第四章基于PSO-DBN的RFID指纹定位方法基于PSO-DBN的RFID定位原理传统的DBN网络算法在反向传播时采用传统的梯度下降方法来解决最优的隐含层之间的权值和偏置以及隐含层到输出层的权值和偏置的问题。随着最优化问题的深入研究，使得利用最优化算法优化深度学习网络成为可能。我们可以使用智能优化算法代替传统的梯度下降算法，利用智能优化算法找到DBN网络模型的最优参数，即最优的隐含层之间的权值和偏置，以及最优的隐含层到输出层的权值和偏置。其中，粒子群优化算法是一种理想的智能优化算法，我们可以将粒子群优化算法和深度置信网络算法相融合，提高深度置信网络的精确度，同时也提高了基于PSO-DBN深度网络的RFID定位预测模型的预测性能和准确性。4.1.1PSO寻优算法概述粒子群优化算法(Particleswarmoptimization,PSO)是基于一种新兴的最优化技术，目前有广泛的应用。此算法是根据生物捕食现象的一种模拟[66]，此算法收敛速度快、精确性高，并且算法步骤流程简单方便，被广泛应用于多种领域，如目标函数优化、神经网络训练以及其他遗传算法等。粒子群优化算法首先是对种群进行初始化，即确定微粒的初始位置和初始速度，并由目标函数确定一个适应值。在多维环境下，飞行的粒子根据速度在调整位置，而速度的调整是跟据自身和周围粒子的经验来定。粒子群优化算法是利用粒子追随粒子群中的最优粒子，再逐步迭代，最后得到一个最优解[67]。假设在m维的搜索空间中，存在n(n>0)个粒子个体的种群X=(X1,X2,…,Xn),i=1,2,…,n。则第i个粒子它的位置用向量表示，它的速度用向量表示，描述粒子的运动状态需要两个量：(1)当前位置X，X为当前粒子的位置坐标；(2)当前速度V，V为粒子上一次运动的距离和方向[68]。粒子位置的调整是取决于速度量，对于粒子i的位置，有以下公式:(4.1)另外每个粒子都有一个适应度函数f(X)，用于衡量解的质量。为了控制粒子的飞行速度，更好的发挥粒子群算法的搜索优势，必须对粒子设定最大速度。但是仅仅靠最大速度的条件来约束还远远不够，还需要在速度公式中加入了惯性权重，从而形成标准的PSO算法。标准的PSO算法能够对粒子的飞行速度进行调节，对粒子群中的每一个粒子，需要找到个体最优解Pg，Pg表示进过多次进化迭代，该粒子所找到的最优解Pgi，i=1,2,…,n，的集合；而对于整个粒子群，要寻找一个全局最优解Gg，表示目前为止找到的全局最优解。在粒子群进化到下一代时，每个粒子会通过追踪Pgi和Gg两个“最优解”来更新自己[69]。速度及位置更新公式如下公式(4.2)和(4.3)所示：(4.2)(4.3)式中：为权值系数，n表示该种群中粒子的总数，t表示当前迭代次数，i=1,2,…,n，j=1,2,…,m，表示第i个粒子在第t次迭代飞行速度矢量的第j维分量的速度；表示的是第i个粒子在第t次迭代飞行速度矢量的第j维分量的位置；表示第i个粒子的个体最优解的第j维分量；是群体最好位置的第j维分量；，是加速常数；、是随机函数，作用是为了产生(0,1)的随机数。PSO算法一般流程如图4.1所示：图4.SEQ图4.\*ARABIC1粒子群算法流程图Fig4.1TheflowgraphofPSO步骤1：初始化种群，设置初始参数，，，随机生成，，粒子速度为，位置为，群体规模n，粒子维度m，最大迭代次数tmax等，；步骤2：根据公式(4.2)和(4.3)计算每个粒子的适应值；步骤3：将每个粒子的适应度值f(Xi)与之前所得到的所有适应值中的最好值Pgi进行比较，如果优于Pgi，则将其作为当前局部最优值；步骤4：将每个粒子的适应值f(Xi)与种群中所有粒子得到的最优值Gg进行比较，如果优于Gg，则将其作为当前全局最优值；步骤5：按照公式(4.2)和(4.3)更新粒子的速度和位置；步骤6：，计算代的适应评价函数值，并重新确定Pgi和Gg；步骤7：判断是否达到终止条件，如没达到则返回步骤2；如达到则终止迭代，输出结果。步骤8：最终输出的粒子位置就是深度置信网络的最优权值，从而完成整改深度置信网络的训练。从标准PSO算法的速度及位置更新公式中可知，粒子的飞行速度等同于搜索步长，粒子的飞行速度对算法的全局收敛有很大影响。如果飞行速度太快，粒子能够很快飞到全局最优解的区域，但是由于速度太快，粒子很难约束控制，当粒子逼近最优解时，找到的粒子已经飞出最优解区域[70]。因此，控制好粒子的寻优速度，是该算法的关键。粒子群优化算法方法简单，寻优求解收敛速度快，最优解的精确性高[71]，总的来说，它具有以下几个特点:(1)算法步骤简单，容易实现。粒子群个体的设置规则简单，个体执行的步骤较少。(2)算法