CN111664853A - 基于线性回归模型的抗nlos干扰可见光定位方法及系统 - Google Patents
基于线性回归模型的抗nlos干扰可见光定位方法及系统 Download PDFInfo
- Publication number
- CN111664853A CN111664853A CN202010573959.XA CN202010573959A CN111664853A CN 111664853 A CN111664853 A CN 111664853A CN 202010573959 A CN202010573959 A CN 202010573959A CN 111664853 A CN111664853 A CN 111664853A
- Authority
- CN
- China
- Prior art keywords
- led
- nlos
- intensity
- module
- positioning
- 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
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明公布了一种基于线性回归模型的抗NLOS干扰的可见光定位方法及系统,包括发射模块、接收模块、训练模块、定位模块;发射模块包括多个LED灯、信号发生器、基带调制模块和驱动电路;每个LED灯均有一个ID;接收模块包括光学滤波片、光电检测器、放大器、模数转换器和微处理器,用于接收在一个周期不同时间片段不同LED灯的信号,并提取其接收到的信号强度;本发明通过采用机器学习方法去除非视线传输(NLOS)干扰,再用几何定位法实现定位,可消除NLOS干扰对定位的影响,提高定位精度,还降低了现有基于机器学习的指纹定位法对定位数据的要求。
Description
技术领域
本发明属于定位技术领域,具体涉及一种基于线性回归模型的抗NLOS(非视线传输)干扰可见光定位方法及其系统。
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。现有的室内定位技术主要有:红外技术、超声波技术、蓝牙技术、WiFi技术、超宽带技术等。但这些方法没有一种定位系统能够同时具备成本低、定位精度高、结构简单、功耗低的优点,不具备广泛应用的特点。
近年来,随着LED在照明、通信和传感技术等各个领域的广泛应用,可见光通信具有同时用于照明和通信的优势,被认为是极具发展潜力和应用前景的技术。在基于VLC(Visible Light Communication,可见光通信技术)的各种应用中,可见光室内定位系统与现有的定位技术相比具有许多优点,成为研究的热点。VLC定位技术有如下优点:首先,VLC技术使用LED作为光源,用于定位的同时又可提供照明,而且几乎不需多余的功率消耗。其次,基于VLC的定位系统不需要占用射频资源,从而不用考虑频率干扰,可以部署在射频辐射被严格限制的环境中(如医院)。最后,因VLC系统受到多径效应较少,并且方向性强,所以比无线电波能提供更高的定位精度。
但是,针对于室内环境的VLC定位,几何定位法成本低、实现简单,得到了广泛应用,但其受NLOS(Not line of sight,非视线传输)干扰影响严重,导致定位精度下降,尤其是墙壁周围位置受NLOS干扰尤为严重,往往导致定位精度急剧下降。针对上述干扰问题,基于机器学习的VLC指纹定位法被大量采用,如“一种基于人工神经网络的高精度室内可见光定位方法(申请号CN106100734B)”,这类方法直接利用多个接受信号强度来对位置进行估计,取得了较好的效果,但需要采集足够多的数据进行训练,且训练效果会直接影响定位精度。
发明内容
本发明提出了一种抗NLOS干扰的可见光室内定位方法及系统,通过采用机器学习方法去除NLOS干扰,再用几何定位法实现定位,可消除NLOS干扰对定位的影响,从而提高定位精度,本发明方法还降低了传统基于机器学习的指纹定位法对定位数据的要求。
本发明的技术方案包括四模块(发射模块、接收模块、训练模块、定位模块)和两种模式(训练模式、定位模式),其中,发射模块包括多个LED灯、信号发生器、基带调制模块和驱动电路,作用是利用时分复用的方法对定位区域内的各个LED灯进行时序编码/信号调制;接收模块由光学滤波片、光电检测器、放大器、模数转换器和微处理器组成,其先运动到定位点,用于接收在定位点处一个周期不同时间片段不同LED灯的信号,并提取信号强度向量;训练模块用于建立不同位置的接收信号强度向量对应的NLOS干扰强度向量的线性回归模型;定位模块将接收信号强度向量减去NLOS干扰强度向量,然后根据几何定位法预测得到待测位置坐标。训练模式在定位之前完成,主要功能是根据测试点的信息训练获得定位模式所需的线性回归模型参数;定位模式的主要功能是利用已经训练好的线性回归模型估计接收模块接收的NLOS干扰强度,将接收模块接收的信号强度减去其估计的NLOS干扰强度后再进行定位,从而获得更为精确的定位结果。
本发明提供一种基于线性回归模型的抗NLOS干扰的可见光定位方法,通过采用机器学习方法去除NLOS干扰,再用几何定位法实现定位;包括训练模式和定位模式;
一、训练模式的具体步骤如下:
1)发射模块利用时分复用的方法对天花板上的M个LED灯进行时序编码(信号调制);
包含以下流程S11~S12:
S11:根据房间大小选取LED灯个数,在室内天花板上布设M(M>3)个LED灯,确保能给房间提供足够的照明,以及接收模块在任一位置都能接收到N(3≤N≤M)个LED灯的信号,并测量各个LED的位置,LED的位置坐标记为(xLED,i,yLED,i,zLED,i),xLED,i,yLED,i,zLED,i分别是第i个LED灯在平面直角坐标系中X轴、Y轴、Z轴的标量;
S12:通过信号发生器让每个LED灯产生各自ID信息的光信号,将经过基带调制模块调制后的光信号输入驱动电路,驱动LED频闪发出调制后的可见光信号。
2)选取多个位置作为测试点,实地测量出接收模块在选取的各个测试点处分别来自各个LED灯的信号强度;接收到的LED灯的信号强度包含LOS(Line of sight,视线传输)径信号强度、NLOS干扰强度和噪声强度;
3)根据Lambert光照模型,通过各个测试点到N个LED灯的实际距离,计算出测试点到各个LED灯的LOS径信号强度;将接收到的N个LED灯信号强度减去对应的LOS径信号强度,则为NLOS干扰估计强度,并建立数据集(包含接收到的各个LED灯的信号强度及对应的NLOS干扰估计强度);
4)以来自N个LED灯信号强度为输入,对应的NLOS干扰估计强度为输出,建立线性回归模型,并根据步骤3)中得到的数据集对模型进行训练,得到训练好的线性回归模型;
二、定位模式,具体步骤如下:
5)在待定位点处,将接收模块接收到的来自N个光源LED灯信号强度输入训练好的线性回归模型,得到相应的NLOS干扰估计强度;
6)将接收模块接收到的来自N个光源LED灯信号强度减去相应的NLOS干扰估计强度,作为估计的LOS径信号强度,然后利用Lambert光照模型得到相应的N个估计距离;
7)取估计距离最大的3个值,利用几何定位法计算接收模块的位置,即得到各待定位点的位置。
上述基于线性回归模型的抗NLOS干扰的可见光定位方法,步骤2)具体包含以下流程S21~S22:
S22:每个LED灯都有一个ID,从而确定接收到的光线对应的LED灯。通过接收模块将接收到的LED灯的光信号转化为电信号,经放大电路放大后再经自适应滤波电路还原出具有ID信息的各个LED灯的信号,并得到相应的信号强度Pr,ij=PLOS,ij+PNLOS,ij,其中,Pr,ij为第j个测试点接收到的来自第i个LED的信号强度,PLOS,ij为相应的LOS径信号强度,PNLOS,ij为相应的NLOS干扰强度和噪声强度。
上述步骤3)建立用于训练模型的数据集包括以下流程S31~S32:
S31:根据Lambert光照模型,通过测试点到N个LED灯的实际距离,计算出测试点到各个LED灯的LOS径信号强度;具体计算公式为:
其中,Pest,LOS,ij为根据第j个测试点到第i个LED的实际距离计算出来的其应接收到的LOS径信号强度,m为LED的Lambert阶数,A是PD的实际接收面积,Ts(θij)、g(θij)分别为第j个测试点对第i个LED的光学滤波器增益和聚光器增益,h为LED距接收平面的高度,Pt为LED灯的发射功率。
S32:将接收到的N个LED灯信号强度减去对应的LOS径信号强度,则为估计的NLOS干扰强度Pest,NLOS,ij=Pr,ij-Pest,LOS,ij;
S33:建立用于训练模型的归一化的数据集[Pr,ij,Pest,NLOS,ij],Pr,ij为归一化的输入,Pest,NLOS,ij为归一化的输出。
步骤5)通过接收模块接收到的来自N个光源LED灯信号强度输入训练好的模型,然后得到相应的NLOS干扰估计强度,具体包含流程S51~S52:
S51:将接收模块接收到的来自N个光源LED灯信号强度Pr,ij进行归一化处理,然后输入训练完成的线性回归模型,从而得到相应的归一化的NLOS干扰估计强度;
S52:将归一化的NLOS干扰估计强度进行逆归一化处理,从而得到估计的NLOS干扰估计强度Pest,NLOS,ij。
步骤6)根据估计的LOS径信号强度计算相应的接收模块至LED灯的距离,具体包含流程S61~S62:
S61:将接收模块接收到的来自N个光源LED灯信号强度减去相应的NLOS干扰估计强度,作为估计的LOS径信号强度Pest,LOS,ij=Pr,ij-Pest,NLOS,ij;
其中,m为LED的Lambert阶数,A是PD的实际接收面积,Ts(θij)、g(θij)分别为第j个定位点对第i个LED的光学滤波器增益和聚光器增益,Pt为LED灯的发射功率,Pest,LOS,ij为根据第j个定位点到第i个LED的实际距离计算出来的其应接收到的LOS径信号强度,h为LED距接收平面的高度。
步骤7)利用几何定位法计算接收模块的位置,具体包含流程S71~S72:
S71:比较接收模块至LED灯的距离dij值,选取最小的三个距离及其对应的LED灯坐标,假设分别为(d1j,d2j,d3j)、(xLED,1,yLED,1,zLED,1)、(xLED,2,yLED,2,zLED,2)、(xLED,3,yLED,3,zLED,3);
S72:通过几何定位法计算接收模块的位置X=(ATA)-1ATB,其中矩阵A、B、X分别为:
具体实施时,本发明还提供一种基于线性回归模型的抗NLOS干扰的可见光定位系统,包括发射模块、接收模块、训练模块、定位模块,其中,发射模块包括多个LED灯、信号发生器、基带调制模块和驱动电路,作用是利用时分复用的方法对定位区域内的各个LED灯进行时序编码/信号调制;接收模块由光学滤波片、光电检测器、放大器、模数转换器和微处理器组成,用于接收在一个周期不同时间片段不同LED灯的信号,并提取信号强度向量;训练模块用于建立不同位置的接收信号强度向量对应的NLOS干扰强度向量的线性回归模型;定位模块将接收信号强度向量减去NLOS干扰强度向量,然后根据几何定位法预测得到待测位置的坐标。
与现有技术相比,本发明的有益效果:
本发明提供基于线性回归模型的抗NLOS干扰可见光定位方法及系统,通过估计NLOS干扰强度,提高距离测量精度,从而提高定位精度;相比于直接通过机器学习输出位置的方法,本方法可靠性更高、安装复杂度更小,不会因为环境或模型的变化对定位精度产生较大的影响,对用于训练的测试点数据集的数量要求更低。
附图说明
图1是本发明可见光定位方法的流程框图。
图2是本发明中线性回归模型建立和应用方法的流程框图。
图3是本发明具体实施的可见光定位系统的结构框图。
图4是本发明用于室内场景可见光定位的实例模型的示意图;
其中,Receiver表示接收模块;LED1~LED4表示天花板上安装的Led灯。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参考图1所示,本发明利用线性回归模型来估计接收模块接收到的NLOS干扰强度,在得到更为精确的距离估计后,利用传统的几何定位法来计算接收模块的位置。图2是本发明中线性回归模型建立和应用方法的流程。
本发明在定位区域内的搭建可见光装置,该装置包含一发射模块、一接收模块、一训练模块、一定位模块,可见光定位系统结构如图3所示,发射端只包含发射模块,接收端包含接收模块、训练模块和定位模块,图4是本发明用于室内场景可见光定位的实例模型的示意图。
本发明可见光定位方法的具体步骤如下:
S10:发射模块利用时分复用的方法对天花板上的M(M>3,实施例中M=4)个LED灯进行时序编码/信号调制;
S20:选取多个位置作为测试点,通过实地测量,得出接收模块在选取的接收平面上各个测试点处分别来自各个LED灯的信号强度(包含LOS径信号强度、NLOS干扰强度和噪声强度);
S30:根据Lambert光照模型,通过测试点到4个LED灯的实际距离计算出测试点到各个LED灯的LOS径信号强度,将接收到的4个LED灯信号强度减去对应的LOS径信号强度,则为估计的NLOS干扰强度,并建立数据集(包含接收到的各个LED灯信号强度及应对的NLOS干扰估计强度);
S40:以来自4个LED灯信号强度为输入,对应的NLOS干扰强度为输出,建立线性回归模型,并根据S30得到的数据集对模型进行训练,得到训练完成的线性回归模型;
S50:在待定位点处,将接收模块接收到的来自4个光源LED灯信号强度输入训练完成的线性回归模型,从而得到相应的NLOS干扰估计强度;
S60:将接收模块接收到的来自4个光源LED灯信号强度减去相应的NLOS干扰估计强度,作为估计的LOS径信号强度,然后利用Lambert光照模型得到相应的4个估计距离;
S70:取估计距离最大的3个值,利用几何定位法计算接收模块的位置。
在步骤S10:需要发射模块利用时分复用的方法对天花板上的M(M>3)个LED灯进行时序编码/信号调制;该步骤包含以下流程S11~S12:
S11:根据房间大小选取LED灯个数,确保能给房间提供足够的照明,以及任一位置的接收模块都能接收到N(3≤N≤M,实施例中N=M=4)个LED灯的信号,并测量各个LED的位置(xLED,i,yLED,i,zLED,i);
S12:通过信号发生器让每个LED灯产生各自ID信息的光信号,经过基带调制模块调制后将其输入驱动电路,驱动LED频闪发出调制后的光信号,调制后的可见光信号速率必须满足人眼看不见的闪烁。
在步骤S20:通过实地测量,得出接收模块在选取的接收平面上各个测试点处分别来自各个LED灯的信号强度,该方法包含以下流程S21~S22:
S22:接收模块将接收到光信号转化为电信号,经放大电路放大后再经自适应滤波电路还原出具有各个ID信息的信号,并得到相应的信号功率Pr,ij=PLOS,ij+PNLOS,ij,PLOS,ij为LOS径信号强度,PNLOS,ij为NLOS干扰强度和噪声强度;
在步骤S30:需要建立用于训练模型的数据集,如图2所示,该步骤包含以下流程S31~S32:
S32:将接收到的N个LED灯信号强度减去对应的LOS径信号强度,则为估计的NLOS干扰强度Pest,NLOS,ij=Pr,ij-Pest,LOS,ij;
S33:建立用于训练模型的归一化的数据集[Pr,ij,Pest,NLOS,ij],Pr,ij为归一化的输入,Pest,NLOS,ij为归一化的输出;
在步骤S50:通过接收模块接收到的来自N个光源LED灯信号强度输入训练好的模型,然后得到相应的NLOS干扰估计强度,步骤具体流程包含S51~S52:
S51:将接收模块接收到的来自N个光源LED灯信号强度Pr,ij进行归一化处理,然后输入训练完成的线性回归模型,从而得到相应的归一化的NLOS干扰估计强度;
S52:将归一化的NLOS干扰估计强度进行逆归一化处理,从而得到估计的NLOS干扰估计强度Pest,NLOS,ij;
在步骤S60:需要根据估计的LOS径信号强度计算相应的接收模块至LED灯的距离,采用步骤具体流程包含S61~S62:
S61:将接收模块接收到的来自N个光源LED灯信号强度减去相应的NLOS干扰估计强度,作为估计的LOS径信号强度Pest,LOS,ij=Pr,ij-Pest,NLOS,ij;
在步骤S70:取估计距离最大的3个值,利用几何定位法计算接收模块的位置,步骤具体流程包含S71~S72:
S71:比较dij值,选取最小的三个距离及其对应的LED灯坐标,假设分别为(d1j,d2j,d3j)、(xLED,1,yLED,1,zLED,1)、(xLED,2,yLED,2,zLED,2)、(xLED,3,yLED,3,zLED,3);
具体实施表明,本发明基于线性回归模型的抗NLOS干扰可见光定位方法具有以下优点:
(一)通过估计NLOS干扰强度,提高距离测量精度,从而提高定位精度;
(二)相比于直接通过机器学习输出位置的方法,本方法可靠性更高,不会因为环境或模型的变化对定位精度产生较大的影响。同时安装复杂度更低,对用于训练的数据集的数量要求更低。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种基于线性回归模型的抗NLOS干扰的可见光定位方法,安装发射模块和接收模块;发射模块包括多个LED灯、信号发生器、基带调制模块和驱动电路;每个LED灯均有一个ID;接收模块包括光学滤波片、光电检测器、放大器、模数转换器和微处理器,用于接收在一个周期不同时间片段不同LED灯的信号,并提取信号强度向量;
通过采用机器学习方法去除非视线传输NLOS干扰,再用几何定位法实现定位;包括如下步骤:
1)发射模块利用时分复用的方法对天花板上的M个LED灯进行时序编码/信号调制;包含流程S11~S12:
S11:在室内天花板上布设M(M>3)个LED灯,使得任一位置的接收模块均能接收到N(3≤N≤M)个LED灯的信号;测量各个LED灯的位置并标记为(xLED,i,yLED,i,zLED,i),xLED,i,yLED,i,zLED,i分别是第i个LED灯在平面直角坐标系中X轴、Y轴、Z轴的标量;
S12:通过信号发生器使得每个LED灯产生各自ID信息的光信号,将经过基带调制模块调制后的光信号输入驱动电路,驱动LED频闪发出调制后的可见光信号;
2)选取多个位置作为测试点,获取接收模块在各个测试点处接收到的各个LED灯的信号强度;LED灯的信号强度包含LOS径信号强度、NLOS干扰强度和噪声强度;
3)利用各个测试点到N个LED灯的实际距离,计算出测试点到各个LED灯的LOS径信号强度;
将接收到的N个LED灯信号强度减去对应的LOS径信号强度,则为NLOS干扰估计强度,并建立用于训练模型的归一化的数据集[Pr,ij,Pest,NLOS,ij];Pr,ij为归一化的输入,Pest,NLOS,ij为归一化的输出;数据集包含接收到的各个LED灯的信号强度及对应的NLOS干扰估计强度;
4)以N个LED灯的信号强度为输入,对应的NLOS干扰估计强度为输出,建立线性回归模型,并根据步骤3)中得到的数据集对模型进行训练,得到训练好的线性回归模型;
5)在定位点处,将接收模块接收到的N个LED灯的信号强度输入训练好的线性回归模型,得到相应的NLOS干扰估计强度;
6)将接收模块接收到的N个LED灯的信号强度减去相应的NLOS干扰估计强度,作为估计的LOS径信号强度;再通过Lambert光照模型计算得到相应的N个估计距离;
7)取估计距离最大的3个值,利用几何定位法计算得到接收模块的位置,即得到各定位点的位置;
通过上述步骤,实现基于线性回归模型的抗NLOS干扰的可见光定位。
2.如权利要求1所述基于线性回归模型的抗NLOS干扰的可见光定位方法,其特征是,步骤2)实地测量出接收模块在选取的各个测试点处分别来自各个LED灯的信号强度。
4.如权利要求3所述基于线性回归模型的抗NLOS干扰的可见光定位方法,其特征是,步骤3)建立用于训练模型的数据集包括流程S31~S32:
S31:根据Lambert光照模型,通过测试点到N个LED灯的实际距离,通过下式计算出测试点到各个LED灯的LOS径信号强度:
其中,Pest,LOS,ij为根据第j个测试点到第i个LED的实际距离计算出来的其应接收到的LOS径信号强度,m为LED的Lambert阶数,A是PD的实际接收面积,Ts(θij)、g(θij)分别为第j个测试点对第i个LED的光学滤波器增益和聚光器增益,h为LED距接收平面的高度,Pt为LED灯的发射功率;
S32:将接收到的N个LED灯信号强度减去对应的LOS径信号强度,则为的NLOS干扰估计强度:Pest,NLOS,ij=Pr,ij-Pest,LOS,ij;
S33:建立用于训练模型的归一化的数据集[Pr,ij,Pest,NLOS,ij]。
6.如权利要求5所述基于线性回归模型的抗NLOS干扰的可见光定位方法,其特征是,步骤5)获取相应的NLOS干扰估计强度,具体包含流程S51~S52:
S51:将接收模块接收到的来自N个光源LED灯信号强度Pr,ij进行归一化处理,然后输入训练完成的线性回归模型,得到相应的归一化的NLOS干扰估计强度;
S52:将归一化的NLOS干扰估计强度进行逆归一化处理,得到估计的NLOS干扰估计强度Pest,NLOS,ij。
9.一种基于线性回归模型的抗NLOS干扰的可见光定位系统,包括发射模块、接收模块、训练模块、定位模块;其中,
发射模块包括多个LED灯、信号发生器、基带调制模块和驱动电路,用于通过时分复用的方法对定位区域内的各个LED灯进行时序编码/信号调制;
接收模块包括光学滤波片、光电检测器、放大器、模数转换器和微处理器,用于接收在一个周期不同时间片段不同LED灯的信号,并提取信号强度向量;
训练模块用于建立不同位置的接收信号强度向量对应的NLOS干扰强度向量的线性回归模型;
定位模块将接收信号强度向量减去NLOS干扰强度向量,然后根据几何定位法预测得到待测位置的坐标。
10.如权利要求9所述基于线性回归模型的抗NLOS干扰的可见光定位系统,其特征是,在定位区域内搭建的可见光定位系统包括一个发射模块、一个接收模块、一个训练模块、一个定位模块;可见光定位系统的发射端只包含发射模块,可见光定位系统的接收端包含接收模块、训练模块和定位模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573959.XA CN111664853B (zh) | 2020-06-22 | 2020-06-22 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573959.XA CN111664853B (zh) | 2020-06-22 | 2020-06-22 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111664853A true CN111664853A (zh) | 2020-09-15 |
CN111664853B CN111664853B (zh) | 2022-03-15 |
Family
ID=72389298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573959.XA Active CN111664853B (zh) | 2020-06-22 | 2020-06-22 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111664853B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415495A (zh) * | 2020-11-06 | 2021-02-26 | 海鹰企业集团有限责任公司 | 一种海底混响信号模拟方法 |
CN113050034A (zh) * | 2021-04-02 | 2021-06-29 | 明晶芯晟(成都)科技有限责任公司 | 一种多pd结构的抗nlos干扰可见光定位方法 |
CN115236591A (zh) * | 2022-07-22 | 2022-10-25 | 厦门大学 | 一种基于机器学习方式的室内可见光定位方法 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526605A (zh) * | 2009-03-31 | 2009-09-09 | 江苏大学 | 一种具有非视距误差消除功能的鲁棒定位方法 |
US20150147069A1 (en) * | 2013-11-26 | 2015-05-28 | Maite Brandt-Pearce | Expurgated pulse position modulation for communication |
CN105445699A (zh) * | 2015-11-13 | 2016-03-30 | 哈尔滨工业大学深圳研究生院 | 一种非视距误差消除的测距方法及系统 |
CN206892313U (zh) * | 2017-06-30 | 2018-01-16 | 华南理工大学 | 一种抗nlos干扰的可见光定位硬件系统 |
CN107919910A (zh) * | 2017-06-30 | 2018-04-17 | 华南理工大学 | 一种抗nlos干扰的可见光定位方法 |
CN108490388A (zh) * | 2018-03-13 | 2018-09-04 | 同济大学 | 一种基于uwb与vlc技术的多源联合室内定位方法 |
CN108667524A (zh) * | 2017-03-31 | 2018-10-16 | 华为技术有限公司 | 可见光通信中抗多径效应的均衡方法及相关装置 |
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 |
-
2020
- 2020-06-22 CN CN202010573959.XA patent/CN111664853B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526605A (zh) * | 2009-03-31 | 2009-09-09 | 江苏大学 | 一种具有非视距误差消除功能的鲁棒定位方法 |
US20150147069A1 (en) * | 2013-11-26 | 2015-05-28 | Maite Brandt-Pearce | Expurgated pulse position modulation for communication |
CN105445699A (zh) * | 2015-11-13 | 2016-03-30 | 哈尔滨工业大学深圳研究生院 | 一种非视距误差消除的测距方法及系统 |
CN108667524A (zh) * | 2017-03-31 | 2018-10-16 | 华为技术有限公司 | 可见光通信中抗多径效应的均衡方法及相关装置 |
CN206892313U (zh) * | 2017-06-30 | 2018-01-16 | 华南理工大学 | 一种抗nlos干扰的可见光定位硬件系统 |
CN107919910A (zh) * | 2017-06-30 | 2018-04-17 | 华南理工大学 | 一种抗nlos干扰的可见光定位方法 |
CN108490388A (zh) * | 2018-03-13 | 2018-09-04 | 同济大学 | 一种基于uwb与vlc技术的多源联合室内定位方法 |
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 |
Non-Patent Citations (4)
Title |
---|
CHUANXI HUANG 等: "NLOS-Aware VLC-based Indoor Localization: Algorithm Design and Experimental Validation", 《2020 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 * |
王辉: "基于位置指纹的室内可见光定位方法研究", 《中国优秀硕士学位论文全文数据库》 * |
邹鹏等: "基于机器学习的可见光通信信号处理研究现状", 《激光与光电子学进展》 * |
陈贝贝: "可见光通信的调制技术与定位算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415495A (zh) * | 2020-11-06 | 2021-02-26 | 海鹰企业集团有限责任公司 | 一种海底混响信号模拟方法 |
CN112415495B (zh) * | 2020-11-06 | 2024-02-13 | 海鹰企业集团有限责任公司 | 一种海底混响信号模拟方法 |
CN113050034A (zh) * | 2021-04-02 | 2021-06-29 | 明晶芯晟(成都)科技有限责任公司 | 一种多pd结构的抗nlos干扰可见光定位方法 |
CN113050034B (zh) * | 2021-04-02 | 2024-05-07 | 明晶芯晟(成都)科技有限责任公司 | 一种多pd结构的抗nlos干扰可见光定位方法 |
CN115236591A (zh) * | 2022-07-22 | 2022-10-25 | 厦门大学 | 一种基于机器学习方式的室内可见光定位方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111664853B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Alam et al. | An accurate visible light positioning system using regenerated fingerprint database based on calibrated propagation model | |
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 | |
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 | |
CN106209235B (zh) | 一种基于cdma调制的rss三角定位迭代方法及系统 | |
CN108802681B (zh) | 一种基于多接收端的可见光定位方法及定位系统 | |
CN107949054A (zh) | 基于深度学习可见光室内高精度指纹定位方法 | |
CN109039458A (zh) | 一种室内定位系统及方法 | |
CN109116298B (zh) | 一种定位方法、存储介质及定位系统 | |
CN106872943B (zh) | 一种基于可见光通信的移动物体室内跟踪定位方法 | |
CN109379701B (zh) | 一种具有误差校准功能的定位方法及网关设备 | |
See et al. | Preliminary investigation of indoor positioning system using Visible Light Communication | |
CN106443586B (zh) | 一种室内定位方法与装置 | |
CN109188360A (zh) | 一种基于蝙蝠算法的室内可见光三维定位方法 | |
KR20210129942A (ko) | 이음 검사 장치 및 그 검사 방법 | |
CN111090074A (zh) | 基于机器学习的室内可见光定位方法和设备 | |
Cappelli et al. | Enhanced visible light localization based on machine learning and optimized fingerprinting in wireless sensor networks | |
Costanzo et al. | Visible light indoor positioning in a noise-aware environment | |
CN107919910A (zh) | 一种抗nlos干扰的可见光定位方法 | |
WO2024066096A1 (zh) | 一种室内无线光定位方法、装置及系统 | |
CN112188616A (zh) | 一种基于声学感知的室内定位方法 | |
CN111562548A (zh) | 一种基于rss与位置指纹的室内可见光联合定位方法 | |
CN113050034B (zh) | 一种多pd结构的抗nlos干扰可见光定位方法 | |
CN116466335A (zh) | 基于聚类和深度神经网络的室内可见光定位方法及系统 | |
CN206892313U (zh) | 一种抗nlos干扰的可见光定位硬件系统 |
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 |