基于GRNN神经网络的无线电作弊信号定位系统的制作方法

本发明涉及室内定位
技术领域：
，尤其涉及一种基于GRNN神经网络的无线电作弊信号定位系统。
背景技术：
：考试是教学活动的重要环节，是选拔优秀人才、检验教学质量和考察学生理解程度的主要手段。然而实际的教育考试过程中不公平的现象经常发生，时有考生采用作弊神器等进行作弊。作弊神器主要是由场外人员朗读答案，通过无线向考场内传播声音，考生利用耳机接收；或者向场内传递文字信息，将答案发送到考生的显示设备上，如电子手表、尺子、眼镜盒、笔袋等。下面对本申请用到的广义回归神经网络(GRNN)进行介绍：广义回归神经网络是径向基函数神经网络的一种特殊形式。与目前流行的前馈神经网络相比，它具有下述几项优点。1)它的网络结构相对简单，除了输入和输出层外，一般只有两个隐藏层，模式层和求和层。而模式中隐藏单元的个数，与训练样本的个数是相同的。2)它的网络训练非常简单。当训练样本通过隐藏层的同时，网络训练随即完成。而不像前馈神经网络一样，需要非常长的训练时间和高的计算成本。3)由于简单的网络结构，不需要对网络的隐藏层数和隐藏单元的个数进行估算和猜测。由于它是从径向基函数引申而来，因此只有一个自由参数，即径向基函数的平滑参数。而它的优化值可以通过交叉验证的方法非常容易的得到。4)它的网络计算结果的全局收敛性。标准的前馈神经网络的计算结果则会经常不能达到全局收敛，而停止在局部收敛。技术实现要素：发明目的：本发明针对现有技术存在的问题，提供一种基于GRNN神经网络的无线电作弊信号定位系统，该系统针对无线电作弊手段，从室内环境出发，将看不见、摸不着的电磁辐射进行数据可视化，通过GRNN神经网络算法对室内异常信号进行发现和定位。在关注电磁辐射和电磁安全的情况下，设计了面向智慧考场的信息服务系统，展示了考场环境内潜在的电磁威胁，为考场工作人员提供了直观、远程、实时地查看所监测环境的安全情况的服务，有效地避免了考场内电磁隐患。技术方案：本发明所述的基于GRNN神经网络的无线电作弊信号定位系统包括：无线电信号监测网，包括位于监测区域四周的若干USRP监测点，用于在监测无线电信号时，将监测区域进行网格化划分，在不同时间段连续采集每一个网格的电磁信号强度值，并通过并行的正交I、Q两路信号上传至数据处理中心；数据处理中心，与频谱信号监测网连接，用于将接收的电磁信号强度值进行变换后得到功率值，再根据功率值进行GRNN神经网络处理，定位无线电信号的位置；智能终端，用于将定位的位置进行实时显示和告警。进一步的，所述数据处理中心包括：数据变换模块，用于将接收的电磁信号强度值进行快速傅里叶变换后得到对应的功率值；GRNN神经网络训练模块，用于获取无线电信号源在不同网格时，每个USRP监测点采集到的电磁信号强度值对应的功率值，再连同对应网格位置作为训练样本，输入至GRNN神经网络进行训练，得到参数σ；GRNN神经网络定位模块，用于将每个USRP监测点对应的功率值作为测试样本，输入至GRNN神经网络，并基于参数σ进行拟合，得到无线电信号的定位位置。进一步的，所述GRNN神经网络定位模块包括：输入层：将实时采集的所有USRP监测点对应的功率值作为测试样本输入至GRNN神经网络，输入为RSSIc＝[rssic1，rssic2，…，rssicM]，式中，形如rssic*表示第*个USRP监测点采集到的电磁信号强度值对应的功率值，M为USRP监测点数目；模式层：神经元数量等于GRNN神经网络训练模块中训练样本的数量，每个神经元是由高斯核函数构成，第i个神经元上核函数的表达式为：RSSIxi表示第i个训练样本中USRP监测点的功率值构成的向量，n为训练样本数目；求和层：将模式层的输出结果附带权值传递至求和层，按照以下公式进行求和：式中，neuronpair表示求和层的神经元对，共有两对，yi(j)表示模式层第i个神经元的核函数pi对应于第j个输出神经元的样本输出值；输出层：根据求和层的神经元对按照以下公式计算得到定位位置坐标(X,Y)：进一步的，所述USRP监测点包括USRP和与USRP无线连接的天线。进一步的，所述无线电信号监测网通过用户数据报协议UDP与数据处理中心交互。进一步的，所述智能终端包括网页显示终端和移动终端。进一步的，为了提高定位精度，所述数据处理中心在数据变换前对采集的测试样本数据进行窄带滤波，对训练样本数据进行均值滤波。有益效果：本发明与现有技术相比，其显著优点是：①本发明能够发现监测区域下无线电作弊设备发出的时域跳变信号，并进行精确定位。②本发明采用将多传感器协同监测技术，融合电磁频谱采集技术，将神经网络算法GRNN应用于室内定位领域，增加了对无线电作弊信号的发现与定位的准确度。③本发明通过网页终端的形式，实现频谱监测信息与视频监控信息的实时查看，以及对无线电作弊信号是否存在进行告警，使监考人员和巡考人员可以方便、直观、远程、实时地查看所监测环境的安全情况，及时发现及避免作弊行为。附图说明图1是本发明的一个实施例的系统架构图；图2是本发明数据处理中心Qt软件架构图；图3是本发明的无线电作弊信号的时域采样结果图；图4是本发明的网页显示终端展示模块图；图5是GRNN神经网络定位精确度仿真结果图。具体实施方式如图1所示，本发明提供的基于GRNN神经网络的无线电作弊信号定位系统包括：无线电信号监测网、数据处理中心和智能终端。1、无线电信号监测网包括位于监测区域四周的若干USRP监测点，USRP(UniversalSoftwareRadioPeripheral，通用软件无线电外设)监测点包括USRP和与USRP无线连接的天线，图1中为四根天线和两个USPR组成的四个监测点。为了有助于数据的训练和学习，将监测区域环境进行网格化分割，在不同时间段连续采集每一个网格点的电磁信号强度值，并通过并行的正交I、Q两路信号采用用户数据报协议UDP上传至数据处理中心。同时在监测环境中布设视频监控设备，用于发现无线电作弊信号时，使视频数据可以实时传输到电脑上，便于监考人员查看该考生有无作弊行为并且留存证据。由于实验室环境复杂，为了更好地模拟考场环境，可以将实验数据采集范围限定在环境简单的实验桌上，例如，首先在实验桌上绘制20cm*20cm的小方格,最后得到7*20＝140个网格测试点。2、数据处理中心与频谱信号监测网连接，用于将接收的电磁信号强度值进行变换后得到功率值，再根据功率值进行GRNN神经网络处理，定位无线电信号的位置。数据处理中心具体包括数据变换模块、GRNN神经网络训练模块和GRNN神经网络定位模块。数据变换模块用于将接收的电磁信号强度值进行快速傅里叶变换后得到对应的功率值。为使测得的样本数据更加精确，对采集的测试样本利用窄带滤波器的方式，对训练样本数据进行均值滤波，经实测信号样本进行均值滤波后BPNN的定位性能未见明显提升，平均定位精度≥0.2695m，经实测信号样本进行均值滤波后GRNN的标准化样本平均误差≥0.092m，绝对值样本平均误差≥0.09m，有效提高了信噪比。考虑到无线电作弊信号工作周期及工作频段，将采样率设为1MHz，采样点数5000，监测中心频率设为2.09MHz。接收的信号通过Qt这种跨平台C++图形用户界面应用程序开发框架应用C++语言进行用户界面的设计与实现，如图2所示。GRNN神经网络训练模块用于获取无线电信号源在不同网格时，每个USRP监测点采集到的电磁信号强度值对应的功率值，再连同对应网格位置[X,Y]作为训练样本，输入至GRNN神经网络进行训练，得到参数σ。例如，在考场中将无线电作弊设备作为信号发射源,反复在这每个网格上进行测试,记录四根天线测得的功率值向量RSSIx＝[rssix1，rssix2，rssix3，rssix4]，再连同对应网格位置[X,Y]作为训练样本，输入至GRNN神经网络进行训练，形如rssix*表示训练样本里第*个USRP监测点采集到的电磁信号强度值对应的功率值。如附图3所示，采样过程中出现异常波峰，判断为当前环境存在异常信号发射源。GRNN神经网络定位模块，用于将每个USRP监测点对应的功率值作为测试样本，输入至GRNN神经网络，并基于参数σ进行拟合，得到无线电信号的定位位置。GRNN是一种以核函数为基础的神经网络，由输入层、模式层、求和层和输出层组成。具有较强的非线性映射能力，适用于解决室内定位问题。其优点在于：逼近能力强；训练不需要迭代；所需训练样本较BP等ANN少得多；抗噪声能力强。下面简述一下定位流程：输入层：将实时采集的所有USRP监测点对应的功率值作为测试样本输入至GRNN神经网络，输入为RSSIc＝[rssic1，rssic2，…，rssicM]，式中，形如rssic*表示第*个USRP监测点采集到的电磁信号强度值对应的功率值，M为USRP监测点数目；模式层：神经元数量等于GRNN神经网络训练模块中训练样本的数量，每个神经元是由高斯核函数构成，第i个神经元上核函数的表达式为：RSSIxi表示第i个训练样本中USRP监测点的功率值构成的向量，n为训练样本数目；求和层：将模式层的输出结果附带权值传递至求和层，按照以下公式进行求和：式中，neuronpair表示求和层的神经元对，共有两对，yi(j)表示模式层第i个神经元的核函数pi对应于第j个输出神经元的样本输出值；输出层：根据求和层的神经元对按照以下公式计算得到定位位置坐标(X,Y)：3、智能终端用于将定位的位置进行实时显示和告警，包括智能终端包括网页显示终端和移动终端。网页显示终端可以实现调阅考场视频监控，人工综合判决，当发现异常信号信息时软件界面和网页终端适时发出告警，如图4所示，可以上报给移动终端用户，移动终端用户可以立刻通过查看考场监控视频，来综合判决当前环境和告警位置上有无作弊的隐患，并在必要时留存证据。下面进行仿真验证，参数为网格140个，天线4根，仿真结果为：(1)不同训练样本对GRNN定位性能的影响。训练样本：三组独立测试的样本数据3*(140*4)、三组样本数据的均值数据(140*4)、三组样本数据的中值数据(140*4)。将上述5组数据进行组合。表1多组数据平均误差对比训练样本组合平均误差(m)平滑参数h2组独立样本+均值+中值0.120.422组独立样本0.20.72均值+中值0.0850.3均值0.0880.2中值0.0890.1(2)样本预处理对GRNN定位性能的影响GRNN的输入样本数据分别采用功率值RSSI绝对值和经过max-min处理的标准值。仿真表明，两种数据训练的GRNN定位性能基本一致。经实测信号样本进行均值滤波后GRNN的标准化样本平均误差≥0.092m，绝对值样本平均误差≥0.09m。表2两种样本预处理方式的平均误差对比均值滤波绝对值样本平均误差(m)标准化样本平均误差(m)样本一0.1030.1样本二0.080.083样本三0.0860.092平均0.090.092(3)修改求和层结构对GRNN定位性能的影响GRNN的输出值Y等于求和层的两个神经元的比值：n为输入训练样本的数量，为了简化模型、减少运算量，选择距离最近的k个模式层的输出值求和，得:仿真结果表明，k值可以远小于n，而性能下降的代价较小。在典型实验室环境下，一台静止的接收机在1分钟内接收到的功率值RSSI可能出现5dB的波动，制约RSSI稳定性和可靠性的根本因素是：RSSI测量的是信号多径传播的叠加效果，并不能逐一区分多条信号传播路径。(4)对不在训练坐标点上无线电信号进行定位，用均值滤波后的四天测试样本数据训练，如图5所示，仿真结果：平均定位误差0.295m；定位误差过大。(5)应用BPNN对数据进行仿真，发现经过BPNN的定位性能未见明显提升：平均定位精度≥0.272m。表4未滤波样本与均值滤波，中值滤波后数据对比表因此，BPNN可以实现室内定位功能，但其定位精度直接受RSSI数据的质量影响。采用RSSI滤波技术有助于提高定位精度，但需要寻找更加合适的滤波技术。所以，由于BPNN具有需要大量样本数据、以及其结构需要反复迭代和尝试才能找到最优结果，并不完全适用于目前样本数目比较少的情况。为了找到更加精确的定位方法，本发明选择了GRNN)的方案。其具有逼近性能强,训练不需要迭代,所需训练样本较BPNN少得多,抗噪声性能强的特点。相比于传统的BPNN反向传播神经网络,GRNN广义回归神经网络具有所需样本数据少,抗噪声能力强的优点,弥补了BPNN需要大量样本数据反复迭代和尝试的不足,因此更适合无线电定位。以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。当前第1页1 2 3