ISSN在线(2278 - 8875)打印(2320 - 3765)
近年来,人工神经网络已被极大的兴趣的主题以不同的方式在无线通信领域。提高位置估计的准确性,我们提出了各种神经网络算法即弹性反向传播(Rprop) Levenburg-Marquardt (LM)、共轭梯度Polak-Ribiere更新(本金保证产品)、共轭梯度Fletcher-Reeves更新(CGF)利用到达时间(TOA)测量信息的仿真结果误差定位移动电台(MS)和三个基站可用。计算机模拟进行了使用MATLAB神经网络工具箱,然后各种算法的性能比较的均方根(RMS)错误。
关键字 |
||||||||
无线位置;TOA;仿真结果;人工神经网络;均方根误差;LM;Rprop;本金保证产品;名。 | ||||||||
介绍 |
||||||||
位置估计移动用户在手机网络中越来越突出的紧急呼叫的数量来自移动台(MS)。有许多不同的基于射频技术可用于无线定位。各种人造目标的实现,如何有效地追踪一个移动站(MS)的问题,基于一些感兴趣的参数已经一段时间了。近年来许多有无线定位的方法[1]。有些是到达时间(TOA),到达角(AOA),不同时间的到来(辐射源脉冲),接收信号强度(RSS),混合TOA / AOA [2]。其中TOA位置估计是最广泛使用的技术的移动站(MS)。 | ||||||||
位置估计的准确性在无线通信极大地依赖于无线信道的传播条件。公布(仿真结果大大影响女士位置估计的准确性。可以实现精确的位置精度如果LOS传播之间存在女士和每个参与基站(BS)。但是洛杉矶路径通常可用在城市和郊区。不同的反射和衍射女士和BSs导致仿真结果之间的传播。由于仿真结果传播,有偏见的时间和角度测量。所以,这是非常必要的删除仿真结果误差在应用时间和角度测量之前位置估计和跟踪。 | ||||||||
不同的人工神经网络技术已经被广泛应用于解决非线性问题的关系。近年来,各种算法用于本地化。使用三个网络利用距离测量,即多层感知器(MLP)、径向基函数(RBF)和递归神经网络,无线传感器网络的室内位置估计。同样,神经网络算法已经被应用于无线局域网(WLAN)的接收信号强度(RSS)测量与已知位置是用于本地化。 | ||||||||
摘要各种神经网络算法用于移动电台的位置估计(MS)和后仿真,结果彼此相关的各种算法进行比较后适当的计算机模拟。 | ||||||||
到达时间位置估计方法 |
||||||||
可用的测量network-assisted或者mobile-assisted,使用上行或下行信息[3]。由三角测量是基于TOA技术位置估计知道移动的距离至少有三个基站的视线(LOS)。减去的TOA测量两个b。基站决定了时间信号从源到接收机上行或下行。我们必须至少需要3 Bs的估计位置。假设坐标BS1、BS2 BS3 (X1, Y1), (X2, Y2) = (X2 0),和(X3, Y3)。然后一个基站之间的距离和女士可以写成: | ||||||||
![]() |
||||||||
其中c是信号传播的速度(即光速),(x, y)和分别为女士和BSi的位置。如果是初始估计的位置 | ||||||||
![]() |
||||||||
通过线性化TOA方程使用泰勒级数展开和保留前两个条件,这个方程可以写成: | ||||||||
![]() |
||||||||
递归过程与初始猜测是用来预测女士的位置,然后重复迭代计算。 | ||||||||
仿真结果传播往往是定位误差的主要原因,从而使移动定位的挑战。在城市和郊区之间的直接视线BS和女士可能会被各种各样的障碍。的反射和衍射障碍到达接收节点。因此,延迟到达的第一个信号TOA估计并不真实,因为信号传播一个额外的距离。这正偏压叫做仿真结果错误出现在估计时间延迟[4]。没有任何信息仿真结果误差,精确位置估计是不可能的。威利和霍尔兹人[5]发现TOA测量的方差在洛杉矶的情况下通常是更大的比洛杉矶的情况。他们使用这种差异的方差来确定仿真结果传播,提出了一个简单的洛杉矶重建算法来减少位置估计误差。 | ||||||||
各种神经网络算法 |
||||||||
答:反向传播算法 | ||||||||
反向传播是一个梯度下降算法的网络权值沿着负的性能函数的梯度。反向传播是指梯度计算的方式对非线性多层网络。BP神经网络由输入层、输出层和一个或多个隐藏层。计算净输入神经元,每个输入连接到神经元乘以相应的体重形成加权和,这是添加到偏见与神经元有关j。因此,净输入一个¯害怕一个½¯害怕一个½¯害怕一个½¯害怕一个½¯害怕一个½¯害怕一个½¯害怕害怕一个½¯½到神经元可以写成: | ||||||||
![]() |
||||||||
我在哪里=重量从一个神经元传到另一个神经元j | ||||||||
=从前一层神经元的输出 | ||||||||
神经元的j =偏见 | ||||||||
每个神经元的加权输入来自其他神经元以及偏差项总结,然后转移到激活函数。激活函数是用于转换的输出变量,所以它会变成一个可接受的范围。 | ||||||||
b .共轭梯度算法 | ||||||||
共轭梯度算法,与摘要算法,更新权重通常沿着共轭方向并产生更快的收敛性比在摘要利用最陡下降算法。在这个算法中,步长可以调整为每个时代(迭代)。在第一次迭代算法初始化网络的负梯度搜索: | ||||||||
![]() |
||||||||
,是初始搜索梯度和最初的梯度。现在我们可以找出最优距离沿着当前搜索方向使用线搜索: | ||||||||
![]() |
||||||||
当前的权向量,哪里+ 1下权向量,最小化误差函数在搜索方向。在下个时代,搜索方向是由新的梯度和先前的搜索方向的权重值: | ||||||||
当前的梯度,哪里是重价值和−1是以前的搜索方向。 | ||||||||
c . RPROP算法 | ||||||||
Rprop算法提供了更快的训练时间和收敛速度和有能力摆脱局部最小值。Rprop是一个一阶算法及其所需时间和内存只有线性参数的数量成比例优化[4]。Rprop算法可能是最简单的一个调整学习规则。虽然有大量的可调参数Rprop,大多数这些参数可以设置默认值。这些参数的任何细微变化不会影响收敛时间。Rprop是一种有效的培训计划的执行直接适应基于局部梯度信息的加权因子。Rprop的原则是消除有害影响的偏导数大小来计算重量。在Rprop算法训练,只有导数的符号被认为是确定的方向更新后的重量。导数的大小没有影响体重更新。 | ||||||||
d . LM算法 | ||||||||
LM算法不仅收敛速度最快,但也训练神经网络的10 - 100倍的摘要算法。这个算法的另一个优点是特别有用,当一个非常准确的培训是必需的。这是一个近似牛顿法[5]和拟牛顿方法一样,LM算法方法二阶训练速度,而无需计算海赛矩阵。因此,它是一种广泛使用先进的优化算法,优于最陡下降算法。因此,LM算法提供了一个很好的折中高斯牛顿的保证收敛的速度最速下降方法。因此LM是更快和更强大的比梯度下降算法。 | ||||||||
基于神经网络的测量 | ||||||||
每个基站的距离测量与每个BS可以形成一个圆的中心。女士可以估计的位置由三个圆圈的交点形成的三个BSs。圆的方程描述TOA如图1所示如下: | ||||||||
![]() |
||||||||
上面所示的方程没有仿真结果的传播。但在仿真结果误差的情况下,三个圆圈将在3种不同的点相交。正如我们所知,仿真结果总是正由于多余的路径长度,测量总是表现为积极偏见[6]即大于真正的价值观。在这样的条件下,上述方程可以写成: | ||||||||
![]() |
||||||||
为了找到与给定数据女士,我们必须训练神经网络[7]。我们必须遵循的步骤,训练我们的网络如下: | ||||||||
1。建立一个输入数据集训练通过使用这些可行的十字路口。 | ||||||||
2。应用BP训练算法对训练集输入模式所需的输出模式。 | ||||||||
3所示。在培训过程中,BP神经网络重复和调整权重的连接网络。 | ||||||||
4所示。在培训过程中,我们的主要目标是最小化所需的实际位置女士和女士的区别的位置。 | ||||||||
5。成功训练后,新的输入模式可以用来预测女士的位置。 | ||||||||
结果与讨论 |
||||||||
计算机仿真已经完成使用MATLAB神经网络研究各种算法的效率。隐藏神经元个数等参数和训练时期之前必须设置网络适用于估计位置。坐标三基站即BS1、BS2 BS2设置为(0,0),(1550,600)和(700米、1000米)。位置精度测量的均方根(RMS)错误所需的实际位置女士和女士之间的位置。不同算法的性能如弹性反向传播(Rprop) Levenburg-Marquardt (LM)、共轭梯度Polak-Ribiere更新(本金保证产品)、共轭梯度和弗莱彻,李维斯更新(CGF)相比,如图2所示。 | ||||||||
为了避免过度训练,测试数据是用来检查网络是否结束了训练。第一个N / 2训练迭代用于训练和测试数据的N / 2。基于测试数据的性能比较与上限500如图3所示。我们可以观察到网络给好预测进行训练和测试数据。因此,过度训练并不影响网络模型。 | ||||||||
隐藏的神经元的数目也在训练中扮演一个重要的网络。很少有隐藏的神经元会导致巨大的错误。一般规则选择隐层神经元的数目是:(i) 0.5 (p + q), (2) p 2 p + 1 (iii), (iv) 3 p + 1, p和q分别输入和输出隐藏神经元[]。很明显从图4均方根误差聚合到同一个最小值对不同隐层神经元。为了获得最佳的性能,0.5 (p + q)隐藏神经元和1000时代提出的训练和测试数据都是我们。 | ||||||||
观察后的性能比较,很明显的是,定位精度的CGF LM和Rprop算法更好的和本金保证产品算法。 | ||||||||
结论 |
||||||||
在本文中,我们提出不同的神经网络算法对位置估计的移动站(MS)基于到达时间(TOA)的存在和比较算法的性能仿真结果错误的均方根误差进行训练和测试数据。有效的训练后,该算法可以减少仿真结果误差和一个可以获得更准确的位置估计。在未来,许多其他有效的神经网络算法在无线通信可以用于不同的目的。 | ||||||||
数据乍一看 |
||||||||
|
||||||||
引用 |
||||||||
|