[发明专利]一种基于LMBP神经网络的泰勒定位算法

说明书

技术领域

本发明涉及一种智能定位算法，具体涉及一种基于LMBP神经网络的泰勒定位算法。

背景技术

   对于目前物流行业、医院以及通信行业，精确的定位功能被越来越多的受到关注，当然，随之产生的定位技术也多种多样。但是绝大多数的定位算法都对物理硬件有着较高的要求，比如在较近的范围内才适用，又或者必须有若干个基站的基础上才可以进行精确的物理定位等。

常用的定位算法为泰勒序列展开定位算法，

该算法在视距（LOS）环境下有着较好的定位精度,但是在非视距环境下，即NLOS环境下,泰勒序列展开定位算法的定位精度大大下降。Chan算法是一种基于TDOA技术、具有解析表达式解的定位算法，该算法的特点是计算量小，在噪声服从高斯分布的环境下，定位精度高。但在非视距(NLOS)环境下，Chan氏算法的定位精度也会有所下降。目前，在使用泰勒算法、Chan算法等进行定位的同时也会引入一些神经算法如：RBF神经网络。但是RBF神经网络容易造成“局部极小点”，这种情形是应该尽量避免发生的，并且该算法精度相对较低，且耗时长。缺乏自动学习的功能，增加了重复多次计算的负担，提取特征参数的方法复杂，参数较多，运算复杂且占用大量存储空间和时间，降低了识别效率。

发明内容

本发明克服了现有技术的不足，提出了一种基于LMBP神经网络的泰勒定位算法，使用人工智能中的LMBP神经网络。LMBP网络能学习和存储大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的收敛速度快、误差小而且避免了局部极小问题，所述算法利用LMBP神经网络较快的学习特性和逼近任意非线性映射的能力,对NLOS传播的误差进行修正,再利用Chan算法为泰勒序列展开定位算法提供精确的初始值的方式进行定位。进而综合提高了定位的精确性和效率。

本发明的技术方案为：一种基于LMBP神经网络的泰勒定位算法，所述LMBP神经网络模块对TDOA测量数据进行修正，减少TDOA测量值中的NLOS误差，泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据，进行定位算法运算后得到系统定位结果，具体算法步骤如下：

1）通过基站对确定移动台的位置，作为目标数据，之后根据TDOA 测量误差模型产生相应的测量数据，将模拟的测量数据分为两部分，其中一半用于训练神经网络，另一半用于性能仿真；

2）建立和训练LMBP 网络，以移动台的不含NLOS 误差的TDOA 为目标样本矢量对网络进行训练，具体LMBP人工神经网络算法基本流程就是：

初始步：给出BP 网络初始权值W₀, u₀, 误差阀值E₀, 其中u₀>0, E>0, 并令k= 0，

第k 次迭代:

　  1) 输入样本x_K , 计算g_K , 若‖g_K‖< E, 学习结束; 否则计算H _K，

　  2) 分解H K + uK , 若不正定, 置uK = 4uK , 并重复这一步直到HK+uK 正定，

　  3) 解方程(H _K + u_K ) s= - g _K , 得s_K，

4) 求E (H _K + s_K ) , q_K (s_K ) , 和r_K , 

这里q_K(s_K ) = E (W _K ) + g ^T_Ks+(1/2)s^TH _K ^s，

　  5) 若r_K < 0. 25, 置u_K + 1= 4u_K ; 若r_K > 0. 75, 置u_K + 1=u_K/2; 否则置u_K + 1= u_K，