改进果蝇算法优化GRNN在WSN节点定位中的应用.pdf
《改进果蝇算法优化GRNN在WSN节点定位中的应用.pdf》由会员分享,可在线阅读,更多相关《改进果蝇算法优化GRNN在WSN节点定位中的应用.pdf(3页珍藏版)》请在文库网上搜索。
1、运营维护中国宽带 2023 年 5 月-159-随着科技发展,物联网迅速崛起,其结合 RFID技术、传感器技术、Internet 技术、信息技术等,实现“物物互联”。物联网相关产业在当前较广泛的应用主要有物流、共享单车和 5G 网络架构等,以物联网为基础的大多数公共服务和商业应用也对节点的位置信息具有一定的依赖性,故准确获取节点位置信息在物联网服务中占有非常重要的作用。无线传感器网络作为物联网技术的一个重要组成部分,将敏感区域内采集到的实时监测数据(如温度、湿度、压力等),汇集到汇聚节点,再将数据传输到基站,完成对外界环境或目标物体的实时监测及响应。通过已知节点的信息实现对未知节点的定位,是解
2、决特定环境中实体定位问题(如环境监测和入侵定位)的关键技术,因此,节点定位技术也成为物联网能够广泛应用的重要前提。此外,许多路由协议是在获取节点位置信息的前提下运行,因此,WSN 的节点定位技术成为其应用的重要支撑技术之一,这也对物联网的应用产生了一定影响。在无线传感器网络中,用于对未知节点进行定位的设备被称为已知节点或信标节点。这些信标节点的准确位置可以通过测量节点配备的 GPS 系统来获取。由于受到成本、环境、功耗等因素的制约,所有节点的位置信息无法通过 GPS 获取,因此,需要研究其他的定位算法,目标是利用少量的信标节点的位置信息结合某种定位算法尽可能准确估算未知节点的坐标位置。随着人工
3、神经网络技术的迅速发展,很多国内外学者将人工神经网络和各种智能算法(如蚁群算法、麻雀算法、粒子群算法等)应用到无线传感器网络的节点定位中,并且取得了较好的定位效果。文献 1 提出无人机辅助的基于前馈神经网络的节点定位(UAV-NN)算法。该算法无须部署地面信标节点,与传统的机器学习算法相比,UAV-NN 算法通过引用极端学习机 ELM,减少了定位误差。文献2在优化传统DV-Hop-NN算法基础上,采用机器智能数据模型、算法模型对接收多个信标节点的跳距进行运算。解决系统内部的误差累计问题,大幅度提升节点定位精度。文献 3 针对传统神经网络存在收敛速度慢的问题,提出了改进神经网络的无线传感器节点定
4、位模型。该模型较好地克服了无线传感器网络节点定位模型的局限性,降低了传感器节点定位的误差。本文提出的改进果蝇算法优化广义回归神经网络定位算法,通过重构原算法的味道浓度判定函数,利用果蝇算法的寻优特性快速调整并确定广义回归神经网络的网络平滑参数,建立 IMP-FOA GRNN 神经网络定位模型,最终由神经网络输出端输出未知节点坐标。一、建模基础(一)广义回归神经网络广义回归神经网络是由美国学者 Donald F Spetch 于 1991 年提出。GRNN 网络是径向基神经网络的一种变形形式,它具有较强的非线性映射能力和学习速度,并且具有高度的容错性和鲁棒性,因此,在解决非线性问题方面具有独特优
5、势。此外,即使在样本数据较少的情况下,广义回归神经网络也能取得令人满意的预测效果,因此在各个领域得到了广泛的应用。GRNN 网络是高度并行的四层结构,分别为输入层、模式层、求和层和输出层。输入层的各个神经元分别对应不同的学习样本,且神经元个数与学习样本的输入维数 相等,接收到的输入变量通过神经元直接传递到模式层。求和层是采用分子、分母两种类型神经元求和,分子求和是对神经元预期输出与模式层每个对应节点的加权求和。分母求和则是对前一层(模式层)的所有神经元的输出求和。输出层是由求和层中的分子求和与分母求和相除得到。改进果蝇算法优化 GRNN 在 WSN 节点定位中的应用 王海云陈婷宫丽娜何颖【摘要
6、】本文提出了一种改进的果蝇算法优化广义回归神经网络定位算法(IMP-FOAGRNN),以快速获取网络参数并提高无线传感器网络节点的定位精确度。该算法依据算法原理重构算法味道浓度判定函数,利用已知节点间的距离与坐标训练 IMP-FOAGRNN 定位模型,与此同时,利用改进的果蝇算法迅速搜索和调整广义回归神经网络的平滑参数 spread,并获得网络参数的最优值 0.0311,并且确定IMP-FOAGRNN 定位模型,进而利用 IMP-FOAGRNN 定位模型输出未知节点坐标。通过 MATLAB 实验仿真,将 IMP-FOAGRNN 定位算法与未经优化的 GRNN 定位算法从定位结果,定位误差和不同
7、信标节点数三个方面进行比较,说明本算法的定位准确性优于未经优化的 GRNN 算法。【关键词】无线传感器网络;节点定位;广义回归神经网络;果蝇优化算法运营维护中国宽带 2023 年 5 月-160-(二)果蝇优化算法及算法改进果蝇优化算法是一种基于果蝇觅食行为的寻优方法。果蝇寻找食物时,先利用其非常灵敏的嗅觉判断与食物的大致距离,然后飞近食物,再利用敏锐的视觉发现食物并与同伴飞向食物方向完成觅食。果蝇优化算法的算法流程如下。第一步:随机产生果蝇的初始位置,确定果蝇种群个体数量 sizepop 和最大迭代次数 maxgen。第二步:初始化搜寻食物的果蝇个体觅食方向和距离(X(i),Y(i)。第三步
8、:估计果蝇所处位置与原点之间的距离 D(i),通过 D(i)值准确计算味道浓度判定值S(i)。第四步:得到道浓度判定值 S(i)后通过浓度判定函数计算出果蝇此时的飞行位置的味道浓度值Smell(i)。第五步:在觅食果蝇群体中确定味道浓度最小的果蝇个体(求最小值)。第六步:确定觅食过程中最小味道浓度值S(i)与(X(i),Y(i))的坐标,此时果蝇觅食群体利用敏锐的视觉飞向最佳坐标位置。第七步:迭代寻优,充分执行步骤 2-5,在迭代过程中,如果当前浓度值小于上一次迭代中的浓度值则执行步骤 6,若大于上次迭代浓度值则继续执行步骤 2-5 进行迭代优化。根据上述的算法流程分析,果蝇优化算法是在解空间
9、中寻找出最优的果蝇个体,使得目标函数快速收敛于全局最优解。故依据预测距离与实测距离之间的误差分析如下。在平面直角坐标系下,设 A、B、C 为任意互不重合的三个点,要通过果蝇优化算法寻找到一个Q点,该点到 A、B、C 三点的距离之和最小。若 P 点为某个果蝇所处的位置,其到三点的距离分别为 PA 、PB 、PC ,果蝇所寻找的 Q 点到三点的距离分别为 QA 、QB 、QC ,若 PA 与 QA 、PB 与 QB 、QC 与 QC 三组距离之差各接近于 0 时,此时 P、Q 两点最接近。此时,记三段距离误差的最小均方值为 y。使用三段距离的均方差代替原算法中的 S(i)完成算法迭代。由此,可记改
10、进的果蝇优化算法为 IMP-FOA。(三)节点间的测距方法为了训练人工神经网络定位模型,准确测量未知节点与信标节点之间的距离是构建完善、精确网络的前提。目前主要的测距算法主要分为四类,分别是:基于到达角度、基于信号接收强度指示、基于到达时间差和基于到达时间四种算法。基于 TDOA 算法是通过不同信号到达所消耗的时间差估算节点距离,由于该算法需要两种不同的信号因此需要安装两种不同信号收发器,例如可以在节点上安置无线电信号收发模块和超声波信号收发信号。在 T0时刻,信标节点首先发送无线电信号,并于 T1时刻目标节点无线电接收模块接收无线电信号,在 T2时刻,信标节点发送超声波信号,并于 T3时刻,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 果蝇 算法 优化 GRNN WSN 节点 定位 中的 应用