基于随机森林算法的室内可见光指纹定位方法

为进一步提高动态目标室内可见光定位追踪系统性能，提出了一种基于随机森林（RF）算法的室内可见光指纹定位方法。利用发光二极管（LED）的光强信号作为特征构建指纹数据库，应用指纹库中的数据训练决策树，引入RF算法进行初始定位，再通过卡尔曼滤波对初始位置估计进行优化，从而获得更准确的定位轨迹。仿真结果表明：在5 m×5 m×3 m的室内场景下，通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果；此外，通过与不同室内可见光定位算法的性能进行对比，验证了所提算法的技术优势。     

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network, GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明：在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。     

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。     

基于双BP神经网络的室内可见光定位算法

为提高室内可见光定位的精度,提出了一种基于双反向传播(BP)神经网络的单发光二极管(LED)灯室内定位算法.首先在定位区域内使用BP神经网络确定待测目标粗略的位置范围,然后以该位置范围为限制条件,再次使用BP神经网络实现更精确的定位.室内定位系统采用单个LED灯作为发射器,3个水平光电探测器作为接收器接收光功率,避免了...     

融合角度特征的CNN可见光室内定位算法

针对可见光室内定位精度不高的问题,提出一种融合角度特征的卷积神经网络(Convolutional Neu-ral Network,CNN)可见光室内定位算法.首先在基于接收信号强度(Received signal strength,RSS)的基础上,考虑到LED(Lighting Emitting Diode,LED)...     

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RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGO-Elman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。     

基于多源信息融合的RBF神经网络室内可见光定位算法

针对基于接收信号强度（RSS）的定位技术易受环境干扰而导致定位精度不高和稳定性较差的问题,提出了一种基于多源信息融合的径向基函数（RBF）神经网络室内可见光定位算法。通过将图像的颜色矩特征与RSS矩特征融合,构建指纹库,并采用RBF神经网络进行预测,实现了图像与RSS之间的优势互补,最后对定位算法进行了验证。实验结果表明,经过优化的多源信息融合定位算法较单一RSS定位算法的定位精度提高了9.4%。     

基于可见光的自适应混合蛙跳定位算法

可见光通信具有绿色、节能、成本低等优点,比较适合应用于室内定位。提出一种基于可见光通信的自适应混合蛙跳室内定位算法,该算法通过到达时间(TOA)算法和最小二乘算法进行初始定位,得到未知定位点的估计位置解集,再利用自适应混合蛙跳算法搜索未知定位点的最优位置。该算法具有较强的全局搜索能力,不易陷入局部最优,能够得到较高精度的定位结果。仿真结果表明,该算法比传统TOA定位算法的定位误差小,说明该算法提高了室内定位的精度。     

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。     

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。     

位置指纹定位技术

在室内利用无线网络对移动目标定位,可用的技术有基于波达时间(TOA/TDOA)、基于波达角度(AOA)、以及基于接收信号强度(RSS)的技术等。比较而言,基于接收信号强度(RSS)的位置指纹(LF)技术更适合于复杂的室内环境。对该技术目前的研究情况进行比较全面和详细的介绍。     

基于中心点定位的指纹匹配算法研究

指纹识别算法是自动指纹识别系统的核心技术,基于细节匹配的算法是广泛采用的算法,但是其识别率受到中心点定位精度的限制。借鉴基于滤波的指纹识别算法的中心点识别方法,解决基于细节匹配的指纹识别算法的中心点匹配问题。对实际指纹传感器采集的指纹测试的结果表明,该指纹识别算法的识别率得到提高,具有一定的实用性。     

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。     

基于BP神经网络和泰勒级数的室内定位算法研究

 在研究分析室内无线信号传播特性和传统的室内定位算法的基础上,提出了用BP神经网络来拟合室内无线信号传播模型,避免了对无线信号传播模型中参数A和n的不精确估计.在训练完成的BP神经网络的输入层输入接收信号强度值RSSI(Received Signal Strength Indicator),在输出层即可得到对应的距离值,再利用泰勒级数展开法确定盲节点的坐标位置.最终通过Matlab仿真和ZigBee平台实验验证了算法的可行性和有效性.