基于KDMSPCS-GRNN的室内定位技术研究-AET-电子技术应用

基于KDMSPCS-GRNN的室内定位技术研究

信息技术与网络安全

王超1，单志勇2

(1.东华大学信息科学与技术学院，上海201620；2.数字化纺织技术教育部工程中心，上海201620)

摘要： 针对利用广义神经网络(Generalized Regression Neural Network，GRNN)搭建的定位预测模型定位精度低、效率慢等问题，基于动态分群策略，提出一种线性递减粒子群(Linear Decreasing Contraction Particle Swarm Optimization，LDCPSO)和布谷鸟(Cuckoo Search，CS)混合寻优算法，并利用此算法为GRNN选择最优参数，构建定位预测模型。该算法主要利用K均值聚类算法(K-means)对整个种群进行周期性的分群，底层使用LDCPSO算法优化各个子群，并将最优粒子传至高层，高层使用CS算法优化各个子群的最优粒子，并将最终结果返回底层，执行下一次迭代。实验过程中，一方面将提出的算法应用于多个测试函数，结果表明该算法具有更好的收敛速度和收敛精度；另一方面利用该算法搭建定位模型，并与其他定位模型对比，结果显示该定位模型具有更好的定位效果。

关键词： LDCPSO算法 CS算法 K-mean算法 GRNN算法测试函数

中图分类号： TP301.6
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.04.004
引用格式：王超，单志勇. 基于KDMSPCS-GRNN的室内定位技术研究[J].信息技术与网络安全，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

随着第四代网络通信技术的成熟和微电子行业的迅速发展，移动终端设备在人们日常生活中得到很大程度的普及，人们对基于用户位置服务(Location Based Services，LBS)[1]的需求愈来愈广泛。而室内定位技术作为LBS中必不可少的底层技术，它的好坏将直接影响服务的质量，因此室内定位领域受到技术人员广泛关注，无线定位技术得到了极大的发展。目前已经提出的定位技术有RFID、UWB、ZigBee[2]和WiFi[3]等。相比于其他几种技术而言，WiFi在人们日常生活中的覆盖率更高，且对硬件设备要求较低，故而更具实践价值。目前WiFi定位技术已经成为室内定位技术研究的主要热点之一。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003473

作者信息：

王超1，单志勇2

(1.东华大学信息科学与技术学院，上海201620；2.数字化纺织技术教育部工程中心，上海201620)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容