一种基于自适应遗传算法优化参数神经网络的位置估计方法与流程

1.本发明属于室内定位领域，涉及一种基于自适应遗传算法优化参数神经网络的位置估计 方法。


背景技术：

2.深度学习是机器学习领域中的一个新的研究方向，基于深度学习的定位技术因其精度高 而在室内定位领域受到广泛关注。研究深度学习的动机在于建立模拟人脑进行分析学习的神 经网络，它模仿人脑的机制来解释数据，神经网络具有大规模的并行分布式结构，能够自动 提取原始数据的特征，此外，它对于未在训练过程中遇到的数据也可以得到合理的输出，相 较于其它机器学习算法来说，它具有更强的拟合能力和更优的性能。
3.其中，反向传播神经网络(back
‑
propagation neural network，bpnn)是目前发展比较成 熟，应用最为广泛的神经网络模型之一，通过对输入样本的正向传播和误差的反向传播进行 权值和阈值的调整，将样本的输入输出问题变换为非线性优化问题。bpnn强大的学习能力以 及由此而来的泛化能力使得它能够找到一些当前难以处理的复杂问题的近似解。bpnn的优 势在于可以拟合任意非线性函数，然而，当面对较复杂的非线性问题时，其容易产生收敛速 度慢、网络不稳定和陷入局部最优等一系列问题。
4.另外，个体编码方式的选择也是一个值得研究的问题。其中，常用的二进制编码对于连 续变量而言存在严重缺陷，例如在基因型空间中具有最大汉明距离的两个个体1000和0111在 表现型空间中相距很小，若要翻越汉明悬崖，个体所有位要同时改变，而通过交叉和变异来 翻越汉明悬崖的可能性非常小，所以二进制编码无法维持个体在表现型空间中的位置；而格 雷编码又是以二进制编码为基础的，且其构造过程较实数编码来说更为复杂。对于函数优化 问题，采用实数编码比二进制编码和格雷编码更为有效，因为该编码方式在基因型空间和表 现型空间中是一致的，容易从传统优化方法中借鉴好的技巧来形成幼小的遗传算子。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于自适应遗传算法优化参数神经网络的位置估 计方法。
6.为达到上述目的，本发明提供如下技术方案：
7.一种基于自适应遗传算法优化参数神经网络的位置估计方法，包括以下步骤：
8.s1：在布置有wi
‑
fi设备的区域内，均匀设置若干个位置坐标已知的参考点，随机设置 若干个位置坐标未知的测试点，再在各个参考点和测试点处采集信道状态信息并将其处理得 到与各位置坐标一一对应的位置向量；
9.s2：在确定好神经网络的拓扑结构之后，将所有参考点的位置向量输入神经网络，通过 反向传播神经网络(back propagation neural network，bpnn)得到满足条件的神经
22.步骤四(二)：在区间[0,1]内产生一个随机数b0，若0≤b0≤ac1，则选择个体e1；否 则，选择个体e
q
(q≠1)，且满足条件ac
(q
‑
1)
＜b0≤ac
q
；
[0023]
步骤四(三)：重复上述步骤，共选择g个个体组成父代群体fp(g)。
[0024]
进一步，步骤五具体包括以下步骤：
[0025]
步骤五(一)：交叉概率p
c
用于判定父代个体是否需要进行交叉操作，交叉概率越大， 产生新个体的速度就越快；随机选择群体中两个个体e
c
和e
d
(c,d∈{1,...,g}&c≠d)进入交 配池；
[0026]
步骤五(二)：计算此时的交叉概率其 中，fit
max
为群体中的最大适应度，fit
avg
为群体的平均适应度，fit
*
表示要交叉的两个个体 中较大的适应度，k1和k2为区间[0,1]内的常数且k1＜k2≤0.9；
[0027]
步骤五(三)：生成区间[0,1]内的随机数b1，当b1＜p
c
时，对两个个体的第h (h∈{1,...,36})位执行如下操作：
[0028]
步骤五(四)：当b1≥p
c
时，随机选择群体中另外两个个体执行上述步骤直至完成一次 交叉操作后，再对已更新的群体进行变异操作；
[0029]
步骤五(五)：变异概率p
m
用于判定父代个体是否需要进行变异操作，用于保持群体的 多样性，以防止群体陷入局部最优的困境；随机选择已更新的群体中的个体e
j (j∈{1,...,g})并计算此时的变异概率其中，fit
max
为群体中的最大适应度，fit
avg
为群体的平均适应度，fit
′
表示要变异个体的适应度， k3和k4为区间[0,1]内的常数且k3＜k4≤0.1；
[0030]
步骤五(六)：生成区间[0,1]内的随机数b2和b3，当b2＜p
m
时，对第k(k∈{1,...,36}) 位执行如下操作其中，e
max
为 基因的上界，e
min
为基因的下界，g为当前进化次数，e
n
为进化次数；
[0031]
步骤五(七)：当b2≥p
m
时，随机选择群体中另一个体执行步骤五(一)至步骤五 (六)直至完成一次变异操作为止。
[0032]
本发明的有益效果在于：本发明引入自适应遗传算法来寻求非线性函数的全局最优解， 在迭代优化时根据适应度来动态调整交叉概率和变异概率，使神经网络在获得更快收敛速度 的同时更大程度地避免了在局部最优的情况下收敛，使室内wifi的位置坐标估
体，基于自适应遗传算法通过选择、交叉和变异操作之后得到最优个体，将个体解码得到最 优参数；
[0043]
s4：将步骤s3得到的最优参数作为神经网络的初始参数，再把所有测试点的位置向量 输入神经网络，进行正向传播后即可得到测试点的估计位置坐标；
[0044]
如图1所示，基于自适应遗传算法对所述神经网络的参数进行优化，优化方法如下：
[0045]
步骤一：设遗传算法的群体规模为g(即群体中个体的数量)，进化次数为e
n
，利用 第q次测试神经网络的初始参数和进行实数编码得到第q个个体，记为 其中，前32位对应权值矩阵的元素值，后4位对应阈值 向量的元素值，q＝1,...,g；
[0046]
步骤二：将第q个个体e
q
所对应的适应度记为fit
q
，且适应度越小个体越优；利用这g 个个体及其对应的适应度来构造适应度函数l(e
q
)＝fit
q
，并由这g个个体组成子代群体 p(g)(g＝1,...,e
n
)，通过选择、交叉和变异操作寻找适应度最小的最优个体，进而得到全 局最优参数；
[0047]
步骤三：选择操作采用轮盘赌法，使每个个体被选中的概率与其适应度大小成反比，即 基于适应度比例的选择策略，第q个个体的选择概率se
q
(即被选择到父代群体fp(g)中的 概率)为其中，k0为常数；
[0048]
步骤四：根据个体适应度进行归一化处理后，选择个体来构造父代群体fp(g)；具体包 括以下步骤：
[0049]
步骤四(一)：由于所有个体选择概率之和为1，所以将这g个个体按比例放入0至1 范围的线段里，且线段的长度代表个体的选择概率，即计算第q个个体的累积概率ac
q
为 [0050]
步骤四(二)：在区间[0,1]内产生一个随机数b0，若0≤b0≤ac1，则选择个体e1；否 则，选择个体e
q
(q≠1)，且满足条件ac
(q
‑
1)
＜b0≤ac
q
；
[0051]
步骤四(三)：重复上述步骤，共选择g个个体组成父代群体fp(g)。
[0052]
步骤五：对父代群体fp(g)进行交叉和变异操作以产生新的个体，并在迭代优化时根据 适应度来动态调整交叉概率和变异概率；对于适应度高于群体平均适应度的个体，匹配较低 的p
c
和p
m
，以使该个体得以保护进入子代群体；而低于群体平均适应度的个体，则匹配较 高的p
c
和p
m
，以使该个体被淘汰掉；具体包括以下步骤：
[0053]
步骤五(一)：交叉概率p
c
用于判定父代个体是否需要进行交叉操作，交叉概率越大， 产生新个体的速度就越快；随机选择群体中两个个体e
c
和e
d
(c,d∈{1,...,g}&c≠d)进入交 配池；
[0054]
步骤五(二)：计算此时的交叉概率其 中，fit
max
为群体中的最大适应度，fit
avg
为群体的平均适应度，fit
*
表示要交叉的两个个体 中较大的适应度，k1和k2为区间[0,1]内的常数且k1＜k2≤0.9；
[0055]
步骤五(三)：生成区间[0,1]内的随机数b1，当b1＜p
c
时，对两个个体的第h (h∈{1,...,36})位执行如下操作：
[0056]
步骤五(四)：当b1≥p
c
时，随机选择群体中另外两个个体执行上述步骤直至完成一次 交叉操作后，再对已更新的群体进行变异操作；
[0057]
步骤五(五)：变异概率p
m
用于判定父代个体是否需要进行变异操作，用于保持群体的 多样性，以防止群体陷入局部最优的困境；随机选择已更新的群体中的个体e
j (j∈{1,...,g})并计算此时的变异概率其中， fit
max
为群体中的最大适应度，fit
avg
为群体的平均适应度，fit
′
表示要变异个体的适应度， k3和k4为区间[0,1]内的常数且k3＜k4≤0.1；
[0058]
步骤五(六)：生成区间[0,1]内的随机数b2和b3，当b2＜p
m
时，对第k(k∈{1,...,36}) 位执行如下操作其中，e
max
为 基因的上界，e
min
为基因的下界，g为当前进化次数，e
n
为进化次数；
[0059]
步骤五(七)：当b2≥p
m
时，随机选择群体中另一个体执行步骤五(一)至步骤五 (六)直至完成一次变异操作为止。
[0060]
步骤六：父代群体fp(g)经过交叉变异操作后生成了新的子代群体p(g 1)用于下一次 的进化(即选择、交叉和变异操作)，直到达到进化次数e
n
；
[0061]
步骤七：利用适应度函数计算第e
n
次进化得到的新的子代群体p(e
n
)中g个个体的适 应度，并选取其中适应度最小的个体，再将其解码，得到神经网络的最优权值矩阵和阈值向 量。
[0062]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施 例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进 行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求 范围当中。