华，等基于EP神经网络和泰 勒级数的室内定位算法研究[J1电子学报，2012, 409-1876-1879. ZHANG Hu iq in g , SHI Xia o w ei, DENG Gu ih u a, et a l. Resea r c h o n in d o o r lo c a t io n t ec h n o lo g y ba sed o n ba c k pr o pa g a t io n n eu r a l n et w o r k a n d Ta ylo r ser ies [J]. Ac t a Elec t r o n ic a Sin ic a ,2012,409 1876-1879. [10] 崔丽珍，许凡非，王巧利，等基于PSO-BP神经网络 的煤矿井下自适应定位算法[J1工矿自动化,2018, 44274-79. CUI Lizh en, XU Fa n f ei, WANG Qia o li, et a l. Un d er g r o u n d a d a pt iv e po sit io n in g a lg o r it h m ba sed o n PSO-BP n eu r a l n et w o r k [J]. I n d u st r y a n d Min e Au t o ma t io n ,2018,442 74-79. 口叮 ZHANG Ya n ju n , XU Jin r u i, FU Xin g h u , et a l. Hybr id a lg o r it h m c o mbin in g g en et ic a lg o r it h m w it h ba c k pr o pa g a t io n n eu r a l n et w o r k f o r ex t r a c t in g t h e c h a r a c t er ist ic s o f mu lt i-pea k Br illo u in sc a t t er in g spec t r u m [J]. Fr o n t ier s o f Opt o elec t r o n ic s, 2017, 10l62-69. 口2]陈雯柏.人工神经网络原理与实践[M]・西安西安电 子科技大学出版社,2016. 口 3] XI ONG Ha ilia n g , PENG Meix u a n , ZHU Ko n g f a n , et a l. Ef f ic ien t bia s r ed u c t io n a ppr o a c h o f t ime-o f - f lig h t -ba sed w ir eless lo c a liza t io n n et w o r k s in NLOS st a t es]J]. I ET Ra d a r, So n a r Na v ig a t io n , 2018, 12111353-1360. 口 4]张亚明，史浩山，陈客松，等一种改进的无线传感器 网络优化定位算法[J1电子科技大学学报,2015, 443357-362. ZHANG Ya r n in g , SHI Ha o sh a n , CHEN Keso n g , et a l. An impr o v ed o pt imiza t io n lo c a liza t io n a lg o r it h m in WSNs [J]. Jo u r n a l o f Un iv er sit y o f Elec t r o n ic Sc ien c e a n d Tec h n o lo g y o f Ch in a, 2015, 44 3 357-362. [15]专祥涛.最优化方法基础[M].武汉武汉大学出版 社，201 口6]宗群，秦新立，张博渊，等基于DPSO-GT-SA算法的 大规模UCAV协同任务分配口].天津大学学报自 然科学与工程技术版,2018,51101005-1014. ZONG Qu n , QI N Xin li, ZHANG Bo yu a n , et a l. Co o per a t iv e t a sk a llo c a t io n o f la r g e-sc a le UCAV ba sed o n DPSO-GT-SA a lg o r it h m E J ]・ Jo u r n a l o f Tia n jin Un iv er sit y Sc ien c e a n d Tec h n o lo g y , 2018, 51101005-1014. [17] 张卿祎，王兴伟，黄敏.基于PSO和SA混合优化的智 能容错Qo S路由机制[J1东北大学学报自然科学 版,2017,383-325-330. ZHANG Qin g yi,WANG Xin g w ei, HUANG Min . An in t ellig en t f a u lt -t o ler a n t Qo S r o u t in g mec h a n ism ba sed o n PSO a n d SA h ybr id o pt imiza t io n ]J]・ Jo u r n a l o f No r t h ea st er n Un iv er sit y Na t u r a l Sc ien c e 2017, 383325-330. [18] 姚建丽，胡红萍，白艳萍，等应用SAPSO-BP神经网 络的DOA估计方法[J]重庆理工大学学报自然科 学,2018,325183-188. YAO Jia n li, HU Ho n g pin g, BAI Ya n pin g , et a l, DOA est ima t io n met h o d ba sed o n SAPSO-BP n eu r a l n et w o r k [J], Jo u r n a l o f Ch o n g q in g Un iv er sit y o f Tec h n o lo g yNa t u r a l Sc ien c e ,2018,325 183-188. [19] 刘海波，王和平，沈立顶基于SAPSO优化灰色神经 网络的空中目标威胁估计m.西北工业大学学报， 2016,34125-32. LI U Ha ibo , WANG Hepin g , SHEN Lid in g . Ta r g et t h r ea t a ssessmen t u sin g SAPSO a n d g r ey n eu r a l n et w o r k [J]. Jo u r n a l o f No r t h w est er n Po lyt ec h n ic a l Un iv er sit y ,2016,341 25-32.