CN109615056A - 一种基于粒子群优化极限学习机的可见光定位方法 - Google Patents
一种基于粒子群优化极限学习机的可见光定位方法 Download PDFInfo
- Publication number
- CN109615056A CN109615056A CN201811173117.4A CN201811173117A CN109615056A CN 109615056 A CN109615056 A CN 109615056A CN 201811173117 A CN201811173117 A CN 201811173117A CN 109615056 A CN109615056 A CN 109615056A
- Authority
- CN
- China
- Prior art keywords
- value
- particle
- learning machine
- extreme
- extreme learning
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于粒子群优化极限学习机的可见光定位方法,所述方法包括:将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较,若新的个体适应度值更优,则更新个体极值和群体极值;当迭代次数达到最大值或适应度值达到预设的最小值时,输出最优的粒子;将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数;将训练样本集输入到极限学习机神经网络中,进行神经网络训练,将测试样本集输入到已经训练好的极限学习机神经网络中,计算出整体的平均定位误差。本方法用粒子群算法优化极限学习机,使之产生既具有极限学习机的学习速度快,泛化能力强等优点,又解决了极限学习机随机产生输入权值和隐藏层阈值的缺点,使网络结构更加简单。
Description
技术领域
本发明涉及可见光定位领域,尤其涉及一种基于粒子群优化极限学习机的可见光定位方法。
背景技术
随着室内导航的应用及发展,人们对室内定位的要求不断提高,定位技术也得到了发展。适用于室外定位的GPS技术不能满足室内定位的需求,其它定位技术如超宽带、红外、WIFI等由于设备复杂,价格昂贵,定位精度不高等原因,没有得到广泛应用。可见光通信可用于数据通信,因此将可见光通信应用于室内定位技术为定位提供了新方式。
根据接收端的不同,可见光定位分为基于光电探测器和基于图像传感器两种。当接收端为光电探测器时,常见的定位算法有接收信号强度(RSS)、到达角度法(AOA)、到达时间法(TOA)、到达时间差法(TDOA)。RSS主要利用接收端的信号强度来建立关于距离的三元二次方程,利用最小二乘法来求解三个三元两次方程组以表示接收端的位置。AOA利用发送端和接收端的角度进行定位,用三角定位确定接收端位置坐标,但只适用于视距传播。TOA利用发送端和接收端到达时间来表示发送端和接收端的距离,但由于室内距离较近,要求发送端和接收端严格同步。TDOA利用的是接收端接收到各个可见光信号之间的到达时间差,但要求发送端之间严格同步。当接收端是图像传感器时,利用LED在图像传感器上的成像和图像测量原理进行定位,算法较为复杂。可与加速度计或多个图像传感器实现共同定位,但增加了成本。综上,基于光电探测器和接收信号强度的定位设备简单,定位精度也较高。
极限学习机(Extreme Learning Machine,ELM)是一种单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network,SLFN),随机产生输入层和隐藏层间的连接权值矩阵和隐藏层的阈值矩阵,只需要设置隐藏层神经元个数和隐藏层神经元间的激活函数,通过计算出隐藏层的输出矩阵及其广义逆矩阵,求出隐藏层和输出层间的连接权值矩阵,即可求出输出可用于回归和分类,可将其应用于可见光定位。
但由于极限学习机随机产生输入权值和隐藏层阈值,每次训练的定位结果会有所不同,而且在训练过程中会产生一系列不是最优的参数。粒子群算法是一种群体智能算法,每个粒子代表寻优问题的一个潜在解,由速度,位置和适应度值表示其特征。基于对粒子自身的认知和粒子间的信息共享,实现粒子在群体间的寻优。
发明内容
本发明提供了一种基于粒子群优化极限学习机的可见光定位方法,本发明利用粒子群优化极限学习机的输入权值和隐藏层阈值,从适应度函数中得到最佳的适应度值,此时对应的粒子即为最好的输入权值和阈值,即极限学习机由随机产生输入权值和隐藏层阈值变为产生最优的输入权值和阈值,将其代入极限学习机中进行可见光室内定位,以得到最好的定位效果,详见下文描述:
一种基于粒子群优化极限学习机的可见光定位方法,所述方法包括以下步骤:
1)将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较,若新的个体适应度值更优,则更新个体极值和群体极值;当迭代次数达到最大值或适应度值达到预设的最小值时,输出最优的粒子;
2)将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数;
3)将训练样本集输入到极限学习机神经网络中,进行神经网络训练,将测试样本集输入到已经训练好的极限学习机神经网络中,计算出整体的平均定位误差。
在步骤1)之前所述方法还包括:
初始化极限学习机神经网络的结构、粒子种群数、迭代次数,随机初始化粒子的速度和位置以及速度和位置的范围;适应度函数由极限学习机计算的可见光定位误差表示:
fitness=|oj-T|
其中,fitness为适应度函数,其值表示为粒子的个体适应度值,当fitness值越小,代表粒子更优;oj为ELM训练输出样本矩阵,T为期望输出矩阵;
根据适应度函数初始化每个粒子的个体适应度值,并初始化个体极值Pbest和群体极值Gbest;
更新当前的迭代次数,对粒子的速度和位置进行更新;求取每个新粒子的个体适应度值。
在步骤1)之前所述方法还包括:
通过光信道仿真,光电探测器将光功率转换为电功率,得到光电探测器接收的来自每个LED灯的电功率,其中电功率具体包括:视距传播功率,一阶反射功率以及噪声功率;
建立训练样本集和测试样本集,其中训练和测试样本集包括来自每个LED的电功率和对应的光电探测器的位置。
所述将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数具体为:
每个最优粒子的位置都代表ELM神经网络的输入权值和隐藏层阈值,使用矩阵S表示,
其中,S的前d行为ELM神经网络输入层和隐藏层的连接权值矩阵W,可表示为W=[w11,…w1L,w21,…w2L,…wd1,…wdL],wdL为矩阵W第d行L列的连接权值,S的最后一行为隐藏层阈值矩阵B,可表示为B=[b1,b2,…bL],bL为矩阵B第L列的隐藏层阈值,d为输入数据的维度,L为隐藏层个数。
本发明提供的技术方案的有益效果是:
(1)本方法用粒子群算法优化极限学习机,使之产生既具有极限学习机的学习速度快,泛化能力强等优点,又解决了极限学习机随机产生输入权值和隐藏层阈值的缺点,使网络结构更加简单,产生的最优输入权值和隐藏层阈值参数进行可见光室内定位,提高了定位精度;
(2)本方法与传统的基于接收信号强度的定位方法相比,具有更高的定位精度;
(3)本方法考虑了在漫反射环境下的可见光定位,对噪声容忍度高,鲁棒性强,降低了噪声信号对定位造成的影响,该算法的实用性更强。
附图说明
图1为可见光定位的模型示意图;
图2为基于粒子群优化极限学习机的可见光定位方法的流程图;
图3为可见光定位的误差示意图。
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。
实施例1
一种基于粒子群优化极限学习机的可见光定位方法,参见图1和图2,该方法包括以下步骤:
101:将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较,若新的个体适应度值更优,则更新个体极值和群体极值;当迭代次数达到最大值或适应度值达到预设的最小值时,输出最优的粒子;
102:将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数;
103:将训练样本集输入到极限学习机神经网络中,进行神经网络训练,将测试样本集输入到已经训练好的极限学习机神经网络中,计算出整体的平均定位误差。
其中,在步骤101之前,该方法还包括:
初始化极限学习机神经网络的结构、粒子种群数、迭代次数,随机初始化粒子的速度和位置以及速度和位置的范围;适应度函数由极限学习机计算的可见光定位误差表示:
fitness=|oj-T|
其中,fitness为适应度函数,其值表示为粒子的个体适应度值,当fitness值越小,代表粒子更优;oj为ELM训练输出样本矩阵,T为期望输出矩阵;
根据适应度函数初始化每个粒子的个体适应度值,并初始化个体极值Pbest和群体极值Gbest;
更新当前的迭代次数,对粒子的速度和位置进行更新;求取每个新粒子的个体适应度值。
进一步地,在上述步骤之前,该方法还包括:
通过光信道仿真,光电探测器将光功率转换为电功率,得到光电探测器接收的来自每个LED灯的电功率,其中电功率具体包括:视距传播功率,一阶反射功率以及噪声功率;
建立训练样本集和测试样本集,其中训练和测试样本集包括来自每个LED的电功率和对应的光电探测器的位置。
综上所述,本方法实施例用粒子群算法优化极限学习机,使之产生既具有极限学习机的学习速度快,泛化能力强等优点,又解决了极限学习机随机产生输入权值和隐藏层阈值的缺点,使网络结构更加简单,产生的最优输入权值和隐藏层阈值参数进行可见光室内定位,提高了定位精度。
实施例2
下面结合图1、图2、以及具体的数学公式对实施例1中的方案进行进一步地介绍,详见下文描述:
步骤201:通过可见光信道仿真得到接收端功率,接收端功率可表示为:
其中,Prs为接收端的电功率,Pt为LED的发送功率,R为光电探测器的转换率,HLOS(0)为视距传播直流增益,Href(0)为一阶反射直流增益,为噪声功率。
具体地,视距传播直流增益可表示为:
其中,A是光电探测器的物理面积,m是朗伯阶数,Dd是发送端和接收端之间的距离,φ是辐射角,ψ是入射角,ψc是接收端的视场角,Ts(ψ)是光学滤波器的增益,g(ψ)是光学集中器的增益。
进一步地,一阶反射直流增益可表示为:
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,dAwall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。
噪声功率包括热噪声和散粒噪声,两者均可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,Tk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,Ibg是背景电流,Γ是FET信道噪声因子,gm是FET跨导,I3为常量;R为光电探测器的响应率,Pr为光电探测器接收的光功率。
步骤202:根据接收端位置处采集的功率和位置坐标建立训练样本集和测试样本集;
步骤203:初始化极限学习机的神经网络结构;
即初始化神经网络输入层个数、隐藏层个数、输出层个数和隐藏层间的激活函数。具有N个训练样本(xi,yi),i=1,2…N,L个隐藏层节点的标准SLFN表达式为:
其中,xi为输入样本,yi为输出样本,xj为第j个输入样本,j=1,2…N,oj为训练输出样本,wi=[wi1,wi2,...,win]T表示输入层第i个神经元和隐藏层间的连接权值矩阵,βi=[βi1,βi2,...,βim]T表示隐藏层第i个神经元和输出层间的连接权值矩阵,bi是第i个隐藏层神经元的阈值。选取适当的激活函数,具有L个隐藏层节点的标准SLFN可以零均值误差逼近N个训练样本,即:
其中,tj为理想输出样本;0为所有元素均为0的矩阵。
可得到:
表示为矩阵即为:
Hβ=T (10)
其中,H为隐藏层神经元的输出矩阵,β为隐藏层神经元与输出层神经元之间的连接权值矩阵,T为期望输出矩阵。
隐藏层与输出层间的连接权值β可通过最小二乘解获得:
即为:
其中,为通过式(11)求得的隐藏层与输出层的连接权值,是隐含层输出矩阵H的广义逆矩阵,进一步求得输出:
当ELM用于回归时,定位误差可表示为:
err=|oj-T| (14)
步骤204:初始化种群粒子数N,迭代次数itmax,每个粒子的速度V和位置X,以及速度和位置的范围;每个粒子都代表ELM神经网络的连接权值和阈值,使用矩阵S表示,
其中,S的前d行为ELM神经网络的输入层和隐藏层的连接权值矩阵W,可表示为W=[w11,…w1L,w21,…w2L,…wd1,…wdL],最后一行为隐藏层阈值矩阵B,可表示为B=[b1,b2,…bL],d为输入数据的维度,L为隐藏层个数。
由适应度函数计算个体适应度值,其中适应度函数由极限学习机计算的可见光定位的误差表示,即:
fitness=|oj-T| (16)
其中,fitness为适应度函数。
当个体适应度值越小,代表粒子性能越好。根据种群中个体适应度值确定个体极值和群体极值。个体极值Pbest指粒子在迭代更新过程中个体适应度值最好的位置,群体极值Gbest指种群中的所有粒子在迭代更新过程中适应度值最好的位置。粒子每进行更新一次位置,个体极值和群体极值也会随之进行更改。
步骤205:更新当前的迭代次数,更新粒子的速度和位置,具体表示为:
Vk+1=wkVk+c1r1(Pbestk-Xk)+c2r2(Gbestk-Xk) (17)
Xk+1=Xk+Vk+1 (18)
其中,k表示迭代次数,Xk+1和Xk分别表示第k+1代和第k代粒子的位置,Vk+1和Vk分别表示第k+1代和第k代粒子的速度,wk为惯性权重,随着迭代次数的变化而线性变化,wmax为初始权重,wmin为最终权重,itmax为迭代次数。c1和c2为加速度因子,多为非负的常数,r1和r2为分布于[0,1]之间的随机数。
步骤206:根据式(15)求每个新粒子的个体适应度值;
步骤207:将新求得的个体适应度值与个体极值Pbest与群体极值Gbest比较,如果新的个体适应度值小于之前的个体极值或者群体极值,则分别更新个体极值和群体极值;
步骤208:重复步骤205-207,直至最大迭代次数itmax或者适应度值达到预设的最小值,输出种群的最优粒子;
步骤209:将最优粒子对应的位置作为极限学习机的输入权值矩阵和隐藏层阈值,对训练样本集进行训练,建立极限学习机神经网络,隐藏层个数为450,激活函数为sigmoidal;
步骤210:将测试样本集输入到已训练的ELM神经网络中,计算出测试数据的定位误差,如式(14)所示。
综上所述,本发明实施例用粒子群算法优化极限学习机,既具有极限学习机的学习速度快,泛化能力强等优点,又解决了其输入权值和隐藏层阈值随机产生的缺点,使网络结构更加简单,产生的最优参数进行可见光室内定位,提高了定位精度。
实施例3
下面结合图1-图3、具体的实验数据对实施例1和2中的方案进行可行性验证,详见下文描述:
如图1所示,4个LED阵列位于5m×5m×3m的房间,地板中心坐标为(0,0,0),四个LED坐标分别为(-1.25,-1.25,3),(1.25,-1.25,3),(-1.25,1.25,3),(1.25,1.25,3)。每个LED阵列有60×60个发射功率为60mw的LED构成。光电探测器在距地面高度为0.85m的平面上移动,其面积为1cm2。对每个LED灯进行编码调制,发送各自的位置信息,在接收端光电探测器(PD)将光信号转换为电信号,得到接收端的电功率,并利用解调解码的方式分别得到每个LED灯的位置信息。
如图2所示,先利用粒子群算法优化极限学习机的参数,得到最优参数后,进行极限学习机神经网络定位。
如图3所示,基于粒子群优化极限学习机的可见光定位方法,整体的平均定位误差为3.37cm,最大定位误差为31.63cm,最小的定位误差为0.00167cm。
步骤301:通过光信道仿真,光电探测器将光功率转换为电功率,可得到光电探测器接收的来自每个LED灯的视距传播功率,一阶反射功率以及噪声功率。
步骤302:建立训练样本集和测试样本集;
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,求得每一个位置处来自每个LED灯的的总电功率,将其归一化到[-1,1]区间,作为训练样本集的输入,对应的位置坐标作为输出,建立训练样本集数据。
测试阶段将5m×5m的空间划分为密度2cm×2cm的区域,总共采集62500个数据。计算每一个位置处来自每个LED灯的总电功率,归一化到[-1,1]区间,作为测试样本集的输入,其对应的位置坐标作为输出,建立测试样本集数据。
步骤303:初始化极限学习机神经网络的结构;
其中,输入层神经元个数为4,隐藏层神经元个数为450,输出层神经元个数为2,激活函数为sigmoidal。
步骤304:初始化粒子种群数100,迭代次数150,随机初始化粒子的速度和位置;
其中,速度的取值范围为[1,-1]和位置的范围[1,-1],c1取值为2.4,c2取值为1.6。wmax取值为0.8,wmin的取值为0.4。设定的最小适应度值为0.000001m。根据式(16)计算粒子的个体适应度值,并初始化粒子的个体极值和种群极值。
步骤305:更新当前的迭代次数,根据式(17)-(19),对粒子的速度和位置进行更新;
步骤306:根据式(16)求每个新粒子的个体极值和群体极值;
步骤307:将新求得的个体适应度值与个体极值Pbest与群体极值Gbest比较,如果新的个体适应度值更优,则更新个体极值和群体极值;
步骤308:重复步骤305-307,直至迭代次数达到最大值itmax或者适应度值达到预设的最小值,输出最优的粒子;
步骤309:将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数;
步骤310:将训练样本集输入到ELM神经网络中,进行神经网络训练,隐藏层个数为450,激活函数为sigmoidal;
步骤311:将测试样本集输入到已经训练好的ELM神经网络中,计算出整体的平均定位误差。
综上所述,本方法考虑了在漫反射环境下的可见光定位,对噪声容忍度高,鲁棒性强,降低了噪声信号对定位造成的影响,该算法的实用性更强。
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 (4)
1.一种基于粒子群优化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:
1)将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较,若新的个体适应度值更优,则更新个体极值和群体极值;当迭代次数达到最大值或适应度值达到预设的最小值时,输出最优的粒子;
2)将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数;
3)将训练样本集输入到极限学习机神经网络中,进行神经网络训练,将测试样本集输入到已经训练好的极限学习机神经网络中,计算出整体的平均定位误差。
2.根据权利要求1所述的一种基于粒子群优化极限学习机的可见光定位方法,其特征在于,在步骤1)之前所述方法还包括:
初始化极限学习机神经网络的结构、粒子种群数、迭代次数,随机初始化粒子的速度和位置以及速度和位置的范围;适应度函数由极限学习机计算的可见光定位误差表示:
fitness=|oj-T|
其中,fitness为适应度函数,其值表示为粒子的个体适应度值,当fitness值越小,代表粒子更优;oj为ELM训练输出样本矩阵,T为期望输出矩阵;
根据适应度函数初始化每个粒子的个体适应度值,并初始化个体极值Pbest和群体极值Gbest;
更新当前的迭代次数,对粒子的速度和位置进行更新;求取每个新粒子的个体适应度值。
3.根据权利要求1所述的一种基于粒子群优化极限学习机的可见光定位方法,其特征在于,在步骤1)之前所述方法还包括:
通过光信道仿真,光电探测器将光功率转换为电功率,得到光电探测器接收的来自每个LED灯的电功率,其中电功率具体包括:视距传播功率,一阶反射功率以及噪声功率;
建立训练样本集和测试样本集,其中训练和测试样本集包括来自每个LED的电功率和对应的光电探测器的位置。
4.根据权利要求1所述的一种基于粒子群优化极限学习机的可见光定位方法,其特征在于,所述将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数具体为:
每个最优粒子的位置都代表ELM神经网络的输入权值和隐藏层阈值,使用矩阵S表示,
其中,S的前d行为ELM神经网络输入层和隐藏层的连接权值矩阵W,可表示为W=[w11,…w1L,w21,…w2L,…wd1,…wdL],wdL为矩阵W第d行L列的连接权值,S的最后一行为隐藏层阈值矩阵B,可表示为B=[b1,b2,…bL],bL为矩阵B第L列的隐藏层阈值,d为输入数据的维度,L为隐藏层个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811173117.4A CN109615056A (zh) | 2018-10-09 | 2018-10-09 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811173117.4A CN109615056A (zh) | 2018-10-09 | 2018-10-09 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615056A true CN109615056A (zh) | 2019-04-12 |
Family
ID=66002468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811173117.4A Pending CN109615056A (zh) | 2018-10-09 | 2018-10-09 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615056A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132287A (zh) * | 2019-05-05 | 2019-08-16 | 西安电子科技大学 | 一种基于极限学习机网络补偿的卫星高精度联合定姿方法 |
CN110300075A (zh) * | 2019-04-30 | 2019-10-01 | 北京科技大学 | 一种无线信道估计方法 |
CN110458887A (zh) * | 2019-07-15 | 2019-11-15 | 天津大学 | 一种基于pca的加权融合室内定位方法 |
CN110971457A (zh) * | 2019-11-20 | 2020-04-07 | 西华大学 | 一种基于elm的时间同步方法 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
CN111829509A (zh) * | 2020-07-20 | 2020-10-27 | 深圳名仕堂贸易有限公司 | 一种新能源汽车定位方法及定位装置 |
CN113028117A (zh) * | 2021-03-25 | 2021-06-25 | 南京晨光集团有限责任公司 | 基于比例阀轴控器快速响应及其智能控制方法 |
CN113177563A (zh) * | 2021-05-07 | 2021-07-27 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
CN113627075A (zh) * | 2021-07-19 | 2021-11-09 | 南京理工大学 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
CN104992165A (zh) * | 2015-07-24 | 2015-10-21 | 天津大学 | 基于极限学习机的交通标志识别方法 |
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 |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN107490783A (zh) * | 2016-06-10 | 2017-12-19 | 天津力芯伟业科技有限公司 | 一种基于elm的rfid定位方法 |
CN108038507A (zh) * | 2017-12-13 | 2018-05-15 | 太原理工大学 | 基于粒子群优化的局部感受野极限学习机图像分类方法 |
US20180167140A1 (en) * | 2016-12-13 | 2018-06-14 | Maite Brandt-Pearce | Position localization using visible light communication |
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
-
2018
- 2018-10-09 CN CN201811173117.4A patent/CN109615056A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
CN104992165A (zh) * | 2015-07-24 | 2015-10-21 | 天津大学 | 基于极限学习机的交通标志识别方法 |
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
CN107490783A (zh) * | 2016-06-10 | 2017-12-19 | 天津力芯伟业科技有限公司 | 一种基于elm的rfid定位方法 |
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 |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
US20180167140A1 (en) * | 2016-12-13 | 2018-06-14 | Maite Brandt-Pearce | Position localization using visible light communication |
CN108038507A (zh) * | 2017-12-13 | 2018-05-15 | 太原理工大学 | 基于粒子群优化的局部感受野极限学习机图像分类方法 |
Non-Patent Citations (1)
Title |
---|
TOSHIHIKO KOMINE: ""Fundamental analysis for visible - light communication system using led lights"", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110300075A (zh) * | 2019-04-30 | 2019-10-01 | 北京科技大学 | 一种无线信道估计方法 |
CN110300075B (zh) * | 2019-04-30 | 2020-10-02 | 北京科技大学 | 一种无线信道估计方法 |
CN110132287A (zh) * | 2019-05-05 | 2019-08-16 | 西安电子科技大学 | 一种基于极限学习机网络补偿的卫星高精度联合定姿方法 |
CN110458887A (zh) * | 2019-07-15 | 2019-11-15 | 天津大学 | 一种基于pca的加权融合室内定位方法 |
CN110971457B (zh) * | 2019-11-20 | 2022-05-24 | 西华大学 | 一种基于elm的时间同步方法 |
CN110971457A (zh) * | 2019-11-20 | 2020-04-07 | 西华大学 | 一种基于elm的时间同步方法 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
CN111829509A (zh) * | 2020-07-20 | 2020-10-27 | 深圳名仕堂贸易有限公司 | 一种新能源汽车定位方法及定位装置 |
CN111829509B (zh) * | 2020-07-20 | 2021-09-03 | 泉州森泸玩具有限公司 | 一种新能源汽车定位方法及定位装置 |
CN113028117A (zh) * | 2021-03-25 | 2021-06-25 | 南京晨光集团有限责任公司 | 基于比例阀轴控器快速响应及其智能控制方法 |
CN113177563A (zh) * | 2021-05-07 | 2021-07-27 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
CN113627075A (zh) * | 2021-07-19 | 2021-11-09 | 南京理工大学 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
CN113627075B (zh) * | 2021-07-19 | 2024-04-09 | 南京理工大学 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615056A (zh) | 一种基于粒子群优化极限学习机的可见光定位方法 | |
Zhuang et al. | A survey of positioning systems using visible LED lights | |
Wang et al. | DeepML: Deep LSTM for indoor localization with smartphone magnetic and light sensors | |
Guan et al. | High-precision approach to localization scheme of visible light communication based on artificial neural networks and modified genetic algorithms | |
CN109061566A (zh) | 一种基于极限学习机的可见光定位方法 | |
Mousa et al. | Indoor visible light communication localization system utilizing received signal strength indication technique and trilateration method | |
CN110011731A (zh) | 用于平铺自由空间光学传输的系统和方法 | |
CN113411881B (zh) | Rss无人机集群分布式定位方法 | |
Chen et al. | LED based high accuracy indoor visible light positioning algorithm | |
Lakshmi et al. | Improved Chan algorithm based optimum UWB sensor node localization using hybrid particle swarm optimization | |
Saadi et al. | Visible light‐based indoor localization using k‐means clustering and linear regression | |
CN109188360A (zh) | 一种基于蝙蝠算法的室内可见光三维定位方法 | |
Alam et al. | Visible light positioning based on calibrated propagation model | |
Pham et al. | High-accuracy VLC-based indoor positioning system using multi-level modulation | |
CN111413670B (zh) | 一种增强型相机辅助的基于接收信号强度比的定位方法 | |
Chen et al. | Indoor high precision three-dimensional positioning system based on visible light communication using improved hybrid bat algorithm | |
CN110072192B (zh) | 一种智能手机WiFi室内定位方法 | |
Tang et al. | An “Internet of Ears” for crowd-aware smart buildings based on sparse sensor networks | |
Chaochuan et al. | High-accuracy 3D indoor visible light positioning method based on the improved adaptive cuckoo search algorithm | |
Gradim et al. | On the usage of machine learning techniques to improve position accuracy in visible light positioning systems | |
Younus et al. | A unilateral 3D indoor positioning system employing optical camera communications | |
Feng et al. | Beam tracking algorithm for marine applications using visible light communication | |
Ifthekhar et al. | Neural network-based indoor positioning using virtual projective invariants | |
Chen et al. | Performance comparison and analysis on different optimization models for high-precision three-dimensional visible light positioning | |
Aparicio-Esteve et al. | Experimental evaluation of a machine learning-based RSS localization method using Gaussian processes and a quadrant photodiode |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190412 |