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%。     

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)...     

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%。     

基于深度学习的室内可见光通信光源配置策略

为了在不同的室内环境下寻求最优的光源优化方案,提出了一种基于深度学习的室内可见光通信光源配置策略。分别引入室内障碍物、自然光和人员移动干扰,以室内信噪比均匀度为目标函数,使用花授粉算法(FPA)对不同的房间状态下的光源功率和半功率角进行优化;将得到的房间状态和光源配置作为训练集,使用卷积神经网络（CNN）进行训练,得到的计算模型可以在不同房间状态下对最优光源设置进行预测,实现光源配置的动态调整。仿真结果表明：该策略的光源参数合格率达88%,且预测结果在房间信号功率和光照强度上均满足要求。     

基于遗传算法优化BP神经网络的可见光定位

采用接收信号强度(RSS)方法的室内可见光定位 ,因受多径效应及噪声的影响,对距离估计不准确, 定位精度不高。为提高定位精度,本文提出了一种采用遗传算法优化BP神经网络(GA-BP) 的距离估计方法。 先通过遗传算法优化BP神经网络的初始权值,经过优化后的BP神经网络收敛速度快,不易 限于局部最优。 再利用GA-BP神经网络对收发端之间的距离进行修正,使其接近于真实距离。最后使用最 小二乘法解算待 定位点坐标,同时在不同定位范围和不同定位位置下,与传统RSS加权质心方法的可见光定 位结果进行对 比。仿真结果表明,在5m×5m×3m的定位场景中,平均定位误差可以达到0.642 cm。与传统RSS加权质 心方法相比,平均定位精度提高了约96.4%。且在不同定位范围和不 同定位位置下,平均定位误差稳定在 毫米级,尤其不随定位范围的扩大而扩大。有效地提高了室内定位精度和系统应用的普适性 。     

基于白光LED的室内高精度定位算法的实现

搭建了室内可见光定位系统,实验上探索了接收信号强度比定位算法的可行性.通过控制多个LED光源在不同时隙的亮暗,分别传输直流与正弦信号,使用照度计及光电探测器测试接收信号强度,对接收机位置进行了估计.其中使用直流信号时,在与光源所在平面相距59 cm的接收平面内,得到最大误差为2.05 cm、平均误差为8.64 mm的定位精度;使用正弦信号时,在与光源平面相距30 cm的接收平面内,得到最大误差为1.09 cm、平均误差为5.6mm的定位精度,并且使用交流信号时实验结果不受环境杂散光的干扰.     

基于BP神经网络的可见光成像通信列车定位方法

基于通信的列车控制（CBTC）系统的列车定位功能在保障列车安全运行方面具有重要作用。为了提高列车定位的实时性和准确性,依据地铁隧道内LED光源固有的布置方式,提出了一种基于BP神经网络（BPNN）和可见光成像通信相结合的列车定位算法。首先,在光条纹码调制时将不同的特征变量引入身份识别（ID）信息中,使用BPNN对LED-ID信息分类识别,得到LED光源的位置信息,并通过惯性测量单元（IMU）获取相机成像时的姿态角;然后,结合图像传感器（IS）和LED光源之间的几何关系求出二者的相对位置,得到列车的位置坐标;最后,通过仿真实验验证了所提定位算法的有效性。研究结果表明：静态实验中的平均定位误差为2.31 cm,动态实验中的平均定位误差小于5 cm,而且所提定位算法仅需单个LED光源通信,平均定位时间为51.34 ms。所提方法提高了列车定位的实时性和精度,可以作为现有列车定位方法的补充。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。     

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。     

基于朗伯模型参数估计的VLC室内定位优化算法

为实现高精度室内定位,本文设计了一种可见光 通信(VLC)室内定位系统,并通过 结合优化的朗伯模型、码分多址技术(CDMA)、三边定位算法而有效提升了定位精度和系统 扩展性。首先,每个发光二极管(LED)的ID信息经过直接序列调制后加载到LED驱动电路上 ,LED发出带有自身ID信息的灯光信号。在接收端通过光电探测器(PD)接收灯光信号,并 根据扩频码的正交性恢复出ID信息及接收信号强度(RSS),以此提高信道容量并增强系统 抗干扰能力。然后,根据朗伯光源模型,由三边定位算法得出待定位点的定位估计坐标。为 进一步提高精度,引入k最近邻(KNN)思想,采集适当的指纹点并由指纹点信息对每盏灯在 定位估计坐标处的朗伯光源模型参数进行估计,由优化后的朗伯模型计算出精度更高的定位 坐标。在1m×1m×1.35 m的空间区域中,进行本VLC室内定位系统 的实验测试。结果表明,提 出的高精度VLC室内定位系统的平均定位误差降低至2cm左右,其定位精度相比于传统三边 定 位算法提升了30%。此外,该系统方案所采用基于指纹点信息优化朗 伯模型参数的方法具备良好的实用扩展性,可实现广阔的应用场景。     

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.     

基于指纹的室内可见光定位方法

为了实现低成本、低复杂度以及高精度的室内定位系统,提出了基于指纹的室内可见光定位方法。该方法利用可见光发光二极管作为信号源,根据接收到的可见光信号强度信息,结合三角定位算法和指纹定位算法,实现室内高精度定位。定位过程主要分为两步:第一步,通过三角定位算法确定移动目标粗略的位置范围;第二步,以该位置范围作为限制条件,使用指纹定位算法实现更精确定位。实验结果表明,该方法与传统的基于可见光信号强度的定位方法相比,平均定位精度提高了64.71%;同时,与传统的基于指纹的定位方法相比,可以在更低复杂度的情况下,实现更精确定位。     

基于最小三角形算法的室内可见光三维定位方法

为进一步提高室内可见光三维定位的精度，提出了一种基于最小三角形算法的室内可见光三维定位方法。该方法采用视距链路模型，由定位终端接收携带发光二极管位置信息的光强信号，利用最小三角形算法和接收信号强度指示方法来计算接收机在室内的三维位置信息，再引入加权质心算法降低光路受遮挡所造成的影响。仿真结果表明：在室内5 m×5 m×3 m的定位区域内，提出的定位方法平均定位误差约为4.35 cm，平均高度误差约为1.65 cm，定位精度优于传统的室内可见光三维定位方法。     

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。     

TOA/RSS混合信息室内可见光定位方法

为提高室内定位精度,提出一种基于混合到达时间/接收信号强度(TOA/RSS)信息的定位方法。针对室内可见光定位中存在的多径效应造成的定位非线性误差,引入前置无迹卡尔曼滤波的粒子滤波算法,将TOA信息与RSS信息相融合,达到修正非线性误差的目的。然后综合考虑接收端惯性传感参数,对接收端进行运动分析,提升估算坐标的精度。在长宽均为5 m、高度为3 m的室内进行定位仿真,在12 W发光二极管(LED)发射功率下,所提方法获得了平均定位误差为2.02 cm的定位精度。仿真结果证明,所提定位方法的定位性能总体优于指纹定位方法和三边定位的RSS定位方法,具有较强的鲁棒性和较低的定位延迟。     

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network, CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播 神经网络(back propagation netural network, BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。     

基于白光LED的室内行走目标三维定位方法

为了解决现有可见光室内动态目标定位方法中出现的阴影遮蔽、保密性差、光源能耗量大且相互干扰等实际问题,提高定位精度,提出一种基于白光LED的室内行走目标定位方法。分析了室内行走特点,建立基于固定的复眼接收器、SiO2透明地板和光束位移的定位模型,对两处最优复眼透镜进行虚拟直射变换,实现行走目标的三维定位。该方法仅用单一LED发射器即可精确定位,节省了大量能耗。同时,有效缩短了光束传播距离,提高了光功率,具有良好的保密性和泛化性。实验表明:动态目标定位方法监测位置误差率能够限制在3.5%以内;当对5个以上行走目标定位时,若相邻接收器间距与接收器覆盖半径相等,则定位精度最高。     

基于可见光和射频融合的通信定位一体化系统

针对在可见光和射频融合网络中,传统的基于接收信号强度的用户切换方案未考虑用户切换错误率的问题,提出了基于位置的用户切换方案。具体地,设计并实现了一套基于低成本物联网芯片ESP32的可见光-射频融合的通信定位一体化系统,该系统使用可见光通信下行数据、Wi-Fi上行数据。设计了基于时-频复用的通信定位一体化框架,使用神经网络估计用户的位置,用户根据估计的位置完成切换。在通信方面,系统的吞吐量最高可达35 kbit/s;在定位方面,系统的定位精度可达2.8 cm,比传统系统的定位精度提升了33%。与基于接收信号强度的切换方案相比,所提方案的用户切换错误率降低了4%。     

利用信道状态信息的室内定位技术

多径效应导致基于信号接收强度（RSSI）的室内定位方法精度不高,采用更细粒度的物理层信道状态信息（CSI）可以区分不同路径,提高定位精度。在已有基于CSI室内定位方法的基础上,通过改进对数距离路径损耗模型,得到CSI与传输距离的关系,并结合目标位置所测得的CSI值回归出目标与发射端的距离,最后通过三边定位法预测出目标的位置坐标。实验表明,相比基于RSSI的定位方法以及已有的基于CSI的定位方法,所提方法2 m以内的误差概率提高了将近40%和20%,有效提高了定位精度。     

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。