基于KDMSPCS-GRNN的室内定位技术研究

针对利用广义神经网络(Generalized Regression Neural Network,GRNN)搭建的定位预测模型定位精度低、效率慢等问题,基于动态分群策略,提出一种线性递减粒子群(Linear Decreasing Contraction Particle Swarm Optimization,LDCPSO)和布谷鸟(Cuckoo Search,CS)混合寻优算法,并利用此算法为GRNN选择最优参数,构建定位预测模型。该算法主要利用K均值聚类算法(K-means)对整个种群进行周期性的分群,底层使用LDCPSO算法优化各个子群,并将最优粒子传至高层,高层使用CS算法优化各个子群的最优粒子,并将最终结果返回底层,执行下一次迭代。实验过程中,一方面将提出的算法应用于多个测试函数,结果表明该算法具有更好的收敛速度和收敛精度;另一方面利用该算法搭建定位模型,并与其他定位模型对比,结果显示该定位模型具有更好的定位效果。