位置:成果数据库 > 期刊 > 期刊详情页
基于连续蚁群算法融合的神经网络RFID信号分布模型
  • ISSN号:1001-0505
  • 期刊名称:东南大学学报(自然科学版)
  • 时间:2013.7.20
  • 页码:210-214
  • 分类:TP391[自动化与计算机技术—计算机应用技术;自动化与计算机技术—计算机科学与技术]
  • 作者机构:[1]南开大学信息技术科学学院,天津300071
  • 相关基金:国家自然科学基金资助项目(61174094,60904064); 天津市自然科学基金资助项目(10JCZDJC15900); 新世纪优秀人才支持计划资助项目(NCET-10-0506)
  • 相关项目:非线性多智能体系统的分布式输出调节控制研究
作者: 王晨|陈增强|
中文摘要:

基于人工神经网络方法建立了RFID反射信号强度分布模型.该方法仅依赖数据,实施简单.为克服传统BP算法对初值敏感、易陷入局部极值的缺陷,引入一种连续的蚁群优化算法来确定多层神经网络的权值,该算法具有更强的全局搜索能力和效率.讨论了算法的基本理论和具体步骤,最后利用实际RFID设备采集的反射信号强度数据对算法进行测试,对理论信号模型和实际的建模结果进行了比较,并分析了算法的逼近能力和泛化能力.结果表明在考虑到不可避免的误差和扰动下,所提出的方法可以更好地建模RFID信号强度的实际分布,具有良好的性能.

英文摘要:

A radio frequency identification(RFID) reflected signal strength distribution model is built based on the artificial neural netw ork method.This method only depends on data and it can be easily implemented.To overcome the shortcomings of the traditional back-propagation(BP) algorithm,w hich is sensitive to initial value and is easy to trap into local optima,a continuous ant colony optimization algorithm is introduced to determine the w eights of multilayer neural netw orks.This algorithm has a stronger global searching ability and efficiency.The basic theory and the concrete steps of the algorithm are discussed.Finally,the algorithm is tested using the reflected signal strength data collected from actual RFID device.The theoretical signal strength model and the actual modeling result are compared.And the approximation ability and generalization ability of the algorithm are also analyzed.The results show that in consideration of the inevitable errors and disturbances,the proposed method can better model the actual RFID signal strength distribution and has good performance.

同期刊论文项目
期刊论文 19 会议论文 14 获奖 2
同项目期刊论文
期刊信息
  • 《东南大学学报:自然科学版》
  • 中国科技核心期刊
  • 主管单位:教育部
  • 主办单位:东南大学
  • 主编:毛善锋
  • 地址:南京四牌楼2号
  • 邮编:210096
  • 邮箱:xuebao@seu.edu.cn
  • 电话:025-83794323
  • 国际标准刊号:ISSN:1001-0505
  • 国内统一刊号:ISSN:32-1178/N
  • 邮发代号:28-15
  • 获奖情况:
  • 先后荣获第三届国家期刊奖百种重点期刊奖,2006-2...,2013年荣获首届江苏省新闻出版政府奖"报刊奖"
  • 国内外数据库收录:
  • 美国化学文摘(网络版),美国数学评论(网络版),德国数学文摘,荷兰文摘与引文数据库,美国工程索引,美国剑桥科学文摘,英国科学文摘数据库,日本日本科学技术振兴机构数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),中国北大核心期刊(2000版)
  • 被引量:23651