羅 淼,米根鎖

(蘭州交通大學自動化與電氣工程學院,蘭州 730070)

BP神經網絡在城市有軌電車GPS/RFID組合定位中的應用研究

羅 淼,米根鎖

(蘭州交通大學自動化與電氣工程學院,蘭州 730070)

在城市有軌電車定位系統(tǒng)中,單一的GPS定位方式已很難滿足電車連續(xù)精確定位的要求。采用GPS和RFID組合定位的方法,可實現在弱信號環(huán)境下的連續(xù)精確定位。針對GPS/RFID組合定位時,因加入RFID觀測值帶來的較高計算復雜度而引起定位時間延長,以及對系統(tǒng)定位誤差影響不確定性等問題,建立基于BP神經網絡的城市有軌電車GPS/RFID組合定位模型。仿真結果表明,采用BP神經網絡進行分析時,將GPS和RFID觀測值歸一化后輸入到訓練好的網絡中,可以在較短的時間內得到可靠的網絡輸出。經訓練后的網絡輸出較未經訓練的輸出更接近于期望值,且更為穩(wěn)定,證明在GPS信號受遮擋條件下城市有軌電車定位系統(tǒng)的定位精度和定位時長得到了有效改善。

城市有軌電車;GPS/RFID組合定位;BP神經網絡;定位精度

1 概述

電車定位子系統(tǒng)是城市有軌電車運營系統(tǒng)中的重要組成部分,是調度中心與運行電車實現信息交互,保證城市有軌電車系統(tǒng)高效運行的必要條件。電車定位常用方式有查詢應答器定位、通信環(huán)線定位、GPS定位等,目前采用較多的是GPS定位方式。

GPS定位是一種全球、全天候連續(xù)的三維定位,可為各類用戶提供動態(tài)目標的位置、速度和時間信息[1]。但是在城市高樓區(qū)、高架橋下、林蔭道及隧道內可能會出現暫時的定位盲點,不能用GPS實現準確連續(xù)定位。為了確保電車的精確連續(xù)定位,在GPS基礎上引入RFID(Radio Frequency Identification)技術,實現GPS/RFID組合定位。

目前對于城市有軌電車GPS/RFID組合定位的定位精度研究還處于起步階段,只是單純闡述GPS和RFID可以結合起來完成定位,并未探討加入RFID觀測值對定位精度的影響。采用相同觀測時刻所采集的GPS和RFID觀測值進行聯(lián)合解算時,若GPS和RFID觀測值數量較多,會使定位方程數量增多,平均方程維數增加到9維,給系統(tǒng)帶來較大的計算復雜度,影響定位實時性和精度,而且RFID觀測值會因RFID天線增益、RFID標簽位置的影響引入較大誤差。本文探索性的采用BP神經網絡對城市有軌電車GPS/RFID組合定位進行分析,利用BP神經網絡誤差反向傳播,使網絡誤差平方和最小,以達到要求的指標,可有效提高GPS/RFID組合定位的定位精度。

圖1 GPS/RFID組合定位工作原理

2 GPS/RFID組合定位原理

RFID系統(tǒng)主要包括3部分:應答器標簽、閱讀器和天線,系統(tǒng)基于接受信號強度進行定位[2]。RFID定位方法包括fingerprinting、LANDMARC及CoO(Cell of Origin)等[3]。本文基于RFID信號強度定位觀測值與GPS觀測值相結合進行解算來實現GPS/RFID組合定位。在GPS定位信號受遮擋區(qū),按照地形特點設置1組RFID參考標簽,參考標簽采用主動式RFID標簽,信號強度檢測臨界為-75 dBm,相應信號傳輸長度為20～30 m,適用于較長距離的定位。當電車經過RFID標簽區(qū)域時自動檢測來自RFID標簽的數據,與GPS定位數據相結合定位有軌電車。若GPS信號完全被遮擋,采用RFID單獨定位,若沒有檢測到RFID標簽信息,采用GPS單獨定位。

首先將每個RFID標簽的位置坐標按照標簽序號進行存儲,這樣可以避免RFID標簽和讀卡器之間的大量信息傳輸,僅傳輸參考標簽的地址信息、RFID信號強度值等信息,閱讀器讀到標簽地址后,便可在系統(tǒng)數據庫中查找相應的數據信息。

通過信號衰減將電車采集到的RFID信號強度值轉化為RFID觀測值(參考標簽和移動讀卡器間的幾何距離),然后將RFID和GPS觀測值相結合做出聯(lián)合解算,經過Kalman濾波器處理最終得到城市有軌電車的位置坐標。GPS/RFID組合定位工作原理如圖1所示。

當前,RFID系統(tǒng)不能直接提供標簽信號強度,僅能檢測其能量等級,因此必須通過信號強弱來表示幾何距離。根據理論測試傳播模型可知,對數常態(tài)損耗模型與實際環(huán)境較為相符,根據此模型,功率路徑損耗公式為[4]

假設為理想狀態(tài),Xσ為遮蔽因子,其均值為0,標準差為σ的正態(tài)隨機變量;PL(d)為接收時衰減的信號強度;PL(d0)為d0距離時接收到的信號強度,即單位距離的自由空間損耗;n為路徑衰減因子,在自由空間n為2,室內為1.6～1.8,有障礙物時n增大。

當n=2時,推導出RFID參考標簽與RFID移動讀卡器之間的距離為^d

其中,ΔS=S(d0)-S(d)為降低的信號強度,dBm。

城市有軌電車定位系統(tǒng)在各坐標軸方向上允許的最大定位誤差可達到5 m,當徑向誤差小于8.667 m時,定位精度相對較高,定位可用性達到100%[5]。表1列出了在可以檢測到RFID標簽觀測值時間段內GPS單獨定位、RFID單獨定位以及GPS/RFID組合定位相對于同一點的定位結果比較。以徑向誤差為主要分析指標,GPS單獨定位時定位誤差很大,徑向誤差達到了264.8 m,此時GPS信號受到嚴重遮擋,定位可用度僅為7.09%。若采用RFID單獨定位,由于環(huán)境中動態(tài)物體的影響,對定位精度產生了一定影響,徑向誤差也達到了10.38 m,定位可用性為97.4%。當采用GPS/RFID組合定位時,徑向誤差僅為3.9 m,定位可用度達到100%,定位精度有了大的提高。

表1 不同定位方式結果比較

3 BP神經網絡在GPS/RFID組合定位中的應用

3.1 增加單個RFID觀測值對有軌電車定位的影響

在城市有軌電車GPS/RFID組合定位系統(tǒng)中,由于RFID標簽四周動態(tài)事物的影響,各RFID的天線增益在不同方向上會存在差異,使每個RFID測距的誤差不同。本文分析了增加單個RFID觀測值對定位精度的影響。

在GPS定位盲區(qū),信號受遮擋較為嚴重,當RFID觀測值和GPS觀測值相結合進行解算時,可減小GDOP值(幾何精度因子)并提升定位可用性。本文主要針對GDOP值的變化進行了理論研究,要減小電車定位誤差就要盡量減小GDOP[6]。為從m顆衛(wèi)星中去掉第i顆衛(wèi)星(i=1,2,…,m)得到的m-1顆衛(wèi)星觀測矩陣,Hm為增加一個RFID觀測值后的觀測矩陣,增加的RFID觀測矢量為:hi=[exieyiezi0],兩者有如下關系

增加一個RFID觀測值后,對減小GDOP值的貢獻為r,則有

式(4)也可以改寫為

根據矩陣反演公式,易證

一般情況下,GPS觀測值和RFID觀測值精度不同,在加入單個RFID觀測值之后,定位系統(tǒng)的誤差推導公式,如式(9)所示。

其中,cov(dx)為三維電車位置坐標和時間估計誤差的協(xié)方差;σRi和σUERE分別為RFID和GPS觀測值的觀測誤差標準差。

由式(10)知,等式右邊第二項為增加了一個RFID觀測值后對GDOP的貢獻。衛(wèi)星觀測數m≥4時,Tr(GmGm)＞0[5]。所以當時,增加單個RFID觀測值會使GDOP值減小,但等式右端第三項仍有可能會使系統(tǒng)的定位誤差增大。因此,本文把式(10)右邊后兩項統(tǒng)稱為增加單個RFID觀測值對系統(tǒng)誤差的貢獻。

3.2 BP神經網絡的模型與結構

BP神經網絡是一類多層前饋神經網絡,在網絡訓練過程中,調整網絡權值的算法為誤差反向傳播學習算法,網絡由輸入層、隱層、輸出層組成[8]。

BP神經網絡分為正向傳播和反向傳播,正向傳播中,輸入信號從輸入層經隱層傳向輸出層,若輸出層得到了期望的輸出,學習算法結束;否則,轉至反向傳播,將誤差信號按原來連接通路反向計算,調整各層神經元的權值和閾值,使信號誤差減小,其網絡結構如圖2所示。

圖2 BP神經網絡結構

圖2中,BP神經網絡的輸入向量P=(p1,p2,p3,…,pn)T,輸入層和隱層之間的連接權向量為:V=(v1, v2,v3,…,vm)T;隱層和輸出層輸出向量分別為:Y=(y1,y2,y3,…,ym)T、O=(o1,o2,o3,…,ol)T,隱層和輸出層之間的連接權向量為:W=(w1,w2,w3,…,wl)T。

當BP網絡正向傳播時,隱層中各神經元閾值為θj(j=1,2,…,m),輸出可表示為[9]

BP神經網絡神經元傳遞函數采用Sigmoid型函數

在信息正向傳播后,BP神經網絡輸出若沒有達到期望值,則進行誤差反向傳播,以修正各層網絡的權值w,v和閾值θ′,θ。讓網絡總誤差達到設定的目標值,從而使得GPS/RFID定位系統(tǒng)更加精確。采用梯度下降法修正權值和閾值來改善網絡訓練速度和精度,計算速度快,更有利于定位的實時數據處理。因此,利用基于BP神經網絡的GPS/RFID定位算法來獲得的定位信息,能更有效地提高系統(tǒng)的定位實時性和精確性。

3.3 基于BP神經網絡GPS/RFID組合定位模型的仿真

(1)輸入數據的歸一化處理

現場的樣本數據中各個指標相互不同,各向量的數量級差別很大,為了方便計算,使各指標在整個定位系統(tǒng)中具有可比性,將樣本的輸入進行歸一化處理,將數據處理為[0,1]之間的數據。歸一化的方式有若干種,本文按式(15)處理[10]。

其中,x*為歸一化后的輸入數據;x為原輸入數據;xmin、xmax分別為各指標數據中的最小值和最大值。

(2)網絡拓撲結構的確定

GPS/RFID組合定位分析中采用的BP神經網絡模型含有1個輸入層包括同一時刻GPS的觀測值和RFID觀測值組成的9維方程式,故有9個輸入層節(jié)點、1個輸出層含1個輸出層節(jié)點。采用多隱含層可降低誤差,提高精度,同時也會使網絡更復雜,增加網絡中權值和閾值訓練的時間。實際中可以通過增加隱層的節(jié)點數來提高精度,訓練的效果比增加隱層數更容易調整和觀察。所以本文采用單隱含層的網絡結構,選擇典型的三層BP神經網絡。

隱含層節(jié)點數通常是根據經驗及訓練樣本維數而確定,經驗公式如式(16)所示[11]

其中,N2為隱層節(jié)點數;T為訓練樣本的維數。

根據計算,可得隱層節(jié)點數為12,所以該網絡的拓撲結構為9×12×1。

(3)主要參數的選擇

根據城市有軌電車定位系統(tǒng)的特點,對BP神經網絡模型的主要參數選擇如下:網絡訓練函數,采用OSS(One Step Secant)算法,所對應的函數為trainoss (),該算法的計算量和內存需求量都較少,并且有較快的收斂速度;神經元傳遞函,采用tansig()與purelin ()函數;性能函數,選擇MSE(mean squared error)函數,MSE表示均方誤差;學習速率為0.05;動量系數為0.9;訓練步長為5;最大訓練次數為3000;目標誤差設置為0.001;其他參數均為缺省值。

(4)網絡訓練

以海珠區(qū)環(huán)島城市有軌電車試驗段的相關情況為例,RFID標簽被安裝在華南大橋站。通過對現有GPS定位觀測值的監(jiān)測,結合RFID觀測值,創(chuàng)建訓練樣本。由于GPS/RFID組合定位精度與樣本的數量直接相關,建立97組學習樣本輸入到有軌電車GPS/RFID組合定位分析的網絡中訓練。在97組樣本中隨機抽取90組作為訓練樣本,剩余7組作為測試樣本。利用MATLAB7.0平臺對BP神經網絡進行訓練。網絡誤差變化情況如圖3所示。

圖3 網絡誤差訓練變化曲線

由圖3可知,網絡訓練16步后就已取得了較好的收斂效果。經過大量驗證,16步為最大收斂步數。訓練樣本的誤差隨著訓練的延續(xù)逐漸減小,最終趨于目標值。

網絡學習之后網絡的輸入層節(jié)點數、隱層節(jié)點數、輸出層節(jié)點數與網絡連接權值的相關數據都包含在有軌電車GPS/RFID組合定位分析的知識庫中。對GPS和RFID觀測值歸一化后,再經過BP神經網絡訓練得到網絡輸出值,視作BP神經網絡中新的學習樣本,完善了定位分析知識庫。

4 結果分析

在經過訓練的BP神經網絡中輸入GPS觀測值和RFID觀測值,可以根據網絡輸出值判斷定位精度[12]。定位精度分為4個等級,如表2所示。

表2 定位精度等級評估

為驗證BP神經網絡的性能,將7組實際觀測值輸入到訓練后BP神經網絡中。表3為測試樣本的原始數據,用式(15)的方法對表3中的原始數據進行歸一化處理,處理結果如表4所示。

表3 測試樣本原始數據

表4 歸一化處理后的測試樣本數據

采用BP神經網絡對網絡誤差進行訓練后,網絡輸出保持在較為穩(wěn)定的水平,使得整個有軌電車定位系統(tǒng)解算出的電車位置信息更準確。表5列出7組經過BP神經網絡訓練后的網絡輸出與未經訓練的網絡輸出結果比較。

從表5可見,GPS/RFID組合定位在經過BP神經網絡訓練后的網絡輸出比未經訓練的網絡輸出值更接近目標值,且定位精度等級更高。未經訓練的網絡輸出僅第4組達到了I級,其余6組的定位精度都相對較低,而網絡訓練后的輸出都達到了I級定位精度,確保了有軌電車更加精確的連續(xù)定位,證明將BP神經網絡用于有軌電車GPS/RFID組合定位中可使有軌電車定位更加精確。

表5 未經訓練網絡輸出與訓練后網絡輸出比較

5 結語

針對有軌電車在受遮擋區(qū)域GPS定位精度較差的問題,引入了GPS/RFID組合定位方式,但在采用GPS/RFID組合定位方式時,會因RFID觀測值的加入導致計算復雜度增大,從而影響系統(tǒng)定位實時性,系統(tǒng)定位誤差變化不確定等問題。BP神經網絡具有較好的模式識別和非線性處理能力,能通過學習從大量復雜的數據中發(fā)現規(guī)律,提高運算速度,為解決GPS和RFID觀測值聯(lián)合解算提供了理論支持,實例驗證的結果表明,本文提出的基于BP神經網絡的有軌電車GPS/RFID組合定位分析具有較高的理論性和可行性。BP神經網絡的誤差反向傳播調整使得系統(tǒng)的定位誤差減小并快速收斂到目標值,在GPS信號受到較為嚴重遮擋時大幅度地提高了定位可用性,能實現在GPS弱信號區(qū)域加入RFID觀測值后有軌電車精確的連續(xù)定位,提高了城市有軌電車定位系統(tǒng)的精度,有效保障了城市有軌電車的安全運行,可在一定程度上改善城市軌道交通的運營水平。

[1] Kaplan E D,Hegarty C J.Understanding GPS:principles and applications[M].2nded.Norwood,MA,ArtechHouse, Montreal,2006.

[2] Fu Q.Active RFID for position using trilateration and location fingerprinting basedonRSSI[C]∥Proceedingsofthe 21st International Technical Meeting of the Satellite Division.Savannah, Georgia,USA,2008:80-87.

[3] Ni L M,Liu Y,Lau Y C,et al.LANDMARC:indoor location sensing using active RFID[J].Wireless Networks,2004,10: 701- 710.

[4] Rappaport T S.Wireless communications:principles and practice [M].Prentice Hall PTR,Upper Saddle River,USA,1996:64.

[5] 張其善,吳今培,楊東凱.智能車輛定位導航系統(tǒng)及應用[M].北京:科學出版社,2002:20-52.

[6] 從麗,Abidat A I,談展中.衛(wèi)星導航幾何因子的分析和仿真[J].電子學報,2006,34(12):2204-2208.

[7] 劉瑞華,劉建業(yè),姜長生.利用人工神經網絡仿真GPS誤差信號[J].南京航空航天大學學報,2001,33(2):176-178.

[8] 李松,解永樂,王文旭.AdaBoost_BP神經網絡在鐵路貨運量預測中的應用[J].計算機工程與應用,2012,48(6):233-234.

[9] 辛晶,夏登友,康青春.BP神經網絡技術在交通工具火災預警中的應用[J].中國安全科學學報,2006,16(11):29-33.

[10]劉英英,徐香坤,魏靜敏,金亞玲.BP神經網絡在差分GPS定位技術中的應用[J].東北大學學報:自然科學版,2008,29(11): 1536-1539.

[11]胡郁蔥,徐建閩,吳一民.基于BP神經網絡的車輛定位融合模型[J].華南理工大學學報:自然科學版,2004,32(2):46-49.

[12]B Hofmann Wellenhof,Herbert Lichtenegger,Iames Collins.Global positioning system:theory and practice[M].4tt ed.Michigan: Springer-Verlag,1997.

Application of BP Neural Network to the Analysis of Positioning Deviation on City Trams

LUO Miao,MI Gen-suo
(College of Automatic&Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

It is difficult to realize the continuous and precise positioning in the positioning system of city trams only by GPS,while it can be performed with the integration of GPS and RFID in the environments with weak signals.A model of GPS/RFID integrated positioning of city trams with the application of BP neural network is established to solve the problems of prolonged positioning caused by high computation complexity and the uncertainties of the impact on the system positioning errors with the introduction of RFID observations in GPS/RFID integrated positioning.The analysis indicates that the reliable network output values are to be obtained in a short period of time after the input of the normalized GPS and RFID observations into the trained network in positioning analysis with the application of BP neural network. The output values of the trained network,which are more stable and closer to the expectations than the ones of the untrained network,demonstrate the improvement of positioning accuracy and the shortening of positioning time in the positioning system of city trams under the condition of blocked GPS signals.

City trams;GPS/RFID integrated positioning;BP neural network;Positioning accuracy

U482.1

A

10.13238/j.issn.1004-2954.2014.12.030

1004-2954(2014)12-0125-05

20140226

甘肅省自然科學基金項目(1310RJZA046)

羅 淼(1989—),女,碩士研究生,E-mail:luomcn@ foxmail.com。