CN109814066B - 基于神经网络学***台 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种基于神经网络学***台；目标结点与锚节点之间建立通信，将采集的到的数据存入集合RSSI[i]＝{RSSI_i1,RSSI_i2,…,RSSI_iN}中；设定筛选概率p，并根据RSSI的高斯模型确定其上限值RSSI_max和下限值RSSI_min；将集合RSSI[i]中处于[RSSI_min,RSSI_max]范围内的RSSI存入到集合RSSI_gauss[i]中；对集合RSSI_gauss[i]中的RSSI值取均值；利用粒子群优化神经网络的算法结合迭代器思想训练强分离器，然后利用强分离器将RSSI转换为锚节点与目标结点之间的距离；应用极大似然法估计法得到目标节点的解。本发明减少了工作量，减少单次算法存在的较大误差，提升了由RSSI值转化为距离的精度，从而提升定位精度。

Description

基于神经网络学***台

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于神经网络学***台。

背景技术

目前，业内常用的现有技术是这样的：近年来，室内定位作为一种基于位置的服务成为研究的热点问题。基于RSSI的室内定位技术因其简单易实现、成本低廉且对硬件的要求不高，在无线通信技术领域应用广泛。其主要思想是：通过锚节点与目标节点之间相互通信获取信号强度信息，将筛选的信号强度信息转换为目标节点与锚节点之间的距离，当收集的距离信息超过一定数量时，就可以利用几何定位算法计算出目标节点的坐标位置。将信号强度值转换为距离时，通常采用对数路径损耗模型，应用该模型时，需要对环境参数进行估计，包括A_path：收发器距离1m时的信号强度；n_path：路径损耗指数。当室内障碍物众多、人在环境中走动时，均会对环境参数造成影响。导致定位性能较差。

现有的将信号强度值转换为距离的方法已经有很多，其主要思路是：提前布置锚节点，应用锚节点之间通信的信号强度值及锚节点之间已知的距离，计算出环境参数值。然后应用对数路径损耗模型，计算目标节点与锚节点之间的距离，进行定位。由于室内环境复杂，计算的环境参数值具有局限性，障碍物较多的地方与障碍物较少的地方，环境参数值有明显不同，所以计算出来的环境参数值不能代表整个室内的环境。再加上室内人员走动，对环境的影响巨大，无人情况下的环境参数将不适用于人员走动的情况。近年来，采用的方法有：例如，“一种基于RSSI测距改进的多区域自适应室内定位方法”。该方法采用多区域自适应室内定位方法，将目标区域按照室内结构特点划分为多个子区域环境，构建基于环境参数库的阴影Shadowing扩展模型，对每一个区域计算环境参数。该方法在一定程度上可以解决室内环境复杂的情况。但是应用对数路径损耗模型时，只有在环境参数极其准确的情况下，才能比较精确的将RSSI值转换为距离，需要大量的锚节点，将区域划分的更加精细，从而得到精确的环境参数值，锚节点的数量增多，增加了计算量。还有不需要提前计算环境参数的方法，例如一种“基于WiFi信号的室内测距方法”。该方法采用建立RSSI与距离值的对照表，清空被测室内所有的障碍物品和人，将一个RSSI信号源固定位置，将一个信号接收器每隔1m的距离分别测试，采集信号接收器的数据记录到数据库文件中，列出不同距离与信号强度的对照表。该方法不需要计算环境参数值，但是需要提前进行大量的工作去建立信号强度值与距离的对照表，当室内环境发生变化时，如障碍物增多，人走动等情况，建立的对照表将不再适用。因此如何快速简单、不受环境变化影响的条件下，将RSSI转换为高精度的距离值，具有重要的应用价值。

综上所述，现有技术存在的问题是：当前由信号强度值转换为距离时，转换精度较低，计算量大，操作复杂，定位结果不准确。

解决上述技术问题的难度：

由于室内环境复杂，障碍物多，人员走动等情况，导致将RSSI值转换为距离值的难度增加，如果应用计算环境参数的方法，计算的环境参数值不能代表整个室内环境，并且不能做到跟随有人无人的情况进行实时的切换环境参数，导致距离转换误差较大。如果应用指纹方法(不采用环境参数测量的方法)，则工作量极大，并且如果指纹法在无人的环境下建立，则不适用于人员走动的情况，相反，亦不适用。所以，如何在不受室内复杂多变环境的影响、随着有人无人自动切换的条件下，将RSSI值转换为高精度的距离值是我们面对的难点问题。

解决上述技术问题的意义：如果解决了室内复杂多变的环境问题以及随着有人无人自动切换模型，则由RSSI转换为距离的精度将会明显提升，定位结果也会更加精确。

发明内容

针对现有技术存在的问题，本发明提供了一种基于神经网络学***台。

本发明是这样实现的，一种基于神经网络学习的RSSI室内定位测距方法，所述基于神经网络学习的RSSI室内定位测距方法包括：

第一步，目标结点与锚节点之间建立通信，将采集的到的数据存入集合RSSI[i]＝{RSSI_i1,RSSI_i2,…,RSSI_iN}中；

第二步，设定筛选概率p，并根据RSSI的高斯模型确定其上限值RSSI_max和下限值RSSI_min；

第三步，将集合RSSI[i]中处于[RSSI_min,RSSI_max]范围内的全部RSSI值都存入到集合RSSI_gauss[i]中；

第四步，对集合RSSI_gauss[i]中的RSSI值取均值；

第五步，利用训练好的强分离器，将RSSI转换为锚节点与目标结点之间的距离；

第六步，应用极大似然法估计法得到目标节点的解。

进一步，所述基于神经网络学习的RSSI室内定位测距方法包括：

步骤一，位置已知的锚节点之间相互通信，如锚节点AP_i和AP_j通信，采集到二者之间的RSSI值为通过坐标计算出二者之间的距离为/>组成一组锚节点AP_i和AP_j对应的数据/>按照上述方法，让锚节点之间相互通信，得到全部锚节点之间相互通信的数据，组合成一组样本数据：

其中，train_data存储锚节点之间的信号强度值和对应的距离值，组成样本数据；N_anchor是锚节点的总数量；锚节点AP_i(i＝1,2,…,N_anchor)与其它锚节点AP_j(j＝1,2,…,N_anchor,j≠i)之间的距离为采集到的RSSI值为/>

步骤二，通常将train_data按照3:1的比例划分为训练数据集train_data_train和测试数据集train_data_test，初始化训练数据集train_data_train中每一个数据在训练过程中所占的权重；每一个训练样本最开始都被赋予相同的权值：

其中，train_data_train为输入到PSO优化的神经网络中进行训练的训练数据集；train_data_test为将PSO优化的神经网络训练好之后，输入到网络中验证网络好坏的测试数据集；D_train ⁽¹⁾(i＝1,2,…,N_train)代表训练数据中每个数据所占的权重组成的向量；代表第一次训练时训练集中每一个训练数据的初始权重值；N_train代表训练数据train_data_train的大小，为/>

步骤三，调整PSO优化的神经网络的相关参数，设置训练网络的隐含层数Hidden_num＝50，种群规模Size_pop＝30，最大进化次数Max_gen＝50，迭代次数K，学习因子C1＝C2＝1.69445，将训练数据train_data_train的数值输入到该网络中进行训练，计算实际值与训练结果/>之间的差值：

其中，error⁽¹⁾代表真实距离值与网络训练得到的预测距离值之间的差值；代表训练数据集中的锚节点AP_i和锚节点AP_j之间的真实距离；d_APi,j ⁽¹⁾′代表通过训练器训练得到/>值对应的距离值，即弱分离器预测的在RSSI值为/>的情况下的距离值；AP_train,j代表作为训练数据集的最后一组数据；

步骤四，判断各个样本点处误差值error⁽¹⁾[i]的大小，如果error⁽¹⁾[i]＞0.2，则认为第i个样本点没有被正确的预测出距离值，即不能被正确的分类，则在构造下一个弱分离器时，该样本点处对应的权值D_train ⁽²⁾[i]就被降低；相反，如果error⁽¹⁾[i]＜0.2，则认为该样本点被正确的预测出来距离值，即被准确地分类，那么它的权值D_train ⁽²⁾[i]在下一个弱分离器中得到提高。权值更新之后，训练的样本集被用于训练下一个弱分离器；

其中，error⁽¹⁾[i]是向量error⁽¹⁾里面的第i个误差值，即第i个样本点的实际距离与预测距离之间的差值；

步骤五，进行多轮迭代，迭代K次，每次训练均可得到一个弱分离器，训练K个弱分离器，用m＝1,2,…,M表示迭代第几轮；每次迭代，根据样本点是否被正确分类，更改权重值D_train ^(m)，将更改权重之后的训练集，按照权重继续进行下一轮的训练，训练多个弱分离器；

步骤六，组合各个弱分类器：

将各个训练得到的弱分类器G^(m)(x)组合成一个强分类器；各个弱分类器的训练过程结束后，加大分类误差率较小的弱分类器的权重，在最终分类器中占得比重较大，使得训练网络预测的结果更加精确，即使得预测出来的距离d_APi,j ^(m)′更加精确。

进一步，所述步骤五具体包括：

(1)使用具有权值分布为D_train ^(m)的训练数据集输入到PSO优化的神经网络中进行学习，得到一个弱分离器，即得到一组训练结果G^(m)(x)；

其中，G^(m)(x)表示将RSSI值输入到训练器中得到的一组预测距离值，自变量为RSSI值；

(2)计算基本分离器G^(m)(x)在训练数据集上的分类误差率：

其中，e^(m)表示在该弱分离器G^(m)(x)的情况下，训练数据集中数据被分错的总概率；P(X)表示事件X发生的概率；G^(m)(x_i)≠y_i表示通过神经网络预测出来的距离值G^(m)(x_i)与实际的距离值不相符；I(G^(m)(x_i)≠y_i)表示训练器预测的结果与实际距离值不相等的情况下为1，相等则为0；表示将训练数据集中所有未被正确分类的样本点的权重值进行加和，该值即为分类误差率；

(3)计算每一个弱分离器G^(m)(x)的系数，表示弱分离器G^(m)(x)在最终分类器中的重要程度，即基本分类器在最终分类器中所占的权重：

其中，当时，/>且随着e^(m)的减小而增大，所以，分类误差率越小的弱分离器，/>越大，即在最终分离器中权重越大，即作用越大；

(4)根据上一个分类器分类时样本点的误差值的大小，更新训练数据集权值D_train ^(m+1)的分布，用于下一轮迭代：

Z^(m)是规范化因子：

如果能够将某个样本节点正确的分类，则在构造下一个训练集的权值时，将他对应的权值D_train ^(m+1)[i]降低，变为：

相反，如果样本点分类错误，则他对应的权值D_train ^(m+1)[i]提升，变为：

将更新过权值的训练集再次输入到网络中进行训练，得到下一个弱分离器。

使得被基本分类器G^(m)(x)误分类样本点对应的权值增大，而被正确分类样本的权值减小，通过这样的集成迭代思想，即Adaboost算法，使得聚焦于比较难分的样本上。

本发明的另一目的在于提供一种应用所述基于神经网络学***台。

本发明的另一目的在于提供一种应用所述基于神经网络学习的RSSI室内定位测距方法的无线通信***。

综上所述，本发明的优点及积极效果为：本发明应用PSO优化神经网络，用于拟合RSSI和d的关系，只需要锚节点之间通信，采集大量数据，输入到训练网络中进行训练，得到一个最终的强分离器。然后将该强分离器应用到定位过程中，将采集到的信号强度值转化为距离值；数据处理简单，不需要提前计算对数路径损耗模型中的环境参数A_path和n_path。而且，粒子群算法优化神经网络PSO-BP算法的计算精度相较于原始的对数路径损耗模型的公式法得到了提高，与指纹法相比，减少了工作量，并且能更好的适应复杂多变的环境。

本发明应用了Adaboost算法，将PSO-BP与Adaboost算法进行结合，即将迭代思想运用到神经网络的学习中，通过多次算法的结合，减少单次算法存在的较大误差，使得RSSI值转化为距离的精度进一步提升，提升定位精度。

附图说明

图1是本发明实施例提供的基于神经网络学习的RSSI室内定位测距方法流程图。

图2是本发明实施例提供的神经网络BP算法的流程图。

图3是本发明实施例提供的应用的粒子群算法PSO优化BP算法的流程图。

图4是本发明实施例提供的粒子群算法优化神经网络结合Adaboost算法，由训练数据集获得强分离器的流程图。

图5是本发明实施例提供的和应用公式法进行距离求解的相对误差仿真图。

图6是本发明实施例提供的和现有三种定位方法进行距离求解的平均误差仿真图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对当前由信号强度值转换为距离时，转换精度较低，计算量大，操作复杂，定位结果不准确的问题。本发明减少了工作量，并且能更好的适应复杂多变的环境；通过多次算法的结合，减少单次算法存在的较大误差，使得RSSI值转化为距离的精度进一步提升，提升了定位精度。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于神经网络学习的RSSI室内定位测距方法包括以下步骤：

S101：目标结点与锚节点之间建立通信，将采集的到的数据存入集合RSSI[i]＝{RSSI_i1,RSSI_i2,…,RSSI_iN}中；

S102：设定筛选概率p，并根据RSSI的高斯模型确定其上限值RSSI_max和下限值RSSI_min；

S103：将集合RSSI[i]中处于[RSSI_min,RSSI_max]范围内的RSSI存入到集合RSSI_gauss[i]中；

S104：对集合RSSI_gauss[i]中的RSSI值取均值；

S105：利用训练好的强分离器，将RSSI转换为锚节点与目标结点之间的距离；

S106：应用极大似然法估计法得到目标节点的解。

本发明实施例提供的基于神经网络学习的RSSI室内定位测距方法将Adaboost算法运用到PSO优化神经网络的算法中，通过多次迭代，实现了将信号强度值转换为距离精度的提升，包括如下步骤：

步骤一：位置已知的锚节点之间相互通信，如锚节点AP_i和AP_j通信，采集到二者之间的RSSI值为通过坐标计算出二者之间的距离为/>组成一组锚节点AP_i和AP_j对应的数据/>按照上述方法，让锚节点之间相互通信，得到全部锚节点之间相互通信的数据，组合成一组样本数据：

其中，train_data存储锚节点之间的信号强度值和对应的距离值，组成样本数据。N_anchor是锚节点的总数量；锚节点AP_i(i＝1,2,…,N_anchor)与其它锚节点AP_j(j＝1,2,…,N_anchor,j≠i)之间的距离为采集到的RSSI值为/>

步骤二：通常将train_data按照3:1的比例划分为训练数据集train_data_train和测试数据集train_data_test，初始化训练数据集train_data_train中每一个数据在训练过程中所占的权重。每一个训练样本最开始都被赋予相同的权值：

其中,train_data_train为输入到PSO优化的神经网络中进行训练的训练数据集；train_data_test为将PSO优化的神经网络训练好之后，输入到网络中验证网络好坏的测试数据集；D_train ⁽¹⁾(i＝1,2,…,N_train)代表训练数据中每个数据所占的权重组成的向量；代表第一次训练时训练集中每一个训练数据的初始权重值；N_train代表训练数据train_data_train的大小，为/>

步骤三：调整PSO优化的神经网络的相关参数，设置训练网络的隐含层数Hidden_num＝50,种群规模Size_pop＝30，最大进化次数Max_gen＝50，迭代次数K，学习因子C1＝C2＝1.69445，将训练数据train_data_train的数值输入到该网络中进行训练，计算实际值与训练结果/>之间的差值：

其中，error⁽¹⁾代表真实距离值与网络训练得到的预测距离值之间的差值；代表训练数据集中的锚节点AP_i和锚节点AP_j之间的真实距离；d_APi,j ^(1)′代表通过训练器训练得到/>值对应的距离值，即弱分离器预测的在RSSI值为/>的情况下的距离值；AP_train,j代表作为训练数据集的最后一组数据；

将该训练结果(即训练器)作为一个弱分离器，在最后与其它弱分离器结合成为一个强分离器。

步骤四：判断各个样本点处误差值error⁽¹⁾[i]的大小，如果error⁽¹⁾[i]＞0.2，则认为第i个样本点没有被正确的预测出距离值，即不能被正确的分类，则在构造下一个弱分离器时，该样本点处对应的权值D_train ⁽²⁾[i]就被降低；相反，如果error⁽¹⁾[i]＜0.2，则认为该样本点被正确的预测出来距离值，即被准确地分类，那么它的权值D_train ⁽²⁾[i]在下一个弱分离器中得到提高。权值更新之后，训练的样本集被用于训练下一个弱分离器；

其中，error⁽¹⁾[i]是向量error⁽¹⁾里面的第i个误差值，即第i个样本点的实际距离与预测距离之间的差值；

步骤五：进行多轮迭代，迭代K次，每次训练均可得到一个弱分离器(即：得到一组训练结果)，训练K个弱分离器，用m＝1,2,…,M表示迭代第几轮。每次迭代，根据样本点是否被正确分类，更改权重值D_train ^(m)，将更改权重之后的训练集，按照权重继续进行下一轮的训练，训练多个弱分离器。

在本发明的优选实施例中，步骤五具体包括：

第一步，使用具有权值分布为D_train ^(m)的训练数据集输入到PSO优化的神经网络中进行学习，得到一个弱分离器，即得到一组训练结果G^(m)(x)；

其中，G^(m)(x)表示将RSSI值输入到训练器中得到的一组预测距离值，自变量为RSSI值；

第二步，计算基本分离器G^(m)(x)在训练数据集上的分类误差率：

其中，e^(m)表示在该弱分离器G^(m)(x)的情况下，训练数据集中数据被分错的总概率；P(X)表示事件X发生的概率；G^(m)(x_i)≠y_i表示通过神经网络预测出来的距离值G^(m)(x_i)与实际的距离值不相符；I(G^(m)(x_i)≠y_i)表示训练器预测的结果与实际距离值不相等的情况下为1，相等则为0；)表示将训练数据集中所有未被正确分类的样本点的权重值进行加和，该值即为分类误差率；

第三步，计算每一个弱分离器G^(m)(x)的系数，表示弱分离器G^(m)(x)在最终分类器中的重要程度，即基本分类器在最终分类器中所占的权重：

其中，当时，/>且随着e^(m)的减小而增大，所以，分类误差率越小的弱分离器，/>越大，即在最终分离器中权重越大，即作用越大。

第四步，根据上一个分类器分类时样本点的误差值的大小，更新训练数据集权值D_train ^(m+1)的分布，用于下一轮迭代：

Z^(m)是规范化因子：

如果能够将某个样本节点正确的分类，则在构造下一个训练集的权值时，将他对应的权值D_train ^(m+1)[i]降低，变为：

相反，如果样本点分类错误，则他对应的权值D_train ^(m+1)[i]提升，变为：

将更新过权值的训练集再次输入到网络中进行训练，得到下一个弱分离器。

使得被基本分类器G^(m)(x)误分类样本点对应的权值增大，而被正确分类样本的权值减小，通过这样的集成迭代思想，即Adaboost算法，使得聚焦于比较难分的样本上。

步骤六：组合各个弱分类器：

将各个训练得到的弱分类器G^(m)(x)组合成一个强分类器。各个弱分类器的训练过程结束后，加大分类误差率较小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函数中起着较小的决定作用。即训练结果较差的在最终分类器中占的比重较小，训练结果较好的，在最终分类器中占得比重较大，使得训练网络预测的结果更加精确，即使得预测出来的距离d_APi,j ^(m)′更加精确。

下面结合仿真对本发明的应用效果作详细的描述。

一、仿真条件：在10m*10m视距可达的空间内，随机分布100个目标，并在空间边缘均匀部署n个锚节点。

二、仿真内容与结果：

仿真1，用本发明与基于公式法计算距离和基于PSO-BP算法计算距离的平均相对误差进行仿真，结果如图5所示。

由图5可见，在相同的环境、相同的训练数据下，本发明与基于公式法、基于PSO-BP算法相比，相对定位误差在绝大部分地方明显小于公式法，并且本发明中的算法均方根误差是最小的。

仿真2，用本发明与公式法求解距离、BP算法求解距离、PSO-BP算法求解距离、BP-Adaboost求解距离的相对误差进行仿真，结果如图6所示。

由图6可见，在相同的环境、相同的训练数据下，本发明与公式法求解距离、BP算法求解距离、PSO-BP算法求解距离、BP-Adaboost算法求解距离相比，相对误差最小，即应用本发明可以使得定位精度得到提升。

因而相较于原始的公式定位方法，本发明的定位精度更高，稳定性能更好。

下面结合实验对本发明的应用效果作详细的描述。

通过做实验对比公式法以及本发明中提出的算法，对多个点由RSSI值转换为距离值的结果进行统计，采用公式法将RSSI转换为距离时，85％的数据，其相对误差均比本发明的转换精度差；采用公式法时，95％的数据，其转换精度的相对误差处于0.15-0.3，而本发明，90％的数据，转换精度的相对误差均低于0.1。并且本发明训练的强分离器可以根据有人无人进行实时的转换，从而减少人员走动带来的误差。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于神经网络学习的RSSI室内定位测距方法，其特征在于，所述基于神经网络学习的RSSI室内定位测距方法包括：

第一步，目标结点与锚节点之间建立通信，将采集的到的数据存入集合RSSI[i]＝{RSSI_i1,RSSI_i2,…,RSSI_iN}中；i表示锚节点序列号；

第二步，设定筛选概率p，并根据RSSI的高斯模型确定其上限值RSSI_max和下限值RSSI_min；

第三步，将集合RSSI[i]中处于[RSSI_min,RSSI_max]范围内的RSSI存入到集合RSSI_gauss[i]中；

第四步，对集合RSSI_gauss[i]中的RSSI值取均值；

第五步，利用粒子群优化神经网络的算法结合迭代器思想训练强分类器，利用训练好的强分类器，将RSSI值转换为锚节点与目标结点之间的距离；

第六步，应用极大似然法估计法得到目标节点的解；

所述基于神经网络学习的RSSI室内定位测距方法包括：

步骤一，位置已知的锚节点之间相互通信，如锚节点AP_i和AP_j通信，采集到二者之间的RSSI值为通过坐标计算出二者之间的距离为/>组成一组锚节点AP_i和AP_j对应的数据/>按照上述方法，让锚节点之间相互通信，得到全部锚节点之间相互通信的数据，组合成一组样本数据：

其中，train_data存储锚节点之间的信号强度值和对应的距离值，组成样本数据；N_anchor是锚节点的总数量；锚节点AP_i与其它锚节点AP_j之间的距离为i＝1,2,…,N_anchor，j＝1,2,…,N_anchor,j≠i，采集到的RSSI值为/>

步骤二，将train_data按照3:1的比例划分为训练数据集train_data_train和测试数据集train_data_test，初始化训练数据集train_data_train中每一个数据在训练过程中所占的权重；每一个训练样本最开始都被赋予相同的权值：

D_train ⁽¹⁾＝(W₁₁,W₁₂,…,W_1i,…,W_1Ntrain)；

其中，train_data_train为输入到PSO优化的神经网络中进行训练的训练数据集；train_data_test为将PSO优化的神经网络训练好之后，输入到网络中验证网络好坏的测试数据集；D_train ⁽¹⁾，i＝1,2,…,N_train，代表训练数据中每个数据所占的权重组成的向量；代表第一次训练时训练集中每一个训练数据的初始权重值；N_train代表训练数据train_data_train的大小，为/>

步骤三，调整PSO优化的神经网络的相关参数，设置训练网络的隐含层数Hidden_num＝50，种群规模Size_pop＝30，最大进化次数Max_gen＝50，迭代次数K，学习因子C1＝C2＝1.69445，将训练数据train_data_train的数值输入到该网络中进行训练，计算实际值与训练结果/>之间的差值：

其中，error⁽¹⁾代表真实距离值与网络训练得到的预测距离值之间的差值；d_APi,j代表训练数据集中的锚节点AP_i和锚节点AP_j之间的真实距离；d_APi,j ⁽¹⁾′代表通过训练器训练得到RSSI_APi,j值对应的距离值，即弱分类器预测的在RSSI值为RSSI_APi,j的情况下的距离值；AP_train,j代表作为训练数据集的最后一组数据；

步骤四，判断各个样本点处误差值error⁽¹⁾[i]的大小，如果error⁽¹⁾[i]＞0.2，则认为第i个锚节点序列号没有被正确的预测出距离值，即不能被正确的分类，则在构造下一个弱分类器时，该样本点处对应的权值D_train ⁽²⁾[i]就被降低；相反，如果error⁽¹⁾[i]＜0.2，则认为该样本点被正确的预测出来距离值，即被准确地分类，那么它的权值D_train ⁽²⁾[i]在下一个弱分类器中得到提高；权值更新之后，训练的样本集被用于训练下一个弱分类器；

其中，error⁽¹⁾[i]是向量error⁽¹⁾里面的第i个误差值，即第i个锚节点序列号的实际距离与预测距离之间的差值；

步骤五，进行多轮迭代，迭代K次，每次训练均可得到一个弱分类器，训练K个弱分类器，用m＝1,2,…,M表示迭代第几轮；每次迭代，根据样本点是否被正确分类，更改权重值D_train ^(m)，将更改权重之后的训练集，按照权重继续进行下一轮的训练，训练多个弱分类器；

步骤六，组合各个弱分类器：

将各个训练得到的弱分类器G^(m)(x)组合成一个强分类器；各个弱分类器的训练过程结束后，加大分类误差率较小的弱分类器的权重，在最终分类器中占得比重较大，使得训练网络预测的结果更加精确，即使得预测出来的距离d_APi,j ^(m)′更加精确；

所述步骤五具体包括：

(1)使用具有权值分布为D_train ^(m)的训练数据集输入到PSO优化的神经网络中进行学习，得到一个弱分类器，即得到一组训练结果G^(m)(x)；

其中，G^(m)(x)表示将RSSI值输入到训练器中得到的一组预测距离值，自变量为RSSI值；

(2)计算基本分类器G^(m)(x)在训练数据集上的分类误差率：

其中，e^(m)表示在该弱分类器G^(m)(x)的情况下，训练数据集中数据被分错的总概率；P(X)表示事件X发生的概率；G^(m)(x_i)≠y_i表示通过神经网络预测出来的距离值G^(m)(x_i)与实际的距离值不相符；I(G^(m)(x_i)≠y_i)表示训练器预测的结果与实际距离值不相等的情况下为1，相等则为0；表示将训练数据集中所有未被正确分类的样本点的权重值进行加和，该值即为分类误差率；

(3)计算每一个弱分类器G^(m)(x)的系数，表示弱分类器G^(m)(x)在最终分类器中的重要程度，即基本分类器在最终分类器中所占的权重：

其中，当时，/>且随着e^(m)的减小而增大，所以，分类误差率越小的弱分类器，/>越大，即在最终分类器中权重越大，即作用越大；

(4)根据上一个分类器分类时样本点的误差值的大小，更新训练数据集权值D_train ^(m+1)的分布，用于下一轮迭代：

Z^(m)是规范化因子：

如果能够将某个样本节点正确的分类，则在构造下一个训练集的权值时，将他对应的权值D_train ^(m+1)[i]降低，变为：

相反，如果样本点分类错误，则他对应的权值D_train ^(m+1)[i]提升，变为：

将更新过权值的训练集再次输入到网络中进行训练，得到下一个弱分类器；

使得被基本分类器G^(m)(x)误分类样本点对应的权值增大，而被正确分类样本的权值减小，通过这样的集成迭代思想，即Adaboost算法，使得聚焦于比较难分的样本上。

2.一种应用权利要求1所述基于神经网络学***台。

3.一种应用权利要求1所述基于神经网络学习的RSSI室内定位测距方法的无线通信***。