劉 夏,莫樹(shù)培

(1.貴州工業(yè)職業(yè)技術(shù)學(xué)院電子與信息工程學(xué)院,貴陽(yáng) 550000;2.中南大學(xué)信息科學(xué)與工程學(xué)院,長(zhǎng)沙 410000)

為提高煤礦安全生產(chǎn)保障能力,國(guó)家強(qiáng)制要求全國(guó)煤礦都必須建立和完善安全避險(xiǎn)六大系統(tǒng),其系統(tǒng)包括監(jiān)測(cè)監(jiān)控、人員定位、供水施救、壓風(fēng)自救、通信聯(lián)絡(luò)、緊急避險(xiǎn)等。煤礦井下人員定位系統(tǒng)能夠及時(shí)、準(zhǔn)確的將井下各個(gè)區(qū)域人員的動(dòng)態(tài)情況,使管理人員能夠隨時(shí)掌握井下人員運(yùn)動(dòng)軌跡。當(dāng)事故發(fā)生時(shí),救援人員可根據(jù)井下人員定位系統(tǒng)所提供的數(shù)據(jù),迅速獲取有關(guān)人員的位置情況,提高應(yīng)急救援工作的效率。目前井下人員定位系統(tǒng)[1]主要采用RFID區(qū)域位置監(jiān)測(cè)技術(shù),只能將井下工作人員定位到一個(gè)區(qū)域,定位精度不高,無(wú)法滿(mǎn)足煤礦智能化對(duì)人員或設(shè)備定位的需求。

為解決煤礦井下人員定位技術(shù)難題,學(xué)者們研究用慣性導(dǎo)航、UWB、ZigBee和WIFI等技術(shù)進(jìn)行井下人員定位,其中慣性導(dǎo)航[2]需要移動(dòng)終端設(shè)備增加陀螺儀、加速度計(jì)和磁力計(jì)等傳感器才能進(jìn)行定位;UWB技術(shù)[3]通信距離在10 m左右,不適合將長(zhǎng)距離定位;ZigBee技術(shù)[4]傳輸效率慢,對(duì)信道帶寬要求較高,從而影響定位效果;WIFI技術(shù)[5]因帶寬高、傳輸速度快、價(jià)格便宜、部署方便等特點(diǎn),近年來(lái)已經(jīng)成為研究熱點(diǎn)。WIFI定位技術(shù)通過(guò)獲取無(wú)線(xiàn)信號(hào)的相關(guān)信息估算出目標(biāo)位置數(shù)據(jù),目前主要有DV-Hop定位[6]、到達(dá)時(shí)間定位、質(zhì)心定位和指紋定位等方法,其中到達(dá)時(shí)間定位[7]需要精確測(cè)量信號(hào)的傳播時(shí)間,對(duì)無(wú)線(xiàn)設(shè)備硬件要求高;質(zhì)心定位[8]必須已知3個(gè)以上無(wú)線(xiàn)網(wǎng)絡(luò)傳感器或AP節(jié)點(diǎn)信息才能實(shí)現(xiàn)定位;指紋定位[9]一般分為離線(xiàn)采集階段和在線(xiàn)匹配階段,其關(guān)鍵點(diǎn)在于離線(xiàn)采集階段建立采集點(diǎn)密集分布的定位指紋庫(kù)[10],傳統(tǒng)方法是逐點(diǎn)采集信號(hào),會(huì)耗費(fèi)大量的人力和時(shí)間。針對(duì)此問(wèn)題,郭紅成等[11]提出線(xiàn)性插值法構(gòu)建指紋庫(kù),存在基點(diǎn)處不光滑,插值精度低;LI等[12]提出反距離加權(quán)插值法構(gòu)建指紋庫(kù),未考慮數(shù)據(jù)在空間分布情況,會(huì)造成觀測(cè)點(diǎn)權(quán)值不對(duì)應(yīng)而造成估計(jì)結(jié)果產(chǎn)生偏差;王永星等[13]提出克里金插值算法構(gòu)建指紋庫(kù),采用克里金插值算法進(jìn)行估算預(yù)測(cè)點(diǎn),但隨著距離h不斷增大,空間相關(guān)性不斷減弱,變異性不斷增強(qiáng),從而會(huì)使樣本反映的統(tǒng)計(jì)特性偏離實(shí)際,導(dǎo)致插值準(zhǔn)確度降低。

本文在上述方法基礎(chǔ)上,提出利用模擬退火人工蜂群混合優(yōu)化算法對(duì)克里金插值算法中理論變異函數(shù)尋找全局最優(yōu)解,再利用少量觀測(cè)點(diǎn)的信號(hào)數(shù)據(jù),通過(guò)改進(jìn)克里金插值算法估算出預(yù)測(cè)點(diǎn)的插值數(shù)據(jù),構(gòu)建完整井下指紋數(shù)據(jù)庫(kù)。實(shí)驗(yàn)結(jié)果表明,該構(gòu)建方法進(jìn)一步提高定位系統(tǒng)的穩(wěn)定性和定位精度,而人工采集指紋數(shù)據(jù)的工作量可減少50%。

1 普通克里金插值算法

克里金插值算法[14]是法國(guó)統(tǒng)計(jì)學(xué)家喬治斯·馬瑟倫(Georges Matheron)于1963年提出,其定義為對(duì)已知樣本加權(quán)平均,估計(jì)平面上的未知點(diǎn),并使得估計(jì)值與真實(shí)值的數(shù)學(xué)期望相同且方差最小的地質(zhì)統(tǒng)計(jì)學(xué)過(guò)程。

克里金插值算法也稱(chēng)空間局部插值,其建立在變異函數(shù)理論和結(jié)構(gòu)分析的基礎(chǔ)上,能夠?qū)^(qū)域變量進(jìn)行線(xiàn)性無(wú)偏最優(yōu)估計(jì)。該算法已經(jīng)廣泛應(yīng)用在地質(zhì)學(xué)、環(huán)境科學(xué)、大氣科學(xué)等領(lǐng)域。

設(shè)預(yù)測(cè)點(diǎn)RSSI數(shù)據(jù)的估計(jì)值為z*(x0),第i個(gè)位置觀測(cè)值為z(x)i,其公式可表示為:

式中λi為第i位置觀測(cè)值的權(quán)重,m為用于估計(jì)待預(yù)測(cè)點(diǎn)的數(shù)量。

區(qū)域化變量是指在區(qū)域內(nèi)所在位置有關(guān)的隨機(jī)變量,在本文中是指在區(qū)域內(nèi)不同位置上的信號(hào)強(qiáng)度信息RSSI。設(shè)在空間中兩個(gè)不同的點(diǎn)x和x+h處的特征值z(mì)(x)和z(x)+h存在一定相關(guān)性,相關(guān)度與兩點(diǎn)間的距離h有關(guān)。

變異函數(shù)能夠反應(yīng)區(qū)域化變量的空間結(jié)構(gòu)特征,其計(jì)算公式可表示為

(2)

在區(qū)域內(nèi)滿(mǎn)足二階平穩(wěn)假設(shè)條件下,對(duì)任意兩點(diǎn)間的距離h,有E[z(x)]=E[z(x)+h],則變異函數(shù)可表示為:

如果γ(x,h)僅依賴(lài)于變量h,而于具體的位置x無(wú)關(guān),再根據(jù)實(shí)驗(yàn)中已測(cè)得信號(hào)強(qiáng)度信息數(shù)據(jù)估計(jì)出變異函數(shù)稱(chēng)為實(shí)驗(yàn)變異函數(shù),可表示為:

式中M(h)為距離h時(shí)的點(diǎn)對(duì)數(shù)目。

在實(shí)驗(yàn)中采集到樣本有限,對(duì)于實(shí)驗(yàn)變異函數(shù)γ′(h)在整個(gè)區(qū)間上隨距離h變化需要通過(guò)理論模型來(lái)擬合。

理論模型有純塊金效應(yīng)模型、球狀模型、指數(shù)模型和高斯模型等模型,而利用定位區(qū)域中無(wú)線(xiàn)信息強(qiáng)度求解實(shí)驗(yàn)變異函數(shù)是最接近球狀模型的變異函數(shù)。球狀模型公式,可表示為:

式中C0為塊金常數(shù),C為供高,C0+C為基臺(tái)值,a為變程。

由式(1)可知,要求出z*(x0)的信號(hào)強(qiáng)度就必須權(quán)值λi的值,λi的值是通過(guò)實(shí)驗(yàn)變異函數(shù)在無(wú)偏性和最小方差條件下,計(jì)算得到;由此可以推到出普通克里金方程組為:

(6)

式中μ為L(zhǎng)agrange函數(shù)因子。

由式(1)中λi可以通過(guò)方程組形式表示為:

式中,γ(xi-xj)的值可以通過(guò)球狀模型的變異函數(shù)來(lái)獲得。式(7)方程組能夠簡(jiǎn)寫(xiě)為:

AW=Z

(8)

式中A,W和Z相應(yīng)表示式(7)中左、中右矩陣。

權(quán)值向量W能夠通過(guò)式(8)計(jì)算得出:

W=A-1Z

(9)

求解矩陣方程式(9)得到權(quán)值λi,待入式(1)可計(jì)算出z*(x0),即預(yù)測(cè)點(diǎn)RSSI的無(wú)偏估計(jì)插值。

用插值算法可以減少人工采集量指紋的工作量,考慮到井下無(wú)線(xiàn)信號(hào)強(qiáng)度的空間相關(guān)性,克里金插值算法通過(guò)整體空間球狀模型變異理論對(duì)預(yù)測(cè)點(diǎn)的作用,當(dāng)距離h較小時(shí)計(jì)算出的插值準(zhǔn)確度較高;但隨著距離h不斷增大,空間相關(guān)性不斷減弱,變異性不斷增強(qiáng),從而會(huì)使樣本反映的統(tǒng)計(jì)特性偏離實(shí)際,導(dǎo)致插值準(zhǔn)確度降低。為此本文提出利用模擬退火人工蜂群混合優(yōu)化算法對(duì)理論變異函數(shù)球狀模型參數(shù)進(jìn)行優(yōu)化,使之能達(dá)到全局最優(yōu),從而提高插值準(zhǔn)確度。

2 模擬退火人工蜂群混合優(yōu)化算法

人工蜂群算法是模仿蜜蜂行為提出的一種優(yōu)化方法,可解決多變量函數(shù)優(yōu)化問(wèn)題,但易陷進(jìn)局部最小值,且易出現(xiàn)適應(yīng)值更新停滯現(xiàn)象。為此本文提出利用模擬退火算法來(lái)改善人工蜂群算法,結(jié)合二種算法優(yōu)勢(shì),使理論變異函數(shù)球狀模型參數(shù)能尋到全局最優(yōu)的解。

2.1 人工蜂群算法

人工蜂群[15-16]ABC(Artificial Bee Colony)算法是由蜂群采蜜行為啟發(fā)的算法,通過(guò)蜂個(gè)體的局部尋優(yōu)行為,最終在群體中突現(xiàn)全局最優(yōu)的值。算法中蜂群主要由引領(lǐng)蜂、偵察蜂和跟隨蜂組成,其中引領(lǐng)蜂和跟隨蜂各占整個(gè)峰群數(shù)量的一半,引領(lǐng)蜂與蜜源兩者之間一一對(duì)應(yīng),且兩者數(shù)量相等。每個(gè)蜜源的位置代表優(yōu)化問(wèn)題的一個(gè)解,蜜源的蜜量對(duì)應(yīng)著算法適應(yīng)度,適應(yīng)度值的大小反映蜜源質(zhì)量,也就是優(yōu)化問(wèn)題解的質(zhì)量,而尋找蜜源任務(wù)是由引領(lǐng)蜂和偵察蜂來(lái)完成。

人工蜂群算法初期是由引領(lǐng)蜂隨機(jī)選擇蜜源位置,并儲(chǔ)存蜜源位置信息,然后根據(jù)式(10)在領(lǐng)域內(nèi)搜索新的蜜源位置,并獲取該蜜源信息。其中式(10)可表示為:

υij=xij+φij(xij-xkj)

(10)

式中υij為新蜜源位置;xij為原來(lái)蜜源位置;φij為隨機(jī)數(shù),其范圍為[-1,1];j為第j個(gè)待優(yōu)化問(wèn)題參數(shù)維度,j={1,2,…,D},其中D為總維度數(shù);k為隨機(jī)選擇的蜜源標(biāo)號(hào)且k≠i。

當(dāng)所有引領(lǐng)蜂搜索完蜜源后,會(huì)用搖擺舞方式將蜜源信息傳遞給跟隨蜂,跟隨蜂根據(jù)獲得的蜜源信息選擇蜜源,蜜源量越大被選中的概率也就越大。其概率Pi可表示為:

(11)

式中fiti表示蜜源i的適應(yīng)度值,N為蜜源的數(shù)量。

當(dāng)某一蜜源未更新的次數(shù)達(dá)到limit后,舍棄該蜜源,蜜源對(duì)應(yīng)的引領(lǐng)蜂變?yōu)閭刹旆?并隨機(jī)產(chǎn)生一個(gè)新的蜜源位置Sij,產(chǎn)生的公式可表示為:

因?yàn)楸疚男枰獙?duì)克里金插值的理論變異函數(shù)進(jìn)行優(yōu)化,所以采用的適應(yīng)度函數(shù)[17]為

式中γ′(h)為實(shí)驗(yàn)變異函數(shù),γ(h)為理論變異函數(shù),M為分離距離個(gè)數(shù),hm為第m個(gè)分離距離。

2.2 模擬退火算法

模擬退火[18]SA(Simulated Annealing)算法是模擬固體退火過(guò)程,利用高溫時(shí)粒子的無(wú)序性,有效地跳出局部最優(yōu)的陷阱。

將模擬退火算法與人工蜂群算法進(jìn)行融合,當(dāng)新蜜源適應(yīng)度值低于當(dāng)前蜜源時(shí),按照一定的概率接受新蜜源,從而跳出局部最優(yōu)的陷阱。其概率PSA可表示為:

式中f(mot)為當(dāng)前蜜源的適應(yīng)度值,f′(dau)為新蜜源的適應(yīng)度值,Tk為當(dāng)前溫度。

設(shè)溫度下降函數(shù)為:

Tk=βTk-1

(15)

式中β為降溫系數(shù),β∈[0.75,0.99]。

2.3 模擬退火人工蜂群混合優(yōu)化算法

根據(jù)上述算法公式的建立,模擬退火人工蜂群混合優(yōu)化[19](SA-ABC)算法實(shí)施步驟如下:

步驟1初始化人工蜂群和模擬退火的參數(shù),如蜂群總數(shù)SN,蜜源的數(shù)量N,蜜源未更新次數(shù)limit,初始溫度T0,終止溫度Tmin,退火系數(shù)β,最大迭代數(shù)Kmax,迭代數(shù)k,收斂精度ε等,并把需要優(yōu)化參數(shù)映射到蜜源;

步驟2引領(lǐng)蜂隨機(jī)選擇一個(gè)蜜源,按式(13)計(jì)算當(dāng)前蜜源的適應(yīng)度值;

步驟3進(jìn)入引領(lǐng)蜂階段,引領(lǐng)蜂按式(10)在領(lǐng)域內(nèi)搜索新蜜源位置,并按式(13)計(jì)算新蜜源的適應(yīng)度值。按照模擬退火機(jī)制選擇是否接受新蜜源:若新蜜源更優(yōu)即f(mot)?時(shí)接受新蜜源,否則保留當(dāng)前蜜源。

步驟4進(jìn)入跟隨蜂階段,引領(lǐng)蜂用搖擺舞方式將蜜源信息傳遞給跟隨蜂,然后跟隨蜂按式(11)選擇蜜源,并在蜜源領(lǐng)域附近進(jìn)行搜索新蜜源,并按式(13)計(jì)算兩個(gè)蜜源的適應(yīng)度值,按照模擬退火機(jī)制選擇是否接受新蜜源。

步驟5當(dāng)某個(gè)蜜源未更新的次數(shù)超過(guò)limit,則舍棄該蜜源,蜜源對(duì)應(yīng)的引領(lǐng)蜂變?yōu)閭刹旆?并按式(12)產(chǎn)生一個(gè)新的蜜源,并按式(13)計(jì)算該蜜源的適應(yīng)度值。

步驟6記錄本次迭代的最優(yōu)解,模擬退火算法按式(15)進(jìn)行降溫。

步驟7檢查是最優(yōu)蜜源適應(yīng)度是否滿(mǎn)足精度要求或迭代次數(shù)達(dá)到最大迭代次數(shù)或當(dāng)前溫度達(dá)到終止溫度,若滿(mǎn)足條件則算法結(jié)束,輸出最優(yōu)的解;否則k=k+1,跳轉(zhuǎn)到步驟2。

3 SA-ABC-Kriging插值算法流程

模擬退火人工蜂群混合算法優(yōu)化克里金SA-ABC-Kriging(Simulated Annealing and Artificial Bee Colony optimization Kriging)插值算法流程為:首先由井下采集少量指紋組成采集指紋庫(kù),將該指紋庫(kù)信息數(shù)據(jù)結(jié)合Kriging插值構(gòu)建算法模型;其次對(duì)插值算法中的變異函數(shù)進(jìn)行初步擬合,把理論變異函數(shù)球狀模型參數(shù)映射到模擬退火算法與人工蜂群算法中;再次由模擬退火算法與人工蜂群算法尋優(yōu),輸出全局最優(yōu)的參數(shù);最后完成建立SA-ABC-Kriging插值算法模型,具體流程如圖1所示。

圖1 插值算法流程圖

4 煤礦井下指紋庫(kù)構(gòu)建方法流程

煤礦井下指紋庫(kù)構(gòu)建方法流程需要經(jīng)過(guò)采集階段和插值階段,才能生成插值井下無(wú)線(xiàn)定位指紋庫(kù),具體流程如圖2所示。

圖2 指紋庫(kù)構(gòu)建流程圖

從圖2中可看出,采集階段首先井下巷道中選取采集點(diǎn),其次采集點(diǎn)通過(guò)無(wú)線(xiàn)采集設(shè)備掃描各個(gè)AP節(jié)點(diǎn)的RSSI值傳送回服務(wù)器,為保障采集數(shù)據(jù)準(zhǔn)確每個(gè)點(diǎn)采集20次,然后由服務(wù)器對(duì)采集點(diǎn)傳來(lái)20次RSSI值求其平均值與采集點(diǎn)的坐標(biāo)位置進(jìn)行式(16)組合,最后存放到采集指紋數(shù)據(jù)庫(kù)中,完成采集過(guò)程。

采集點(diǎn)的信息數(shù)據(jù)是按組合的方式存放數(shù)據(jù)庫(kù)中,其組合可以表示為:

xi={Xi,Yi,Ri1,Ri2,…,RiP}

(16)

式中P為AP節(jié)點(diǎn)數(shù)目,RiP表示第i個(gè)采集點(diǎn)接收到第P個(gè)AP節(jié)點(diǎn)的RSSI值,Xi,Yi為第i個(gè)采集點(diǎn)坐標(biāo)位置。

插值階段首先根據(jù)采集指紋數(shù)據(jù)庫(kù)選取預(yù)測(cè)點(diǎn),其次根據(jù)采集指紋數(shù)據(jù)庫(kù)生成SA-ABC-Kriging插值算法,再次調(diào)用所需觀測(cè)點(diǎn)的RSSI值,利用SA-ABC-Kriging插值算法對(duì)預(yù)測(cè)點(diǎn)RSSI值進(jìn)行估算,并存放到插值指紋數(shù)據(jù)庫(kù)中,然后將采集指紋數(shù)據(jù)庫(kù)和插值指紋數(shù)據(jù)庫(kù)進(jìn)行整合,最終生成插值井下無(wú)線(xiàn)定位指紋庫(kù)。

5 實(shí)驗(yàn)結(jié)果分析

5.1 實(shí)驗(yàn)條件及采集方法

實(shí)驗(yàn)條件為貴州某煤礦井下500 m工業(yè)以太網(wǎng)已覆蓋的回風(fēng)巷中,巷道截面寬度在4 m左右,井下實(shí)驗(yàn)區(qū)工程平面如圖3所示。

圖3 實(shí)驗(yàn)區(qū)域工程平面圖

由圖3可看出,實(shí)驗(yàn)區(qū)域?yàn)榛仫L(fēng)巷,在回風(fēng)巷500 m區(qū)域范圍內(nèi)共放置6個(gè)AP終端,AP節(jié)點(diǎn)之間距離在80 m內(nèi),可實(shí)現(xiàn)實(shí)驗(yàn)區(qū)域無(wú)線(xiàn)全覆蓋。

采集方法:考慮到煤礦井下特殊地理環(huán)境,且井下巷道為二維平面。井下回風(fēng)巷實(shí)驗(yàn)區(qū)域長(zhǎng)度500 m,井下截面寬度在4 m左右,為此把實(shí)驗(yàn)區(qū)域分成為100個(gè)4 m×3 m小區(qū)域,小區(qū)域與小區(qū)域間距為1 m。在小區(qū)域內(nèi)共有20個(gè)點(diǎn),具體如圖4所示。

圖4 小區(qū)域指紋采集圖

由圖4可知,在小區(qū)域內(nèi)選取10個(gè)點(diǎn)為采集點(diǎn),10個(gè)點(diǎn)為插值估算預(yù)測(cè)點(diǎn)。由此可見(jiàn)整個(gè)實(shí)驗(yàn)區(qū)域需要用到的采集點(diǎn)應(yīng)為1 000個(gè)點(diǎn),插值估算預(yù)測(cè)點(diǎn)應(yīng)為1 000個(gè)點(diǎn),建立完整井下定位指紋數(shù)據(jù)庫(kù)就需要2000個(gè)點(diǎn)的信息數(shù)據(jù)。

采樣階段:實(shí)驗(yàn)人員佩戴自制無(wú)線(xiàn)采集設(shè)備到巷道中采集RSSI數(shù)據(jù)。其自制無(wú)線(xiàn)采集設(shè)備由主控芯片STC15W4K56S4、液晶顯示模塊LCD1602、無(wú)線(xiàn)芯片ESP8266EX和鋰電池供電模塊組成。該設(shè)備經(jīng)過(guò)防爆測(cè)試,完全到達(dá)井下設(shè)備本質(zhì)安全要求。自制無(wú)線(xiàn)采集設(shè)備工作原理:由主控芯片發(fā)送“AT+SCAN”(掃描AP)指令給無(wú)線(xiàn)模塊,無(wú)線(xiàn)模塊立即掃描當(dāng)前位置處各個(gè)AP節(jié)點(diǎn)返回信息數(shù)據(jù)(包括IP地址,MAC地址和接收的信號(hào)強(qiáng)度指示RSSI值),主控芯片對(duì)該信息數(shù)據(jù)進(jìn)行處理后,通過(guò)無(wú)線(xiàn)網(wǎng)絡(luò)傳輸給服務(wù)器。

為檢驗(yàn)SA-ABC-Kriging插值算法的性能,實(shí)驗(yàn)人員按照式(16)存放方式和逐點(diǎn)采集方法,點(diǎn)與點(diǎn)之間距離1 m,把實(shí)驗(yàn)區(qū)域可采集2 000個(gè)點(diǎn)的信息數(shù)據(jù)全部采集完成,并存放到原始井下無(wú)線(xiàn)定位指紋庫(kù)。再?gòu)脑摂?shù)據(jù)庫(kù)中按照小區(qū)域采集方法把1 000個(gè)采集點(diǎn)的信息數(shù)據(jù)提取出來(lái),組成采集指紋庫(kù)。

在完成2 000個(gè)點(diǎn)的采集任務(wù)后,實(shí)驗(yàn)人員又重新隨機(jī)采集100組測(cè)試數(shù)據(jù),存入測(cè)試數(shù)據(jù)庫(kù),為檢驗(yàn)性能提供數(shù)據(jù)支撐。

插值階段:首先根據(jù)100個(gè)小區(qū)域選取出1 000個(gè)預(yù)測(cè)點(diǎn),其次根據(jù)采集指紋數(shù)據(jù)庫(kù)生成Kriging插值算法模型,對(duì)SA-ABC算法初始化,設(shè)置蜂群總數(shù)SN=60,蜜源的數(shù)量N=30,蜜源未更新次數(shù)limit=100,初始溫度T0=600,終止溫度Tmin=0,退火系數(shù)β=0.96,最大迭代數(shù)Kmax=800,迭代數(shù)k=0,收斂精度ε=0.01,然后根據(jù)SA-ABC-Kriging插值算法流程建立算法模型。

首先從采集指紋數(shù)據(jù)庫(kù)調(diào)用所需采集點(diǎn)的RSSI值。其次利用SA-ABC-Kriging插值算法對(duì)每個(gè)預(yù)測(cè)點(diǎn)RSSI值進(jìn)行20次估算。再次用20次估算出的RSSI值,求出該預(yù)測(cè)點(diǎn)的RSSI平均值,已確保每個(gè)預(yù)測(cè)點(diǎn)的RSSI值更精確。然后再將預(yù)測(cè)點(diǎn)的RSSI平均值存放到插值指紋數(shù)據(jù)庫(kù),并將采集指紋數(shù)據(jù)庫(kù)和插值指紋數(shù)據(jù)庫(kù)進(jìn)行整合,最終生成插值井下無(wú)線(xiàn)定位指紋庫(kù),完成插值過(guò)程。

5.2 性能分析

為檢驗(yàn)樣子本文提出插值算法的插值精度,利用K最鄰近算法[20]KNN(K-nearest neighbor)和加權(quán)K最鄰近算法[21]WKNN(WeightedK-Nearest Neighbor)兩種算法驗(yàn)證原始井下無(wú)線(xiàn)定位指紋庫(kù)和插值井下無(wú)線(xiàn)定位指紋庫(kù)的性能。

利用測(cè)試數(shù)據(jù)庫(kù)中信息數(shù)據(jù),帶到KNN和WKNN算法進(jìn)行在線(xiàn)定位,其K設(shè)為3。經(jīng)過(guò)50次調(diào)用測(cè)試數(shù)據(jù)庫(kù)中100組測(cè)試數(shù)據(jù)定位運(yùn)行,統(tǒng)計(jì)兩個(gè)井下定位指紋數(shù)據(jù)庫(kù)在2 m內(nèi)的定位誤差累計(jì)概率,其結(jié)果如表1所示。

表1 指紋庫(kù)2 m定位誤差累計(jì)概率對(duì)比單位:%

從表1可看出,原始井下無(wú)線(xiàn)定位指紋庫(kù)和插值井下無(wú)線(xiàn)定位指紋庫(kù)定位精度基本一樣。再利用KNN算法進(jìn)行定位,設(shè)K為5。經(jīng)過(guò)50次調(diào)用測(cè)試數(shù)據(jù)庫(kù)中100組測(cè)試數(shù)據(jù)定位運(yùn)行,統(tǒng)計(jì)兩個(gè)井下定位指紋數(shù)據(jù)庫(kù)在3 m內(nèi)的定位誤差累計(jì)概率,其結(jié)果如表2所示。

表2 指紋庫(kù)3 m定位誤差累計(jì)概率對(duì)比單位:%

圖5 3種指紋庫(kù)定位精度對(duì)比圖

從表2可看出,插值井下無(wú)線(xiàn)定位指紋庫(kù)可以達(dá)到原始井下無(wú)線(xiàn)定位指紋庫(kù)定位精度。由此可見(jiàn)采用本文的方法構(gòu)建井下指紋庫(kù),可使人工采集信號(hào)強(qiáng)度的工作量減少50%,且指紋庫(kù)定位精度不變。

將文獻(xiàn)[12]的反距離加權(quán)插值法建立文獻(xiàn)[12]指紋庫(kù)、文獻(xiàn)[13]的克里金插值算法建立文獻(xiàn)[13]指紋庫(kù)、本文提出SA-ABC-Kriging插值算法建立插值井下無(wú)線(xiàn)定位指紋庫(kù),三種插值指紋庫(kù)采用WKNN算法,設(shè)K為3。經(jīng)過(guò)100次調(diào)用測(cè)試數(shù)據(jù)庫(kù)中100組測(cè)試數(shù)據(jù)對(duì)三種指紋庫(kù)定位運(yùn)行,得到其定位性能如圖5所示。

從圖5可以看出,文獻(xiàn)[12]指紋庫(kù)采用WKNN算法的定位誤差較大,定位精度函數(shù)收斂性差;文獻(xiàn)[13]指紋庫(kù)定位性能優(yōu)于文獻(xiàn)[12]指紋庫(kù),但定位精度函數(shù)收斂較慢;而本文指紋庫(kù)采用WKNN算法定位精度最優(yōu),定位精度函數(shù)收斂最快。根據(jù)上述實(shí)驗(yàn)結(jié)果,對(duì)比三種指紋庫(kù)定位誤差數(shù)據(jù),得到定位誤差對(duì)比如表3所示。

表3 3種指紋庫(kù)定位誤差對(duì)比表 單位:m

由表3可知,文獻(xiàn)[12]指紋庫(kù)定位平均誤差為3.16 m,文獻(xiàn)[13]指紋庫(kù)定位平均誤差為1.98 m,本文指紋庫(kù)定位平均誤差為1.59 m;所以本文提出SA-ABC-Kriging插值算法建立插值井下無(wú)線(xiàn)定位指紋庫(kù)比文獻(xiàn)[12]指紋庫(kù)定位精度提升49.68%,比文獻(xiàn)[13]指紋庫(kù)定位精度提升19.70%。

6 結(jié)論

本文針對(duì)煤礦井下無(wú)線(xiàn)指紋定位技術(shù)中離線(xiàn)采集階段構(gòu)建指紋庫(kù),需要大量采集工作的問(wèn)題,提出了一種采用SA-ABC-Kriging插值算法構(gòu)建井下指紋數(shù)據(jù)庫(kù)的方法。在實(shí)驗(yàn)定位區(qū)域內(nèi)采集少量的指紋庫(kù),利用采集指紋數(shù)據(jù)庫(kù)構(gòu)建Kriging插值算法模型,通過(guò)模擬退火人工蜂群混合優(yōu)化算法對(duì)理論變異函數(shù)搜索全局最優(yōu)解,從而建立SA-ABC-Kriging插值算法模型;再利用采集指紋數(shù)據(jù)庫(kù)中觀測(cè)點(diǎn)的信息數(shù)據(jù)通過(guò)插值算法模型估算出預(yù)測(cè)點(diǎn)的信息數(shù)據(jù),建立插值數(shù)據(jù)庫(kù),最后將采集指紋數(shù)據(jù)庫(kù)和插值指紋數(shù)據(jù)庫(kù)生成插值井下無(wú)線(xiàn)定位指紋庫(kù),該構(gòu)建方法提升未測(cè)量點(diǎn)的插值精度,大幅減少構(gòu)建指紋庫(kù)所要指紋的采集量。通過(guò)實(shí)驗(yàn)表明,本文方法在插值精度和定位精度上都優(yōu)于傳統(tǒng)Kriging插值算法,在定位精度不變的情況下可將指紋庫(kù)采集工作量減少50%。

在接下來(lái)工作中,對(duì)SA-ABC-Kriging插值算法進(jìn)行優(yōu)化,提升算法性能,進(jìn)一步提高插值精度和定位精度。