CN111458681B - 一种基于双阶段神经网络的可见光定位方法和系统 - Google Patents

一种基于双阶段神经网络的可见光定位方法和系统 Download PDF

Info

Publication number
CN111458681B
CN111458681B CN202010192442.6A CN202010192442A CN111458681B CN 111458681 B CN111458681 B CN 111458681B CN 202010192442 A CN202010192442 A CN 202010192442A CN 111458681 B CN111458681 B CN 111458681B
Authority
CN
China
Prior art keywords
neural network
visible light
coordinate
positioning
data
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.)
Active
Application number
CN202010192442.6A
Other languages
English (en)
Other versions
CN111458681A (zh
Inventor
邓磊
戚宝剑
曹子偲
刘德明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010192442.6A priority Critical patent/CN111458681B/zh
Publication of CN111458681A publication Critical patent/CN111458681A/zh
Application granted granted Critical
Publication of CN111458681B publication Critical patent/CN111458681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • H04B10/07953—Monitoring or measuring OSNR, BER or Q
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • H04B10/07955—Monitoring or measuring power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
    • H04B10/114—Indoor or close-range type systems
    • H04B10/116—Visible light communication

Abstract

本发明公开了一种基于双阶段神经网络的可见光定位方法和系统，属于可见光定位领域。方法包括，在设定的信噪比环境下训练第一神经网络，得到初步定位模型；将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；将带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；在不同信噪比环境下利用坐标误差数据对第二神经网络进行训练，得到坐标补偿模型；将待定位的可见光功率数据分别输入初步定位模型和坐标补偿模型，将得到的结果相加得到定位结果。本发明方法可使定位误差降低到1cm以内，既维持了神经网络定位的精确性，又无需了解定位环境，提高了可见光定位的适应性和鲁棒性。

Description

一种基于双阶段神经网络的可见光定位方法和系统
技术领域
本发明属于可见光定位领域，更具体地，涉及一种基于双阶段神经网络的可见光定位方法和系统。
背景技术
高精度的室内定位目前已经在某些领域起到不可或缺的作用，如增强/ 虚拟现实，远程医疗监控，工厂自动化，物联网与毫米波通信。可见光定位由于其稳定的链路，对电磁波干扰免疫以及较低的成本受到了普遍关注。因为较低的成本，可见光定位最常用方法是基于接受信号强度(RSS)的三角定位法，能够在不依赖环境参数实现低成本的高精度定位是该方法的一个重要方向。但该方法一般使用朗伯光照模型，需要预先知道部分环境参数，比如LED灯的灯珠与结构，同时，由于实际环境的复杂性，该方法的精度较差；且由于该方法的定位精度依赖于在不同位置接受的信号强度，当环境的信噪比发生变化时，定位精度会受到很大影响。
为了解决模型的不准确性，通常方法是使用更复杂的模型，如将噪声与信道的非线性纳入模型中，但是这仍未解决实际模型的复杂性以及预先对环境参数的了解；为了解决环境信噪比发生变化导致定位精度受影响的问题，有人提出了一种基于接收端信号强度比例的方法，但是该方法使用的局限性较大，必须要求发射端的3个LED灯同时变化，即要求环境对3 个信道同时产生影响，因此不能处理发射端信道独立变化的情况。
为了解决模型本身的问题，神经网络被应用到该领域里，该方法的原理仍基于接受信号强度的三角定位，因此所需结构没有发生变化，它本身基于从环境中在不同位置采集一定数量的接收端功率数据，训练出该环境下接收端功率与对应坐标关系的神经网络。当训练结束后，只需输入接收端的功率数据，即可得到对应的位置，从而实现定位。相比于上述基于模型的方法，该方法不需要了解环境参数，且精度较高，可达到1cm以内。但该方法当环境信噪比发生变化时，定位精度会受到较大影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于双阶段神经网络的可见光定位方法和系统，其目的在于解决单个神经网络在可见光定位中，由于环境信噪比发生变化，而存在的定位结果偏差的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于双阶段神经网络的可见光定位方法，包括：
S1.在设定的信噪比环境下采集的可见光功率数据作为输入，将预先采集的坐标数据作为期望输出对第一神经网络进行训练，得到初步定位模型；所述初步定位模型用于根据不同信噪比环境下的可见光功率数据，输出带偏差的坐标数据；
S2.将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；
S3.将所述带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；
S4.将不同信噪比环境下采集的可见光功率数据作为输入，将不同信噪比环境对应的坐标误差数据作为期望输出对第二神经网络进行训练，得到坐标补偿模型；所述坐标补偿模型，用于根据不同信噪比环境下的可见光功率数据，得到对应的坐标误差值；
S5.将待定位的可见光功率数据分别输入训练好的初步定位模型和坐标补偿模型，得到带偏差的坐标数据N'out和坐标误差值ΔNout，两者相加得到修正后的可见光位置坐标。
进一步地，步骤S1对第一神经网络进行训练，具体包括，在设定的信噪比环境A下，将来自平面三个不同位置的可见光功率数据进行预处理作为第一神经网络的输入，将对应位置处预先采集的坐标数据作为第一神经网络的期望输出，对第一神经网络进行训练，得到初步定位模型。
进一步地，步骤S2具体包括，在信噪比环境B下，将来自所述平面三个不同位置的可见光功率数据输入训练好的初步定位模型，得到带偏差的坐标数据。
进一步地，步骤S3具体包括，将信噪比环境B下不同位置处的带偏差的坐标数据与信噪比环境A下对应位置的坐标数据进行相减，得到对应位置的坐标误差值。
进一步地，所述第一神经网络的输入与输出关系为：
Figure RE-GDA0002496775480000031
其中，N'out为第一神经网络的输出；Nin为第一神经网络的输入；f(·)表示sigmoid函数；ωij表示神经网络不同层的第i个节点的输出和下一层中第 j个节点的输入的权重参数；b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。
进一步地，所述第一神经网络的训练误差在1cm以内。
进一步地，所述第二神经网络的输入与输出关系为：
Figure RE-GDA0002496775480000032
其中，△Nout为第二神经网络的输出；N″in为第二神经网络的输入；f(·)表示sigmoid函数；ωij表示神经网络不同层的第i个节点的输出和下一层中第 j个节点的输入的权重参数；b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。
按照本发明的另一方面，提供了一种基于双阶段神经网络的可见光定位系统，该系统采用上述基于双阶段神经网络的可见光定位方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
(1)本发明基于双阶段神经网络解决了单个神经网络在可见光定位中，由于环境信噪比发生变化(如光功率变化)，而存在的定位结果的偏差；将原来的神经网络视为一个标准定位，当环境发生变化时，新增的神经网络根据接收信号功率的变化衡量坐标的误差量，结合这两者实现对坐标定位的修正，保持了神经网络定位的高精度以及无模型优势，同时也没有增加硬件上的成本，提高了可见光定位的鲁棒性。
(2)本发明由于采用了神经网络技术，不需要对环境参数有具体了解，因此适用于各种基于接受信号强度的三角定位方法的可见光定位系统里，且无需额外的硬件需求。同时相比于其它的方法，该方法适应性更广，环境对每路接受信号的干扰既可能是独立的，也可能是同时的，最终结果显示，该方法的定位精度始终保持在1cm内。
附图说明
图1是本发明提供的基于接受信号强度的三角定位结构图；
图2是本发明提供的神经网络的结构图；
图3是本发明提供的改变环境信噪比造成的最差定位精度变化示意图
图4是本发明提供的基于双阶段神经网络可见光定位方法流程示意图；
图5是本发明提供的可见光定位方法应用实例的结构原理图；
图6为实施例中对神经网络2训练后用同信噪比下采集的数据测试精度修正图；
图7(a)-图7(b)为采用本发明方法选取SNR＝20,8,12,16的情况作为训练数据，得到的坐标修复前后对比图；
图7(c)-图7(d)为采用本发明方法选取SNR＝6,10,14,18的情况作为测试数据，得到的坐标修复前后对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
典型的基于接受信号强度法的三角定位结构如图1所示，在解坐标时使用了精度更高的神经网络而非传统的基于模型的解法。具体过程如下：测试的区域为三角区域，3个LED被置于一定高度的位置上，且处于该三角区域三个端点的正上方。为了避免LED上信号的串扰，每个LED灯被调制上预先生成的4个载波上的正交频分相移(QPSK)信号来实现身份验证。接收端的光电探测器在接受信号后，通过滤波滤出各载波的信号，并计算其强度平均值，即对应LED灯上的信号的功率。最后在该区域内选定的各个坐标点采集一定数量的功率数据，用于后续的神经网络的训练和测试。
现对上述过程进行精确描述，根据朗伯光照模型，接收端的光强度可表示为：
Figure RE-GDA0002496775480000051
其中Pr与Pt分别为接受与发射的光功率；As为光电探测器的有效区域；β为LED与光电探测器PD之间的辐射角；α为入射光与光电探测器PD之间的倾角，本发明实施例中这两个角度都为90°；d为LED与光电探测器之间的距离，本发明实施例中为2.7m；m为LED自身的参数，定义为
Figure RE-GDA0002496775480000052
其中
Figure RE-GDA0002496775480000053
为LED的半功率角。
将光电探测器放在平面位置，Z轴沿垂直方向，构造一个直角坐标系，可得到：
Figure RE-GDA0002496775480000061
其中h为LED与光电探测器的垂直高度，x,y,z为光电探测器在X-Y-Z 上的坐标，xt,yt,zt为LED在X-Y-Z上的坐标。
光电探测器，即接收端的坐标与接收光功率的强度可表示为：
Figure RE-GDA0002496775480000062
而如图1所示，共有3个LED灯，可以得到：
Figure RE-GDA0002496775480000063
其中xi,yi,zi为LED的坐标，Pti,pi为对应LED灯的发射与接收光功率，
Figure RE-GDA0002496775480000064
一旦可见光定位系统建立后，参数Ki会变成常数。所以可以通过解(2)获取对应的坐标。而使用的神经网络正是解决的一种方法，由公式(2)可以发现它的解有如下形式：
Figure RE-GDA0002496775480000065
而m值一般为2左右，因此坐标x,y,z可表示功率的平方形式的函数，因此可以将
Figure RE-GDA0002496775480000066
作为神经网络输入端，即输入层有 9个节点，如图2所示，本发明采用的的神经网络，其输入层有9个节点，有两个隐藏层，每层的节点数为6，隐藏层的激活函数为sigmoid函数，输出层有3个节点，且没有激活函数。因此该神经网络输入与输出的关系可表示为：
Figure RE-GDA0002496775480000071
其中f(·)表示sigmoid函数；ωij表示神经网络不同层的第i个节点的输出和下一层中第j个节点的输入的权重参数，b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。Nin与Nout为对应的输入与输出节点。按上述方法采集一定数量的数据后训练该神经网络即可应用于实际定位中。
当在一个信噪比下训练出一个表现优异的神经网络，然后输入不同的信噪比下的接受信号功率到神经网络中，其定位会发生较差的变化，如图3 所示，图中共有18个参考点(由空心圆点表示)，在信噪比10左右获取功率数据训练神经网络，随后通过降低供电电压降低LED的光功率，从而改变环境中的信噪比，由于并不需要具体的信噪比作为数据，只需要在不同信噪比下接收端信号功率作为数据，因此，通过将每个灯的电压依次下降 0.2V，共降低了10组，在这10种情况下，每种情况采集与最初始情况相同数量的数据，并将它们输入到训练好的神经网络里，图3中的实心黑点为得到的这10种情况的定位情况，可以看出，它们的偏移量较大，平均误差可达到6.5cm。这说明神经网络在可见光定位中，由于环境信噪比发生变化，而存在的定位结果偏差问题确实存在且可以达到很严重的情况。
为了解决该问题，本发明实施例提供了一种基于双阶段神经网络的可见光定位方法，包括以下步骤：
S1.在设定的信噪比环境下采集的可见光功率数据作为输入，将预先采集的坐标数据作为期望输出对第一神经网络进行训练，得到初步定位模型；初步定位模型用于根据不同信噪比环境下的可见光功率数据，输出带偏差的坐标数据；
具体地，在设定的信噪比环境A下，将处于平面三个不同位置的接收端信号数据进行预处理作为第一神经网络的输入，将对应位置处预先采集的坐标数据作为第一神经网络的期望输出，对第一神经网络进行训练，得到初步定位模型，使其在信噪比环境A下能够根据一个位置的接收端功率得到相对准确的坐标。
S2.将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；
具体地，本发明实施例中通过改变发射端LED的光功率大小，使得环境的信噪比发生变化，而接收端对应的信号功率也随之变化，在不同信噪比对应的接收端功率采集一定数量的数据，将其输入初步定位模型，由于输入的功率变化为N'in，输出的坐标也会偏离正确坐标，即带有偏差的坐标数据N'out。
S3.将带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；
具体地，对初步定位模型输入A环境下的训练数据，得到相对准确的坐标数据；再输入B环境下采集的功率数据，得到带有偏差的坐标数据，将初步定位模型在A环境的输出坐标与B环境下的输出坐标相减： Nout-N'out，得到误差值ΔNout。
S4.将不同信噪比环境下采集的可见光功率数据作为输入，将不同信噪比环境对应的坐标误差数据作为期望输出对第二神经网络进行训练，得到坐标补偿模型；所述坐标补偿模型，用于根据不同信噪比环境下的可见光功率数据，得到对应的坐标误差值；
S5.将待定位的可见光功率数据分别输入训练好的初步定位模型和坐标补偿模型，得到带偏差的坐标数据N'out和坐标误差值ΔNout，两者相加得到修正后的可见光位置坐标。
本发明方法的应用实例结构如图5所示，发射端在matlab将3段序列长度为280的伪随机序列，分别通过正交调制相移(QPSK)映射、2倍上采样与2倍上变频，生成载波为1MSa/s的频率为140kHz、270kHz、400kHz 的三个发射端所需信号Tx1、Tx2、Tx3，接着将三个信号输入到任意函数发生器中，其发射速率为1MSa/s。任意信号发生器通过偏执器(bias-Tee) 将3路发射信号调制到三个LED上，LED的电源也通过偏执器供应，实现了将电信号转化为光信号发射的过程，光信号传递的空间如下：3个LED 灯位于高2.7m的三角形区域的三个顶角上，其高度处于同一水平位置，该三角形区域三边长为0.9m×1m×1m。光电探测器位于高度为0的水平地面上，其所在区域仍在该三角形区域内，在该区域内每隔10cm标记一点作为采样点。从这些点中选取一个作为坐标原点，从而建立了所需的直角坐标系，将光电探测器放在其中部分采样点上，连接到采样率为1MSa/s的示波器上，将示波器得到的波形依次进行2倍下变频，带通滤波，2倍下采样，得到3个频率的信号数据，对信号数据求其平均值，得到3个接受信号的功率数据。依照此流程，固定每个灯的电压(功率)，在该区域内选取18 个坐标点，每个点采取30个功率数据，共5400个数据，从中按6:4的关系划分训练集和测试集，将训练集输入第一神经网络，并用测试集进行测试，最后经过20000次数的训练使得训练误差和测试误差都在1cm以内。完成了第一神经网络的训练，得到初步定位模型。接着将每个灯的电压依次降低0.2V，共10组，每降低1次，在同样的坐标点上采集相同数量的功率数据即54000个，选取其中的5组，输入到初步定位模型中，使得每个功率数据获得一个对应的带有偏差的坐标数据。再用精确的坐标数据与之相减，得到偏差量数据，此时就得到了每个功率数据对应的偏差量，用该27000 个数据训练第二神经网络，得到坐标补偿模型。最后将用于测试的27000 个数据输入初步定位模型和坐标补偿模型，将两者的结果合并得到修正后的结果。
附图6显示了该应用实例对图3中10种情况的修复，其目的是为了验证该发明是否有能力进行修复坐标误差。图中空心圆点为选取的参考点，将该10种情况输入初步定位模型和坐标补偿模型，将结果结合，得到对应的修复值，实心黑点为修复后的坐标位置，其平均误差为0.58cm。可见从原理上验证了该发明的实用性。
本发明实施例选取了SNR＝20的情况作为训练第一神经网络的数据，并用SNR＝8,12,16的情况作为训练第二神经网络的数据，最后将 SNR＝6,10,14,18的情况作为测试的数据，得到结果如图7(a)-(d)所示，其中空心圆点为选取的参考点，实心黑点为本发明方法给出的定位，训练结果显示，本发明方法将修复前误差为1.51cm的平均误差，修复为0.55cm的平均误差；测试结果显示，本发明方法将修复前误差为1.54cm的平均误差，修复为0.58cm的平均误差，从而较好的验证了该发明的功能。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于双阶段神经网络的可见光定位方法，其特征在于，包括：
S1.在设定的信噪比环境下采集的可见光功率数据作为输入，将预先采集的坐标数据作为期望输出对第一神经网络进行训练，得到初步定位模型；所述初步定位模型用于根据不同信噪比环境下的可见光功率数据，输出带偏差的坐标数据；
S2.将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；
S3.将所述带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；
S4.将不同信噪比环境下采集的可见光功率数据作为输入，将不同信噪比环境对应的坐标误差数据作为期望输出对第二神经网络进行训练，得到坐标补偿模型；所述坐标补偿模型，用于根据不同信噪比环境下的可见光功率数据，得到对应的坐标误差值；
S5.将待定位的可见光功率数据分别输入训练好的初步定位模型和坐标补偿模型，得到带偏差的坐标数据N'out和坐标误差值△Nout，两者相加得到修正后的可见光位置坐标。
2.根据权利要求1所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，步骤S1对第一神经网络进行训练，具体包括，在设定的信噪比环境A下，将来自平面三个不同位置的可见光功率数据进行预处理作为第一神经网络的输入，将对应位置处预先采集的坐标数据作为第一神经网络的期望输出，对第一神经网络进行训练，得到初步定位模型。
3.根据权利要求2所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，步骤S2具体包括，在信噪比环境B下，将来自所述平面三个不同位置的可见光功率数据输入训练好的初步定位模型，得到带偏差的坐标数据。
4.根据权利要求3所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，步骤S3具体包括，将信噪比环境B下不同位置处的带偏差的坐标数据与信噪比环境A下对应位置的坐标数据进行相减，得到对应位置的坐标误差值。
5.根据权利要求2所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，所述第一神经网络的输入与输出关系为：
Figure FDA0003518309110000021
其中，N'out为第一神经网络的输出；Nin为第一神经网络的输入；f(·)表示sigmoid函数；ωim表示第3层里第i个节点与输出层里第m个节点的连接权重；ωji表示第2层里第j个节点与第3层里第i个节点的连接权重；ωkj表示第1层里第k个节点与第2层里第j个节点的连接权重；b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。
6.根据权利要求5所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，所述第一神经网络的训练误差在1cm以内。
7.根据权利要求1所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，所述第二神经网络的输入与输出关系为：
Figure FDA0003518309110000022
其中，△Nout为第二神经网络的输出；N″in为第二神经网络的输入；f(·)表示sigmoid函数；ωim表示第3层里第i个节点与输出层里第m个节点的连接权重；ωji表示第2层里第j个节点与第3层里第i个节点的连接权重；ωkj表示第1层里第k个节点与第2层里第j个节点的连接权重；b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。
8.一种基于双阶段神经网络的可见光定位系统，其特征在于，所述系统采用如权利要求1至7任一项所述的基于双阶段神经网络的可见光定位方法。
CN202010192442.6A 2020-03-18 2020-03-18 一种基于双阶段神经网络的可见光定位方法和系统 Active CN111458681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010192442.6A CN111458681B (zh) 2020-03-18 2020-03-18 一种基于双阶段神经网络的可见光定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010192442.6A CN111458681B (zh) 2020-03-18 2020-03-18 一种基于双阶段神经网络的可见光定位方法和系统

Publications (2)

Publication Number Publication Date
CN111458681A CN111458681A (zh) 2020-07-28
CN111458681B true CN111458681B (zh) 2022-04-26

Family

ID=71678425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010192442.6A Active CN111458681B (zh) 2020-03-18 2020-03-18 一种基于双阶段神经网络的可见光定位方法和系统

Country Status (1)

Country Link
CN (1) CN111458681B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748399B (zh) * 2020-12-28 2024-02-13 北京科技大学 一种基于多pd接收机的可见光三维定位系统及方法
CN114826400B (zh) * 2022-02-28 2023-08-08 北京邮电大学 一种基于可见光通信的信号补偿方法及相关设备
WO2024077449A1 (zh) * 2022-10-10 2024-04-18 华为技术有限公司 用于定位的模型的训练方法、定位方法、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6583386B1 (en) * 2000-12-14 2003-06-24 Impact Engineering, Inc. Method and system for weld monitoring and tracking
CN107949054A (zh) * 2017-12-29 2018-04-20 清华大学 基于深度学习可见光室内高精度指纹定位方法
CN108519088A (zh) * 2018-03-05 2018-09-11 华南理工大学 一种基于人工神经网络的可见光视觉定位方法
CN108732537A (zh) * 2018-05-08 2018-11-02 北京理工大学 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
CN108828519A (zh) * 2018-05-24 2018-11-16 桂林电子科技大学 一种基于机器学习的高精度室内可见光定位方法
CN109061566A (zh) * 2018-07-04 2018-12-21 天津大学 一种基于极限学习机的可见光定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6583386B1 (en) * 2000-12-14 2003-06-24 Impact Engineering, Inc. Method and system for weld monitoring and tracking
CN107949054A (zh) * 2017-12-29 2018-04-20 清华大学 基于深度学习可见光室内高精度指纹定位方法
CN108519088A (zh) * 2018-03-05 2018-09-11 华南理工大学 一种基于人工神经网络的可见光视觉定位方法
CN108732537A (zh) * 2018-05-08 2018-11-02 北京理工大学 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
CN108828519A (zh) * 2018-05-24 2018-11-16 桂林电子科技大学 一种基于机器学习的高精度室内可见光定位方法
CN109061566A (zh) * 2018-07-04 2018-12-21 天津大学 一种基于极限学习机的可见光定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Modeling,design and analysis of low frequency platform for attenuating micro-vibration in spacecraft》;D Kamesh et.al;《Journal of Sound and Vibration》;20101231;第329卷(第17期);第3431-3450页 *
《基于分布布拉格反射光纤激光器的高灵敏度微振动传感器》;鲁文高 等;《光学学报》;20140731;第34卷(第7期);第1-6页 *

Also Published As

Publication number Publication date
CN111458681A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111458681B (zh) 一种基于双阶段神经网络的可见光定位方法和系统
CN110351658B (zh) 一种基于卷积神经网络的室内定位方法
Du et al. Experimental demonstration of 3D visible light positioning using received signal strength with low-complexity trilateration assisted by deep learning technique
He et al. Demonstration of high precision 3D indoor positioning system based on two-layer ANN machine learning technique
CN105301561B (zh) 一种基于频分复用的可见光高精度室内定位方法
CN108732537B (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
CN105823477A (zh) 一种基于rssr的led室内定位方法及系统
US20140085642A1 (en) Lighting apparatus for measuring the position of a mobile terminal, and position measuring system using same
CN106714301B (zh) 一种无线定位网络中的载波优化方法
CN109039458A (zh) 一种室内定位系统及方法
CN111664853B (zh) 基于线性回归模型的抗nlos干扰可见光定位方法及系统
CN111818449A (zh) 一种基于改进的人工神经网络的可见光室内定位方法
KR101212932B1 (ko) 광 수신기의 위치 추정 장치 및 방법
CN106646370A (zh) 一种基于载波相位测量的可见光通讯室内定位装置及方法
CN105515680A (zh) 基于蓝光led可见光通信的水下物联网系统
Ziyan A visible light communication based hybrid positioning method for wireless sensor networks
Ahmed et al. Pseudo-passive time-of-flight imaging: Simultaneous illumination, communication, and 3D sensing
CN105827316A (zh) 抑制灯间干扰的可见光通信方法及装置
Razzaq et al. Design and analysis of light fidelity network for indoor wireless connectivity
CN105187112B (zh) 基于可见光通信的信号接收方法、装置及可见光通信系统
CN107919910A (zh) 一种抗nlos干扰的可见光定位方法
CN102970077A (zh) 应用于电路板集成光组件系统的误码率测试装置及方法
CN105471505A (zh) 一种信号调制方法、装置及可见光通信系统
CN109709508B (zh) 一种基于传感器节点的光学aoa定位方法
CN104796239B (zh) 一种mimo无线通信系统及信号检测装置和方法

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