赵亚军张 皓左 晋远子涵符蓉玥

(1.北京印刷学院机电工程学院,北京 102600; 2.北京印刷学院智能制造实验室,北京 102600)

随着现代科学信息技术、互联网和通信技术的快速进步和持续兴盛,人们对于定位精度较高的室内定位需求日益增加。室内定位与室外不同,室内场景复杂且定位环境恶劣。此外,因为物体的阻挡,GPS无法满足室内准确定位需求。传统的室内定位技术主要包括:ZigBee、蓝牙、WiFi、红外线、超声波、RFID等。由于室内定位环境恶劣,上述技术与UWB技术相比工作不稳定,无法达到符合现代需求的定位结果。UWB无线通信技术,具有信号传输速率高、抗多径作用效果好、成本低、功耗低等特征,基于 UWB的室内定位能够实现精确到厘米数量级的定位精度[1]。

近年来,BP神经网络模型在室内定位算法上的研究越来越深入,通过对神经网络模型采用不同的优化和训练方式,以减小定位误差[10-12]。陈皓等提出BP神经网络与卡尔曼滤波相结合的室内定位方法;将初始观测解集输入卡尔曼滤波器,利用BP网络对卡尔曼滤波器进行补偿[2]。梁丰等提出遗传算法优化BP网络的定位算法;优化BP网络的随机权值和阈值,获得定位模型[3]。李勇等提出一种基于IA-BP神经网络的定位算法,利用免疫算法得到定位模型的最优权值和阈值[4]。

在上述等研究的基础上,针对BP算法的迭代次数多,易陷入局部极小值,本文提出基于改进BP神经网络的室内定位方法。利用自适应学习率算法优化BP算法的训练过程,即以训练过程中的误差趋势作为改变学习速率的条件,根据训练过程的实际情况,自适应改变学习速率的大小。……