一种基于BP-GA的室内定位模型

合集下载

基于GRA和GA-BP神经网络的商品住宅需求预测

基于GRA和GA-BP神经网络的商品住宅需求预测
邓英;邹璐;田学泽
【期刊名称】《陕西理工大学学报:自然科学版》
【年(卷),期】2022(38)4
【摘要】为准确获悉商品住宅需求量,从经济因素与非经济因素两个方面识别商品住宅需求的影响因素,利用灰色关联分析法(GRA)提取商品住宅需求的主要影响因素,然后以此构建商品住宅需求预测指标体系,并将主要影响因素作为BP神经网络的输入向量,商品住宅销售量作为输出变量,采用遗传算法(GA)对BP神经网络权值与阈值进行寻优,建立基于GRA和GA-BP神经网络的商品住宅需求预测模型。

以湖北省黄石市为例,对所建模型进行实证研究,并将预测结果与其他模型进行对比。

数据结果显示:所建模型的相对误差在2%~8%范围内、平均相对误差为4.49%、均方根误差为6.14,预测精度相对最优;GRA和GA-BP神经网络模型用于商品住宅需求预测切实可行,可为其进行准确预测提供新方法。

【总页数】10页(P75-84)
【作者】邓英;邹璐;田学泽
【作者单位】长沙理工大学经济与管理学院;长沙理工大学交通运输工程学院【正文语种】中文
【中图分类】F299.23;TP183
【相关文献】
1.基于FCM和CBR-GRA双重检索的应急救援物质需求预测
2.基于改进GA-BP 神经网络的种苗需求预测
3.基于GRA-TSM的新疆公路交通运输需求预测分析
4.基于小波变换与GA-BP神经网络的共享单车需求预测
5.基于Delphi-GRA影响因素筛选的PSO-GM(1,N)电网投资需求预测
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于BP神经网络的室内定位模型

一种基于BP神经网络的室内定位模型摘要:室内定位技术是一种获取室内的人和物位置信息的技术,以位置信息为基础可为使用者提供多种服务,在军事和民用领域都有着广阔的应用前景｡在分析几种常见的室内无线定位方法以及基于RSS的室内无线定位方法的基础上,提出一种基于BP神经网络的室内定位模型并借助MATLAB 7.0加以实现｡采用该方法进行室内定位,不需要WLAN以外的其他资源｡由于不需要知道定位节点和建筑物的详细特性,用户的隐私将会得到完全的保护｡仿真实验证明该模型的有效性｡关键词:室内定位;RSS; BP神经网络;IEEE 802.11b中图分类号:TN911.23 文献标识码:A1 引言目前,室内定位算法主要有以下几种｡1)Time of arrival(TOA)TOA定位的基本原理是通过测量节点间电波传播的时间来确定节点的位置｡TOA算法要求参加定位的各个基站在时间上实现严格同步｡在室内环境中,由于已知点到待测点的距离通常不远,无线电波的传播速度太快,且存在严重的多径干扰,因此无法利用无线电波进行测距｡目前,基于TOA的室内定位技术通常是利用超声波传播速度较慢的特点(在20摄氏度时超声波的传播速度为343.38m/s),来测量出已知点和待测点间的距离,进而求出待测点的位置[1]｡2)GPS L1 Re-radiatingGPS(Global Positioning System)是70年代初由美国开发的卫星导航定位系统,本质上它也是一个基于TOA的定位系统｡GPS L1 Re-radiating是将GPS在L1频段上的信号,通过户外天线接收后,增益放大为室内可接收信号,进而基于GPS实现室内定位｡3)Received signal strength,RSSRSS定位的基本原理是利用移动装置侦测所接收到的无线电波信号强弱,然后根据经验模型或RSS随距离衰减的模型来推断节点间的距离,进而实现定位[2]｡该技术主要使用无线网络本身的无线电信号来定位,不需额外添加硬件,是一种低功率､廉价的定位技术[3]｡基于信号强度的室内定位方法分为经验模型法和信号衰减模型法｡(1)经验模型法在经验模型法中,将RSSI数据转换为位置信息的方法主要有判定法和概率法两种｡(2)信号衰减模型法信号衰减模型法则无需实地测量位置和RSSI,而是依据信号强度和距离的特定关系,结合三角测量法,根据来自三个(或以上)AP的RSSI来计算出待测点的位置｡基于TOA的定位模型在开放的室外环境中非常有效,但在室内环境却存在一些问题｡使用超声波虽可克服无线电波传输速度快的问题,但需构建专门的超声波系统｡GPS也主要是针对户外目标设计的定位系统,应用于室内存在定位精度不高等问题｡基于RSS的定位模型中,经验法需进行大量的实地测量,同时无法保护定位用户的隐私;而信号衰减法在室内受NLOS(非视距传播)等因素影响,也使得定位精度较低｡因此,本文提出了一种基于BP神经网络的室内定位模型并借助MA TLAB 7.0加以实现｡采用该方法进行室内定位,不需要WLAN以外的其他资源｡由于不需要知道定位节点和建筑物的详细特性,用户的隐私将随之得到完全的保护｡2 基于BP神经网络的室内定位模型BP神经网络通常是指基于误差反向传播算法(Backpropagation)的多层前向神经网络,目前,该算法已成为应用最为广泛的神经网络学习算法[4]｡BP神经网络采用的是并行网络结构,包括输入层､隐含层和输出层,经作用函数后,再把隐节点的输出信号传递到输出节点,最后给出输出结果｡该算法的学习过程由信息的前向传播和误差的反向传播组成｡在前向传播的过程中,输入信息从输入层经隐含层逐层处理,并传向输出层｡第一层神经元的状态只影响下一层神经元的状态｡如果在输出层得不到期望的输出结果,则转入反向传播,将误差信号(目标值与网络输出之差)沿原来的连接通道返回,通过修改各层神经元权值,使得误差均方最小｡神经网络理论已经证明BP神经网络具有强大的非线性映射能力和泛化功能,任一连续函数或映射均可采用三层网络加以实现｡计算技术与自动化2007年6月第26卷第2期李瑛等:一种基于BP神经网络的室内定位模型2.1 样本数据的采集和处理输入向量为待测点收到的来自至少三个不同位置AP的RSSI值,输出向量为待测点的坐标值(X,Y)｡样本采集在一个10mX10m的室内场地中进行｡使用3个来自SMC公司的AP和1台配置了ORiNOCO PC CARD的笔记本电脑｡AP及无线网卡符合并工作在IEEE 802.11b标准下｡笔记本电脑所使用的操作系统为RedHat Linux 9.0｡样本均匀分布在6mx6m的中心区域中｡2.2 网络结构的确定Kolmogorov定理已经证明[5],任意一连续函数可由一个三层BP 网络来实现｡虽然研究表明三层以上的BP网络可以减少隐含层节点数,提高计算效率,但在缺乏理论指导的BP网络设计中这样做容易使问题趋向复杂化｡因此选择三层BP神经网络,即只有1个隐含层的BP神经网络｡该网络输入层的节点数由输入向量的维数决定,输入向量的维数是3,所以输入层节点数确定为3个｡输出层节点数由输出向量的维数决定,这里输出节点数为2 ｡隐含层节点数的选择在BP网络设计中是一个难点,目前还没有理论上的指导｡过多的网络节点会增加训练网络的时间,也会使网络的泛化能力减弱,网络的预测能力下降｡然而网络节点过少则不能反映后续值与前驱值的相关关系,建模不充分｡经反复试验,将隐含层节点数定为30,这样形成了一个3-30-2结构的BP神经网络,如图1所示｡2.3 学习算法的选择基本BP 算法采用梯度下降法使得误差均方(mse)趋向最小,直至达到误差要求｡但在实际应用中,存在收敛速度慢､局部极值等缺点｡Matlab 7.0神经网络工具箱中提供了十多种快速学习算法,一类是采用启发式学习方法,如引入动量因子的traingdm 算法､变速率学习算法traingda ､“弹性”学习算法trainrp等;另一类采用数值优化方法,如共轭梯度学习算法traincgf 等｡本研究选择traincgf 算法｡该算法在不增加算法复杂性的前提下,可以提高收敛速度,并且可沿共扼方向达到全局最小点,较好地解决了经典BP算法所存在的收敛速度慢和可能出现局部最优解的问题｡2.4 BP神经网络的初始化､训练与仿真1)建立网络net==newff(P3,[30,2],{′tansig′,′purelin′},′traincgf′)newff()为建立BP 神经网络的函数;P3为6维矩阵,表示3维输入向量中每维输入的最小值和最大值之间的范围｡[30,2]表示隐层节点数是30,输出层节点数是2,{′tansig′,′purelin′}表示隐含层中的神经元采用tansig转换函数,输出层采用purelin函数,′traincgf′表示选择的学习算法｡2)权重和阈值初始化net==init(net)本文原文给各连接权重LW{1,1}､LW{2,1}及阈值b{1}､b{2}赋予(-1,+1)间的随机值｡3)训练[net,tr]=train(net,P,T)P为输入向量,T为目标向量,根据网络学习误差逆传递算法,利用阻尼最小二乘算法迭代,由前一次训练得到的网络权重及阈值训练得到新的网络权重及阈值｡为了使生成的BP网络对输入向量有一定的容错能力,最好的方法是既使用理想的信号又使用带有噪声的信号对网络进行训练｡具体做法是先用理想的输入信号对网络进行训练,直到起平方和误差足够小;然后,使用20组理想信号和带有噪声的信号对网络进行训练｡经过上述训练后,网络对无误差的信号也可能会采用对付带有噪声信号的办法,这样会导致很大的代价,因此,需要采用理想的向量对网络再次训练,以保证网络能对理想信号作出最好的反应｡使用函数traincgf对网络进行训练时,当网络平方和误差小于3时停止网络的训练｡训练过程中的误差变化情况如图2所示｡根据训练后的网络及输入向量进行仿真输出｡3 实验结果及分析利用训练后的BP神经网络进行了36次定位,并统计了36次定位的平均误差,结果如图3所示｡与利用信号衰减模型定位相比(如图4所示),利用BP神经网络定位具有更高的统计精度｡与信号衰减模型相比,虽然BP神经网络的模型解释直观性略有不足,但却可获得更精确的定位结果｡利用BP神经网络,虽然可解决传统处理方法所不能处理的非线性映射问题,但在实际应用中,对如何选择和确定一个合适的神经网络结构没有确切的理论指导,只能通过试验—调整—再试验的过程来确定一个合适的网络结构｡同时,BP神经网络的隐含层作用机理和隐含层节点个数的选择是BP神经网络的难点问题｡隐含层的节点个数的选择需反复进行试验,当多次输出结果在一定误差范围内时才可确定｡4 结束语本文提出了一种基于BP神经网络的室内定位模型,并在基于IEEE 802.11b标准的WLAN环境中对此模型进行了测试｡一个基于信号衰减模型的定位算法也在同样的环境中进行了测试｡对比结果表明,利用BP 神经网络进行室内定位能取得更好的定位精度｡在实验过程中,节点表现出个体差异,部分节点的定位精度始终较低｡采用其他BP神经网络参数值来进一步提高定位精度是今后进一步的研究方向｡注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

基于GA-BP神经网络的温室温度预测研究

第１３卷㊀第９期Ｖｏｌ．１３Ｎｏ．９㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年９月㊀Ｓｅｐ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０９－０１６８－０４中图分类号：Ｓ６２５；ＴＰ１８３文献标志码：Ａ基于ＧＡ－ＢＰ神经网络的温室温度预测研究李其操，董自健（江苏海洋大学电子工程学院，江苏连云港２２２００５）摘㊀要：温度对于温室内作物的生长起着重要的作用，为了更精准的管理和控制温室内的温度，提出了基于遗传算法优化的ＢＰ神经网络预测模型（ＧＡ－ＢＰ），对温室内温度进行预测㊂本文利用遗传算法对ＢＰ神经网络的权值和阈值进行优化，使模型避免出现局部最优，有效改善了传统ＢＰ神经网络预测模型的性能，使预测出的温度更加精准㊂实验证明，选择隐藏层节点数为７时，ＧＡ－ＢＰ神经网络预测模型的预测结果最佳，平均绝对误差（ＭＡＥ）㊁均方误差（ＭＳＥ）和平均绝对百分比误差（ＭＡＰＥ）分别为０．４４１㊁０．２７６㊁０．５２５㊂与传统ＢＰ神经网络预测模型相比分别提升了１３．２％㊁３８．４％㊁２１．５％㊂关键词：遗传算法；ＢＰ神经网络；温室温度；预测模型ＧｒｅｅｎｈｏｕｓｅｔｅｍｐｅｒａｔｕｒｅｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＧＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＬＩＱｉｃａｏ，ＤＯＮＧＺｉｊｉａｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｓｕＯｃｅａｎＵｎｉｖｅｒｓｉｔｙ，ＬｉａｎｙｕｎｇａｎｇＪｉａｎｇｓｕ２２２００５，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＴｅｍｐｅｒａｔｕｒｅｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｇｒｏｗｔｈｏｆｃｒｏｐｓｉｎｔｈｅｇｒｅｅｎｈｏｕｓｅ．Ｉｎｏｒｄｅｒｔｏｍａｎａｇｅａｎｄｃｏｎｔｒｏｌｔｈｅｔｅｍｐｅｒａｔｕｒｅｉｎｔｈｅｇｒｅｅｎｈｏｕｓｅｍｏｒｅａｃｃｕｒａｔｅｌｙ，ａｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ－ｏｐｔｉｍｉｚｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ（ＧＡ－ＢＰ）ｗａｓｐｒｏｐｏｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｔｅｍｐｅｒａｔｕｒｅｉｎｔｈｅｇｒｅｅｎｈｏｕｓｅ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｗｅｉｇｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｓｏｆｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｓｏｔｈａｔｔｈｅｍｏｄｅｌａｖｏｉｄｓｌｏｃａｌｏｐｔｉｍｉｚａｔｉｏｎ，ｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｓｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ，ａｎｄｍａｋｅｓｔｈｅｐｒｅｄｉｃｔｅｄｔｅｍｐｅｒａｔｕｒｅｍｏｒｅａｃｃｕｒａｔｅ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｗｈｅｎｔｈｅｎｕｍｂｅｒｏｆｈｉｄｄｅｎｌａｙｅｒｎｏｄｅｓｉｓｓｅｌｅｃｔｅｄｔｏｂｅ７，ｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｏｆｔｈｅＧＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｔｈｅｂｅｓｔ，ａｎｄｔｈｅｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ），ｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＭＳＥ）ａｎｄｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒ（ＭＡＰＥ）ａｒｅ０．４４１，０．２７６，ａｎｄ０．５２５ｒｅｓｐｅｃｔｉｖｅｌｙ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ，ｉｔｈａｓｉｎｃｒｅａｓｅｄｂｙ１３．２％，３８．４％，ａｎｄ２１．５％ｒｅｓｐｅｃｔｉｖｅｌｙ．ʌＫｅｙｗｏｒｄｓɔｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｇｒｅｅｎｈｏｕｓｅｔｅｍｐｅｒａｔｕｒｅ；ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ作者简介：李其操（１９９７－），男，硕士研究生，主要研究方向：农业物联网；董自健（１９７３－），男，博士，教授，主要研究方向：检测与控制㊁通信技术㊂通讯作者：董自健㊀㊀Ｅｍａｉｌ：ｄｚｊｉａｎ＠１２６．ｃｏｍ收稿日期：２０２２－１０－２００㊀引㊀言中国是排在世界前列的农业生产大国，温室的面积占据着世界首位㊂温室内的环境因素对于作物的生长有着至关重要的影响［１－２］㊂目前，温室的调控方式大多是凭借工人的生产经验，通过获得的传感器数据，进行预判性的调控㊂因此，能够精准的预测出温室内的温度情况，对温室调控系统有很大的帮助㊂近年来，许多学者提出了针对温度预测的方法㊂如：左志宇［３］提出采用时序分析法建立温度预测模型的方法；徐意［４］构建了基于ＲＢＦ神经网络的温室温度预测模型；徐宇［５］构建了基于复数神经网络的温室温度预测模型；王红君［６］利用贝叶斯正则化算法对ＢＰ神经网络进行改进，降低了影响温度的因子之间的耦合度等㊂但是，上述预测模型都容易出现陷入局部最优的情况㊂因此，本文利用遗传算法，对ＢＰ神经网络的初始权值和阈值进行优化，使预测模型避免出现局部最优的情况，从而对温室内温度进行更精准的预测㊂１㊀ＧＡ－ＢＰ神经网络预测模型的构建１．１㊀ＢＰ神经网络ＢＰ神经网络的主要思想是：训练数据通过前馈网络训练后得到输出数据，将输出数据与期望数据进行对比得到误差，反向传播网络将得到的误差反向输入输出层，对网络的连接权值和阈值进行反复训练，缩小网络输出和期望输出之间的误差㊂输入㊁输出层为单层结构，而隐藏层可以是单层或多层㊂输入层㊁隐藏层㊁输出层之间的神经元都是相互连接的，为全连接㊂ＢＰ神经网络结构如图１所示㊂uy输入层节点隐藏层节点输出层节点图１㊀ＢＰ神经网络结构图Ｆｉｇ．１㊀ＳｔｒｕｃｔｕｒｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ㊀㊀假设输入层节点数为ｎ，隐藏层节点数为ｌ，输出层节点数为ｍ，输入层到隐藏层的权重为ωｉｊ，隐藏层到输出层的权重为ωｊｋ，输入层到隐藏层的阈值为ａｊ，隐藏层到输出层的阈值为ｂｋ，学习速率为η，激励函数为ｇ（ｘ）㊂其中，激励函数为ｇ（ｘ）取ｓｉｇｍｏｉｄ函数㊂形式如式（１）所示：ｇｘ()＝１１＋ｅ－ｘ（１）㊀㊀隐藏层的输出如式（２）所示：Ｈｊ＝ｇðｎｉ＝１ωｉｊｘｉ＋ａｊ()（２）㊀㊀输出层的输出如式（３）所示：Ｏｋ＝ðｌｊ＝１Ｈｊωｊｋ＋ｂｋ（３）㊀㊀网络误差如式（４）所示：ｅｋ＝Ｙｋ－Ｏｋ（４）㊀㊀其中，Ｙｋ为期望输出㊂输入层到隐藏层权值的更新公式如式（５）所示：㊀㊀ωｉｊ＝ωｉｊ＋ηＨｊ１－Ｈｊ()ｘｉðｍｋ＝１ωｊｋｅｋ（５）隐藏层到输出层权值的更新公式如式（６）所示：ωｊｋ＝ωｊｋ＋ηＨｊｅｋ（６）㊀㊀隐藏层节点阈值的更新公式如式（７）所示：ａｊ＝ａｊ＋ηＨｊ１－Ｈｊ()ðｍｋ＝１ωｊｋｅｋ（７）㊀㊀输出层节点阈值的更新公式如式（８）所示：ｂｋ＝ｂｋ＋ηｅｋ（８）㊀㊀由于ＢＰ神经网络的初始连接权值和阈值是随机选定，可能会使网络陷入局部极值，权值收敛到局部最小值，从而出现网络训练失败，模型的预测精度不高的结果㊂因此，本文采用遗传算法对ＢＰ神经网络进行优化，得到权值和阈值的最优解，使模型能够更高效的训练和更精准的预测㊂１．２㊀遗传算法（１）初始化种群㊂种群中的个体由ＢＰ神经网络中输入层到隐藏层的权值㊁隐藏层的阈值㊁隐藏层到输出层的权值和输出层的阈值编码而成㊂（２）适应度函数㊂适应度函数用于表明ＢＰ神经网络中权值和阈值的优劣性，个体适应度值为训练数据预测误差绝对值之和㊂适应度函数的计算公式如式（９）所示：Ｆｉ＝ｋðｎｉ＝１ａｂｓｙｉ－ｏｉ()()（９）式中：ｋ为系数，ｎ为神经网络输出节点数量，ｙｉ为神经网络第ｉ个节点的期望输出，ｏｉ为神经网络第ｉ个节点的预测输出㊂（３）选择操作㊂选择操作从旧群体中以一定概率选择优良个体组成新的种群，以繁殖得到下一代个体，本文采用轮盘赌法，每个个体ｉ被选择的概率ｐｉ如式（１０）所示：ｐｉ＝ＦｉðＮｊ＝１Ｆｉ（１０）式中：Ｎ为种群规模，Ｆｉ为第ｉ个个体适应度值㊂（４）交叉操作㊂交叉操作是指从种群中随机选择两个个体，通过两个染色体的交换组合，把父串的优秀特征遗传给子串，从而产生新的优秀个体，由于个体采用实数编码，所以交叉操作采用实数交叉法［７］㊂第ｊ个个体Ｓｊ和ｋ个个体Ｓｋ在ｉ位的交叉过程如式（１１）所示：Ｓｊ，ｉ＝Ｓｊ，ｉ１－ｂ()＋Ｓｋ，ｉ㊃ｂＳｋ，ｉ＝Ｓｋ，ｉ１－ｂ()＋Ｓｊ，ｉ㊃ｂ{（１１）式中ｂ为［０，１］区间内的随机数㊂（５）变异操作㊂为了防止遗传算法在优化过程中陷入局部最优解，在搜索过程中，需要对个体进行变异㊂经过交叉操作后得到新的染色体后，随机选择染色体上的若干个基因，将这若干个基因的值进行随机修改，从而更新了染色体的基因，突破了搜索的限制，更有利于获取全局最优解［８］㊂选择第ｉ个９６１第９期李其操，等：基于ＧＡ－ＢＰ神经网络的温室温度预测研究个体的第ｊ个基因ａｉｊ进行变异，操作过程如式（１２）㊁式（１３）所示：ａｉｊ＝ａｉｊ＋ａｍａｘ－ａｉｊ()㊃ｆｓ()ｒ＞０．５ａｉｊ－ａｉｊ－ａｍｉｎ()㊃ｆｓ()ｒɤ０．５{（１２）ｆｓ()＝ｒ１－ｓＧｍａｘæèçöø÷（１３）式中：ａｍａｘ㊁ａｍｉｎ分别是个体ｉ的最大值和最小值，ｓ是迭代次数，Ｇｍａｘ是最大进化次数，ｒ为［０，１］区间内的随机数㊂１．３㊀ＧＡ－ＢＰ神经网络预测模型ＧＡ－ＢＰ神经网络预测模型由遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ，ＧＡ）优化部分和ＢＰ神经网络两部分组成㊂由于种群中的每个个体都包含了ＢＰ神经网络的初始权值和阈值，遗传算法部分的作用是优化ＢＰ神经网络的权值和阈值㊂通过计算ＢＰ神经网络的误差，得到个体适应度值㊂经过遗传算法的选择㊁交叉和变异操作找到最优适应度值的个体㊂对最优个体进行解码，得到权值和阈值，赋值给ＢＰ神经网络，再使用反向传播进行训练㊂ＧＡ－ＢＰ神经网络预测模型的执行过程如图２所示㊂输出预测结果满足终止条件更新权值和阈值计算误差获取最优权值和阈值确定B P 神经网络初始权值和阈值满足终止条件选择、交叉、变异计算适应度值初始化种群对权值和阈值编码YNNY图２㊀遗传算法优化ＢＰ神经网络流程图Ｆｉｇ．２㊀ＦｌｏｗｃｈａｒｔｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ２㊀实验与结果分析２．１㊀样本数据采集本文实验数据采集自连云港赣榆葡萄园第６号温室，选用温度㊁湿度㊁二氧化碳浓度㊁土壤氮含量㊁土壤磷含量和土壤钾含量作为样本数据㊂每１５ｍｉｎ采集一次数据，共采集了２２９２组样本数据㊂为了实验测试更方便，本文选用其中２０００组数据，并将前８０％的样本数据作为训练样本，剩余的２０％样本数据作为测试样本㊂部分样本数据见表１㊂表１㊀部分样本数据Ｔａｂ．１㊀Ｐａｒｔｉａｌｓａｍｐｌｅｄａｔａ日期时间温度／ħ湿度／％二氧化碳浓度／（ｐｐｍ）土壤氮含量／％土壤磷含量／％土壤钾含量／％２０２２／８／２１１８：４０：３８２８．２８７３６１２５．２２６７０２０２２／８／２１１９：１９：４１２７．８８６３５９２５．２２５７０２０２２／８／２１１９：３４：５５２７．８８６３６０２５．１２６７０２０２２／８／２１１９：５０：１０２７．６８６３５９２５．２２５７０２０２２／８／２１２０：０５：２４２７．６８６３５８２５．２２５７０２０２２／８／２１２０：２０：３９２７．５８６３５８２５．２２５６８２．２㊀模型参数设定２．２．１㊀ＢＰ神经网络结构根据所获得的样本数据，将输入层节点设定为５，即５个特征，分别为湿度㊁二氧化碳浓度㊁土壤氮含量㊁土壤磷含量和土壤钾含量数据；输出层节点为１个，特征为温度数据；通过试凑法确定隐藏层节点为７个㊂因此，ＢＰ神经网络的结构为５－７－１㊂２．２．２㊀遗传算法参数设定由于过多的迭代次数会影响模型的训练效率，且适应度曲线在迭代５０次后的变化幅度不大，因此本实验将进化迭代次数设定为５０次，种群规模为３０，交叉概率为０．３，变异概率为０．１㊂图３为遗传算法的适应度曲线㊂10410310210110099980102030405060进化代数适应度平均适应度适应度曲线终止代数=50图３㊀遗传算法适应度曲线Ｆｉｇ．３㊀Ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｉｔｎｅｓｓｃｕｒｖｅ０７１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀２．３㊀模型评价标准为了评定预测模型的性能，本文以平均绝对误差（ＭＡＥ）㊁均方误差（ＭＳＥ）和平均绝对百分比误差（ＭＡＰＥ）作为评判预测模型性能优劣的标准㊂各评估误差指标的计算公式如式（１４）式（１６）所示：ＭＡＥ＝１ｎðｎｉ＝１ｙ＾ｉ－ｙｉ（１４）ＭＳＥ＝１ｎðｎｉ＝１ｙ＾ｉ－ｙｉ()２（１５）ＭＡＰＥ＝１ｎðｎｉ＝１ｙ＾ｉ－ｙｉｙｉ（１６）式中：ｙ＾ｉ为模型的预测值，ｙｉ为真实值，ｎ为样本数㊂所得的值越小，则模型的性能越优异㊂２．４㊀预测结果及分析通过ＭＡＴＬＡＢ软件对ＧＡ－ＢＰ神经网络预测模型和传统ＢＰ神经网络预测模型进行验证，得到的预测对比结果如图４所示㊂预测结果实际值282726252423222120050100150200250300350400样本编号温度（ａ）ＧＡ－ＢＰ网络预测输出预测结果实际值282726252423222120050100150200250300350400样本编号温度（ｂ）ＢＰ网络预测输出图４㊀ＧＡ－ＢＰ与ＢＰ训练效果对比图Ｆｉｇ．４㊀ＣｏｍｐａｒｉｓｏｎｏｆＧＡ－ＢＰａｎｄＢＰｔｒａｉｎｉｎｇｅｆｆｅｃｔｓ㊀㊀由图４可知，ＧＡ－ＢＰ神经网络预测模型与传统ＢＰ神经网络预测模型相比，ＧＡ－ＢＰ的预测效果更优，预测结果更贴近实际值㊂评价结果见表２㊂可以看出，ＧＡ－ＢＰ预测模型的各项误差指标均小于传统ＢＰ预测模型㊂实验证明，ＧＡ－ＢＰ神经网络预测模型具有更好的预测效果㊂表２㊀模型的评价指标对比Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｅｖａｌｕａｔｉｏｎｉｎｄｉｃａｔｏｒｓｏｆｔｈｅｍｏｄｅｌｓ评价指标ＧＡ－ＢＰＢＰＭＡＥ０．４４１０．５０８ＭＳＥ０．２７６０．４４８ＲＭＳＥ０．５２５０．６６９３㊀结束语本文以温室内湿度㊁二氧化碳浓度和土壤氮磷钾含量与温度有关的影响因子作为输入量，以温度作为输出量，通过遗传算法优化ＢＰ神经网络的权值和阈值，构建了ＧＡ－ＢＰ神经网络预测模型㊂实验证明，ＧＡ－ＢＰ神经网络预测模型能够更精准的进行温室内温度预测，对于温室管理有一定的参考价值㊂参考文献［１］王军伟．苏北地区日光温室构型优化㊁室内温湿度分析及应用效果初探［Ｄ］．南京：南京农业大学，２０１５．［２］王克安，李絮花，吕晓惠，等．不同结构日光温室温湿度变化规律及其对番茄产量和病害的影响［Ｊ］．山东农业科学，２０１１，２３５（３）：３３－３６．［３］左志宇，毛罕平，张晓东，等．基于时序分析法的温室温度预测模型［Ｊ］．农业机械学报，２０１０，４１（１１）：１７３－１７７，１８２．［４］徐意，项美晶．基于ＲＢＦ神经网络的温室温度调控研究［Ｊ］．农机化研究，２０１０，３２（３）：７４－７６．［５］徐宇，冀荣华．基于复数神经网络的智能温室温度预测研究［Ｊ］．中国农机化学报，２０１９，４０（４）：１７４－１７８．［６］王红君，史丽荣，赵辉，等．基于贝叶斯正则化ＢＰ神经网络的日光温室温度预测模型［Ｊ］．湖北农业科学，２０１５，５４（１７）：４３００－４３０３．［７］曹雪丽．配送中心订单分批处理随机服务系统模型与优化研究［Ｄ］．北京：北京物资学院，２０１２．［８］高基旭，王珺．一种基于遗传算法的多边缘协同计算卸载方案［Ｊ］．计算机科学，２０２１，４８（１）：７２－８０．１７１第９期李其操，等：基于ＧＡ－ＢＰ神经网络的温室温度预测研究。

基于BP神经网络的室内可见光定位系统

基于BP神经网络的室内可见光定位系统作者：王正朱玉业张中成来源：《科技资讯》2021年第01期摘要：该文设计了一种基于BP神经网络的室内可见光定位系统。

该系统实验是在1 m×1 m×1 m的正方体空间模型内，由3个照度传感器、单片机和液晶显示屏组合成的光照度接收装置采集实验数据，并在MATLAB中使用BP神经网络算法对采集的数据进行处理。

仿真结果表明，该定位系统能够在室内较好地定位，可以在智能物流仓库、智能家居机器人等领域应用。

关键词：可见光单片机定位神经网络中图分类号：TN929 文献标识码：A 文章编号：1672-3791（2021）01（a）-0081-04Indoor Visible Light Location System Based on BP Neural NetworkWANG Zheng1 ZHU Yuye2 ZHANG Zhongcheng3（1.School of Information Science and Engineering， Shenyang University of Technology，Shenyang， Liaoning Province， 110000 China; 2.Zhuhai Shixin Medical Technology Co.， LTD.，Zhuhai， Guangdong Province， 519000 China; Liaoning Science and Technology University Iot Technology Co.， LTD.， Anshan， Liaoning Province， 114000 China）Abstract： In this paper， an indoor visible light location system based on BP neural network is designed. The experiment of this system is to collect the experimental data in the cube space model of 1m×1m×1m， which is composed of three illumination sensors， single chip microcomputer and liquid crystal display screen. In addition， BP neural network algorithm is used to process the collected data in MATLAB. The simulation results show that the positioning system can be well positioned indoors and can be applied to intelligent logistics warehouse and intelligent home robot.Key Words： Visible light; MCU; Positioning; Neural network随着人工智能技术的迅速发展，智能穿戴设备、智能物流仓库、智能家居机器人等诸多设备迅速迭代，运用其中的室内定位技术如超声波定位技术[1]，红外定位技术[2]、GPS定位技术[3]、WiFi定位技术[4]、ZigBee 技术[5]等已日臻成熟。

一种基于BP—GA的室内定位模型

位算法。
算法融合来初步算出待定位物体的位置，再融人泰勒级
数定位算法来算出最终待定位物体的位置
内情况复杂的条件下会有很大的误差。本文在基于ＺｉｇＢｅｅ组成的网络的基础上，使用ＢＰ神经网络和ＧＡ
干扰多变等因素，同时考虑到设备费用和实现的复杂
程度等，本文选择了利用ＺｉｇＢｅｅ技术基于ＲＳＳ１值的定
ቤተ መጻሕፍቲ ባይዱ
２．ＣｏｌｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｑｉａｏＵｎｉｖｅｒｓｉｔｙ，Ｑｕａｎｚｈｏｕ３６２０２１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａＩＪｅｒｉｓｍａｉｎｌｙｔｈｒｏｕｇｈｔｈｅｃｏｍｂｉｎｅｄｍｅｔｈｏｄｏｆｕｓｉｎｇｔｈｅＢＰ－ＧＡａｌｇｏｒｉｔｈｍｆｏｒｉｎｄｏｏｒｐｏｓｉｔｉｏｎｉｎｇａｌｇｏｒｉｔｈｍ，
ＡｎｉｎｄｏｏｒｌｏｃａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＢＰ—ＧＡ
ＷａｎｇＬｉｈｕｉ，ＷａｎｇＪｉａｂｉｎ
（１．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｉｒｎｇ，ＨｕａｑｉａｏＵｎｉｖｅｒｓｉｔｙ，Ｘｉａｍｅｎ３６１０２１，Ｃｈｉｎａ；

一种基于BP-GA的室内定位模型

一种基于BP-GA的室内定位模型王立辉;王佳斌【摘要】使用 BP-GA 算法相结合的方法来作为室内定位模型的主要定位算法，在得到初始坐标后利用泰勒级数定位算法优化得到最终待测点坐标。

该算法很好地减弱了室内环境对定位精度的影响，并且具有较高的精度。

仿真实验验证了该模型的有效性。

%This paper is mainly through the combined method of using the BP-GA algorithm for indoor positioning algorithm , by using Taylor Series in initial coordinate positioning algorithm to optimize the final measured point coordinates . The algorithm re-duces well the effect of indoor environment on the positioning accuracy , and has a high accuracy . The results of simulation prove the validity of the model .【期刊名称】《微型机与应用》【年(卷),期】2013(000)022【总页数】4页(P50-52,55)【关键词】室内定位;BP 算法;GA 算法;泰勒级数定位算法【作者】王立辉;王佳斌【作者单位】华侨大学信息科学与工程学院，福建厦门 361021;华侨大学工学院，福建泉州 362021【正文语种】中文【中图分类】TP393室内定位技术按所借助的手段不同可以分为[1-2]基于无线电信号的定位技术、基于红外线的定位技术、基于超声波的定位技术、基于蓝牙的定位技术、基于激光的定位技术、基于射频识别技术的定位技术以及基于WiFi的定位技术等。

基于GA-BP的住宅室内空气品质评价研究

（请在以上方框内“√” ）
学位论文作者签名：日期：年月日
指导教师签名：日期：年月日
华中科技大学硕士学位论文
1
1.1 研究目的与意义
绪
论
居住区环境质量是居住区环境属性的重要表征，其内容涉及居住区环境的物质、精神和地域多个领域，包括居住区的水环境、空气环境、声光热环境、绿化环境、卫生环境和居住区特色环境等诸多环境质量影响因素，是保障居民生活质量的基本条件。居住区环境质量改善是人居环境科学和人类住区可持续发展领域的重要内容。为全体居民提供质量优良并能不断改善和提升的居住环境，既是现代居住区生存和可持续发展的基本保障，也是建筑环境学与环境工程学的重要交叉发展领域[1]。居住区空气环境质量是居住区环境质量的一个重要方面，也是人们最为关心的居住环境问题之一。居住区空气环境质量包括室内与室外两个方面：室内空间是居民活动的私人空间，人们有 80%以上的时间是在室内度过的，室内环境的好坏直接影响人们的生活质量，由于室内环境恶化所导致的病态建筑综合症（ SBS, sick building syndrome）使得人们的身心健康受到很大影响。室外空间是居民活动的公共空间，其空气质量水平直接影响到居住区全体居民的健康，室外空气是室内空气的源与汇，其空气质量也会影响到室内空气品质[2]。室内环境包括室内空气品质、室内热湿环境、室内光环境及室内声环境等诸多影响因素。室内空气品质（indoor air quality）是衡量室内环境好坏的重要指标。改善室内空气品质的重要性与紧迫性在于：由于人们生活水平的提高，家用燃料的消耗量、食用油的使用量、烹调菜肴的种类和数量等都在不断增加；随着化工产品的增多，大量的能够挥发出有害物质的各种建筑材料、装饰材料、人造板家具等民用化工产品进入室内。高效简便的清洁剂、杀虫剂、除臭剂大量使用，使室内空气中出现许多种挥发性化学污染物。因此人们在室内接触的有害物质种类和数量比以往明显增多。过于追求室内舒适性避免过热或过冷，许多建筑物被设计和建造得十分密闭。由于能源的日趋紧张，使用空调的房间也尽量减少新风量的进入以节省耗电量，从而严重影响了室内的通风换气，使污染物在室内大量聚集，导致室内空气品质的严重恶化。因此，迫切需要对室内空气品质评价和预警机制加以研究。室内空气品质的预警的研究有很大的实际应用价值，如空

基于GA-BP神经网络的装配式高层住宅成本预测

基于GA-BP神经网络的装配式高层住宅成本预测
褚晨辉
【期刊名称】《中阿科技论坛(中英文)》
【年(卷),期】2024()2
【摘要】装配式高层住宅成本受诸多因素影响,成本与各个因素之间存在复杂的非线性关系,BP神经网络难以对其进行准确的成本预测。

文章提出了一种遗传算法(GA)优化BP神经网络的预测方法,利用GA-BP神经网络模型提高装配式高层住宅成本预测的准确率。

通过对GA-BP神经网络模型的权值和阈值进行优化,构建了GA-BP神经网络装配式高层住宅成本预测模型,并以50组装配式高层住宅样本数据为例,分别运用GA-BP神经网络与BP神经网络预测模型进行了对比试验。

试验结果表明,GA-BP神经网络预测模型具有较强的稳定性和更高的预测准确率。

【总页数】4页(P108-111)
【作者】褚晨辉
【作者单位】河北工程大学管理工程与商学院
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于GA-BP神经网络的钣金折弯过程随动预测模型
2.基于BP和GA-BP神经网络的混凝土抗压强度预测研究
3.基于GA-BP神经网络的SAP内养护机制砂混凝
土抗压强度预测4.基于GA-BP神经网络的三叉杆万向联轴器效率预测研究5.基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP人工神经网络的室内移动定位技术

基于BP人工神经网络的室内移动定位技术刘绍刚;李燕梅;李艳平【摘要】基于无线传感器网络的室内定位技术因为室内复杂的环境,传感器通信存在着多径效应,无法使用信号强度衰减模型进行精确定位.文中提出基于ZigBee结合Fingerprinting以及遗传算法优化的BP神经网络的方法进行定位.实验结果证明该方法可以用于室内的精确定位,在定位范围为2 m×2 m的条件下,非训练点的定位平均误差为0.22 m.【期刊名称】《现代电子技术》【年(卷),期】2019(042)015【总页数】4页(P25-28)【关键词】室内定位;BP神经网络;遗传算法;ZigBee;Fingerprinting;无线传感器网络【作者】刘绍刚;李燕梅;李艳平【作者单位】滇西科技师范学院信息工程学院,云南临沧 677000;滇西科技师范学院信息工程学院,云南临沧 677000;陕西师范大学数学与信息科学学院,陕西西安710119【正文语种】中文【中图分类】TN915.02-34;V271.40 引言近年来，随着嵌入式技术和无线通信技术的不断发展，无线传感器模块具有更低的功耗，更快的处理速度，每一个无线传感器模块都可以独立地完成一些任务。

例如，监测室内的温度，系统需要知道人在屋内的确切位置，并测得人所在位置的实际温度，随后再把人所在位置的实际温度调整到最舒适的温度，这样就可以避免多余的能源浪费。

越智能的室内系统就越需要智能体的位置并做出合理的调整，所以室内定位技术[1]变得越来越重要。

在文献[2-3]中使用信号衰减模型通过接收信号强度指标（RSSI）计算出距离，再使用距离值计算出位置。

这种方法简单易行，在ZigBee发送的数据包中可以直接提取出RSSI值。

提取出需要定位节点到周围至少三个固定节点的RSSI值，计算出需要定位的节点到这三个固定节点的距离，就可以使用三边定位的方法计算出该节点的坐标。

在计算距离时使用理想情况下的信号衰减模型，然而实际室内环境下由于存在各种干扰和多径效应，使用信号衰减模型不能准确地表示出RSSI和距离的对应关系。