基于PSO-Elman算法的校园人员室内定位技术研究

摘  要：室内人员定位对于校园公共安全至关重要。文章根据室内无线接入点的关联性，提出一种基于粒子群优化算法（PSO）和Elman神经网络的算法。采用接入点（AP）和未知节点的质心信息与跳数信息作为Elman神经网络的输入值，通过Elman神经网络进行训练，最终得到未知节点的预测位置。仿真结果表明，该算法的定位误差明顯小于传统的TOA、AOA、RSSI等定位方法，定位精度得以大幅提升。

关键词：人员定位；粒子群优化算法；Elman神经网络；WSN

中图分类号：TP18  文献标识码：A  文章编号：2096-4706（2023）06-0057-04

Research on the Indoor Positioning Technology for Campus Personnel Based on PSO-Elman Algorithm

LIANG Qiao

（Xuzhou Economic and Trade Branch of Jiangsu Union Technical Institute， Xuzhou  221004， China）

Abstract： Indoor personnel positioning is crucial to campus public safety. According to the relevance of indoor wireless access points， this paper proposes an algorithm based on Particle Swarm Optimization （PSO） and Elman neural network. The centroid information and hop number information of the Access Point （AP） and the unknown node are used as the input values of the Elman neural network. The training is carried out by Elman neural network to obtain the predicted position of the unknown node finally. The simulation results show that the positioning error of this algorithm is significantly smaller than that of traditional TOA， AOA， RSSI and other positioning methods， and the positioning accuracy is greatly improved.

Keywords： personnel positioning; Particle Swarm Optimization; ELman neural network; WSN

0  引  言

校园是一个人员非常密集的公共场所，随着社会的进步，校园安全问题日渐引起全社会各级人员的关注。尤其是信息化教室和宿舍内环境十分复杂，再加上室内网络安全监控技术不成熟，室内安全事故时有发生，有些甚至会给学校造成极其恶劣的社会影响。当下，物联网技术的快速发展给校园安全提出了新阶段的要求，人员目标的精确定位精度对于校园安全的预防与规划十分重要，不仅可以帮助管理人员动态审核人员信息和实时监测人员出勤情况，而且在面对紧急事故时，对于人员快速救援也能够提供方案依据，及时减少损失[1]。

由于校园室内的环境复杂、布线困难，其他领域的定位算法无法直接应用于室内定位。针对室内人员定位问题，大量的研究机构进行了深入、广泛的研究，当前有许多室内人员定位技术。经典的室内无线人员定位方法主要包括基于TOA、AOA、RSSI等距离相关算法和以基于FP、DV-Hop、APIT等距离无关这两类算法[1，2]。此外，还有一些其他算法及改进算法等都有不错的定位效果，比如：赵青杉等人提出了基于粒子群优化算法（PSO）的节点定位算法[3]；杜士怀等人提出了一种改进的质心定位及误差校正算法[4]。

校园可分为室内区域和室外区域。教室和宿舍外围的公共空间安装了电线和光纤通信线路。而室内往往没有这些设备，并且狭窄、环境复杂。以光纤骨干网为基础的设备大多分布于校园建筑物外围的公共区域。有线设备很难实现室内全部区域人员监测和定位。如图1所示。

近年来，人工智能相关算法的不断出现和深入融合，促进了诸多技术与领域的协同发展，在定位问题上，也有比较多的应用。徐奇基于BP神经网络和RSSI提出了一种定位算法[5]；宋慧敏等人基于径向基函数神经网络和节点跳数提出了一种定位算法[6]；闫俊伢等人提出了基于多径距离和神经网络的节点定位算法[7]；孙凯等人提出了一种基于虚拟节点的BP节点定位算法[8]。

为了提高室内工作人员的定位效果，本文主要采用Elman神经网络来协同规划这一问题，Elman作为一个典型的动态神经网络，广泛应用于各大领域，适应性和计算能力出众，属于回归神经网络（RNN）的一种模型[9]。在结合神经网络算法的同时，需要考虑神经网络中的权重对整体效果的影响。本文利用PSO来优化初始权重，结合Elman神经网络进行定位，仿真实验结果表明，该结合算法可以有效减少定位误差，提高人员定位精度。

1  室内人员相关信息的提取

室内人员所携带的无线通信装置相当于一个节点，本文采用Elman神经网络定位人员位置，需要选取人员节点的相关信息作为Elman神经网络的输入值。人员节点的相关信息主要包含接入点（AP）和人员的质心信息与跳数信息，选取后，将AP节点和未知人员节点的相关信息分别作为Elman神经网络的训练参数和测试参数。

1.1  质心信息

质心信息确定方法如下：假设某区域内一共存在N个节点，其中AP有M个，未知人员节点有（N-M）个，这N个节点的位置用坐标（xi， yi）表示，其中，i=1， 2，…， N。在通信半径d的范围内，各AP周期性地向周围AP广播含自身位置的分组信息，当某AP接收到一定量信息后，计算由接收到的AP组成的多边形的质心，用坐标（， ）表示，该坐标也即该AP预测位置的坐标。然后各AP再周期性地向周围未知人员节点广播含自身位置的分组信息，同理，其质心坐标用（， ）表示，该坐标也即该未知人员节点预测位置的坐标。

1.2  跳数信息

跳数信息确定方法为：在通信半径d的范围内，各AP周期性地向周围AP广播含自身位置以及初始值为0的跳数的分组信息，得到这M个AP之间的最小跳数，用Hkj表示，其中，k=1， 2，…， M；j=1， 2，…， M。因此，AP之间的跳数信息一共有M×M个。然后各AP再周期性地向周围未知人员节点广播含自身位置以及初始值为0的跳数的分组信息，同理，得到这M个AP和（N-M）个未知人员节点之间的最小跳数，用hkl表示，其中，k=1， 2，…， M；l=1， 2，…， N-M。因此，AP和未知人员节点之间的跳数信息一共有M×（N-M）个。

2  模型与方法

2.1  Elman神经网络结构模型

Elman是一种典型的局部回归神经网络模型，它的结构模型可划分为：输入层、隐含层、联系单元层以及输出层这四层。如图2所示，输入层和隐含层的中所包含的各个节点、隐含层和联系单元层中所包含的各个节点、隐含层和输出层中所包含的各个节点都有相应的权值所相连，分别为W1、W2和W3。与传统的BP神经网络不同的是，Elman所独有的联系单元层可以组合在一起构成局部反馈模型，并且可以将反馈的信号信息在隐含层中得以表现出来，从而保存节点状态信息，进一步构成了Elman神经网络良好的对动态信息的处理能力和强劲的动态记忆能力。

其中，U（i-1）表示输入层的输入值，Xc（i）表示联系单元层的输出值，X（i）表示隐含层的输出值，Y（i）表示输出层的输出值，k∈[0， 1]表示增益因子，f1和f2分别表示隐含层和输出层的节点函数。因此，Elman神经网络通常可简述为以下的数学模型：

Xc（i）=kXc（i-1）+X（i-1）                        （1）

X（i）=f1（W1U（i-1）+W2 Xc（i））                     （2）

Y（i）=f2（W3 X（i））                              （3）

2.2  PSO结构模型

PSO是通过模仿鸟类等动物的集群行为，不断进行迭代、更新、优化过程来寻觅食物，最终得到最优策略的一种寻优算法。

如图3所示，PSO结构主要包括初始化粒子群、计算适应度、寻找极值、更新信息、输出最优解等部分。粒子群的初始化主要针对部分为位置和速度，在计算每个粒子适应度过程中，再分别与自身寻觅的最佳位置best1、当前全局最佳位置best2相比。如果该粒子的适应度优于最佳位置best1，则将该粒子的适应度作为best1的值；如果该粒子的适应度优于最佳位置best2，则将该粒子的适应度作为best2的值。若满足终止条件则输出最优解结束程序，终止条件一般情况下可选取达到最大迭代次数或是相邻两代间的差值满足某个阈值等；否则，需要对粒子的速度与和位置进行更新，再次开始计算粒子的适应度，直至满足终止条件。

对于更新粒子的速度与和位置所用到的计算公式为：

S1=c1r1（best1-X（i-1））                          （4）

S2=c2r2（best2-X（i-1））                          （5）

V（i）=WV（i-1）+S1+S2                          （6）

X（i）=X（i-1）+V（i）                            （7）

其中，c1和c2表示學习因子，r1和r2表示在0～1间的随机数，best1和best2分别表示粒子自身寻觅的最佳位置和当前全局最佳位置，W表示权重，V（i）和X（i）分别表示粒子的速度和位置。

2.3  PSO-Elman神经网络的优化方法

为了解决Elman神经网络初始权重随机化等问题，本文提出的结合PSO的优化方法如下：

（1）粒子群初始化：将神经网络中的权值和阈值进行编码。假设Elman神经网络的输入层有a个节点，隐含层有b个节点，输出层有c个节点，那么权值共有（ab+bc）个，阈值共有（b+c）个，可得到一个长度为1行（ab+bc+b+c）列的粒子。

（2）将AP的质心信息和跳数信息作为Elman神经网络的训练输入值，AP的真实坐标作为训练输出值。将未知节点的质心信息和跳数信息作为Elman神经网络的测试输入值，然后进行未知节点的位置预测。

（3）确定粒子适应度：将预测得到的未知人员节点的横、纵坐标与真实的未知人员节点的横、纵坐标差的绝对值作为PSO的粒子适应度。

（4）计算得到个体最佳位置best1以及全局最佳位置best2。

（5）判断是否达到PSO的终止条件，若达到，则输出最优解，转到（7）；否则转到（6）。

（6）更新粒子位置与速度并转到（3）。

（7）将PSO最优解对应的粒子进行解码，并作为Elman神经网络的初始权值和阈值。

（8）重新训练、测试Elman神经网络，最终得到未知人员节点的预测位置。

该结合算法的具体流程图如图4所示。

3  实验仿真与分析

3.1  仿真实验

本文实验采用Matlab平台对算法进行实验仿真，综合对比分析了传统的质心定位算法、Elman神经网络算法和PSO-Elman神经网络算法的定位性能。本定位实验模拟了室内走廊、房屋的实际情况，设定一个长1 000 m、宽5 m、高5 m的狭长区域，该区域随机分布着25个AP和50个未知人员节点。

本文实验的目的是尽可能地减少人员节点定位误差，增强定位能力。分别就不同算法定位后的横、纵坐标误差进行对比分析，然后分析了PSO-Elman神经网络算法中粒子种群对适应度的影响，最后综合对比分析了不同算法的定位误差。

3.2  仿真结果与分析

本文所涉及的PSO和Elman神经网络算法需要设置某些关键参数，如表1和表2所示。

图5和图6分别表示在质心算法、Elman神经网络算法、PSO-Elman神经网络算法下未知人员节点的横、纵坐标与真实横、纵坐标的对比情况。由图可知，这些算法的坐标与真实坐标吻合程度较高，还需通过具体计算量化误差，比较其结果。

主要采用了各算法的坐标预测值（x1， y1）与坐标真实值（x0， y0）的欧氏距离作为WSN的定位误差Error，具体计算方法为：

Error=[（x1-x0）2+（y1-y0）2]1/2                   （8）

经过计算分析这些算法的定位误差可知：PSO-Elman神经网络算法的定位误差最小，此外Elman神经网络算法优于质心算法。

在本文中，将小适应度作为优秀粒子评价指标，也即适应度越小越好。由图7可知，随着PSO迭代次数的增加，对应不同种群规模下的适应度均在不断减小，直至趋于平稳。另外，通过不断改变种群规模，分别设置种群数为5、10、20，可以得到：种群规模越大，最终PSO粒子的适应度越小，定位误差越小，算法不断得以优化，如图8所示。

图8表示了质心算法、Elman神经网络算法、种群数为5的PSO-Elman结合算法、种群数为10的PSO-Elman结合算法和种群数为20的PSO-Elman结合算法的定位误差对比情况。图中结果表明，PSO-Elman结合算法的定位误差明显小于传统的质心定位方法，定位准确度不断提高。

4  结  论

本文针对校园特定的地理和通信环境，提出了一种PSO和Elman神经网络的结合算法，来定位室内未知人员位置，利用PSO来优化Elman神经网络的初始权值和阈值，并将人员节点的质心信息和跳数信息作为Elman神经网络的输入值训练网络。仿真实验结果表明，该结合算法有着比较好的定位效果，其定位误差明显小于传统的定位算法，增强了人员定位的准确程度。此外，定位精度还与PSO和Elman神经网络的参数设置有关，在深度实验与研究应用中，还需要不断进行调整改进，以求达到更好的训练和测试效果。

参考文献：

[1] 蒋志鑫.室内无线定位技术研究 [D].成都：电子科技大学，2021.

[2] 刘文，赵旭，李连鹏，等.基于TL-LFL的UWB室内定位算法 [J].仪表技术与传感器，2022（11）：82-87.

[3] 赵青杉，胡玉兰.基于PSO的无线传感网络节点定位算法 [J].计算机仿真，2012，29（5）：174-177.

[4] 杜士怀，宋杰.一种改进的质心定位及误差校正算法 [J].计算机应用与软件，2017，34（5）：115-118+194.

[5] 徐奇.一种基于人工神经网络的无线传感器网络定位算法 [J].新乡学院学报：自然科学版，2013，30（3）：202-204.

[6] 宋慧敏，杨社堂，赵栋栋.基于人工神经网络的无线传感器定位算法 [J].计算机测量与控制，2014，22（2）：473-475+502.

[7] 闫俊伢，钱宇华，李华锋，等.WSN中基于多径距离和神经网络的節点定位 [J].计算机科学，2017，44（8）：71-75.

[8] 孙凯，刘润杰，申金媛.基于虚拟节点的BP无线传感器网络定位算法 [J].传感器与微系统，2010，29（9）：122-124+134.

[9] 朱群雄，孙锋.RNN神经网络的应用研究 [J].北京化工大学学报：自然科学版，1998，25（1）：86-90.

作者简介：梁俏（1995—），女，汉族，江苏徐州人，助教，硕士研究生，研究方向：人工智能、室内定位技术。收稿日期：2022-10-25