[發明專利]提高人工神經網絡定位性能的方法和裝置

有效

• 申請號: 201580069876.4
• 申請日: 2015-05-22
• 公開（公告）號: CN107113764B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 李安儉;崔杰;韓靜;李紅
• 申請（專利權）人: 華為技術有限公司
• 主分類號: H04W64/00
• 分類號: H04W64/00
• 代理公司: 11205 北京同立鈞成知識產權代理有限公司
• 代理人: 馬爽

1.一種提高人工神經網絡定位性能的方法，其特征在于，包括：

獲取至少一個測試點的地理位置信息和指紋信息；

以所述至少一個測試點的指紋信息作為輸入層神經元，以所述至少一個測試點的地理位置信息作為輸出層神經元，隨機選取輸入層、輸出層、隱藏層中每一神經元的初始權值和初始偏移量，建立初始人工神經網絡ANN；

使用粒子群優化PSO算法對所述初始ANN每一神經元的初始權值和初始偏移量進行優化，得到優化后的初始ANN；

對所述優化后的初始ANN進行訓練，得到訓練后的ANN；

所述使用PSO算法對所述初始ANN每一神經元的初始權值和初始偏移量進行優化，得到優化后的初始ANN，包括：

將所述初始ANN中每一神經元的初始權值和初始偏移量作為PSO算法的粒子初始位置，隨機選取各粒子的初始速度，建立所述PSO算法的種群；

在所述PSO算法迭代過程的每一代中，依次計算所述PSO算法中每一粒子的適應度、更新所述PSO算法的種群中的最佳粒子、更新所述PSO算法種群中各粒子位置及其速度，直到所述PSO算法中所有粒子的適應度之和小于預設閾值；

將所述PSO算法種群中各粒子的最佳位置作為所述初始ANN每一神經元的優化后權值和優化后偏移量；

使用所述初始ANN每一神經元的優化后權值和優化后偏移量建立所述優化后的初始ANN。

2.根據權利要求1所述的方法，其特征在于，所述計算所述PSO算法中每一粒子的適應度，包括：

使用所述PSO算法中每一粒子的位置作為初始ANN中的權值和偏移量；

以所述至少一個測試點的指紋信息作為輸入層神經元，計算初始ANN的輸出層神經元；

計算所述輸出層神經元和所述至少一個測試點的地理位置信息的誤差，將所述誤差作為所述粒子的適應度；

所述更新所述PSO算法的種群中的最佳粒子，包括：

將誤差最小的粒子作為所述PSO算法的種群中的最佳粒子。

3.根據權利要求1或2所述的方法，其特征在于，所述ANN為后向傳播ANN或廣義回歸線性網絡。

4.根據權利要求1或2所述的方法，其特征在于，所述指紋信息為接收的信號強度指示RSSI。

5.一種提高人工神經網絡定位性能的裝置，其特征在于，包括：

獲取模塊，用于獲取至少一個測試點的地理位置信息和指紋信息；

初始信息模塊，用于以所述至少一個測試點的指紋信息作為輸入層神經元，以所述至少一個測試點的地理位置信息作為輸出層神經元，隨機選取輸入層、輸出層、隱藏層中每一神經元的初始權值和初始偏移量，建立初始人工神經網絡ANN；

優化模塊，用于使用粒子群優化PSO算法對所述初始ANN每一神經元的初始權值和初始偏移量進行優化，得到優化后的初始ANN；

訓練模塊，用于對所述優化后的初始ANN進行訓練，得到訓練后的ANN；

所述優化模塊，具體用于將所述初始ANN中每一神經元的初始權值和初始偏移量作為PSO算法的粒子初始位置，隨機選取各粒子的初始速度，建立所述PSO算法的種群；在所述PSO算法迭代過程的每一代中，依次計算所述PSO算法中每一粒子的適應度、更新所述PSO算法的種群中的最佳粒子、更新所述PSO算法種群中各粒子位置及其速度，直到所述PSO算法中所有粒子的適應度之和小于預設閾值；將所述PSO算法種群中各粒子的最佳位置作為所述初始ANN每一神經元的優化后權值和優化后偏移量；使用所述初始ANN每一神經元的優化后權值和優化后偏移量建立所述優化后的初始ANN。

6.根據權利要求5所述的提高人工神經網絡定位性能的裝置，其特征在于，所述優化模塊，具體用于使用所述PSO算法中每一粒子的位置作為初始ANN中的權值和偏移量；以所述至少一個測試點的指紋信息作為輸入層神經元，計算初始ANN的輸出層神經元；計算所述輸出層神經元和所述至少一個測試點的地理位置信息的誤差，將所述誤差作為所述粒子的適應度；將誤差最小的粒子作為所述PSO算法的種群中的最佳粒子。