• 中文核心期刊要目总览
  • 中国科技核心期刊
  • 中国科学引文数据库(CSCD)
  • 中国科技论文与引文数据库(CSTPCD)
  • 中国学术期刊文摘数据库(CSAD)
  • 中国学术期刊(网络版)(CNKI)
  • 中文科技期刊数据库
  • 万方数据知识服务平台
  • 中国超星期刊域出版平台
  • 国家科技学术期刊开放平台
  • 荷兰文摘与引文数据库(SCOPUS)
  • 日本科学技术振兴机构数据库(JST)

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

微信公众号

基于BP神经网络的RSSI测距优化算法

姚军 甄梓越 马宇静

姚军,甄梓越,马宇静. 基于BP神经网络的RSSI测距优化算法[J]. 电波科学学报,xxxx,x(x): x-xx. DOI: 10.12265/j.cjors.2021177
引用本文: 姚军,甄梓越,马宇静. 基于BP神经网络的RSSI测距优化算法[J]. 电波科学学报,xxxx,x(x): x-xx. DOI: 10.12265/j.cjors.2021177
YAO J, ZHEN Z Y, MA Y J. RSSI ranging optimization algorithm based on BP neural network[J]. Chinese journal of radio science,xxxx,x(x): x-xx. (in Chinese). DOI: 10.12265/j.cjors.2021177
Citation: YAO J, ZHEN Z Y, MA Y J. RSSI ranging optimization algorithm based on BP neural network[J]. Chinese journal of radio science,xxxx,x(x): x-xx. (in Chinese). DOI: 10.12265/j.cjors.2021177

基于BP神经网络的RSSI测距优化算法

doi: 10.12265/j.cjors.2021177
基金项目: 教育部下一代互联网技术创新项目“IPv6在煤矿生产监测中的应用”(NGII20160301)
详细信息
    作者简介:

    姚军:(1974—),男,陕西人,西安科技大学副教授,兼任西安科技大学网络中心副主任

    甄梓越:(1995—),男,陕西人,西安科技大学硕士研究生,主要研究领域为电子科学与技术

    马宇静:(1997—),女,陕西人,西安科技大学硕士研究生,主要研究领域为信息与通信工程

    通讯作者:

    甄梓越 E-mail: 429531824@qq.com

  • 中图分类号: TP391

RSSI ranging optimization algorithm based on BP neural network

  • 摘要: 基于接收信号强度指示(received signal strength indication, RSSI)测距的研究应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距方法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用在BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示,基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m,而经过K-means算法改进后的BP神经网络测距方法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI与真实距离的映射关系.
  • 图  1  BP神经网络流程图

    Fig.  1  Flowchart of BP neural network

    图  2  改进测距算法主要流程

    Fig.  2  Process of the ranging optimization algorithm

    图  3  BP神经网络结构

    Fig.  3  Network structure of BP neural network

    图  4  K-means分类前后数据分布

    Fig.  4  Data distribution before and after K-means classification

    图  5  分类后BP神经网络训练效果

    Fig.  5  Training effect of BP neural network after classification

    图  6  改进前后拟合效果对比

    Fig.  6  Comparison of fitting effect before and after improvement

    表  1  补充后的训练数据

    Tab.  1  Supplementary training data

    RSSI/dBm距离/mRSSI/dBm距离/m
    −241.0−4111.5
    −251.5−4112.0
    −252.0−4212.5
    −262.5−4313.0
    −273.0−4313.5
    −273.5−4314.0
    −294.0−4314.5
    −304.5−4315.0
    −315.0−4415.5
    −335.5−4416.0
    −336.0−4516.5
    −336.5−4617.0
    −357.0−4817.5
    −367.5−4818.0
    −368.0−4918.5
    −378.5−5019.0
    −389.0−5019.5
    −389.5−5120.0
    −3910.0−5320.5
    −4010.5−5321.0
    −4011.0
    下载: 导出CSV
  • [1] 邓昀, 朱彦, 杨逸夫, 等. 基于BP神经网络的RFID室内定位算法研究[J]. 小型微型计算机系统,2019,40(8):1707-1712. DOI: 10.3969/j.issn.1000-1220.2019.08.024

    DENG Y, ZHU Y, YANG Y F, et al. Research on RFID indoor location algorithm based on BP neural network[J]. Journal of Chinese computer systems,2019,40(8):1707-1712. (in Chinese) DOI: 10.3969/j.issn.1000-1220.2019.08.024
    [2] WANG J, WANG Y, GUAN X. An indoor localization system based on backscatter RFID tag[C]// IEEE Wireless Communications and Networking Conference. IEEE, 2016: 1-6.
    [3] 宋宁佳, 崔英花. 基于GA-GRNN的RFID室内定位算法[J]. 计算机工程,2019,45(11):298-302+308.

    SONG N J, CUI Y H. RFID indoor positioning algorithm based on GA-GRNN[J]. Computer engineering,2019,45(11):298-302+308. (in Chinese)
    [4] 邹东尧, 陈鹏伟, 刘宽. 一种改进的RSSI测距定位算法[J]. 电讯技术,2019,59(10):1191-1196. DOI: 10.3969/j.issn.1001-893x.2019.10.014

    ZOU D Y, CHEN P W, LIU K. An improved RSSI ranging algorithm[J]. Telecommunication engineering,2019,59(10):1191-1196. (in Chinese) DOI: 10.3969/j.issn.1001-893x.2019.10.014
    [5] 谭志, 张卉. 无线传感器网络RSSI 定位算法的研究与改进[J]. 北京邮电大学学报,2013,36(3):88-91+107.

    TAN Z, ZHANG H. Research and improvement of RSSI localization algorithm in wireless sensor networks[J]. Journal of Beijing University of Posts and Telecommunications,2013,36(3):88-91+107. (in Chinese)
    [6] 石琴琴, 徐强, 张建平, 等. 基于RSSI测距的室内目标定位方法[J]. 电子测量与仪器学报,2018,32(2):86-91.

    SHI Q Q, XU Q, ZHANG J P, et al. Indoor targeting method based on RSSI ranging[J]. Journal of electronic measurement and instrument,2018,32(2):86-91. (in Chinese)
    [7] SASIWAT Y, JINDAPETCH N, BURANAPANICHKIT D, et al. An experimental study of human movement effects on RSSI levels in an indoor wireless network[C]//The 12th Biomedical Engineering International Conference (BMEiCON). IEEE, 2019: 1-5.
    [8] IVANIĆ M, MEZEI I. Distance estimation based on rssi improvements of orientation aware nodes[C]// Zooming Innovation in Consumer Technologies Conference (ZINC). IEEE, 2018: 140-143.
    [9] SHI Y, LONG Y, LU F, et al. Indoor RSSI trilateral algorithm considering piecewise and space-scene[C]// IEEE International Conference on Smart Cloud (SmartCloud), 2017: 278-282.
    [10] 费扬, 杜庆治. 基于BP神经网络模型的RSSI测距方法研究[J]. 电波科学学报,2018,33(2):195-201.

    FEI Y, DU Q Z. RSSI ranging method based on BP neural network model[J]. Chinese journal of radio science,2018,33(2):195-201. (in Chinese)
    [11] LI H, HUANG Z, SUN H, et al. A dynamic adaptive indoor ranging model based on RSSI[C]//The 39th Chinese Control Conference (CCC). IEEE, 2020: 2850-2855.
    [12] 余振宝, 卢小平, 刘英, 等. 一种改进BP神经网络的接收信号强度测距算法[J]. 测绘科学, 2020, 45(11): 48-52+67.

    YU Z B, LU X P, LIU Y, et al. A ranging algorithm of received signal strength based on improved BP neural network [J]. Science of surveying and mapping, 2020, 45 (11): 48-52 + 67. (in Chinese)
    [13] TANG J, HAN J. An improved received signal strength indicator positioning algorithm based on weighted centroid and adaptive threshold selection[J]. Alexandria engineering journal,2021,60(4):3915-3920. DOI: 10.1016/j.aej.2021.02.031
    [14] WANG C, WU F, SHI Z, et al. Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network[J]. Optik,2016,127(17):6839-684. DOI: 10.1016/j.ijleo.2016.04.123
    [15] 盖晴晴, 韩玉兵, 南华, 等. 基于深度卷积神经网络的极化雷达目标识别[J]. 电波科学学报,2018,33(5):575-582.

    GAI Q Q, HAN Y B, NAN H, et al. Polarimetric radar target recognition based on depth convolution neural network[J]. Chinese journal of radio science,2018,33(5):575-582. (in Chinese)
  • 加载中
图(7) / 表(1)
计量
  • 文章访问数:  157
  • HTML全文浏览量:  42
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-29
  • 录用日期:  2021-11-24
  • 网络出版日期:  2021-11-24

目录

    /

    返回文章
    返回