Neural network optimization for the 5G positioning of the result domain
-
摘要: 针对室内环境下的5G定位需求，提出了利用神经网络算法对粗略定位结果进行优化的方法，减小了多径、非视距传播造成的定位误差，改善了结果域的定位精度. 优化算法利用测距定位中的到达时间(TOA)定位法和到达时间差(TDOA)定位法获得粗略定位结果，分别结合BP神经网络、Elman神经网络及通过遗传算法(GA)优化后的GA-BP神经网络、GA-Elman神经网络共利用4种神经网络进行训练，得到修正后的精确定位结果，并对4种神经网络算法进行了分析与评估. Elman算法相较于BP算法具有迭代收敛快、迭代次数少、误差改正好的特点，更适合5G定位结果域的优化；融入 GA 后结果精度均有所提高，其中GA-Elman算法能够训练得到最好的定位结果.
-
关键词:
- 5G定位 /
- 到达时间(TOA)定位法 /
- 到达时间差(TDOA)定位法 /
- BP神经网络 /
- Elman神经网络 /
- 遗传算法 (GA)
Abstract: To meet the demand of the 5G positioning requirements in indoor environment, we proposed a method to optimize the rough positioning results by using neural network algorithms, which reduced the positioning error caused by multipath and non-line-of-sight propagation, and improved the positioning accuracy of the result domain. The optimization algorithm used the time of arrival (TOA) method and the time difference of arrival (TDOA) method in ranging positioning to obtain rough positioning results, and combined separately with BP neural network, Elman neural network, as well as genetic algorithm (GA)-BP network and GA-Elman network to obtain a better positioning results, then the four neural network algorithms were analyzed and evaluated. Compared with the BP algorithm, Elman algorithm has the characteristics of fast iteration convergence, few iterations and good error correction, which is more suitable for the optimization of the 5G localization result domain. The accuracy of the results is improved after incorporating the GA, among which the GA-Elman algorithm can be trained to obtain the best localization results. -
表 1 各参考点坐标RMSE和MAE
m 点号 x坐标 y坐标 RMSE MAE RMSE MAE 1 0.281 9 0.283 1 0.829 7 0.828 5 1(干扰) 0.305 6 0.302 7 0.836 9 0.828 4 2 0.458 2 0.429 8 0.628 1 0.743 5 3 0.558 1 0.553 7 0.160 5 0.147 9 4 0.501 2 0.585 9 0.412 1 0.585 5 5 0.248 9 0.248 2 0.816 2 0.851 6 6(干扰) 0.314 9 0.404 3 1.025 5 0.880 8 7 0.173 2 0.128 4 0.295 3 0.265 5 8 0.266 6 0.213 0 0.500 5 0.377 9 9 0.097 0 0.065 8 0.174 9 0.146 9 9(干扰) 0.161 8 0.212 1 0.263 0 0.340 7 10 0.096 9 0.065 6 0.165 3 0.146 5 
下载: 导出CSV
表 2 不同神经网络优化统计结果
m 神经网络方法 x坐标 y坐标 RMSE MAE RMSE MAE 无 0.288 7 0.260 3 0.509 0 0.450 3 BP 0.136 8 0.098 8 0.294 7 0.202 7 GA-BP 0.081 3 0.058 0 0.235 8 0.165 9 Elman 0.133 5 0.096 3 0.243 4 0.179 0 GA-Elman 0.073 9 0.044 2 0.226 9 0.150 7
下载: 导出CSV
表 3 不同神经网络改善百分比
% 神经网络方法 x坐标 y坐标 RMSE MAE RMSE MAE BP 52.62 62.04 42.10 54.99 GA-BP 71.84 77.72 53.67 63.16 Elman 53.76 63.00 52.18 60.25 GA-Elman 74.40 83.02 55.42 66.53
下载: 导出CSV
-
[1] 姚军, 甄梓越, 马宇静. 基于BP神经网络的 RSSI 测距优化算法[J]. 电波科学学报, 2022, 37(4): 1-7. DOI: 10.12265/j.cjors.2021164 [2] 黄亚萍. 基于 TDOA 和 TOA 的无线定位技术研究[D]. 南京: 南京邮电大学, 2012. [3] 何成文, 袁运斌, 潭冰峰. 一种基于UWB TDOA定位模式的迭代最小二乘算法[J]. 大地测量与地球动力学, 2021, 41(8): 806-809. [4] 罗豪龙, 李广云, 欧阳文, 等. 基于自适应卡尔曼滤波的TDOA定位方法[J]. 测绘科学技术学报, 2020, 37(3): 252-257. [5] 国强, 李文韬. 基于正则化约束总体最小二乘的TDOA/FDOA无源定位方法[J]. 哈尔滨工业大学学报, 2022, 54(5): 81-87. DOI: 10.11918/202012030 [6] 马栋榉, 李敏, 张端金. 基于波形边缘检测的Wi-Fi室内定位信号TOA估计[J]. 郑州大学学报(工学版), 2022, 43(3): 15-20. DOI: 10.13705/j.issn.1671-6833.2022.03.014 [7] 秦岭, 张崇泰, 郭瑛, 等. 基于Elman神经网络的可见光室内定位算法研究[J]. 光学学报, 2022, 42(5): 16-23. [8] 盖晴晴, 韩玉兵, 南华, 等. 基于深度卷积神经网络的极化雷达目标识别[J]. 电波科学学报, 2018, 33(5): 575-582. DOI: 10.13443/j.cjors.2017112101 [9] 金霄, 吴飞, 鄢松, 等. 基于GAWK-means的地铁车站指纹定位方法[J]. 电子科技, 2022, 35(2): 34-39. DOI: 10.16180/j.cnki.issn1007-7820.2022.02.006 -
点击查看大图
图(6) / 表(3)
计量
- 文章访问数: 261
- HTML全文浏览量: 74
- PDF下载量: 37
- 被引次数: 0
