[發(fā)明專利]融合PSO和SS-ELM的蜂窩網(wǎng)無線定位方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710140253.2
• 申請(qǐng)日: 2017-03-10
• 公開（公告）號(hào): CN107124761B
• 公開（公告）日: 2021-02-19
• 發(fā)明（設(shè)計(jì)）人: 劉發(fā)貴;覃亨銳
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): H04W64/00
• 分類號(hào): H04W64/00;G06N3/00;G06K9/62
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 何淑珍

1.融合PSO和SS-ELM的蜂窩網(wǎng)無線定位方法，其特征在于包括使用有標(biāo)簽訓(xùn)練數(shù)據(jù)和無標(biāo)簽訓(xùn)練數(shù)據(jù)對(duì)SS-ELM的輸出層權(quán)值參數(shù)β進(jìn)行訓(xùn)練，在SS-ELM訓(xùn)練過程中使用PSO對(duì)SS-ELM的超參數(shù)進(jìn)行自動(dòng)優(yōu)化，PSO的適應(yīng)度值計(jì)算函數(shù)的計(jì)算涵蓋了有標(biāo)簽訓(xùn)練數(shù)據(jù)和無標(biāo)簽訓(xùn)練數(shù)據(jù)，經(jīng)過PSO優(yōu)化篩選后得到的最優(yōu)SS-ELM參數(shù)作為回歸模型用于在線定位服務(wù)；PSO算法的適應(yīng)度值計(jì)算函數(shù)的計(jì)算涵蓋了有標(biāo)簽訓(xùn)練和無標(biāo)簽訓(xùn)練數(shù)據(jù)，粒子適應(yīng)度計(jì)算函數(shù)的具體定義為：

其中i、j、k、N分別表示粒子的編號(hào)、有標(biāo)簽訓(xùn)練數(shù)據(jù)實(shí)例編號(hào)、標(biāo)簽向量的維度編號(hào)、標(biāo)簽向量總維度，l為訓(xùn)練數(shù)據(jù)集中有標(biāo)簽訓(xùn)練數(shù)據(jù)的數(shù)目，u為訓(xùn)練數(shù)據(jù)集中無標(biāo)簽訓(xùn)練數(shù)據(jù)的數(shù)目，表示SS-ELM在訓(xùn)練數(shù)據(jù)集上對(duì)有標(biāo)簽訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)測(cè)的標(biāo)簽預(yù)測(cè)值，Y表示有標(biāo)簽訓(xùn)練數(shù)據(jù)的標(biāo)簽實(shí)際值，為每次迭代訓(xùn)練中SS-ELM在訓(xùn)練集上做預(yù)測(cè)所產(chǎn)生的極端值的比例。

2.根據(jù)權(quán)利要求1所述的融合PSO和SS-ELM的蜂窩網(wǎng)無線定位方法，其特征在于：以設(shè)備接收信號(hào)強(qiáng)度作為輸入，對(duì)SS-ELM進(jìn)行訓(xùn)練和優(yōu)化得到SS-ELM參數(shù)作為回歸模型提供蜂窩網(wǎng)絡(luò)環(huán)境下的在線定位服務(wù)。

3.根據(jù)權(quán)利要求1所述的一種融合PSO和SS-ELM的蜂窩網(wǎng)無線定位方法，其特征在于：在對(duì)SS-ELM輸出層權(quán)值參數(shù)β的訓(xùn)練過程中同時(shí)使用了有標(biāo)簽訓(xùn)練數(shù)據(jù)和無標(biāo)簽訓(xùn)練數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的融合PSO和SS-ELM的蜂窩網(wǎng)無線定位方法，其特征在于：

在SS-ELM訓(xùn)練和優(yōu)化的過程中使用PSO對(duì)SS-ELM的關(guān)鍵參數(shù)：范數(shù)超參數(shù)c_β、流形正則超參數(shù)λ進(jìn)行調(diào)節(jié)和優(yōu)化；PSO對(duì)SS-ELM超參數(shù)c_β、λ的優(yōu)化計(jì)算方式具體如下：PSO在規(guī)定的搜索空間內(nèi)隨機(jī)地生成粒子，每一個(gè)粒子以一定的速度移動(dòng)到全局搜索最優(yōu)的解的位置；在粒子群算法的每一次迭代中每一個(gè)粒子都會(huì)根據(jù)自己的動(dòng)量和個(gè)體最優(yōu)位置P_ib和全局最優(yōu)位置P_g的影響因素調(diào)整自己的速度,同時(shí)計(jì)算出自己在本次迭代中的位置；粒子群的搜索空間的維度是2，總粒子群個(gè)數(shù)為n,某個(gè)粒子i^th每次迭代的位置可以表示為向量X_i＝(x_i1,x_i2),x_i1∈[-10,0],x_i2∈[-10,0]；粒子位置和超參數(shù)的關(guān)系表示為該粒子從搜索開始至今的個(gè)體最優(yōu)位置表示為P_ib＝(p_i1,p_i2)，粒子的運(yùn)動(dòng)速度表示為向量V_i＝(v_i1,v_i2,),全局最優(yōu)位置P_g＝(p_g1,p_g2)，在每一次迭代粒子會(huì)更新當(dāng)前的速度和位置，并根據(jù)粒子當(dāng)前位置利用適度函數(shù)f(X_i)計(jì)算粒子適應(yīng)度,更新個(gè)體最優(yōu)位置和全局最優(yōu)位置；PSO各變量在迭代中的更新可用下列的公式表示：

v_id(t+1)＝v_id(t)+c₁*rand()*[p_id(t)-x_id(t)]+c₂*rand()

x_id(t+1)＝x_id(t)+v_id(t+1)1≤i≤n,1≤d≤2 (5)

其中正數(shù)c₁,c₂是加速度因子，rand()是0和1之間的隨機(jī)數(shù)；v_max和v_min分別是粒子速度的上界和下界,t為算法迭代的代數(shù)；迭代過程中當(dāng)全局最優(yōu)位置所對(duì)應(yīng)的粒子適應(yīng)度收斂不再隨著迭代發(fā)生變化時(shí)停止迭代計(jì)算，通過全局最優(yōu)粒子位置和超參數(shù)的對(duì)應(yīng)關(guān)系能得到最優(yōu)的超參數(shù)。