CN109061566A - 一种基于极限学习机的可见光定位方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机的可见光定位方法，包括：建立可见光通信模型、可见光信道的仿真模型以及极限学习机神经网络模型。其中神经网络模型包括两个阶段。训练阶段：将光电探测器接收的来自每个LED灯的总电功率归一化到[‑1,1]区间后作为输入，对应的位置坐标作为输出，建立训练样本集，进行ELM神经网络训练；测试阶段：采集测试位置处的光电探测器接收的来自每个LED灯的总电功率；将采集到的来自每个LED灯的总电功率归一化到[‑1,1]区间，以归一化的各个LED灯的电功率作为输入，其相应的位置坐标作为输出，建立测试样本集，输入到已经训练好的ELM神经网络中；通过神经网络的计算，得到接收端的位置，完成定位。本发明降低多阶反射信号和噪声信号带来的误差，提高了定位精度。

Description

一种基于极限学习机的可见光定位方法

技术领域

本发明涉及可见光定位领域，尤其涉及一种基于极限学习机的可见光定位方法。

背景技术

随着位置服务的不断发展，对于定位的需求越来越高。全球定位系统(GPS)广泛应用于室外定位，定位精度达到了几米。由于卫星信号在室内受到墙壁遮挡，信号衰减较为严重，再加上多径传播的影响，定位误差较大。WIFI室内定位精度在1-5米，且容易受到室内环境的影响，定位精度不够高，多采用指纹法，比较复杂。超宽带定位精度高，但是需要昂贵的设备。射频识别(RFID)技术需要标签进行定位，增加了成本和复杂度。红外、蓝牙等容易受到信号源波动的影响。LED光源具有能源效率高，使用寿命长，成本低等优点，基于LED的可见光通信具有丰富的可见光频谱资源，设备简单，无电磁干扰，安全保密等优点，可用于照明，通信，定位等领域以及医院等电磁受限的场所。因此基于可见光通信的定位得到了应用。

基于可见光通信的定位技术主要分为以光电探测器和图像传感器为接收端的定位，从系统设备复杂度和定位精度考虑，选择以光电探测器和接收信号强度进行定位。在漫反射光信道中，可见光信号的传播形式有视距传播，一阶反射，二阶反射等，且受到噪声信号的影响。但目前对于可见光定位的处理，存在只考虑视距传播的问题，与实际环境相比有较大出入，不可应用于实际情况。

发明内容

本发明提供了一种基于极限学习机的可见光定位方法，本发明通过建立神经网络模型的方式降低多阶反射信号和噪声信号带来的误差，以进一步提高定位精度，详见下文描述：

一种基于极限学习机的可见光定位方法，所述方法包括以下步骤：

建立可见光通信模型、可见光信道的仿真模型以及极限学习机神经网络模型。其中神经网络模型包括两个阶段。

训练阶段：将光电探测器接收的来自每个LED灯的总电功率归一化到[-1,1]区间后作为输入，对应的位置坐标作为输出，建立训练样本集，进行ELM神经网络训练；

测试阶段：采集测试位置处的光电探测器接收的来自每个LED灯的总电功率；将采集到的来自每个LED灯的总电功率归一化到[-1,1]区间，以归一化的各个LED灯的电功率作为输入，其相应的位置坐标作为输出，建立测试样本集，输入到已经训练好的ELM神经网络中；

通过神经网络的计算，得到接收端的位置，完成定位。

所述可见光信道的仿真模型包括：视距传播直流增益模型、一阶反射直流增益模型、噪声信号模型。

进一步地，所述视距传播直流增益模型具体为：

其中，A是光电探测器的物理面积，m是朗伯阶数，D_d是发送端和接收端之间的距离，φ是辐射角，ψ是入射角，ψ_c是接收端的视场角，T_s(ψ)是光学滤波器的增益，g(ψ)是光学集中器的增益。

其中，所述一阶反射直流增益模型具体为：

其中，D₁是发送端到发射点间的距离，D₂是反射点到接收端间的距离，ρ是反射因子，dA_wall是反射区域的面积，φ是反射端到反射点的辐射角，α是反射点的入射角，β是反射点到接收端的辐射角，ψ是接收端的入射角。

其中，所述噪声信号模型包括：

其中，为噪声总方差，为热噪声方差，为散粒噪声方差；k为玻尔兹曼常数，T_k是绝对温度，G为开环电压增益，η为光电探测器上每单位面积的固定电容，I₂为噪声带宽因子，B是等效噪声带宽，q是电荷量，I_bg是背景电流，Г是FET信道噪声因子，g_m是FET跨导,I₃为常量；R_p为光电探测器的响应率，P_r为光电探测器接收的光功率。

具体实现时，所述方法还包括：

当光电探测器接收到光信号、噪声信号时，将光功率转换为电功率，其可表示为：

其中，R_P为光电探测器的响应率，P_t是LED灯的发射功率，H(0)为光信道的直流增益，

H_ref(0)为光信道的一阶反射直流增益。

本发明提供的技术方案的有益效果是：

(1)本方法将ELM神经网络应用于可见光定位，实现了可见光定位与神经网络技术的结合。与传统的RSS定位算法相比，该方法具有ELM算法原有的学习速度快，泛化能力强，设置参数少等优点，且无需求解复杂的非线性定位方程组，求解过程较为简单，计算时间大幅减少。应用ELM神经网络技术，提高了可见光定位的精度；

(2)本方法考虑了一阶反射信号和噪声信号，利用ELM神经网络模型降低了漫反射信道中一阶反射信号和噪声信号对定位影响的问题。

附图说明

图1为本发明提供的一种基于极限学习机的可见光定位方法的流程图；

图2为本发明提供的一种基于极限学习机的可见光定位方法的系统模型的示意图。

图3为本发明提供的一种基于极限学习机的可见光定位方法的定位误差图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

极限学习机(Extreme Learning Machine,ELM)是一种单隐藏层前馈神经网络，可适应于回归、拟合等问题，也可应用于模式识别等研究领域，以其具有学习速度快、泛化性能强、设置参数少等优点得到了广泛的研究与发展。

在本发明实施例提供的一种基于极限学习机的可见光定位方法中，神经网络模型主要包括两个阶段：即训练阶段和测试阶段(定位阶段)。在训练阶段，采集光电探测器接收到的来自每个LED灯的总电功率，将其归一化后作为输入，相应的位置坐标作为输出，进行ELM神经网络训练。在测试阶段，将光电探测器接收的来自每个LED灯的总电功率归一化后作为输入，相应的位置坐标作为输出，输入到已经训练好的ELM神经网络模型中，进行定位。

实施例1

本发明实施例提出了一种基于极限学习机的可见光定位方法，参见图1，该方法包括以下步骤：

步骤101：建立可见光通信模型；

发送端：通过设置合理的LED光源布局，对LED电路进行驱动调制，使每个LED携带各自的位置信息。

接收端：光电探测器接收到光信号，对其进行解调解码获得LED的位置信息。

步骤102：建立可见光信道的仿真模型；

其中，采集训练位置处光电探测器接收的来自每个LED灯的总电功率。其中总电功率包括：直射光功率、一阶反射光功率转换成的电功率和噪声功率。

可见光信道的直流增益H(0)表示为：

其中，A是光电探测器的物理面积，m是朗伯阶数，D_d是发送端和接收端之间的距离，φ是辐射角，ψ是入射角，ψ_c是接收端的视场角，T_s(ψ)是光学滤波器的增益，g(ψ)是光学集中器的增益。

可见光信道的一阶反射直流增益H_ref(0)表示为：

其中，D₁是发送端到发射点间的距离，D₂是反射点到接收端间的距离，ρ是反射因子，dA_wall是反射区域的面积，φ是反射端到反射点的辐射角，α是反射点的入射角，β是反射点到接收端的辐射角，ψ是接收端的入射角。

可见光信道的噪声信号包括：热噪声和散粒噪声，可将其视为加性高斯白噪声。

其中，为噪声总方差，为热噪声方差，为散粒噪声方差。k为玻尔兹曼常数，T_k是绝对温度，G为开环电压增益，η为光电探测器上每单位面积的固定电容，I₂为噪声带宽因子，B是等效噪声带宽，q是电荷量，I_bg是背景电流，Г是FET信道噪声因子，g_m是FET跨导,I₃为常量；R_p为光电探测器的响应率，P_r为光电探测器接收的光功率。

当光电探测器接收到光信号、噪声信号时，将光功率转换为电功率，其可表示为：

其中，R_P为光电探测器的响应率，P_t是LED灯的发射功率，H(0)为光信道的直流增益，H_ref(0)为光信道的一阶反射直流增益。

步骤103：建立训练阶段的ELM神经网络模型；

将光电探测器接收的来自每个LED灯的总电功率归一化到[-1,1]区间后作为输入，其对应的位置坐标作为输出，建立训练样本集，进行ELM神经网络训练。

以上3个步骤完成了ELM神经网络的训练阶段。

步骤104：采集测试位置处的光电探测器接收的来自每个LED灯的总电功率；

步骤105：将采集到的来自每个LED灯的总电功率归一化到[-1,1]区间，以归一化的各个LED灯的电功率作为输入，其相应的位置坐标作为输出，建立测试样本集，输入到已经训练好的ELM神经网络中；

步骤106：通过神经网络的计算，得到接收端的位置，完成定位。

综上所述，本发明实施例通过建立神经网络模型的方式降低多阶反射信号和噪声信号带来的误差，以进一步提高定位精度。

实施例2

下面结合实例及附图2，对实施例1中的方案进行进一步地详细介绍，详见下文描述：

如图2所示，4个LED阵列位于5m×5m×3m的房间中，每个LED阵列由60×60个发射功率为20mw的LED灯组成，每个LED阵列位于距墙面为1.25m的天花板上，地面中心坐标为(0，0，0)。LED灯的半功率角为60度，对LED灯采用频分复用的方式进行调制，并通过编码的方式携带各自的位置信息。在接收端利用滤波器区分各个LED灯，并通过解调解码分别得到每个LED灯携带的位置信息。光电探测器在距离地面高度为0.85m的平面上移动，光电探测器的视场角为60度，光电探测器的面积为1cm²。

通过信道仿真，采集训练和测试样本数据集，训练ELM神经网络模型，将测试样本集输入到已经训练好的ELM神经网络中，进行可见光定位。具体步骤如下所示：

步骤1：通过LED光源的合理布局，设置了4个LED灯，利用Matlab仿真光电探测器接收的来自每个LED灯的总电功率。

步骤2：采集训练样本集；

训练阶段将5m×5m的空间划分为密度为5cm×5cm的区域，总共采集10000个数据。采集每一个位置处的来自各个LED灯的总电功率及位置坐标，将每一个位置处的来自各个LED灯的总电功率归一化到[-1,1]区间，组成训练样本集。

步骤3：ELM神经网络训练；

其中，ELM神经网络由输入层、隐藏层和输出层组成。将归一化的总电功率作为输入，对应的位置坐标作为输出。设置隐含层神经元个数和激活函数，训练ELM神经网络。其中隐藏层神经元个数为450，激活函数为sigmoidal函数。

步骤4：采集测试样本集；

测试阶段将5m×5m的空间划分为密度为2cm×2cm的区域，总共采集62500个数据。采集每一个位置处的来自每个LED灯的总电功率及相应的位置坐标，将每一个位置处的来自各个LED灯的总电功率归一化到[-1,1]区间，组成测试样本集。

步骤5：将归一化的总电功率作为输入，对应的位置坐标作为输出，输入到训练好的ELM神经网络中；

步骤6：通过神经网络计算，得到整体的平均定位误差。

如图3所示，基于极限学习机的可见光定位方法得到的平均定位误差为3.66cm，误差的最大值为31.34cm，误差的最小值为0.07cm。和传统的RSS可见光定位相比，整体的定位精度进一步提高。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于极限学习机的可见光定位方法，其特征在于，所述方法包括以下步骤：

建立可见光通信模型、可见光信道的仿真模型以及极限学习机神经网络模型。其中神经网络模型包括两个阶段；

训练阶段：将光电探测器接收的来自每个LED灯的总电功率归一化到[-1,1]区间后作为输入，对应的位置坐标作为输出，建立训练样本集，进行ELM神经网络训练；

测试阶段：采集测试位置处的光电探测器接收的来自每个LED灯的总电功率；将采集到的来自每个LED灯的总电功率归一化到[-1,1]区间，以归一化的各个LED灯的电功率作为输入，其相应的位置坐标作为输出，建立测试样本集，输入到已经训练好的ELM神经网络中；

通过神经网络的计算，得到接收端的位置，完成定位。

2.根据权利要求1所述的一种基于极限学习机的可见光定位方法，其特征在于，所述可见光信道的仿真模型包括：视距传播直流增益模型、一阶反射直流增益模型、噪声信号模型。

3.根据权利要求2所述的一种基于极限学习机的可见光定位方法，其特征在于，所述视距传播直流增益模型具体为：

其中，A是光电探测器的物理面积，m是朗伯阶数，D_d是发送端和接收端之间的距离，φ是辐射角，ψ是入射角，ψ_c是接收端的视场角，T_s(ψ)是光学滤波器的增益，g(ψ)是光学集中器的增益。

4.根据权利要求2所述的一种基于极限学习机的可见光定位方法，其特征在于，所述一阶反射直流增益模型具体为：

其中，D₁是发送端到发射点间的距离，D₂是反射点到接收端间的距离，ρ是反射因子，dA_wall是反射区域的面积，φ是反射端到反射点的辐射角，α是反射点的入射角，β是反射点到接收端的辐射角，ψ是接收端的入射角。

5.根据权利要求2所述的一种基于极限学习机的可见光定位方法，其特征在于，所述噪声信号模型包括：

其中，为噪声总方差，为热噪声方差，为散粒噪声方差；k为玻尔兹曼常数，T_k是绝对温度，G为开环电压增益，η为光电探测器上每单位面积的固定电容，I₂为噪声带宽因子，B是等效噪声带宽，q是电荷量，I_bg是背景电流，Г是FET信道噪声因子，g_m是FET跨导,I₃为常量；R_p为光电探测器的响应率，P_r为光电探测器接收的光功率。

6.根据权利要求1-5中任一权利要求所述的一种基于极限学习机的可见光定位方法，其特征在于，所述方法还包括：

当光电探测器接收到光信号、噪声信号时，将光功率转换为电功率，其可表示为：

其中，R_P为光电探测器的响应率，P_t是LED灯的发射功率，H(0)为光信道的直流增益，H_ref(0)为光信道的一阶反射直流增益。