[發(fā)明專利]一種室內位置的反向傳播神經網絡概率密度預測方法

有效

• 申請?zhí)枺?/td>: 202110985511.3
• 申請日: 2021-08-26
• 公開（公告）號: CN113822415B
• 公開（公告）日: 2023-09-19
• 發(fā)明（設計）人: 費蓉;郭與番;李軍懷;李愛民;張寬;楊璐
• 申請（專利權）人: 西安理工大學
• 主分類號: G06N3/047
• 分類號: G06N3/047;G06N3/06;G06N3/084;H04W4/029;H04W4/33
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王敏強

1.一種室內位置的反向傳播神經網絡概率密度預測方法，具體按照以下步驟實施：

步驟1、選取多層室內結構的正方形測試區(qū)域作為試驗場地，以矩形網格形式共選取n*n個標準參考點，每個標準參考點等間距選取，標準參考點即構成室內區(qū)域取值的參考位置，通過路徑損耗模型獲得實際標準參考坐標，在試驗場地的四角分別設置RSSI信號發(fā)射器，將選取的標準參考點測得的RSSI值和角度值兩類數據匯總到同一標準數據集；

步驟2、將步驟1測得的標準數據集按照最大最小的數值處理方法進行歸一化處理；將處理后的標準數據集按照7:3劃分為訓練集和測試集；

所述步驟2具體按照以下步驟實施：

步驟2.1、將步驟1得到的標準數據集進行歸一化處理，環(huán)境為Python，版本號為3.6.0，開發(fā)所使用的編譯器為PyCharm智能集成開發(fā)工具，利用公式(1)中最大最小的數值處理方法，分別對數據集中的RSSI值和角度值進行數據歸一化：

當處理RSSI值時，x表示步驟1標準數據集中的RSSI值，minA和maxA分別是標準數據集中RSSI值的最小值和最大值，x′表示經過歸一化處理的RSSI值；當處理角度值時，x代表標準數據集中的角度值，minA和maxA分別是標準數據集中角度值的最小值和最大值，x′表示經過數據歸一化處理的角度值；

步驟2.2、將步驟2.1得到的歸一化的標準數據集按照7:3劃分為訓練集和測試集；

步驟3、改進并分析傳統(tǒng)的反向傳播神經網絡模型，最終得到改進后的BPNN模型；

所述步驟3具體按照以下步驟實施：

步驟3.1、利用步驟2.2經過歸一化處理后得到的訓練集對傳統(tǒng)的BPNN模型從正向傳播和反向傳播兩個方面進行訓練，得到改進后的BPNN模型；在正向傳播的過程中，BPNN模型根據當前的輸入以及上一次反向傳播之后更新的權值w和偏移量b值去計算出當前輸入所映射的預測輸出；在反向傳播的過程中，從后往前不斷根據當前層的誤差去更新w和b值，其中，反向傳播中w和b的更新過程具體如下公式(2)～(9)：

其中，BPNN模型有一個輸入層、兩個隱藏層和一個輸出層，參數y代表輸入層的輸入矢量，具體指步驟2中經過數據處理后得到的訓練集中RSSI值和角度值；為輸出層的輸出矢量，具體為預測標準參考點的x軸，y軸坐標即預測坐標；a(.)表示神經元的激活函數是一個線性函數，表示作用于第k層中的第j個神經元的線性結果；參數表示第k層中的第j個神經元激活函數的輸出，參數表示第k-1層中的第i個神經元指向第k層中的第j個神經元之間的連接權重，表示第k層第j個神經元的偏置；利用最小二乘法得到預測誤差E_total，根據輸出的預測坐標進行分析不斷優(yōu)化BPNN模型，參數σ_k,j表示第k層中第j個神經元的誤差；BPNN模型中的權重w和偏移量b基于梯度下降由公式(4)-(9)更新；激活函數采用線性函數、ReLU函數或sigmoid函數，具體形式為公式(10)-(12)；更新完成后即得到訓練好的BPNN模型；該步驟中，通過改變激勵函數對神經元作用的范圍，使得同層神經元的激勵函數不同，利用多個概率函數的組合作為激勵函數來改進BPNN神經網絡模型；

步驟4、利用改進后的BPNN模型作用于步驟2數據預處理后得到的測試集，得到參考標準點的累積誤差分布函數和概率密度函數；

所述步驟4具體按照以下步驟實施：

步驟4.1、利用訓練好的BPNN模型，輸入為步驟2.2劃分出來的測試集中的RSSI值和角度值，輸出為預測標準參考點的位置坐標，進而使用公式(13)中絕對距離的計算方法用來統(tǒng)計BPNN模型輸出的預測坐標相對于測試數據集中標準參考點坐標的誤差，即預測誤差；

步驟4.2、利用步驟4.1得到的預測誤差，繪制累積誤差分布函數曲線圖；其中，橫坐標為誤差距離，范圍是0-11米，縱坐標為預測誤差小于橫坐標的誤差距離下的個數占測試集中總個數的比率，得到改進后的BPNN模型對應的累積誤差分布函數曲線圖；

步驟4.3、利用步驟4.2得到的累計誤差分布函數，將該累計誤差分布函數經過微分推導后得到預測的概率密度函數。