摘 要： 对于传统的对移动台的定位，提出了一种基于粒子群（PSO）优化神经网络的算法。这一PSO-BP算法首先利用PSO对神经网络传统的目标函数及参数进行优化，再利用改进后的BP神经网络对非视距误差（NLOS）进行修正，最后利用算法LS进行移动台的定位。仿真结果表明，该基于PSO的神经网络定位算法寻优效果稳定，预测误差小，具有可行性。
关键词： 粒子群；神经网络；NLOS误差；定位算法
现有的蜂窝网无线定位系统包含了基于移动台的无线定位、基于移动通信的无线定位等。移动通信网络中信道环境复杂多变，尤其是在市区受阻碍物引起的多径干扰和非视距NLOS误差极大地影响了定位精度。利用BP神经网络具有学习速率快、结构简单等优点来修正NLOS误差，但是传统的BP神经网络结构参数存在很大的缺点，容易陷入局部最小值，需要优化神经网络并用于提升无线定位精度。
BP神经网络是一种前向型反馈神经网络，在反向传播的算法中通过改进的PSO合理迭代确定。参考文献[1-2]利用基站的坐标通过定义残差函数，对定位结果进行加权得到移动台的位置，参考文献[3]提出了迭代次数更少，收敛速度更快的改进的粒子群优化算法，参考文献[4]提出了一种利用BP神经网络模型对NLOS误差的修正。本文结合粒子群优化算法和BP神经网络的特点，利用了网络的学习特点和粒子群的跟踪遍历迭代寻找最优解，修正NLOS误差之后，再通过测量值TDOA使用LS算法进行位置估计。跟踪仿真验明该定位算法有较高的精度。
输入向量为：
P=[TDOA21，TDOA31，TDOA41，TDOA51，
图3为在不同的测量误差下本文算法与其他常用算法的跟踪比较结果。随着测量误差的增加，几种算法的定位性能都有一定程度的降低。从定位效果上看，本文算法有较好的稳定性能，明显优于BP算法和LS算法。说明PSO-BP对于误差的增大有较好的适应性。
图4为在不同小区服务半径下本文算法与其他常用算法的跟踪比较结果，纵坐标为各个算法跟踪结果的均方误差值。由于半径的增加，BS和MS之间的距离有所增大，导致NLOS误差增加，所以定位精度下降。由图看出，本文PSO-BP算法在不降低BP网络学习能力的情况下具有更好的稳定性。
本文将粒子群算法应用于BP神经网络的TDOA定位算法中，该算法结合了粒子群收敛速度快及神经网络的学习特性等优点，通过对NLOS误差的修正最终利用LS算法进行位置估计。仿真结果表明，本文算法定位精度高，性能稳定，收敛速度快，与其他算法相比有较高的辨识精度，证明了该算法的有效性和可行性。
参考文献
[1] Wang Hongyan，Lan Yunfei，Pei Bingnan，et al.A Location algorithm based on TDOA under NLOS environment[J]. Computer Simulation，2007，24（9）：116-119.
[2] 张令文，谈振辉.基于泰勒级数展开的TDOA定位新算法[J].通信学报，2007，28(6)：7-11.
[3] 侯志荣，吕振肃.基于MATLAB的粒子群优化算法及其应用[J].计算机仿真，2003，10(20)：66-70.
[4] Mao Yongyi，Li Mingyuan，Zhang Baojun.Cellular localization algorithm based on BP neural network[J].Computer Engineering and Applications，2008，44(3)：60-63.
[5] 田雨剥，朱人杰，薛权祥.粒子群优化算法中惯性权重的研究进展[J].计算机工程与应用，2008，44(23)：39-41.
[6] 王丽，王晓凯.一种非线性改变惯性权重的粒子群算法[J]. 计算机工程与应用，2007，43(4)：47-48，92.
[7] 王启付，王战江，王书.一种动态改变惯性权重的粒子群优化算法[J].计算机系统应用，2010，19（2）：58-61.
[8] 沈学利，张红岩，张纪锁.改进粒子群算法对BP神经网络的优化[J].计算机系统应用，2010，19(2)：58-61.
[9] 崔海青，刘希玉.基于粒子群算法的RBF网络参数优化算法[J].计算机技术与发展，2009，12(12)：117-119，169.
[10] BOCCADORO M，ANGELIS G D，VALIGI P.TDOA positioning in NLOS scenarios by particle filtering[J].2012，18(5)：579-589.
[11] 毛永毅，李明远，张宝军.基于BP神经网络的蜂窝无线定位算法[J].系统工程与电子技术，2008，30(9)：1798-1880.