申请/专利权人：兰州理工大学

申请日：2023-09-14

公开（公告）日：2023-12-15

公开（公告）号：CN117241376A

主分类号：H04W64/00

分类号：H04W64/00;H04W4/02;H04W84/18;G01S5/02;G01S5/14;G06N3/084;G06N3/08;G06N3/006

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.02#实质审查的生效;2023.12.15#公开

摘要：本发明公开了一种多策略改进BP神经网络的WSN节点定位方法，首先利用鲸鱼优化算法的三种改进机制分别优化BP神经网络使之不仅增强了训练效果还提升了网络的鲁棒性；其次将经过扩展卡尔曼滤波的接收信号强度值作为神经网络的输入值，距离作为输出值对REW‑BP神经网络进行训练，最后提出新的数学模型求解待测节点的坐标信息，实验仿真表明，相较于标准质心、加权质心、BP加权质心、WOA‑BP加权质心定位算法，所提算法的平均定位误差要比以上四种算法分别降低58.23％、42.71％、31.89％、17.57％。

主权项：1.一种多策略改进BP神经网络的WSN节点定位方法，其特征在于，具体包括以下步骤：S1：针对标准RSSI测距过度依赖经验值和环境系数的问题构建REW-BP神经网络测距模型；S2:利用鲸鱼优化算法的三种改进机制分别优化BP神经网络使之不仅增强了训练效果还提升了网络的鲁棒性；S3:训练REW-BP神经网络测距模型得到待测节点与锚节点间的距离；S4:计算待测节点的坐标；所述S1步骤中，构建REW-BP神经网络测距模型包括两个阶段，第一阶段为正向传播，首先将每个输入的RSSI值与其对应的权值相乘，权值是在模型训练之前随机生成的一个数值，用于表示输入对输出的重要程度，其次将每个乘积的结果与其对应的偏置向量相加，偏置向量阈值也是在模型训练之前随机生成的一个数值，用于调整整体输出的偏移量； 式中：Ij为净输入值；Wij为神经元i到神经元j的权值；Oi为输入值，此处为输入的RSSI值；Bj偏置向量；将得到的结果Ij带入2式利用sigmoid激活函数进行计算，得到输出的距离值； 式中：Oj为神经网络的输出值，此处为神经网络预测的距离值；第二阶段为反向传播，目的是对神经网络的输出距离和真实距离之间的误差进行分析，这个误差表示了神经网络在当前状态下的性能表现，通过调整网络的权重和偏差实现误差最小化，以提高网络的性能，系统误差函数如下式： 式中：Tj为真实的距离值；Oj为上式中神经网络预测的距离值；通过式3计算出最后一层的误差，然后将该误差利用梯度下降法进行反向传播，将后一层的误差通过权重矩阵传递到上一层，计算每个神经元的误差，根据误差和学习率更新每个神经元的权值和阈值，使用更新后的权值和阈值再次进行正向传播计算输出的距离值，直到输出的距离值和真实距离值之间的误差小于设置的范围为止，否则将一直循环更新权值和阈值； 式中：W′j为权重的更新量；B′j为偏置更新量l为学习率，取值范围为0,1。

全文数据：

权利要求：

百度查询： 兰州理工大学 一种多策略改进BP神经网络的WSN节点定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD