CN106100734B - 一种基于人工神经网络的高精度室内可见光定位方法 - Google Patents

Abstract

一种基于人工神经网络的高精度室内可见光定位方法，特征是包括训练模式和定位模式两部分，即首先根据选取测试点的位置坐标和接收信号强度建立人工神经网络并对其进行训练；之后利用训练完成的人工神经网络并结合接收端的接收信号强度，得到最终的定位结果。在训练模式中，该方法能够同时考虑光源的直射光信号以及来自墙面和其他物体表面的漫反射光信号，并能在训练完成后的定位过程中对其加以利用。本发明所提方法更符合实际的应用场景，定位结果更为准确；且相对于传统基于接收信号强度的定位方法，该算法的运算时间更短，效率更高。

Description

一种基于人工神经网络的高精度室内可见光定位方法

技术领域

本发明涉及一种基于人工神经网络的高精度室内可见光定位方法，属于室内定位以及可见光定位技术领域。

背景技术

随着定位导航技术的广泛应用和位置服务应用的不断多样，室内定位技术逐渐进入人们的视野，相关需求也不断增长。在定位与导航市场中，GPS和北斗等基于卫星信号的定位系统占据了绝大多数。但是与此同时，由于在城市中卫星信号会被高楼遮挡；而且在室内，卫星信号经过穿墙之后会被严重衰减，因此GPS和北斗这类基于卫星信号的定位技术在室内环境下并不实用。近年来，随着绿色照明的发展，LED以其高发光效率、低能耗、低成本、高显色性和环境友好等优势逐渐得到普及。而基于LED光源的可见光通信和可见光定位技术也不断发展，出现了多种原理的可见光通信和可见光定位相关的论文和专利。

与基于Wi-Fi和蓝牙的定位技术相比，可见光定位技术没有电磁辐射，且不受电磁信号的干扰。因此其定位精度高于基于Wi-Fi和蓝牙定位，且更加稳定。而与基于超声、红外和超宽带(UWB)的室内定位技术相比，可见光定位技术可直接利用室内的照明LED灯，无需额外假设信号发射装置。因此其成本更低，更易于推广和实用。

对于当前的室内可见光定位技术，出于成本与系统复杂度的考虑，大都是在接收端采用光电探测器，同时利用接收到的来自各个光源的信号强度进行定位，例如专利“一种基于误差校正的室内可见光强度定位系统”(申请号201510182109.6)和专利“基于可见光信号强度的三维空间室内定位方法”(申请号201510063426.6)。但是对于这一类的定位技术而言，都只考虑到了直接来自光源的直射信号，而忽略了来自于墙面或家具的反射光信号，因此在实际应用中存在较大误差。与此同时，这些基于光信号强度的定位方法都需要求解定位方程组，计算时间较长。

鉴于上述现有技术忽略反射光信号而存在较大误差以及定位解算复杂的技术缺陷，本发明致力于基于人工神经网络降低误差并提高室内可见光定位系统的定位精度。

在人工神经网络进行此技术方面，经过深度资料检索，有如下文献：

“基于神经网络的手机定位方法及定位装置”(申请号CN201510895915.8)和“基于压缩感知和BP神经网络的无线传感器网络定位方法”(申请号CN105676178A)，但是在这两个专利中，作者是使用语音噪声信号或无线传感器信号进行定位，并未使用可见光信号。且此两专利使用的方法与可见光定位技术相比，需要使用额外的硬件设施。

因此，本发明致力于将人工神经网络技术和可见光定位技术相结合，以实现效率更高、成本更低的室内定位。

发明内容

本发明的目的在于解决目前室内可见光定位技术受到反射光信号干扰的问题，提出一种基于人工神经网络的高精度室内可见光定位方法。

一种基于人工神经网络的高精度室内可见光定位方法包括训练模式和定位模式；其中，训练模式在定位之前完成，主要功能是根据测试点的信息通过训练获得定位模式所需的人工神经网络，即：利用测试点的位置坐标和接收信号强度建立人工神经网络并对其进行训练；定位模式的主要功能是利用已经训练好的人工神经网络对接收端进行定位，即在定位过程中发挥作用，利用训练模式输出的人工神经网络并结合接收端的接收信号强度，最终得到定位结果。

训练模式的具体步骤如下：

步骤一：在天花板上放置N个光源，N个光源都采用强度调制的方式进行驱动，同时通过光信号发送自己的空间坐标；与此同时，接收端根据室内环境，在接收平面选取R个测试点；

其中，对于光源，N的数量为大于3个；N个光源在完成照明功能的同时作为可见光定位系统的信号源；在不少于3个的前提下，光源的密度则由室内照明需求决定，相邻光源的间距通常为1到3米；所述的接收端为位于光源下方的某个平面，其所处平面为接收平面，接收平面与光源的垂直距离，记为h；

所述的R的选择依据主要为系统定位精度要求，每个测试点与相邻测试点的间距为5到10厘米，优选的R值密度范围为：100个/平方米到400个/平方米之间；

步骤二：利用可见光信道的模型仿真或者实地测量，求出或测量出接收端在选取的接收平面各个测试点处分别来自各个光源的光信号强度；

其中，光信号强度包括直射光信号强度和经各种表面反射的光信号强度；

步骤三：在接收平面建立以来自各个光源的光信号强度为输入，接收端坐标为输出的人工神经网络，并根据不同测试点的位置坐标和在步骤二中得到的来自各个光源的光信号强度对所建立的人工神经网络进行训练，得到训练完成的人工神经网络；

其中，在该人工神经网络的训练过程中，可使用多种人工神经网络算法进行训练，所遵循的原则是：所有测试点误差的均方根之和最小；

其中，所述的人工神经网络至少包含1层隐含层，每层隐含层包含至少15个内部节点；

至此，从步骤一到步骤三，完成了训练模式，在训练模式完成后，会得到一个训练好的人工神经网络，其将被用于之后的定位模式；

定位模式，具体步骤如下：

步骤四：将接收端接收到的来自N个光源的光信号强度输入步骤三输出的已经训练完成的人工神经网络；

其中，对于该人工神经网络而言，其输入为N个光源的光信号强度，输出为一个相对应的位置坐标；

步骤五：利用接收端接收到的来自N个光源的光信号强度和已经训练好的人工神经网络进行内部函数运算，并获取输出结果。其输出结果为一个坐标值；

步骤六：采集人工神经网络的输出结果，并将其作为接收端的位置坐标，即定位算法的最终定位结果；

至此，从步骤一到步骤六，完成了一种基于人工神经网络的高精度室内可见光定位方法。

有益效果

一种基于人工神经网络的高精度室内可见光定位方法，与现有技术相比，具有如下有益效果：

1.本发明同现有技术中“一种基于误差校正的室内可见光强度定位系统”和“基于可见光信号强度的三维空间室内定位方法”相比，具有以下优点：考虑并从一定程度上消除了反射光对室内可见光定位系统的影响，在同等条件下的定位精度更高；

2.本发明所提方法使用训练好的人工神经网络处理接收信号强度数据并进行定位，因此不需要求解非线性的定位方程组，定位速度可以提高10倍以上。

附图说明

图1为本发明一种基于人工神经网络的高精度室内可见光定位方法及实施例中的总体流程图；

图2为本发明一种基于人工神经网络的高精度室内可见光定位方法实施例1中步骤S1中测试点选取示意图；

图3为本发明一种基于人工神经网络的高精度室内可见光定位方法实施例1中步骤S3中人工神经网络结构示意图。

具体实施方式

下面，结合附图详细描述本发明的优选实施方式。为了便于描述和突出显示本发明，附图中省略了现有技术中已有的相关部件，并将省略对这些公知部件的描述。

实施例1

结合图1，图2，图3，对本发明一种基于人工神经网络的高精度室内可见光定位方法进行细致阐述。

本实施例中，阐述了应用本发明所述方法在室内房间中进行定位。室内房间的大小为5米×5米×3米；天花板上有4个LED灯在提供照明的同时作为可见光定位系统的信号源。这4个LED灯采用开关键控(OOK)信号调制，发送自己独有的身份码(ID)信息以区分不同光源。与此同时，接收端位于光源下方且与光源垂直距离为3米的平面上，并竖直向上放置。

图1为本发明一种基于人工神经网络的高精度室内可见光定位方法及实施例中的总体流程图；

由图1可以看出，本实施例运用本发明所提方法，具体包含如下步骤：

步骤S1：测试点选取；

具体到本实施例，步骤S1细化为：

天花板上放置的4个LED灯，分别发送自己的身份码信息；同时根据室内环境，在接收端所处的接收平面上均匀选取2601个测试点(如图2所示)，每个测试点与相邻测试点间距10厘米，此时节点密度为100个/平方米；

步骤S2：信道仿真或实地测量；

具体到本实施例，步骤S2细化为：利用可见光传输模型求出或测量出在步骤S1选取的各个测试点处所接收的分别来自各个光源的光信号强度，此强度包括直射信号和经墙面和家具等反射体所反射的光信号；

步骤S3：神经网络建立和训练，并结束训练模式；

其中，建立的人工神经网络示意图如图3所示：从图3可以看出，本实施例中一共有4个LED灯，记为：LED1、LED2、LED3和LED4；且此人工神经网络包含三层：输入层、隐含层和输出层；

具体到本实施例，步骤S3细化为：建立以分别来自各个光源的光信号强度为输入，测试点位置坐标为输出的人工神经网络；该人工神经网络分为输入层、隐含层和输出层：输入层为分别来自各个光源的光信号强度；隐含层包含30个节点；输出层为测试点位置坐标；接收端利用所有测试点所采集的数据对该人工神经网络进行训练，所采用的训练算法为Levenberg-marquardt算法，简称Im算法，matlab中的函数名称为：trainlm，训练目标是使各测试点处均方根误差的和最小；

步骤S4：开启定位模式：接收端将接收信号强度输入S3步骤输出的基于训练模式得出的训练所得人工神经网络；

具体到本实施例，步骤S4细化为：在实际使用过程中，在接收端根据不同的身份码信息接收分别来自各个光源的光信号，并将其强度输入在步骤S3中已经训练完成的人工神经网络；

步骤S5：利用训练完成的人工神经网络和接收到的各光源光信号强度进行内部函数运算，并输出一个坐标值；

步骤S6：将步骤S5的输出结果作为接收端的当前位置坐标，即本方法的定位结果；

至此，从S1到S6，完成了一种基于人工神经网络的高精度室内可见光定位方法。

实施例2

将实施例1中的4个LED灯改成N(N＞3)个灯，隐含层节点数由30个改为其他的数量，该定位系统依然有效。

实施例3

将实施例1中的LED灯改成其他可调制的光源如OLED，该定位系统依然有效。

实施例4

将实施例1中光源的区分方法改为身份码之外的其他方法，该定位系统依然有效。

为了更好地理解本发明，对有关内容补充说明如下：

关于测试点处光信号强度的获取：在本算法中，需要预先获取接收平面测试点处来自各个光源的光信号强度。这些光信号强度可由多种仿真算法或软件对室内环境仿真计算得出，也可通过在实际场景中的实地测量获得。

上述实施方式中未述及的有关技术内容采取或借鉴已有技术即可实现。

需要说明的是，本说明书所述的只是本发明的4种较佳具体实施例，以上实施例仅用以说明本发明的技术方案而非对本发明的限制。凡本领域技术人员依本发明的构思通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在本发明的范围之内。

Claims (5)

1.一种基于人工神经网络的高精度室内可见光定位方法，其特征在于：包括训练模式和定位模式；其中，训练模式在定位之前完成，主要功能是根据测试点的信息通过训练获得定位模式所需的人工神经网络，即：利用测试点的位置坐标和接收信号强度建立人工神经网络并对其进行训练；定位模式的主要功能是利用已经训练好的人工神经网络对接收端进行定位，即在定位过程中发挥作用，利用训练模式输出的人工神经网络并结合接收端的接收信号强度，最终得到定位结果；

训练模式的具体步骤如下：

步骤一：在天花板上放置N个光源，N个光源都采用强度调制的方式进行驱动，同时通过光信号发送自己的空间坐标；与此同时，接收端根据室内环境，在接收平面选取R个测试点；

其中，光源具体为LED灯，采用开关键控(OOK)信号调制，发送自己独有的身份码(ID)信息以区分不同光源；

步骤二：利用可见光信道的模型仿真或者实地测量，求出或测量出接收端在选取的接收平面各个测试点处分别来自各个光源的光信号强度；

具体的，利用可见光传输模型求出或测量出在步骤一的R个测试点处所接收的分别来自各个光源的光信号强度，此强度包括直射信号和经墙面和家具为主反射体所反射的光信号；

步骤三：在接收平面建立以来自各个光源的光信号强度为输入，接收端坐标为输出的人工神经网络，并根据不同测试点的位置坐标和在步骤二中得到的来自各个光源的光信号强度对所建立的人工神经网络进行训练，得到训练完成的人工神经网络；

其中，接收端利用所有测试点所采集的数据对该人工神经网络进行训练，所采用的训练算法为Levenberg-marquardt算法，简称lm算法，matlab中的函数名称为：trainlm，训练目标是使各测试点处均方根误差的和最小；

至此，从步骤一到步骤三，完成了训练模式，在训练模式完成后，会得到一个训练好的人工神经网络，其将被用于之后的定位模式；

定位模式，具体步骤如下：

步骤四：将接收端接收到的来自N个光源的光信号强度输入步骤三输出的已经训练完成的人工神经网络；

步骤五：利用接收端接收到的来自N个光源的光信号强度和已经训练好的人工神经网络进行内部函数运算，并获取输出结果，其输出结果为一个坐标值；

步骤六：采集人工神经网络的输出结果，并将其作为接收端的位置坐标，即定位算法的最终定位结果；

至此，从步骤一到步骤六，完成了一种基于人工神经网络的高精度室内可见光定位方法。

2.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：

步骤一中，对于光源，N的数量为大于3个；N个光源在完成照明功能的同时作为可见光定位系统的信号源；在不少于3个的前提下，光源的密度则由室内照明需求决定，相邻光源的间距为1到3米；所述的接收端为位于光源下方的某个平面，其所处平面为接收平面，接收平面与光源的垂直距离，记为h。

3.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：

步骤一中所述的R的选择依据主要为系统定位精度要求，每个测试点与相邻测试点的间距为5到10厘米，R值密度范围为：100个/平方米到400个/平方米之间。

4.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：

步骤三中，所述的人工神经网络至少包含1层隐含层，每层隐含层包含至少15个内部节点。

5.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：

步骤四中，对于该人工神经网络而言，其输入为N个光源的光信号强度，输出为一个相对应的位置坐标。