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。     

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。     

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。     

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RFID的改进室内三边定位算法研究

RFID技术常被应用在室内定位上,针对其常用的三边定位算法易出错、定位精度不高的问题,提出了改进的三边定位算法,通过多次选取不同的参考标签并结合基于欧氏距离的定位方法,最后以多次求解的平均值为未知点坐标,这样可以提高定位的精度同时降低误差的产生率。通过实验验证了改进的三边定位算法具有较高的可行性、较高的定位精度同时降低了系统的鲁棒性,该方法可以在室内定位上进行应用研究。     

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...     

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 。     

声表面波室内定位系统与算法研究

鉴于声表面波技术的无源优势,搭建了由声表面波标签和阅读器构成的室内定位系统,在测量标签回波信号强度时,可有效减小多径效应的影响。设计了以三边定位为基础的定位算法,包括测距、选星、位置估计3个阶段,分析了3个定位圆之间位置关系可能出现的全部情况,并有针对性地进行自适应修正。仿真测试结果验证了定位算法的定位误差小于根心法和加权质心法。系统测试结果表明,定位系统可实现2 m×2 m的定位,平均定位误差为31.84 cm。室内定位系统和算法以较少的锚节点实现了较小的室内定位误差。     

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ZigBee室内定位算法研究

研究了基于信号强度的 ZigBee 定位算法,以接收信号强度指示(RSSI)定位算法为基础。通过全局坐标系中已知的参考节点位置以及与各个参考节点之间的信号强度,分析计算得到盲节点的坐标位置,即室内移动机器人当前的坐标位置。通过实验研究和数据分析,可以借助 ZigBee 低功耗及组网稳定等特性对室内定位领域有进一步的理解和应用。     

基于RSSI和惯性导航的融合室内定位算法

针对目前对高精度室内定位算法的需求,提出一种基于接收信号强度识别（RSSI）和惯性导航的融合室内定位算法。基于无线传感网中ZigBee节点的RSSI值,采用位置指纹识别算法,对网络中的未知节点进行定位。结合惯性传感单元（IMU）提供的惯性数据,对RSSI定位结果进行融合修正。利用Kalman滤波器,采用状态方程描述待定位节点位置坐标的动态变化规律,从而实现一种以无线传感网络定位为主、IMU为辅的融合定位方法。仿真结果表明,提出的融合定位算法既能改善单独使用RSSI定位受环境干扰较大的问题,又能避免单独使用惯性导航带来的累积误差,极大地提高了定位精度。     

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。     

基于改进接收信号强度指示的室内定位算法

为了提高室内环境节点定位精度,针对传统定位算法的不足,提出一种改进接收信号强度指示的室内定位算法。首先通过神经网络对各锚节点接收信号强度的权值进行拟合,得到路径损耗模型的参数值,然后利用最大似然法对未知节点进行定位,最后采用仿真实验测试其性能。结果表明,相对其它室内定位算法,本文算法提高了室内定位的精度,降低了平均定位误差,可以满足室内定位的实时性要求。