CN108732537A - 一种基于神经网络和接收信号强度的室内可见光定位方法 - Google Patents
一种基于神经网络和接收信号强度的室内可见光定位方法 Download PDFInfo
- Publication number
- CN108732537A CN108732537A CN201810430125.6A CN201810430125A CN108732537A CN 108732537 A CN108732537 A CN 108732537A CN 201810430125 A CN201810430125 A CN 201810430125A CN 108732537 A CN108732537 A CN 108732537A
- Authority
- CN
- China
- Prior art keywords
- led
- neural network
- net
- signal strength
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Communication System (AREA)
- Image Analysis (AREA)
Abstract
一种基于神经网络和接收信号强度的室内可见光定位方法,属于可见光通信技术领域。取定位区域对角线上格点作为神经网络训练集,为多个白光LED分配不同调制频率,利用训练集位置每个LED的接收信号强度及光探测器实际坐标值对神经网络进行训练,学习算法采用动量BP算法和学习率可变的BP算法相结合的学习算法。将任意待测格点上每个LED的接收信号强度输入训练完成的神经网络,得到光探测器位置坐标。本发明基于神经网络采用特殊训练集和优化学习算法,有效缩减大场景下采样数据量,并提高网络训练速度和室内定位精度;定位系统不受多径反射等外界因素影响;系统硬件基于传统可见光定位系统,无需额外投入。
Description
技术领域
本发明涉及一种基于神经网络和接收信号强度的室内可见光定位方法,属于可见光通信技术领域。
背景技术
基于可见光通信(Visible Light Communication,VLC)技术的室内定位方案具有三大优势:1)利用半导体发光二极管(Light Emitting Diode,LED)发射定位信号,价格低、能效高、寿命长,且广泛应用于室内照明,无需增加额外可见光光源;2)VLC系统不产生或受到射频或电磁辐射干扰;3)基于VLC技术的室内定位系统与未来VLC通信技术相兼容,无需昂贵的硬件设备投入,成本较低。目前已有的基于接收信号强度(RSS)的室内定位方法主要存在以下问题:1)众多外界因素,包括LED性能的差异、LED功率的波动、多径反射、环境光干扰等,直接影响接收端探测到接收信号强度的大小,使得定位精度较低;2)为提高定位精度与其他定位方式相融合,投入其他传感器,增加系统成本;3)已有技术采用随机训练集或采用均匀分布训练集,导致定位精度不高且大场景下采样数据量庞大;且现有技术均采用基础学习算法,网络训练速度较慢,精度较低。
发明内容
本发明的目的是为解决现有基于接收信号强度的室内可见光定位系统由于器件固有缺陷、外界环境影响、神经网络算法不够优化致使定位精度较低,运算速度较低,大场景下采样数据量庞大的问题,提出了一种基于神经网络和接收信号强度的室内可见光定位方法。
本发明的核心思想为:采用定位区域对角线上格点作为神经网络的训练集,并采用动量BP算法和学习率可变的BP算法相结合的学习算法对神经网络进行训练:具体通过为多个白光LED分配不同调制频率,在定位区域对角线格点处利用光探测器接收LED发送的信号,并对所述信号进行离散傅里叶变换(DFT)获取每个LED的接收信号强度;再利用所述接收信号强度及光探测器位置坐标对神经网络进行训练;其中,学习算法采用动量BP算法和学习率可变的BP算法相结合;最后将任意待测格点上每个LED的接收信号强度输入训练完成的神经网络,即可得到光探测器的位置坐标。
依托一种基于神经网络和接收信号强度的室内可见光定位方法的室内可见光定位系统,简称定位系统,包括可见光发送模块和接收端处理模块两大部分;
可见光发送模块又包括发送端编码器、LED驱动电路和LED阵列三部分;
其中,所述发送端编码器可以是FPGA,也可以是单片机,用来产生LED阵列各白光LED发送的不同频率的周期信号,LED阵列中采用N个LED;
其中,LED驱动电路为LED阵列各白光LED提供合适的直流偏置,并将发送端编码器产生的交流信号加载到LED驱动电流上;
其中,LED阵列中的各LED发送不同频率的周期信号;
接收端处理模块又包括:光探测器、采样设备和包含神经网络的接收端处理器三部分;
其中,所述光探测器是光电二极管和雪崩光电二极管中的一种;所述采样设备可以是示波器,也可以是数据采集卡;所述包含神经网络的接收端处理器对采样设备输出的时域信号进行频谱分析得到不同频率白光LED的接收信号强度。
定位系统中各组成模块的连接关系如下:
发送端编码器与LED驱动电路相连,LED驱动电路与LED阵列相连;LED阵列发出的可见光被接收端处理模块中的光探测器接收;光探测器与采样设备相连,采样设备和包含神经网络的接收端处理器相连。
定位系统中各组成模块的功能如下:
发送端编码器的功能是产生LED阵列各白光LED发送的不同频率的周期信号;LED驱动电路的功能是为LED阵列各白光LED提供合适的直流偏置并将发送端编码器产生的交流信号加载到LED驱动电流上;LED阵列的功能是发送不同频率的LED周期信号;所述光探测器的功能是用来在定位区域内探测各白光LED的信号强度,将可见光信号转换为电信号;采样设备的功能是将光探测器输出的电信号进行采样,得到时域上各LED的混合信号强度;接收端处理器的功能是对时域信号进行离散傅里叶变换得到不同频率白光LED的接收信号强度,并利用本发明所述方法进行室内可见光定位。
基于神经网络和接收信号强度的高精度室内可见光定位方法,包括以下步骤:
步骤一、发送端处理器驱动多个LED,并为每个LED进行频率分配,使其发射所分配频率的周期信号;
其中,LED的数量为N个,N不少于3个,优选的LED布设位置为在顶棚上;
LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,具体为:确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号;
其中,所述为每个LED进行频率分配需满足的条件为:人眼看不到闪烁以及不同频率之间不成倍数关系;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁是指所分配的频率均应大于50赫兹;
步骤二、在定位区域内设置均匀分布的格点,并在定位区域对角线上格点处利用光探测器接收LED发送的信号,导入采样设备以获取LED的信号强度信息,并进行缓存;
其中,定位区域内设置的均匀分布的格点,简称为定位区域格点;
其中,所述定位区域格点的间距d由所需定位模式决定;
其中,定位模式包括粗略定位模式和精细定位模式;
粗略定位模式的间距大于精细定位模式的间距;
其中,定位区域对角线上格点数目记为L;
所述光探测器是光电二极管和雪崩光电二极管中的一种;所述采样设备可以是示波器,也可以是数据采集卡;所述采样设备获取的LED信号强度信息是时域上N个LED的混合信号强度;
步骤三、采样设备将缓存数据传输至接收端处理器;
其中,优选的接收端处理器为电脑;
步骤四、接收端处理器对步骤二中得到的LED信号强度信息进行离散傅里叶变换得到接收信号的频谱信息,并取每个LED频率附近的频谱峰值作为其接收信号强度,记录该值;
其中,离散傅里叶变换,即Discrete Fourier Transformation,缩写为DFT;
步骤五、重复步骤二至步骤四M次,获取M组包含定位区域对角线上格点LED接收信号强度的数据,并与各格点所对应的实际x,y坐标值构成神经网络的训练数据;
其中,获取的M组格点LED接收信号强度的数据,即RSS数据;各格点所对应的实际x,y坐标值,即为实际坐标值数据,且RSS数据和实际坐标值数据均为M组;
步骤六、接收端处理器进行BP神经网络的初始化,具体步骤如下:
其中,BP神经网络包括输入层、隐含层和输出层;
步骤6.1获取步骤五输出的RSS数据和实际坐标值数据;
步骤6.2设置训练样本数、输入层节点数、隐含层节点数、输出层节点数、初始权值、初始阈值、误差容限、学习率、动量因子以及迭代次数最大值;初始化迭代次数为1;
其中,训练样本数记为nTrainNum、输入层节点数记为net.nIn、隐含层节点数记为net.nHidden、输出层节点数记为net.nOut、初始权值记为w、初始阈值记为b、误差容限记为eb、学习率记为eta、动量因子记为mc、迭代次数记为i、迭代次数最大值记为maxiter;
其中,训练样本数nTrainNum为M*L,输入层节点数net.nIn为N,输出层节点数net.nOut为2;
步骤6.3将RSS数据和实际坐标值数据进行归一化,并将归一化的RSS数据作为神经网络输入层数据;
其中,RSS数据为net.nIn+1行nTrainNum列的矩阵,实际坐标值数据为net.nOut行nTrainNum列的矩阵;
其中,RSS数据的第net.nIn+1行数据为一个恒为1的输入数据行,用于将某阈值合并到权值中;
其中,将RSS数据和实际坐标值数据进行归一化,具体为:将每行数据除以该行数据的标准差;
其中,归一化的RSS数据为net.nIn+1行nTrainNum列的矩阵;
步骤七、采用动量BP算法和学习率可变的BP算法相结合的学习算法对神经网络进行训练,输出训练完成的神经网络;具体包括如下步骤:
步骤7.1经步骤6.3输出的归一化的RSS数据沿神经网络进行第i次正向传播,并与各层之间的权值因子相乘,M组输出坐标值;
其中,各层之间的权值因子指的是BP神经网络的输入层和隐含层之间的权值因子net.w1,以及隐含层和输出层之间的权值因子net.w2;
其中,输入层和隐含层之间的权值因子为net.nHidden行net.nIn+1列的矩阵,输出层的输入为net.nHidden+1行nTrainNum列的矩阵,隐含层和输出层之间的权值因子为net.nOut行net.nHidden+1列的矩阵;
步骤7.2对步骤7.1输出的M组输出坐标值与步骤五获取的M组实际坐标值数据中的对应数据相减且求平方和得到误差值,得到的误差值再沿神经网络进行反向传播,进行第i次权值修正;
其中,第i次权值修正对应第i次迭代,第i次迭代得到的误差值,记为errRec(i);
其中,第i次权值修正包括输出层向隐含层反向传播过程中对net.w2的修正,以及隐含层向输入层反向传播过程中对net.w1的修正;
步骤7.3判断i值是否是1,并根据i值判断结果决定对第i次权值修正采用最速下降BP算法还是动量BP算法和学习率可变的BP算法相结合的学习算法对权值因子进行修正,具体为:
7.3A i值为1,则第i次权值修正采用最速下降BP算法通过公式(1)和公式(2)对权值因子net.w1和net.w2进行修正:
net.w2=net.w2+eta*dWEX(i); (1)
net.w1=net.w1+eta*dwex(i); (2)
其中,dWEX(i)为第i次循环输出层向隐含层反向传播过程的权值修正量;dwex(i)为第i次循环隐含层向输入层反向传播过程的权值修正量;
7.3B若i值大于1,则第i次权值修正采用动量BP算法和学习率可变的BP算法相结合的学习算法对权值因子进行修正,具体为:
步骤7.3B.1根据第i次迭代和第i-1次迭代的误差值相对大小关系更新学习率;具体为:若errRec(i)≦errRec(i-1),则学习率eta=kinc*eta;否则,即errRec(i)>errRec(i-1),学习率eta=kdec*eta;
其中,kinc为增量因子,kdec为减量因子;
步骤7.3B.2通过公式(3)更新动量因子;
mc=kup*eta; (3)
其中,mc为动量因子,kup为动量更新因子;
步骤7.3B.3通过公式(4)和公式(5)修正权值因子;
net.w2=net.w2+(1-mc)*eta*dWEX(i)+mc*dWEX(i-1); (4)
net.w1=net.w1+(1-mc)*eta*dwex(i)+mc*dwex(i-1); (5)
其中,dWEX(i-1)和dwex(i-1)为第i-1次循环的权值修正量;
步骤7.4判断第i次迭代的误差值errRec(i)是否小于等于误差容限,若小于等于误差容限,则输出训练完成的神经网络,跳至步骤八;若否,则第i次迭代的误差值errRec(i)大于误差容限,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,跳至步骤7.1;
步骤八、在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;
步骤九、接收端处理器对得到的N个LED的混合信号强度进行离散傅里叶变换,得到每个LED的接收信号强度信息;
步骤十、将步骤九每个LED的接收信号强度信息输入步骤七训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标。
有益效果
本发明基于神经网络和接收信号强度的室内可见光定位方法,具有如下有益效果:
1.本发明采用定位区域对角线上格点作为训练集,能够有效缩减大场景下采样数据量;
2.本发明采用动量BP算法和学习率可变的BP算法相结合的学习算法对神经网络进行训练,有效提高运算速度,且基于训练完成的神经网络可有效提高室内可见光定位精度;
3.本发明所述室内可见光定位方法不受LED性能差异、LED功率波动、多径反射、环境光干扰等外界因素影响;
4.系统硬件基于原有室内照明设施和传统可见光定位系统,无需投入其他硬件设施,简单易行。
附图说明
图1为本发明基于神经网络和接收信号强度的室内可见光定位方法具体实施方式实施例1中的流程图;
图2为本发明基于神经网络和接收信号强度的室内可见光定位方法具体实施方式实施例2中的定位系统框图;
图3为本发明基于神经网络和接收信号强度的室内可见光定位方法具体实施方式实施例3中的室内具体场景示意图;
图4为本发明基于神经网络和接收信号强度的室内可见光定位方法的定位效果图;
图5为本发明基于神经网络和接收信号强度的室内可见光定位方法在大场景下训练集格点数占定位区域总格点数的比例示意图。
具体实施方式
下面结合附图和具体实施例对发明进行详细说明。
实施例1
本实施例叙述了本发明所述方法的流程图,如附图1所示,包括如下步骤:
步骤A为多个白光LED分配不同调制频率;
步骤B定位区域对角线格点处获取每个LED接收信号强度;
步骤C定位区域对角线格点处获取每个格点位置坐标;
步骤D采用动量BP算法和学习率可变的BP算法相结合的学习算法训练神经网络,获得训练完成的神经网络;
为获得精确定位效果,对神经网络的训练需要周期性重复进行或在环境发生变化时进行;
步骤E定位区域任意待测格点处获取每个LED接收信号强度,并输入训练完成的神经网络;
步骤F训练完成的神经网络输出光探测器位置坐标。
实施例2
实施例2提供一种依据本发明“基于神经网络和接收信号强度的室内可见光定位方法”构建的定位系统,如附图2所示。定位系统主要包括可见光发送模块和接收端处理模块两大部分;
可见光发送模块又包括发送端编码器、LED驱动电路和LED阵列三部分;
其中,发送端编码器可以是FPGA,也可以是单片机,功能是产生LED阵列各白光LED发送的不同频率的周期信号,周期信号的频率范围为800Hz-4kHz,LED阵列中采用4个LED;
具体到本实施例,发送端编码器采用FPGA,LED阵列中采用4个LED,4个LED所发送周期信号频率分别为885Hz、1725Hz、2500Hz和3125Hz;
其中,LED驱动电路为LED阵列各白光LED提供合适的直流偏置,直流偏置范围为2.9V-3.4V,并将发送端编码器产生的交流信号加载到LED驱动电流上;
具体到本实施例,直流偏置采用3.0V;
其中,LED阵列中的各LED发送不同频率的周期信号;
接收端处理模块又包括:光探测器、采样设备和包含神经网络的接收端处理器三部分;
其中,所述光探测器可以是光电二极管,也可以是雪崩光电二极管;所述采样设备可以是示波器,也可以是数据采集卡;所述包含神经网络的接收端处理器对采样设备输出的时域信号进行频谱分析得到不同频率白光LED的接收信号强度;
具体到本实施例,光探测器采用光电二极管,采样设备采用示波器,包含神经网络的接收端处理器采用电脑;
定位系统中各组成模块的连接关系如下:
FPGA与LED驱动电路相连,LED驱动电路与LED阵列相连;LED阵列发出的可见光被接收端处理模块中的光电二级管接收;光电二极管与示波器相连,示波器和电脑相连。
定位系统中各组成模块的功能如下:
FPGA的功能是产生LED阵列各白光LED发送的不同频率的周期信号;LED驱动电路的功能是为LED阵列各白光LED提供合适的直流偏置并将FPGA产生的交流信号加载到LED驱动电流上;LED阵列的功能是发送不同频率的LED周期信号;所述光电二极管的功能是用来在定位区域内探测各白光LED的信号强度,将可见光信号转换为电信号;示波器的功能是将光电二极管输出的电信号进行采样,得到时域上各LED的混合信号强度;电脑的功能是对时域信号进行离散傅里叶变换得到不同频率白光LED的接收信号强度,并利用本发明所述方法进行室内可见光定位。
实施例3
实施例2提供一种依据本发明“基于神经网络和接收信号强度的室内可见光定位方法”进行室内定位的具体场景,如附图3所示。室内场景大小为70厘米╳70厘米╳100厘米,其中定位区域为60厘米╳60厘米。
具体到本实施例,步骤一细化为:顶棚上安装4个白光LED灯,并采用开关键控(00K)进行频率调制,频率范围为800Hz-4kHz,且调制频率互不成倍数关系,具体采用885Hz、1725Hz、2500Hz和3125Hz,垂直向下发送可见光信号;
具体到本实施例,步骤二细化为:在顶棚下方1米处的定位区域内水平放置光电二极管;定位区域均匀分为49个格点,其中相邻格点间距为10厘米;神经网络的训练集为对角线上13个格点,利用光电二极管接收来自LED的信号强度信息,并采用示波器获取4个LED的混合信号强度;
执行步骤三至步骤五,具体到本实施例,步骤五所述的过程重复5次,获取5组包含定位区域对角线上13个格点的LED接收信号强度数据,并与各格点所对应的实际x,y坐标值构成神经网络的训练数据;
执行步骤六至步骤七,具体到本实施例,细化为:输入层包含4个节点,隐含层包含7个节点,输出层包含2个节点,迭代次数最大值设为10000,并采用动量BP算法和学习率可变的BP算法相结合的学习算法对神经网络进行训练,训练目标为使5组输出坐标值与获取的5组实际坐标值数据中的对应数据相减且求平方和得到的误差值小于等于误差容限,或使迭代次数大于等于迭代次数最大值,最终获得训练完成的神经网络;
执行步骤八至步骤十,具体到本实施例,细化为:获取定位区域所有49个格点处的来自每个LED的接收信号强度,并输入训练完成的神经网络,输出的坐标值即为光探测器的位置坐标;
本发明的定位效果图如附图4所示,平均定位误差为0.99cm,其中x方向0.63cm,y方向0.49cm;最大定位误差为3.39cm;90%置信度误差降到2.23cm。
本发明在大场景下训练集格点数占定位区域总格点数的比例如附图5所示。
至此,在室内具体场景下,完成了基于神经网络和接收信号强度的室内可见光定位方法。
以上对本发明“基于神经网络和接收信号强度的室内可见光定位方法”进行了详细的说明,但本发明的具体实施形式并不局限于此。实施例说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
在不背离本发明所述方法的精神和权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。
Claims (5)
1.一种基于神经网络和接收信号强度的室内可见光定位方法,其特征在于:核心思想是采用定位区域对角线上格点作为神经网络的训练集,并采用动量BP算法和学习率可变的BP算法相结合的学习算法对神经网络进行训练:具体通过为多个白光LED分配不同调制频率,在定位区域对角线格点处利用光探测器接收LED发送的信号,并对所述信号进行离散傅里叶变换(DFT)获取每个LED的接收信号强度;再利用所述接收信号强度及光探测器位置坐标对神经网络进行训练;其中,学习算法采用动量BP算法和学习率可变的BP算法相结合;最后将任意待测格点上每个LED的接收信号强度输入训练完成的神经网络,即可得到光探测器的位置坐标;
基于神经网络和接收信号强度的高精度室内可见光定位方法,包括以下步骤:
步骤一、发送端处理器驱动多个LED,并为每个LED进行频率分配,使其发射所分配频率的周期信号;
其中,LED的数量为N个,N不少于3个,优选的LED布设位置为在顶棚上;
LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,具体为:确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号;
其中,所述为每个LED进行频率分配需满足的条件为:人眼看不到闪烁以及不同频率之间不成倍数关系;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁是指所分配的频率均应大于50赫兹;
步骤二、在定位区域内设置均匀分布的格点,并在定位区域对角线上格点处利用光探测器接收LED发送的信号,导入采样设备以获取LED的信号强度信息,并进行缓存;
其中,定位区域内设置的均匀分布的格点,简称为定位区域格点;
其中,所述定位区域格点的间距d由所需定位模式决定;
其中,定位模式包括粗略定位模式和精细定位模式;
粗略定位模式的间距大于精细定位模式的间距;
其中,定位区域对角线上格点数目记为L;
所述光探测器是光电二极管和雪崩光电二极管中的一种;所述采样设备可以是示波器,也可以是数据采集卡;所述采样设备获取的LED信号强度信息是时域上N个LED的混合信号强度;
步骤三、采样设备将缓存数据传输至接收端处理器;
步骤四、接收端处理器对步骤二中得到的LED信号强度信息进行离散傅里叶变换得到接收信号的频谱信息,并取每个LED频率附近的频谱峰值作为其接收信号强度,记录该值;
其中,离散傅里叶变换,即Discrete Fourier Transformation,缩写为DFT;
步骤五、重复步骤二至步骤四M次,获取M组包含定位区域对角线上格点LED接收信号强度的数据,并与各格点所对应的实际x,y坐标值构成神经网络的训练数据;
其中,获取的M组格点LED接收信号强度的数据,即RSS数据;各格点所对应的实际x,y坐标值,即为实际坐标值数据,且RSS数据和实际坐标值数据均为M组;
步骤六、接收端处理器进行BP神经网络的初始化,具体步骤如下:
其中,BP神经网络包括输入层、隐含层和输出层;
步骤七、采用动量BP算法和学习率可变的BP算法相结合的学习算法对神经网络进行训练,输出训练完成的神经网络;具体包括如下步骤:
步骤7.1 经步骤6.3输出的归一化的RSS数据沿神经网络进行第i次正向传播,并与各层之间的权值因子相乘,M组输出坐标值;
其中,各层之间的权值因子指的是BP神经网络的输入层和隐含层之间的权值因子net.w1,以及隐含层和输出层之间的权值因子net.w2;
其中,输入层和隐含层之间的权值因子为net.nHidden行net.nIn+1列的矩阵,输出层的输入为net.nHidden+1行nTrainNum列的矩阵,隐含层和输出层之间的权值因子为net.nOut行net.nHidden+1列的矩阵;
步骤7.2 对步骤7.1输出的M组输出坐标值与步骤五获取的M组实际坐标值数据中的对应数据相减且求平方和得到误差值,得到的误差值再沿神经网络进行反向传播,进行第i次权值修正;
步骤7.3 判断i值是否是1,并根据i值判断结果决定对第i次权值修正采用最速下降BP算法还是动量BP算法和学习率可变的BP算法相结合的学习算法对权值因子进行修正;
步骤7.4 判断第i次迭代的误差值是否小于等于误差容限,若小于等于误差容限,则输出训练完成的神经网络,跳至步骤八;若否,则第i次迭代的误差值大于误差容限,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,跳至步骤7.1;
步骤八、在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;
步骤九、接收端处理器对得到的N个LED的混合信号强度进行离散傅里叶变换,得到每个LED的接收信号强度信息;
步骤十、将步骤九每个LED的接收信号强度信息输入步骤七训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标。
2.如权利要求1所述的一种基于神经网络和接收信号强度的室内可见光定位方法,其特征在于:步骤6,具体包括如下子步骤:
步骤6.1 获取步骤五输出的RSS数据和实际坐标值数据;
步骤6.2 设置训练样本数、输入层节点数、隐含层节点数、输出层节点数、初始权值、初始阈值、误差容限、学习率、动量因子以及迭代次数最大值;初始化迭代次数为1;
其中,训练样本数记为nTrainNum、输入层节点数记为net.nIn、隐含层节点数记为net.nHidden、输出层节点数记为net.nOut、初始权值记为w、初始阈值记为b、误差容限记为eb、学习率记为eta、动量因子记为mc、迭代次数记为i、迭代次数最大值记为maxiter;
其中,训练样本数nTrainNum为M*L,输入层节点数net.nIn为N,输出层节点数net.nOut为2;
步骤6.3 将RSS数据和实际坐标值数据进行归一化,并将归一化的RSS数据作为神经网络输入层数据;
其中,RSS数据为net.nIn+1行nTrainNum列的矩阵,实际坐标值数据为net.nOut行nTrainNum列的矩阵;
其中,RSS数据的第net.nIn+1行数据为一个恒为1的输入数据行,用于将某阈值合并到权值中;
其中,将RSS数据和实际坐标值数据进行归一化,具体为:将每行数据除以该行数据的标准差;
其中,归一化的RSS数据为net.nIn+1行nTrainNum列的矩阵。
3.如权利要求1所述的一种基于神经网络和接收信号强度的室内可见光定位方法,其特征在于:步骤7.2中,第i次权值修正对应第i次迭代,第i次迭代得到的误差值,记为errRec(i);
其中,第i次权值修正包括输出层向隐含层反向传播过程中对net.w2的修正,以及隐含层向输入层反向传播过程中对net.w1的修正。
4.如权利要求1所述的一种基于神经网络和接收信号强度的室内可见光定位方法,其特征在于:步骤7.3,具体为:
7.3A i值为1,则第i次权值修正采用最速下降BP算法通过公式(1)和公式(2)对权值因子net.w1和net.w2进行修正
net.w2=net.w2+eta*dWEX(i); (1)
net.w1=net.w1+eta*dwex(i); (2)
其中,dWEX(i)和dwex(i)为权值修正量;
7.3B 若i值大于1,则第i次权值修正采用动量BP算法和学习率可变的BP算法相结合的学习算法对权值因子进行修正,具体为:
步骤7.3B.1 根据第i次迭代和第i-1次迭代的误差值相对大小关系更新学习率;具体为:若errRec(i)≦errRec(i-1),则学习率eta=kinc*eta;否则,即errRec(i)>errRec(i-1),学习率eta=kdec*eta;
其中,kinc为增量因子,kdec为减量因子;
步骤7.3B.2 通过公式(3)更新动量因子;
mc=kmc*eta; (3)
其中,mc为动量因子,kup为动量更新因子;
步骤7.3B.3 通过公式(4)和公式(5)修正权值因子;
net.w2=net.w2+(1-mc)*eta*dWEX(i)+mc*dWEX(i-1); (4)
net.w1=net.w1+(1-mc)*eta*dwex(i)+mc*dwex(i-1); (5)
其中,dWEX(i-1)和dwex(i-1)为第i-1次循环的权值修正量。
5.如权利要求1所述的一种基于神经网络和接收信号强度的室内可见光定位方法,其特征在于:所依托的室内可见光定位系统包括可见光发送模块和接收端处理模块两大部分;
可见光发送模块又包括发送端编码器、LED驱动电路和LED阵列三部分;
其中,所述发送端编码器可以是FPGA,也可以是单片机,用来产生LED阵列各白光LED发送的不同频率的周期信号,LED阵列中采用N个LED;
其中,LED驱动电路为LED阵列各白光LED提供合适的直流偏置,并将发送端编码器产生的交流信号加载到LED驱动电流上;
其中,LED阵列中的各LED发送不同频率的周期信号;
接收端处理模块又包括:光探测器、采样设备和包含神经网络的接收端处理器三部分;
其中,所述光探测器是光电二极管和雪崩光电二级管中的一种;所述采样设备可以是示波器,也可以是数据采集卡;所述包含神经网络的接收端处理器对采样设备输出的时域信号进行频谱分析得到不同频率白光LED的接收信号强度;
定位系统中各组成模块的连接关系如下:
发送端编码器与LED驱动电路相连,LED驱动电路与LED阵列相连;LED阵列发出的可见光被接收端处理模块中的光探测器接收;光探测器与采样设备相连,采样设备和包含神经网络的接收端处理器相连;
定位系统中各组成模块的功能如下:
发送端编码器的功能是产生LED阵列各白光LED发送的不同频率的周期信号;LED驱动电路的功能是为LED阵列各白光LED提供合适的直流偏置并将发送端编码器产生的交流信号加载到LED驱动电流上;LED阵列的功能是发送不同频率的LED周期信号;所述光探测器的功能是用来在定位区域内探测各白光LED的信号强度,将可见光信号转换为电信号;采样设备的功能是将光探测器输出的电信号进行采样,得到时域上各LED的混合信号强度;接收端处理器的功能是对时域信号进行离散傅里叶变换得到不同频率白光LED的接收信号强度,并利用本发明所述方法进行室内可见光定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430125.6A CN108732537B (zh) | 2018-05-08 | 2018-05-08 | 一种基于神经网络和接收信号强度的室内可见光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430125.6A CN108732537B (zh) | 2018-05-08 | 2018-05-08 | 一种基于神经网络和接收信号强度的室内可见光定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108732537A true CN108732537A (zh) | 2018-11-02 |
CN108732537B CN108732537B (zh) | 2022-04-05 |
Family
ID=63938042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810430125.6A Active CN108732537B (zh) | 2018-05-08 | 2018-05-08 | 一种基于神经网络和接收信号强度的室内可见光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732537B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379132A (zh) * | 2018-12-05 | 2019-02-22 | 北京理工大学 | 一种低速相干探测和神经网络估计光纤色散的装置与方法 |
CN109511095A (zh) * | 2018-11-30 | 2019-03-22 | 长江大学 | 一种基于支持向量机回归的可见光定位方法及系统 |
CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
CN111458681A (zh) * | 2020-03-18 | 2020-07-28 | 华中科技大学 | 一种基于双阶段神经网络的可见光定位方法和系统 |
CN111818449A (zh) * | 2020-06-15 | 2020-10-23 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN113922875A (zh) * | 2021-10-26 | 2022-01-11 | 中国矿业大学 | 基于深度学习的可见光单基站集成通信定位一体化系统 |
CN115333624A (zh) * | 2022-08-12 | 2022-11-11 | 西安工业大学 | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 |
CN115474269A (zh) * | 2022-08-25 | 2022-12-13 | 武汉大学 | 可见光阵列基站与普通基站混合定位装置、系统及方法 |
CN115950438A (zh) * | 2023-03-15 | 2023-04-11 | 武汉理工大学 | 一种基于光强补偿的船舶舱室可见光定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090221316A1 (en) * | 2008-03-03 | 2009-09-03 | Industrial Technology Research Institute | Apparatus and method for transforming signal strength of wireless positioning system |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN103763350A (zh) * | 2014-01-02 | 2014-04-30 | 北京邮电大学 | 基于误差反向传播神经网络的web服务选择方法 |
CN104463358A (zh) * | 2014-11-28 | 2015-03-25 | 大连理工大学 | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 |
CN105301561A (zh) * | 2015-05-07 | 2016-02-03 | 北京理工大学 | 一种基于频分复用的可见光高精度室内定位方法 |
CN105388455A (zh) * | 2015-10-16 | 2016-03-09 | 北京理工大学 | 摄像头室内可见光定位系统中一种消除背景光扰动的方法 |
CN105676178A (zh) * | 2016-01-13 | 2016-06-15 | 南京邮电大学 | 基于压缩感知和bp神经网络的无线传感器网络定位方法 |
CN105866738A (zh) * | 2016-04-19 | 2016-08-17 | 北京理工大学 | 一种用于提高室内可见光定位系统定位精度的迭代算法 |
CN106100734A (zh) * | 2016-08-15 | 2016-11-09 | 北京理工大学 | 一种基于人工神经网络的高精度室内可见光定位方法 |
CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
-
2018
- 2018-05-08 CN CN201810430125.6A patent/CN108732537B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090221316A1 (en) * | 2008-03-03 | 2009-09-03 | Industrial Technology Research Institute | Apparatus and method for transforming signal strength of wireless positioning system |
TWI362500B (en) * | 2008-03-03 | 2012-04-21 | Ind Tech Res Inst | Transformation apparatus for the signal strength in a wireless location system and method thereof |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN103763350A (zh) * | 2014-01-02 | 2014-04-30 | 北京邮电大学 | 基于误差反向传播神经网络的web服务选择方法 |
CN104463358A (zh) * | 2014-11-28 | 2015-03-25 | 大连理工大学 | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 |
CN105301561A (zh) * | 2015-05-07 | 2016-02-03 | 北京理工大学 | 一种基于频分复用的可见光高精度室内定位方法 |
CN105388455A (zh) * | 2015-10-16 | 2016-03-09 | 北京理工大学 | 摄像头室内可见光定位系统中一种消除背景光扰动的方法 |
CN105676178A (zh) * | 2016-01-13 | 2016-06-15 | 南京邮电大学 | 基于压缩感知和bp神经网络的无线传感器网络定位方法 |
CN105866738A (zh) * | 2016-04-19 | 2016-08-17 | 北京理工大学 | 一种用于提高室内可见光定位系统定位精度的迭代算法 |
CN106100734A (zh) * | 2016-08-15 | 2016-11-09 | 北京理工大学 | 一种基于人工神经网络的高精度室内可见光定位方法 |
CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
Non-Patent Citations (4)
Title |
---|
HEQING HUANG等: "Artificial neural-network-based visible light positioning algorithm with a diffuse optical channel", 《CHINESE OPTICS LETTERS》 * |
WEIPENG GUAN等: "High-precision approach to localization scheme of visible light communication based on artificial neural networks and modified genetic algorithms", 《OPTICAL ENGINEERING 》 * |
李友坤: "BP神经网络的研究分析及改进应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李瑛: "基于BP神经网络的室内定位技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109511095A (zh) * | 2018-11-30 | 2019-03-22 | 长江大学 | 一种基于支持向量机回归的可见光定位方法及系统 |
CN109511095B (zh) * | 2018-11-30 | 2021-06-04 | 长江大学 | 一种基于支持向量机回归的可见光定位方法及系统 |
CN109379132A (zh) * | 2018-12-05 | 2019-02-22 | 北京理工大学 | 一种低速相干探测和神经网络估计光纤色散的装置与方法 |
CN109379132B (zh) * | 2018-12-05 | 2020-06-05 | 北京理工大学 | 一种低速相干探测和神经网络估计光纤色散的装置与方法 |
CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
CN110334788B (zh) * | 2019-07-08 | 2023-10-27 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
CN111458681A (zh) * | 2020-03-18 | 2020-07-28 | 华中科技大学 | 一种基于双阶段神经网络的可见光定位方法和系统 |
CN111458681B (zh) * | 2020-03-18 | 2022-04-26 | 华中科技大学 | 一种基于双阶段神经网络的可见光定位方法和系统 |
CN111818449B (zh) * | 2020-06-15 | 2022-04-15 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN111818449A (zh) * | 2020-06-15 | 2020-10-23 | 华南师范大学 | 一种基于改进的人工神经网络的可见光室内定位方法 |
CN113922875A (zh) * | 2021-10-26 | 2022-01-11 | 中国矿业大学 | 基于深度学习的可见光单基站集成通信定位一体化系统 |
CN113922875B (zh) * | 2021-10-26 | 2022-08-26 | 中国矿业大学 | 基于深度学习的可见光单基站集成通信定位一体化系统 |
CN115333624A (zh) * | 2022-08-12 | 2022-11-11 | 西安工业大学 | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 |
CN115333624B (zh) * | 2022-08-12 | 2024-04-12 | 西安工业大学 | 基于谱估计检测的可见光室内定位方法、系统及计算机可读介质 |
CN115474269A (zh) * | 2022-08-25 | 2022-12-13 | 武汉大学 | 可见光阵列基站与普通基站混合定位装置、系统及方法 |
CN115474269B (zh) * | 2022-08-25 | 2024-05-17 | 武汉大学 | 可见光阵列基站与普通基站混合定位装置、系统及方法 |
CN115950438A (zh) * | 2023-03-15 | 2023-04-11 | 武汉理工大学 | 一种基于光强补偿的船舶舱室可见光定位方法 |
CN115950438B (zh) * | 2023-03-15 | 2023-05-30 | 武汉理工大学 | 一种基于光强补偿的船舶舱室可见光定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108732537B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732537A (zh) | 一种基于神经网络和接收信号强度的室内可见光定位方法 | |
Cai et al. | Indoor high precision three-dimensional positioning system based on visible light communication using particle swarm optimization | |
CN105301561B (zh) | 一种基于频分复用的可见光高精度室内定位方法 | |
CN109597043A (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN105388455B (zh) | 摄像头室内可见光定位系统中一种消除背景光扰动的方法 | |
Ye et al. | A method of indoor positioning by signal fitting and PDDA algorithm using BLE AOA device | |
CN106970365B (zh) | 一种天气雷达机外有源标定设备及标定方法 | |
CN106792808A (zh) | 一种基于信道状态信息的室内环境下视距路径识别方法 | |
Peng et al. | Three-dimensional high-precision indoor positioning strategy using Tabu search based on visible light communication | |
CN106488557A (zh) | 基于WiFi信号的LDCC‑PDF分级时延估计方法 | |
Zhuang et al. | Visible light positioning and navigation using noise measurement and mitigation | |
CN107332615B (zh) | 室内单光源可见光通信系统多径信道建模方法 | |
CN106100734A (zh) | 一种基于人工神经网络的高精度室内可见光定位方法 | |
CN107167767A (zh) | 一种基于sc‑fdma的可见光室内高精度定位方法 | |
Hua et al. | Noise analysis and modeling in visible light communication using Allan variance | |
CN103427905B (zh) | 一种光载超宽带无线定位系统 | |
CN104702357A (zh) | 一种短波通信信道的模拟装置及方法 | |
CN108717176A (zh) | 基于人工蜂群算法的多站时差定位方法 | |
Majeed et al. | Passive indoor visible light positioning system using deep learning | |
Forbes | Evidence for the equatorward penetration of electric fields, winds, and compositional effects in the Asian/Pacific sector during the September 17–24, 1984, ETS interval | |
Chen et al. | Indoor high precision three-dimensional positioning system based on visible light communication using improved hybrid bat algorithm | |
CN114201987A (zh) | 一种基于自适应识别网络的有源干扰识别方法 | |
CN106443586A (zh) | 一种室内定位方法与装置 | |
CN107872278A (zh) | 一种基于测距定位的多维水下可见光通信传感网系统 | |
CN109617576A (zh) | 联合效应影响下大气光mimo系统平均容量的近似计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181102 Assignee: Hengshui Hanwang Electronic Technology Co.,Ltd. Assignor: BEIJING INSTITUTE OF TECHNOLOGY Contract record no.: X2023110000102 Denomination of invention: A Indoor Visible Light Localization Method Based on Neural Network and Received Signal Strength Granted publication date: 20220405 License type: Common License Record date: 20230901 |
|
EE01 | Entry into force of recordation of patent licensing contract |