提出了一种基于PSO-BP神经网络的煤矿井下自适应定位算法。针对传统的基于测距模型的定位算法易受煤矿井下环境干扰、测距误差大的问题,选择指纹匹配定位模型。针对煤矿井下环境强时变性,易增大实时采集的指纹信息与离线阶段建立的静态指纹数据库信息的匹配误差问题,将信标节点作为参考点的校准节点,以更好地反映参考点随环境变化的情况,避免增加额外的校准节点;在不增加硬件成本的同时,通过动态补偿法实时修正目标节点指纹数据,解决了指纹匹配定位模型自适应差的问题。匹配定位阶段采用PSO优化BP神经网络权值,以加速B

针对基于传统BP神经网络的井下定位算法存在收敛速度慢、易形成局部极值、在煤矿井下强时变性电磁环境中定位误差大等问题，提出了一种基于模拟退火思想的粒子群优化算法加BP神经网络（SAPSO-BP）的井下自适应定位算法。采用SAPSO算法优化BP神经网络的初始权值和阈值，以加快训练收敛速度，使之到达全局最优；通过安装在井下巷道中的无线校准器采集目标点接收信号强度指示（RSSI）值，采用自适应动态校准方法对RSSI值进行实时校准，以减小强时变性电磁环境对定位精度的影响；最后利用SAPSO-BP神经网络估