摘 要：传统的基于接收信号强度指示RSSI的定位算法通过对数正态阴影模型来构建测距模型，其中的参数通常是凭经验选择的，因此对环境的影响很敏感。文章提出了一种基于麻雀搜索算法SSA和反向传播BP神经网络的室内定位方法来构建测距模型。在所提出的SSA-BP方法中，收集的RSSI值首先经过高斯滤波处理，然后输入到SSA-BP神经网络中，以构建测距模型，该模型可以输出目标节点TN和锚节点之间的距离值。最后，可以通过使用最大似然估计MLE方法来估计TN-s位置。仿真结果表明与现有的BP算法和遗传算法GA相比，所提出的SSA-BP算法具有更快的收敛速度和更高的定位精度。

关键刺：WSN；RSI；SSA；MLE

一、引言

作为物联网IoT和无线传感器网络WSN的关键技术之一，室内定位最近引起了广泛关注。室内定位算法根据是否进行距离测量可分为基于测距和基于测距。前者通过获得目标节点TN和每个锚节点AN之间的距离来估计目标节点TN的位置。后者通过使用无线链路的整体连接性来估计TN的位置。与非测距定位算法相比，基于测距的定位算法通常具有更高的定位精度。典型的基于测距的定位算法如下：到达时间TOA、到达时间差TDOA、到达角AOA和接收信号强度指标RSSI。其中，基于RSSI的定位算法具有实现简单、成本低、覆盖范围广的优点。

在大多数现有的基于RSSI的定位算法中，TN和an之间的距离是通过对数正态阴影模型计算的。然而，这些算法通常会受到环境的影响。由环境引起的测量误差，导致测量的RSSI值的精度下降。因此，最近提出了各种方法来解决这个问题。使用改进的无迹卡尔曼滤波器对接收到的RSSI信号进行预处理，以提高定位精度。提出了一种加权方法来减少RSSI值的测量误差。提出了基于加权移动平均和反馈平均滤波器的RSSI平滑技术，以减少接收信号的波动和噪声。

另一方面，机器学习方法由于其良好的准确性性能也被用于室内定位。例如反向传播BP神经网络具有良好的非线性拟合能力和容错性。更具体地说BP神经网络的非线性拟合能力可以与卷积神经网络CNN和递归神经网络RNN相媲美。因此，可以利用BP神经网络的非线性拟合能力来构建测距模型。提出了一种基于BP神经网络的室内定位算法来估计TN和an之间的距离值用于室内定位。提出了遗传算法GA-BP算法来构建测距模型。然而，GA-BP算法实现起来很复杂，其性能在很大程度上取决于参数的选择。

麻雀搜索算法SSA的仿生优化方法。与现有的其他仿生优化方法（如遗传算法）相比，SSA方法具有更好的全局搜索能力、更好的鲁棒性和更少的参数。基于以上讨论，在所提出的SSA-BP定位算法中，利用SSA方法对BP神经网络的初始权值和阈值进行了优化，以提高定位精度。

二、用于室内定位的无线信号传播模型

对数正态阴影模型广泛用于室内定位场景，可以描述为：

其中PL（d）和PL（d0）分别表示距离发射机d米和d0米处的路径损耗，通常为d0 1m。X是阴影衰落，其遵循均值为零且方差为2的高斯分布。是路径损耗因素。

BP神经网络的基本思想就是通过使用梯度下降方法来最小化期望输出值和实际输出值之间的均方误差。使用的BP神经网络包含一个三层结构模型，包括输入层、隐藏层和输出层。BP神经网络主要包括两个过程：信号正向传播和误差反向传播。信号的前向传播是以收集到的RSSI值作为输入向量，将该向量乘以相应的权重，并将其与相应的阈值相加。

麻雀种群形态可分为生产者和觅食者。在使用SSA优化参数时，我们倾向于将整个过程模拟为麻雀寻找食物，而个体麻雀代表了需要优化的参数。在SSA中，麻雀种群的初始位置是：SSA模拟麻雀种群的觅食行为和反捕食行为。麻雀種群形态可分为生产者和觅食者。在使用SSA优化参数时，我们倾向于将整个过程模拟为麻雀寻找食物，而个体麻雀代表了需要优化的参数。

三、SSA-BP定位算法

在BP神经网络的testing阶段，通过随机选择来获得BP神经网络的初始权值和threshold。由于初始权值和threshold会直接影响BP神经网络的性能，因此可以采用SSA方法对BP神经网络初始权值和threshold进行优化，以提高BP神经网络的收敛速度和鲁棒性，避免陷入局部最优化。SSA-BP神经网络的训练过程如下：

步骤1：初始化BP神经网络的参数，如学习率Lr、隐层神经元数量H、输入层神经元数量N和输出层神经元数量S。将最大iterm次数设置为100。

步骤2：设定麻雀的初始种群规模m 20，其中80%是生产者，20%是觅食者。将最大iterm设置为100。

步骤3：将fitness确定为：

其中tsim（i）是实际输出值。yi是预期的输出值。

步骤4：初始化麻雀位置，选择-0.5、0.5之间的随机数作为初始位置X。当前全局最优位置分配给Xb，全局最优适应度值分配给fg。当前全局最差位置分配给Xw，全局最差适应度值指定给fw。

步骤5：根据（7）-（9）更新人口位置。

步骤6：计算当前位置的fitness，选择其中最优适应度函数。如果其满足终止条件，则输出最优解并停止迭代。否则，请转到下一步。

步骤7：将当前最优fitness对应的位置作为下一次迭代的种群初始位置，返回步骤5。而在距离估计阶段，首先通过Gaussian filter处理在参考节点处收集到的RSSI值。然后将处理后的数据分为Training Sets和Testing Sets来训练SSA-BP神经网络。对于TN，其RSSI值也会被收集并通过Gaussian filter进行处理。处理后的数据会被送到经过训练的SSA-BP神经网络中，从而获得估计的距离值。而在坐标估计阶段，基于SSA-BP神经网络获得的距离值，是使用MLE方法计算TN的坐标。

四、结语

通过Matlab软件仿真对所提出的SSA-BP算法的性能进行了评估。在模拟中，有四个锚点节点。参考节点在（0，0）到（10，5）的范围内每隔0.1m选择一次。一些重要的模拟参数如表1所示。

随机选择98个点作为目标节点来测试所提出的SSA-BP算法的性能。定位误差是通过计算目标节点和估计的目标节点之间的欧几里得距离来显示定位算法性能的方法。在SSA-BP算法中，其中97%的定位误差小于0.8m，而60%的定位误差则低于0.4m。

针对RSSI信号容易受到测量噪声影响的问题，提出了SSA-BP定位算法。在所提出的SSA-BP算法中，将SSA引入BP神经网络以获得更准确的距离值，然后通过MLE方法计算TN-s位置的坐標。所提出的SSA-BP算法避免了传统BP神经网络容易陷入局部最优的问题。同时，与现有的BP和GA-BP算法相比，所提出的SSA-BP算法的平均定位误差分别降低了28%和16%。因此，可以被认为是一个很有前途的室内定位方案。

参考文献：

[1] 余学帆.基于RSSI的无线传感器网络定位改进优化算法研究[D].长春工业大学，2021.

[2] 李朋朋.基于无线传感器网络的车辆追踪复合定位技术研究[D].兰州交通大学，2021.

[3] 吉滦峦，谢宏.重心反向粒子群优化算法在无线传感器定位优化中的应用[J].传感器与微系统，2021，40（02）：154-156+160.

[4] 印雷，顾德，刘飞.基于改进麻雀搜索算法优化的DV-Hop定位算法[J].传感技术学报，2021，34（05）：670-675.

[5] 宋玲，黄达胜.一种 基于狼群优化的改进DV-Hop定位算法[J].计算机工程与科学，2021，43（07）：1210-1218.

[6] 胡光辉.基于混合粒子群优化算法的WSN网络覆盖优化控制研究[D].安徽理工大学，2021.

作者简介：吴文平（1987—），女，讲师，主要研究方向为无线传感器网络室内定位算法。

项目：

1、横向研究项目（项目编号：2022xhx112，项目名称：基于无线传感网的大数据异常预测与安全分析系统研究）

2、横向研究项目（项目编号：2022xhx059，项目名称：面向智能工厂的无线传感器网络定位技术研究）

3、宿州学院线上课程（项目编号：szxy2022xskc07，项目名称：无线传感器网络）

4、宿州学院质量工程项目szxy2020ksjy07

5、安徽省教育厅自然科学研究项目，编号：2022AH051371

6、软件工程专业卓越工程师培养创新项目，项目号2020zyrc163