基于改进免疫粒子群优化算法的室内可见光通信三维定位方法

针对室内可见光通信中3维定位精度不高和定位时间较长的问题,该文提出基于改进免疫粒子群(IIMPSO)算法的室内可见光通信(VLC) 3维定位方法。通过分析室内多径效应,选取合适的视场角(FOV)以减少反射影响,同时完善了倾斜状态下的定位模型,并采用卡尔曼滤波算法以降低环境干扰对接收功率的影响,在此基础上与改进的免疫粒子群算法相融合。仿真结果表明,在5 m×5 m×3 m的室内环境中,该文所提出的3维定位系统平均定位误差为0.031 m,定位时长为2.3 s。与现有的3维定位系统进行比较,其定位精度与收敛速度均得到明显改善。

     

基于改进粒子群算法的室内可见光定位研究

为了提高现行室内可见光定位系统的定位精度,提出考虑噪声干扰的动态惯性权重及认知因素的改进型粒子群算法。首先,将决定定位精度的欧式距离转换为目标函数最小值优化问题;其次,利用惯性权重动态赋值,增强粒子群算法初期的全局搜索能力和后期的局部搜索能力;然后,利用正弦函数使得个体认知因素值非线性地减小,利用余弦函数使得群体认知因素值线性地增加,以进一步提升定位精度;最后,通过仿真与实验测试对所提定位算法进行验证。仿真测试结果表明,在5 m×5 m×3 m和5 m×4 m×3 m两种定位模型中,在0,0.5,1.0和1.5 m四个高度平面的空间定位平均误差分别为0.65和0.54 cm;实验结果显示,在搭建的1 m×1 m×0.8 m和1 m×0.8 m×0.8 m室内空间中的平均定位误差分别为2.67和1.81 cm。     

基于粒子群优化压缩感知的可见光定位算法

目前,基于压缩感知的可见光定位采用线性最小二乘法重构信号,容易陷入局部最优解,且需要高密度的发光二极管布局。针对这些问题,提出了一种基于粒子群优化压缩感知的可见光定位算法。首先,建立一种基于重构接收信号强度残差的适应度函数;其次,将指纹定位的权重求解问题转换为稀疏矩阵的重构问题;最后,采用粒子群优化重构信号。仿真结果表明,所提算法的时间复杂度较低、鲁棒性好,即使在低密度的发光二极管布局下,定位误差依然很小。当信噪比为10 dB、网格间距为50 cm时,所提算法定位误差的平均值为3.67 cm,显著低于现有的10种同类算法。还详细分析了不同参数对所提算法定位误差的影响,所得结果可为实际可见光定位系统的设计提供有益的参考。     

基于改进粒子群的RSSI定位参数优化算法

采用多种群最优值维度交叉法和动态惯性权重法相结合,实现粒子群算法的改进,提高算法收敛速度,降低早熟概率。将改进后的算法用于RSSI定位参数优化,实时修正无线信号传播模型,克服接收信号强度与实际传播距离受无线信号多径效应的影响没有固定一致变化关系的问题。仿真结果表明,此方法相比基于粒子群的RSSI定位方法、基于多种群粒子群的RSSI定位方法和传统的最小二乘曲线拟合的RSSI定位方法,能够有效提高室内三维定位精度。     

基于改进粒子群算法的室内可见光通信系统灯源布局

针对传统室内可见光通信(VLC)系统中光源分布的不均匀性导致的通信盲区和通信质量不平稳等问题,提出一种位置和灯源参数联合优化的方法.该方法在不改变传统布局的总功率前提下进行发光二极管(LED)阵列的重新分配,其次遍历搜寻各LED阵列的最优位置,最后运用改进的粒子群优化(PS0)算法对各LED阵列中的参数进行优化.仿真结...     

基于改进粒子滤波的RFID室内目标定位算法

针对于LANDMARC算法的RFID室内定位精度受传输路径影响严重,直接采用粒子滤波自适应性差的问题,提出一种基于改进粒子滤波的RFID室内定位算法.该算法首先利用极限学习机(ELM)拟合阅读器接收信号强度与标签距离之间的非线性关系,构建信号传输模型,筛选邻近标签集;然后采用自适应学习因子优化粒子滤波过程,提高粒子全局...     

基于RSS的室内可见光差分修正定位算法

可见光通信技术是利用白光LED同时实现照明和通信的新型通信技术,为室内定位技术提供了新的可能.针对可见光通信中接收信号强度RSS随机波动较大的问题,提出一种基于RSS的改进的差分修正定位算法,通过将各个参考节点分别作为差分修正参考节点进行定位修正,规避了设定参考节点权重过大的问题.该定位算法有效地提高了室内定位精度,无需增加额外硬件设备,计算量小,容易实现.仿真结果表明,该定位算法在5m×5m×3m的空间区域中能够实现约15 cm的平均定位误差性能.     

基于可见光通信的室内定位算法及相应参数估计克拉美罗界

基于可见光通信的新型室内定位方法具有传统无线定位方法难以替代的优势,且室内光源布局对定位性能的好坏有着直接影响。在满足室内光照条件要求的前提下,针对典型可见光通信室内定位模拟环境,推导了待测点的克拉美罗界(CRB)和定位性能最佳的光源布局,并使用高斯-牛顿算法进行了仿真分析,证明了文中推导的正确性。     

可见光重构指纹室内定位算法研究

提出一种可见光重构指纹室内定位算法(RFP),通过融合到达时间差(TDOA)算法和指纹算法可快速完成室内高精度定位。该算法首先利用TDOA算法多次估计得到的解集定义一个区域,然后在该区域中构建三维精细指纹库,再利用匹配算法定位未知节点。仿真结果表明,该算法的平均定位误差约为0.1719m,与传统的TDOA算法相比,提高了定位精度,与传统精细指纹算法相比,节省了定位时间。     

基于BPNN-MLR的室内可见光定位算法

针对传统位置指纹算法存在定位精度低和计算复杂度高等问题,文章提出了一种基于反向传播神经网络(BPNN)和多元线性回归(MLR)的单发光二极管(LED)室内定位算法.首先,利用3个水平光电探测器(PD)作为接收器接收光功率,待测点位于接收器的中心;然后根据接收到的光功率向量,利用BPNN确定待测点粗略的位置范围;最后以该...     

基于可见光通信技术的全双工以太网通信系统设计

利用可见光通信技术来传输以太网信号能够克服传统无线通信速率低、频谱资源紧张、使用场景受限等缺点.针对传统的可见光通信系统难以实现高速以太网通信的问题,本文设计了满足以太网技术要求的全双工可见光通信系统.系统主要包括以太网接口处理电路、差分转单端、单端转差分电路、光源驱动电路、光电检测电路,上、下行链路都采用可见光通信技...     

基于可见光通信的BP神经网络室内定位算法

提出一种基于可见光通信的BP神经网络室内定位算法,首先通过MDS-MAP算法和最小二乘法获得全网节点的相对坐标,再利用信源节点的坐标信息得到网络内所有节点的绝对坐标,最后通过单隐层BP神经网络优化定位结果。仿真结果表明,该算法比MDS-MAP算法和MDS-MAP(P)算法的相对定位误差小,应用于室内定位可以得到更高的定位精度。     

Theoretical Limits Analysis of Indoor Positioning System Using Visible Light and Image Sensor

To solve the problem of parameter optimization in image sensor‐based visible light positioning systems, theoretical limits for both the location and the azimuth angle of the image sensor receiver (ISR) are calculated. In the case of a typical indoor scenario, maximum likelihood estimations for both the location and the azimuth angle of the ISR are first deduced. The Cramer‐Rao Lower Bound (CRLB) is then derived, under the condition that the observation values of the image points are affected by white Gaussian noise. For typical parameters of LEDs and image sensors, simulation results show that accurate estimates for both the location and azimuth angle can be achieved, with positioning errors usually on the order of centimeters and azimuth angle errors being less than 1°. The estimation accuracy depends on the focal length of the lens and on the pixel size and frame rate of the ISR, as well as on the number of transmitters used.     

基于稀疏训练点和指纹重构的室内可见光三维定位算法

目前构建基于机器学习的室内可见光定位模型主要依赖于光电二极管和指纹数量,为了降低指纹采集的复杂度,提高定位精度,提出一种基于指纹矩阵稀疏重构的室内三维可见光定位算法。该算法利用极限学习机训练稀疏采样点,采用奇异值分解和交替方向乘子法求解稀疏指纹矩阵的重构问题。该算法可以有效降低指纹的采样率,同时可以基于极限学习机算法较强的泛化能力提高定位速度和定位精度。在此基础上,由于可见光的多径反射等因素的影响,定位区域的边界定位误差大于内部定位误差,通过引入一种边界修正定位算法,可以有效降低边界定位误差。仿真和实验结果表明,与传统的机器学习算法相比,该算法在减少其所需指纹数量的同时,具有更高的定位速度和精度。     

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization, SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network, CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network, BPNN)、多层感知器(Multilayer Perceptron, MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。     

基于多LED的高精度室内可见光定位方法

针对可见光室内定位问题,该文基于接收信号强度(RSS)定位技术,提出一种利用多个LED发射端实现室内定位的方法,即MLED-RSS定位算法。该方法在充分考虑LED拓扑结构对定位性能影响的基础上,利用部署在室内的多个LED,合理选择其中3个LED作为发射节点,采用改进的三边定位法获得定位目标位置信息。定位算法可以有效地解决可见光定位存在的遮挡效应。仿真实验表明,MLED-RSS算法可以实现高定位精度。