無線傳感器網絡中基于RSSI的節點距離預測
加入技術交流群
3 BP網絡模型的建立
以限幅濾波后的數據作為訓練樣本。以RSSI作為輸入，以距離作為輸出，一般的預測問題通過單隱層的BP網絡實現，這里也是單隱層。
(1)數據歸一化處理
為了在Matlab中計算方便，需要對數據進行歸一化處理。這里根據現有的數據情況，分別對輸入和輸出量進行歸一化處理。歸一化的代碼如下：
[pn，minp，maxp，tn，mint，maxt]=premnmx(p，t)
其中p為輸入變量，t為輸出變量。
(2)BP網絡訓練
網絡中間層的神經元傳遞函數采用S型的正切函數logsig，輸出層神經元傳遞函數采用線性函數purelin，采用traingdx函數進行訓練，當訓練141次后達到0．01的誤差要求。
4 模型預測結果及與經驗公式值的比較
為了驗證測試結果的可靠性，根據網絡訓練的結果，把測試結果與真實值進行對比。為了突出該方法的優越性，與經驗公式計算出來的距離值進行比較。表1為模型預測值、經驗公式值與真實值的比較。本文引用地址：http://cqxgywz.com/article/161414.htm
由表1可以得出，由BP神經網絡模型預測的距離值與經驗公式計算出來的距離值相比，整體誤差較小。經驗公式計算的距離誤差最大為2．7351m，最小誤差為0．5338m，而由模型預測的距離誤差最大為0．7976m，最小誤差為0．0232m，測距的精度明顯提高了很多。
5 結論
BP神經網絡具有很強的自學習、自組織及自適應能力，具有高度非線性函數映射功能，通過對樣本的預處理，可以提高訓練結果的精度。因此，樣本的好壞直接影響訓練結果。節點RSSI值的隨機性較大，會隨著環境及其他干擾的影響發生突變。因此先對RSSI值進行濾波處理，濾掉突變的數據再進行網絡的訓練，預測結果就能達到較理想的水平。這適用于不同的場合，提高了測距精度，從而進行精確定位。
評論