一种应用在RFID定位的CQPSO-BP室内无线信道建模方法

兰庆庆，肖本贤，何怡刚

(合肥工业大学 电气与自动化工程学院， 合肥 230009)

1 引 言

近年来移动通信系统在不同领域的快速发展，带动室内无线通信系统的相关技术与应用也取得长足的进步，同时无线通信设备的普及大大促进了室内定位服务[1]，如室内搜索，导航和跟踪的推广.然而，由于室内环境复杂，在实践中通常不容易达到令人满意的定位精度[2].基于无线信号的定位系统的性能主要依赖于传播模型，因而研究室内无线信号的传播特性对提高室内定位系统的定位精度有着十分重要的作用.现有的研究成果中，较多地采用经验路径损耗模型来描述室内无线信号传播特性[3]，但是这些模型没有考虑到室内环境复杂多变的特性，不具有对室内环境的普适性.因此，研究建立适用于不同室内环境下无线信号的路径损耗模型，对提高室内无线信号定位系统的定位性能有重要意义.

人工智能(Artificial Intelligence, AI)技术通过模拟人类大脑神经信息处理方式，通过观察数据对复杂信息进行并行处理和非线性转换[4].因其不依赖系统的分析模型，具有普适性，故将其用于处理变化的无线信号，可降低传播路径损耗模型中的误差.文献[5]提出使用BP神经网络建立接收信号强度值(Received Signal Strength Indication, RSSI)和距离之间的关系模型，并将这个模型成功用于定位系统中.但是BP网络存在对初始值敏感的问题，不同的初始值，学习过程存在很大差异.因此文献[6]将粒子群优化(Particle Swarm Optimization, PSO)算法的全局寻优能力应用于BP网络权值以及阈值等参数的初始化过程，提高了BP网络的数据拟合性能.利用该方法进行无线传感网络的定位，其定位稳定性和精度有所提升，但是PSO算法具有收敛速度慢的缺点而且随着迭代的进行易出现局部收敛，这些会对定位结果造成一定的影响.量子粒子群优化(Quantum behavior Particle swarm optimization, QPSO)算法[7]针对PSO算法的这些不足进行了改进，因此将其应用到BP神经网络的学习中得到广泛关注，并且在网络流量预测[8]，电池荷电状态预测[9]等方面取得了一些研究成果.QPSO算法在操作步骤、收敛速度、准确性等方面较其他的群智能优化算法有一定的优势，但是算法随着迭代次数的增加也会出现种群粒子的多样性下降情况，进而影响算法的寻优能力.为此，文献[10]将QPSO算法融入到文化算法[11]的框架中，在保留了QPSO算法快速演化能力的同时，又通过文化算法提高QPSO种群中粒子的多样性，构成文化量子粒子群优化(Cultural Quantum behavior Particle swarm optimization, CQPSO)算法，用以提高全局收缩能力.文献[12]研究表明：同QPSO算法相比，在全局收敛能力以及迭代收敛速度方面，CQPSO算法均有一定的优势.

综合以上研究，为了提高室内无线信号传播模型的准确性，进而实现提升室内定位的精度，本文利用CQPSO算法对BP神经网络的学习过程进行优化，并将改进后的BP神经网络在RFID室内定位中进行实际应用.基本思想是：先是通过CQPSO算法实现BP神经网络权值以及阈值的迭代寻优;然后在合理地定义并提取信号样本之后利用BP神经网络建立室内无线信号传播模型; 之后采用由BP神经网络建立的信道模型对信号传输距离进行估计，最后将得到的估计距离应用到RFID室内定位算法中得到目标标签的位置.实验结果表明，改进的BP神经网络相对于一般的BP 神经网络数据拟合稳定性和准确性得到提升，且将其应用于RFID定位系统可提高定位精度.

2 基于文化量子粒子群优化的BP神经网络

2.1 BP神经网络架构

BP神经网络是一种按梯度算法进行训练的网络,其在非线性拟合方面具有很好的优势[13],拟合训练模型如图1所示.

图1 BP神经网络训练模型
Fig.1 BP neural network training model

其中，Xj为输入层中某个节点的输入值，j=1,2,…,n,由通过每个阅读器测量得到的某个标签的RSSI值所构成；wij为隐含层中的第i个节点和输入层中的第j个节点进行连接的权值；Yi为隐含层第i个节点，i=1,2,…,l；θi表示隐含层中的第i个节点自身的阈值；Ф为隐含层包含的激励函数；vki为输出层中第k个节点与隐含层第i个节点进行连接的权值；ak表示输出层第k个节点自身的阈值；φ表示输出层包含的激励函数；Ok表示输出层中某个节点的输出值，k=1,2,…,m，由和RSSI值相对应的一个距离值所构成.将参考标签相关的输入值和输出值选作我们的训练样本进行训练，通过训练模型可以由阅读器采集到的待测标签的RSSI值得到两者之间的距离.

2.2 文化量子粒子群算法

文化算法是对以自然选择与群搜索为基础的进化算法的补充，它将文化的思想融入到传统的自然进化算法中，用以实现准确地提取出个体经验与信息，然后使用提取到的信息指引着种群中不同的个体对整个问题空间中存在的所有可行解展开搜索，从而提高了算法的收敛效率.将QPSO算法纳入文化算法的框架，在保留QPSO算法高效的演化性能的同时，采用文化算法去增强QPSO的粒子多样性.同时为了使信念空间中群体所携带的经验知识在对种群空间中全部个体的进化进行指引时更具有针对性，种群空间与信念空间内的粒子均按照QPSO算法来实行进化操作以及更新操作，最终构成文化量子粒子群算法.

QPSO算法是一种新型的群智能优化算法，该算法按照公式(1)-公式(3) 的进化规则来更新粒子的位置.

(1)

Pid=φ*Pbestid+(1-φ)*gbestd

(2)

(3)

式中，mbest表示通过此次迭代产生的种群个体中的最佳位置计算得到的一个中心点；Pid表示处在此次迭代过程个体的最优值Pbestid和全局的最优值gbestd之间的一个随机位置；d表示搜索空间所处的维数；M表示粒子群个体的数目；u，φ表示处在(0，1)之间的一个随机数，若u>0.5,式(3)为加，不然就为减；参数β被称之为扩张-收缩因子，能够调节算法每次迭代的收敛速率，取值随着算法迭代次数的不断增多而线性减少.

接受函数的主要功能是选取种群空间内一定数目的较优个体，提供到信念空间被用来实现知识的自我更新.种群空间提供给信念空间的较优个体数ηaccept可由公式(4)计算[14]：

(4)

公式(4)中，λ是按照实际情况而设定的比例因子；N为群体空间生成粒子的个数；t为进化迭代数.

在信念空间实现自我更新之后，便能够用影响函数对种群空间内的个体进化方向进行指导，按照下面的式子即可调节种群空间内粒子所处位置[14].

(5)

2.3 基于文化量子粒子群优化的BP神经网络

基于CQPSO优化的BP网络实现的具体过程如下所示：

1) 确定BP神经网络拓扑结构；

2) 初始化粒子群: 将网络的权值和阈值作为粒子的当前位置Xi并初始化粒子群，粒子群中每个粒子包含的元素的个数，称之为粒子长度，可通过下式进行计算：

s=n·l+l·m+l+m

(6)

公式(6)中，s表示粒子中元素的个数；n表示输入层节点的数目；l表示隐含层节点的数目；m表示输出层节点的数目.

3) 设置适应度函数：在BP 神经网络模型中，通常采用均方误差函数(MSE)来衡量训练结果的质量，因此本文将BP网络模型的均方误差函数选作文化量子粒子群的适应度函数.

4) 通过文化量子粒子群算法对BP神经网络的权值和阈值进行迭代寻优，并种群中适应度函数值最小的粒子初始化BP神经网络的权值和阈值.

3 基于CQPSO-BP的室内信号传播模型

3.1 基于CQPSO-BP的室内信号传播模型

Shadowing经典信号传播模型(距离-损耗公式)一般被用在复杂的室内环境下来描述室内无线信号的传播特性，定义如下式所示[15]:

(7)

公式(7)中，通常取d0=1m，RSSI(d0)为距离信号发射地点1m处接收的信号强度平均值；n是信号传输损耗因数，由所处的环境确定；RSSI是采集到的信号强度值；d为接收机到信号源的距离；Xσ被称为阴影衰落，是一个均值为0，方差为σ的正态随机变量.

由式(7)可知，在一定的环境下，RSSI和d之间满足非线性的函数关系.虽然信号传播会受到复杂环境的影响，但在整体上只是在函数曲线周围产生一定的波动.人工智能理论中的Kolmogorov定理指出采用一个简单的三层BP神经网络就可以实现对任意一个连续函数的拟合，结合第2节的分析可知，CQPSO-BP在数据拟合收敛性能上优于BP网络，因此可以采用CQPSO-BP网络拟合的RSSI-d函数关系来构建信号传播模型.

3.2 基于CQPSO-BP的室内信号传播模型性能对比分析

本文在一个输入层、一个输出层、一个隐含层的三层BP神经网络的基础上构建三层CQPSO-BP神经网络.其中，接收端的信号强度值RSSI作为输入值，信号传输距离d作为输出值，隐含层选择s型函数来实现RSSI与d的非线性函数关系的拟合.输入层和输出层的神经元个数均为1，隐含层的节点数在综合考虑神经网络的收敛性能基础上最终选择收敛最快时的隐含层节点个数10.在10×10×5米仓库环境中，通过阅读器对同一标签在相邻的不同时刻的信号强度进行多次采集，并将采集的信号的平均值作为该位置的数据.然后分别采用CQPSO-BP神经网络与文献[5]的BP神经网络以及文献[6]的PSO-BP神经网络在相同的神经网络架构下，利用这些实验数据进行神经网络训练和测试，构建信号传播模型，并对其性能进行对比分析.图2描述了利用三种神经网络拟合的RSSI-d关系曲线，图3是对CQPSO-BP和PSO-BP收敛速度的比较.

如图2所示，为三种神经网络拟合的RSSI-d关系曲线，横坐标为信号强度值，纵坐标为距离.从图中可以看出，原始数据因受到环境因素的影响使得RSSI-d关系在对数函数关系上产生一定的波动，无法正确描述其关系.通过BP神经网络对原始数据进行拟合处理，可以看出，拟合后的曲线基本上能够满足对数函数关系，但因BP神经网络对初始值的敏感性，导致拟合的 曲线不稳定.而通过PSO-BP神经网络得到的拟合曲线能够满足对数函数关系且具有很好的稳定性，但是因为PSO算法容易陷入局部最优解，因此在图中两端出现与真实数据偏差较大的情况.通过CQPSO-BP得到的拟合曲线能够解决上述两种神经网络出现的问题，能够很好地描述RSSI和d之间的函数关系.

图2 RSSI-d关系曲线图Fig.2 RSSI-d relationship curve

图3 收敛性分析图Fig.3 Convergence analysis chart

图3给出了三种优化算法各自的收敛速度，横坐标为迭代进行的次数，纵坐标为粒子在此次迭代下相应的适应度值.将优化算法迭代次数的最大值均设成50，图中数据的变化显示了各种优化算法找到适应度值最小的粒子时已进行迭代的次数.从图中可以看出，PSO-BP网络在迭代进行了11次时最先找到适应度最小的粒子，而CQPSO-BP网络仅迭代了6次就达到相同的效果，同时CQPSO-BP网络适应度最小值同PSO-BP网络相比降低了0.02.因此验证了2.2节中对CQPSO算法收敛效率的介绍，实现了比PSO更快的收敛速度，找到最优值的次数更多，对BP网络优化效果更好.

4 RFID定位应用实例

4.1 基于CQPSO-BP室内信号传播模型在RFID定位中的应用

对仓库内的物品进行有效的定位可以减轻仓库工作人员的工作量以及提升仓库物品的统计管理效率.因此研究适用于仓库的室内定位技术有很好的应用前景.RFID定位技术拥有无需接触、非视距、体积较小、成本较少的优势，使得基于RFID技术的定位系统在实际应用中得到广泛推广.而通过参考标签实现室内定位的LANDMARC定位系统[16]是 一种经典的基于RFID技术的室内定位系统.该定位系统首先根据实际定位环境的需要布置一定数目的位置已知的参考标签；然后系统根据位置未知的目标标签与参考标签之间的接收信号强度值的差异判断两者之间的相对距离，并根据距离挑选出一定数目参考标签作为邻近参考标签；最后根据邻近参考标签的坐标及其对应的权值通过残差加权法计算出目标标签的坐标估计值.

为了更适用于仓库这类三维空间中进行定位，文献[17]将测距机制与标准LANDMARC定位算法结合，将信号强度值通过测距原理转化为距离，然后通过比较目标标签与参考标签和阅读器距离的差异来估计目标标签和参考标签之间的距离远近，进而遴选出一定数目的邻近参考标签，最终利用邻近参考标签进行定位.通过对LANDMARC定位系统原理分析可知，准确地计算标签和阅读器之间的距离是实现精确定位的关键，结合第3节的分析，我们可以利用CQPSO-BP神经网络建立仓库内无线信号传播模型，然后通过采集到的RSSI值得到较准确的距离值，最后实现仓库物品的准确定位.基于CQPSO-BP的LANDMARC定位算法通过伪码的形式表述如下：

输入：训练样本集T(输入样本为信号强度值，输出样本为阅读器与标签距离)，参考标签的信号强度值矩阵R；待测标签的信号强度值矩阵S；

输出：待测标签的坐标.

begin

初始化阅读器数目k；

初始化待测标签总数P；

初始化邻近参考标签数目m；

初始化已定位的待测标签数目n=0；

用训练样本集T训练CQPSO-BP神经网络获得RSSI-d的关系模型；

利用训练好的CQPSO-BP神经网络，由每个参考标签的信号强度值Rij获得该参考标签与每一个阅读器的距离DRij；

while(n

begin

选取一个待测标签，通过阅读器接收到的该标签的信号强度值Snj估计该标签与该阅读器的距离DLj；

计算待测标签与每个参考标签的相对距离：

选取相对较小的m个Ei值对应的参考标签作为邻近参考标签；

计算所有邻近参考标签各自的权值：

由邻近参考标签权值及其坐标来获得待测标签位置的估计坐标：

将已定位的待测标签数目n加1；

end

end

4.2 定位性能对比分析

4.2.1 实验环境设置

首先搭建一个模拟仓库，其长、宽、高分别为10米、10米和5米，在仓库中放置5排长为8米，宽为1米以及高为4米的货架.然后在房间上方的4个顶角放置阅读器，货架上每隔一定距离贴上标签并记录其坐标，同时在货物的正面粘贴具有其信息的标签以便进行查找.最后在这些货物中随机挑选出20个分别采用3D-LANDMARC算法和基于CQPSO-BP的LANDMARC算法对其进行位置估计并分析各种算法的性能.并且把每个算法连续得到的20次估计坐标求均值后作为最终结果.

4.2.2 实验结果分析

为了能够定量地分析比较两种算法的定位性能，本文将定位结果的估计误差选作算法定位精度的衡量准则，定义如公式(8)所示：

(8)

图4 位置估计误差Fig.4 Location estimation error map

图4给出了20个标签通过不同算法得到的估计坐标与真实值之间的误差，横坐标是标签编号，纵坐标是误差值.从图中可以看出，一般的LANDMARC定位算法由于受到环境因素的影响，RSSI-d难以保持严格对数函数关系，造成根据信号强度值判断的距离值出现误差，因而定位结果的误差较大，且波动性大，误差不稳定.而基于CQPSO-BP的LANDMARC定位算法的定位结果误差集中在0.4米～0.7米，定位更加准确且波动性小，因此基于CQPSO-BP的LANDMARC定位算法更适用于对仓库内物品的定位.

5 总 结

本文提出利用CQPSO-BP神经网络对RSSI值进行处理，建立了室内无线信号传播的路径损耗模型，最后得到相应的距离值.在新的算法中将CQPSO算法和BP神经网络结合，即利用CQPSO算法在迭代寻优方面的优势得到BP神经网络最优的权值和阈值矩阵，然后将得到的权值和阈值赋给BP神经网络而形成的一种新算法.根据三种神经网络拟合的RSSI-d曲线的对比效果可以看出，CQPSO-BP神经网络能够降低BP神经网络对初始值的依赖性，且较PSO-BP有更好的收敛性能.通过将CQPSO-BP神经网络建立的路径损耗模型在RFID定位系统中进行实际应用的实例，可以看出，相较于标准的LANDMARC定位算法，基于CQPSO-BP的LANDMARC定位算法的定位结果的稳定性更高且误差更小.综上所述，本文提出的算法是通过CQPSO算法对BP神经网络的一些参数进行迭代寻优的方式进行优化处理，虽然增加了BP神经网络操作步骤，但是提升了其收敛性能，因此该网络整体的运行时间保持均衡，而且利用优化后的BP神经网络建立的路径损耗模型能够很好地描述室内无线信号的传播特性，在提高室内无线定位系统的定位精度方面有一定的借鉴意义.