可见光室内定位技术研究进展

可见光赋能的定位技术具有无电磁辐射、成本低、精度高、安全性高、不易受电磁干扰等优势,故近年来可见光室内定位技术(Visible Light Indoor Positioning, VLIP)受到了学界和业界的广泛关注。为了展示VLIP的研究进展和发展全貌,阐述了VLIP的系统架构及相关通信技术,对VLIP基础定位方法及其相关辅助定位技术进行了详细地梳理、分类和对比分析,针对VLIP当前面临的挑战分析了潜在的解决方案,展望了VLIP未来研究方向。     

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...     

基于室内可见光的通信系统性能优化分析

阐述可见光通信特点,基于发光二极管为核心的新型无线光通信技术。探讨影响白光LED传输性能的因素,白光LED传输性能的关键技术,从而提升白光LED传输性能。     

基于室内可见光照明的位置服务系统

设计并实现了一种基于室内LED照明光源的位置服务系统。系统利用LED标签(LED ID)技术,LED提供照明的同时广播自身的位置ID信息,移动终端将接收到的ID信息与位置关联,实现自身的被动定位。可见光通信的调制编码以及解调解码模块均采用单片机处理器(PC)实现,并提供UART接口分别与PC控制端和手机显示端进行通信。PC控制端向LED信号源发送位置服务信息,LED信号源通过空间光传输方式将自身位置ID和接收到的位置服务信息广播出去。手机使用终端加载有Android操作环境下的室内定位导航软件,可以实时更新位置和位置服务信息。     

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Elman神经网络的室内定位算法

针对传统室内定位算法精度较低的问题,提出一种基于Elman神经网络的室内定位算法。使用Elman神经网络进行指纹库插值扩充,完备指纹库,两者结合减少定位误差,并对该算法模型进行了实验验证。实验结果表明：在0.8 m×0.8 m×0.8 m环境中,所提算法的平均定位误差为4.6 cm,满足室内定位对于精度的要求。     

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。

     

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。     

基于微惯导与VLC的室内高精度定位技术研究

高精度室内定位在很多场合的实用性和必要性日趋显著,其应用前景广阔,已成为研究前沿.基于微惯导技术的室内定位,是目前最为精确和有效的一项定位技术,但由于微惯导测量组件存在不可避免的漂移现象,使其无法长时间独立用于目标的定位.在此背景下,提出了一种基于微惯导(Micro-Inertial Navigation System,Micro-INS)与可见光通信(VLC)系统相结合的定位方法.在该方法中,首先通过微惯导测量组件进行航位推算,然后利用获取的VLC信号对微惯导系统的位置信息进行校准,补偿微惯导系统的定位累积误差.定位实验结果表明,文章所提出的方法可有效地提高系统定位精度,实现室内的长时间精确定位.     

基于MEA-GRNN的RFID室内定位

针对采用遗传算法(Genetic Algorithm,GA)优化广义回归神经网络(Generalized Regression Neural Network,GRNN)的射频识别（Radio Frequency Identification,RFID）室内定位模型存在的早熟、收敛速度慢、不能保证解是全局最优等问题,提出采用思维进化算法(Mind Evolutionary Algorithm,MEA)来寻找广义神经网络的最优光滑因子,从而确定最优定位模型。首先用GRNN建立节点定位模型,阅读器与标签的接收信号强度值作为GRNN的输入,节点坐标作为输出,根据适应度函数值,通过MEA寻找GRNN的最优平滑参数。实验结果表明,通过MEA优化的GRNN模型的定位精度比GA优化的GRNN定位模型的精度高、泛化能力强,并且比后者的效率高,能够避免GA陷入局部最优的问题。     

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。     

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。