CN111818449A - 一种基于改进的人工神经网络的可见光室内定位方法 - Google Patents

Abstract

本发明公开了一种基于改进的人工神经网络的可见光室内定位方法，步骤为：首先，光电探测器在若干个不同的已知位置采样，同时记录真实位置P和接收信号强度R，构建训练集；然后，将训练集输入待训练的神经网络，利用提出的损失函数，通过反向传输更新系数，完成网络的训练；最后，在待定位的未知位置采样获得RSS，将RSS输入训练好的人工神经网络，得出定位结果。本发明利用新的损失函数，克服了传统人工神经网络需要大量训练的数据才能保证精确性的缺点。在该损失函数的基础上，只需要少量几组数据就可训练获得较高精度的人工神经网络，提高了可见光定位系统的工作效率。

Description

一种基于改进的人工神经网络的可见光室内定位方法

技术领域

本发明属于光通信和光传感技术领域，特别涉及一种基于改进的人工神经网络的可见光室内定位方法。

背景技术

可见光定位(visible light positioning，简称VLP)是利用光源(如发光二极管LED)在照明同时实现定位的新型定位技术。相比传统室内无线定位方法(如WIFI、蓝牙、NFC等)，基于光通信的VLP技术具有定位精度高、抗电磁干扰等突出优势。VLC室内定位常用的算法往往假设光源为朗伯辐射体，分析出接收信号的特征(如强度、信号相位等)与光源-探测器的几何分布(如距离、入射/出射角度等)之间的关系，最终基于上述关系和实际探测信号反推获得探测器的位置。然而，现实环境下光源的辐射分布并不一定严格服从朗伯辐射模型，其偏离程度与光源结构、环境反射等因素有关，这降低了VLP的定位精度。

为解决上述算法对定位环境及光源特性的要求较高的问题，研究人员提出基于机器学习的VLP方法。一种方法是利用预先采集的数据训练人工神经网络模型，而后将训练获得的模型用于实时定位，详见参考文献:Heqing Huang等,“Artificial neural-network-based visible light positioning algorithm with a diffuse optical channel”,CHINESE OPTICS LETTERS[J],2017。由于人工神经网络算法属于数据驱动的监督学习，因此在上述VLP方法中需要使用大量的数据用于训练，才能获得较为精准的人工神经网络模型，对训练数据量依赖程度高。

发明内容

本发明的主要目的在于克服基于传统人工神经网络的VLP需要使用大量训练数据以获得高精度模型的缺点，提出一种基于改进的人工神经网络的可见光室内定位方法，该方法具有利用少量训练数据即可获得高精度定位的优点。

本发明的目的通过以下的技术方案实现：一种基于改进的人工神经网络的可见光室内定位方法，其步骤为：

首先，光电探测器在若干个不同的已知位置采样，同时记录真实位置P和接收信号强度R，构建训练集；

然后，将训练集输入待训练的神经网络，利用损失函数，通过反向传输更新系数，完成网络的训练；神经网络包括输入层、隐藏层、输出层，其中输入层节点数为N，输入数据为R，对应着光电探测器接收到的N个光源发出的信号，隐藏层节点数为M，输出层节点数为2，对应着光电探测器的位置坐标(x,y)；输入层到隐藏层的加权参数和偏置参数分别为w和b₁，隐藏层到输出层加权参数和偏置参数分别为v和b₂，其中隐藏层所有节点和输出层所有节点的激活函数分别都为g₁,g₂；

输入层到隐藏层：net₁＝w^TR+b₁,h＝g₁(net₁)

隐藏层到输出层：

模型为：

损失函数：

其中：

最后，在待定位的未知位置采样获得RSS，将RSS输入训练好的人工神经网络，得出定位结果。

本发明利用提出的损失函数，克服了传统人工神经网络需要大量训练的数据才能保证精确性的缺点。在该损失函数的基础上，只需要少量几组数据就可训练获得较高精度的人工神经网络，提高了可见光定位系统的工作效率。

优选的，利用损失函数，对神经网络进行训练，方法是：

(1)初始化网络中的加权和偏置参数，分别记为：w⁽⁰⁾,b₁ ⁽⁰⁾,v⁽⁰⁾,b₂ ⁽⁰⁾，上角标(k)表示第k次更新后的系数；

(2)输入两个不同采样位置，即采样位置P_i和P_i+1，对应的接收信号强度R_i和R_i+1激活前向传播，得到各节点计算结果，并依据输出层的结果计算损失函数为

其中P_i，P_i+1是探测器在两个不同位置对应的实际坐标，

为其对应的估计坐标，即将损失函数依赖于两次测量时实际相对位置与估计的相对位置之差；

(3)根据损失函数计算输出单元的误差项和隐藏单元的误差项，输出单元的误差项为损失函数关于输出单元的偏导数，根据链式法则有：

隐藏单元的误差项，即计算损失函数关于隐藏单元的梯度值或偏导数，根据链式法则有：

(4)更新神经网路中的权值和偏置项，输出单元参数更新：

隐藏单元参数更新：

其中，η表示学习率，k＝1,2,...,n表示更新次数，k＝1表示第一次更新，以此类推；

(5)重复步骤(2)-(4)，直到损失函数小于预先设定的阈值或更新次数到达预先设定的上限为止，此时神经网络已经训练完成。

优选的，激活函数采用sigmoid函数。

本发明与现有技术相比，具有如下优点和有益效果：

针对原有人工神经网络需要大量数据才能确保预测结果准确的缺点，本发明提出一种新的损失函数，使之只需要少量数据便可完成训练，获得较为精确的预测结果。原有的人工神经网络损失函数的更新需要大批量的训练集，通过迭代训练集对损失函数梯度下降来不断降低损失函数，而本发明的损失函数只需要少量训练集通过梯度下降循环迭代来降低损失函数，从而达到良好的训练效果。本发明可行性强，只需在原有的神经网络基础上修改损失函数，使其只需要少数训练集便可得出与原先大量训练集训练所预测的结果相当的准确预测，降低了人工神经网络所需训练集的数量，能有效提高可见光室内定位系统的工作效率。

附图说明

图1是本发明方法的流程图；

图2是神经网络训练示意图，通过为两个系数相同的并行神经网络来计算损失函数。

图3是本发明实施例的采样平台示意图，其中四个LED发射的是不同频率的正弦信号；

图4为是采用本发明的训练方法和2组数据训练后神经网络的测试结果，图中给出了定位误差的累计概率分布。

图5是采用传统损失函数和121组数据训练后的神经网络的测试结果，图中给出了定位误差的累计概率分布。

图6为是采用传统损失函数和2组数据训练后的神经网络的测试结果，图中给出了定位误差的累计概率分布。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明实施例一种基于改进的人工神经网络的可见光室内定位方法，解决了传统人工神经网络预测所需大量训练集才能准确预测的问题。参见图1，包括步骤：首先，光电探测器在若干个不同的已知位置采样，同时记录真实位置P和接收信号强度R，构建训练集；然后，将训练集输入待训练的神经网络，利用本发明实施例设计的损失函数，通过反向传输更新系数，完成网络的训练。其中输入为RSS，训练的目标输出为对应的探测器位置坐标；最后，在待定位的未知位置采样获得RSS，将RSS输入训练好的人工神经网络，获得估计的坐标，完成定位。

为了验证本发明方法，本实施例搭建了一个简单的基于接收信号强度的室内可见光定位平台，该平台用于接收信号的功率谱密度峰值。如图3所示，本实施例中平台为1.1m*1.1m*2.5m的三维立体空间，传感器在1.1m*1.1m的平面上纵横每10cm进行采点取样，共采121个点以及其对应的RSS并记录下对应的位置坐标(x_i,y_j)，在2.5m高的平面上为四个光源，发射信号。本实施例中以取两组数据位置相隔10cm来训练改进后的人工神经网络为例，与传统人工神经网络取121组数据为训练集所得结果相对比。在Z_i＝[ai,bi]^T高2.5m的位置从4个led发射器发射不同频率的正弦信号，接收方在未知位置P＝[x,y]^T。通过实验得到RSS为R_i以及对应的位置P_i(x,y)。本实验将R_i作为神经网络训练时的输入，P_i作为输出目标，利用特定的损失函数开展后向传输，完成网络系数的更新。在测试阶段，将不同的采样位置的R_i作为输入，将人工神经网络的输出

与实际位置P_i作比较，进行定位精度分析。

下面结合图2，对本发明实施例具体的神经网络构建和训练过程进行说明。传统人工神经网络下设定：从输入层数据为R，输入层到隐藏层参数为w,b₁，隐藏层到输出层参数为v,b₂，激活函数用为g1,g2，试验中选取的激活函数统一为sigmoid函数，即

输入层节点数为4，隐藏层节点数为10，输出层节点数为2。于是模型设定为：

输入层到隐藏层：net₁＝w^TR+b₁,h＝g₁(net₁)

隐藏层到输出层：

模型：

损失函数：

其中：

实施步骤：

S1、初始化网络中的权值和偏置项，分别记为：w⁽⁰⁾,b₁ ⁽⁰⁾,v⁽⁰⁾,b₂ ⁽⁰⁾；

S2、激活前向传播，得到各层输出和损失函数值:

S3、根据损失函数计算输出单元的误差项和隐藏单元的误差项：

输出单元的误差项，即计算损失函数关于输出单元的梯度值或偏导数，根据链式法则有：

隐藏单元的误差项，即计算损失函数关于隐藏单元的梯度值或偏导数，根据链式法则有：

S4、更新神经网路中的权值和偏置项

输出单元参数更新：

隐藏单元参数更新：

其中，η表示学习率，k＝1,2,...,n表示更新次数，k＝1表示第一次更新，以此类推；

S5、重复步骤S2-S4，直到损失函数小于事先给定的阈值或更新次数到达预设的上限。此时神经网络已经训练完成。

将新采集的121组数据输入已训练好的神经网络，得出其定位误差的累计概率分布如图4所示。作为对比的传统人工神经网络其损失函数

其他步骤与本发明实施例相同，将新采集的121组或者随机2组数据输入已训练好的改进后的人工神经网络，得出其误差分布分别如图5和6所示。

由图5与图6对比所知，传统的人工神经网络下，训练集数量多(121组)的预测误差远小于训练集数量只有2组的预测误差，这表明了传统人工神经网络预测结果的精确需要大量的训练集；而对比图4与图6所知，在训练集数量一样多时即都为2组数据时，改进的人工神经网络的预测误差远远小于传统的人工神经网络预测的误差，这表明了改进后的人工神经网络只需数几组数据便可获得精确度较高的预测。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种基于改进的人工神经网络的可见光室内定位方法，其特征在于，步骤为：

首先，光电探测器在若干个不同的已知位置采样，同时记录真实位置P和接收信号强度R，构建训练集；

然后，将训练集输入待训练的神经网络，利用损失函数，通过反向传输更新系数，完成网络的训练；神经网络包括输入层、隐藏层、输出层，其中输入层节点数为N，输入数据为R，对应着光电探测器接收到的N个光源发出的信号，隐藏层节点数为M，输出层节点数为2，对应着光电探测器的位置坐标(x,y)；输入层到隐藏层的加权参数和偏置参数分别为w和b₁，隐藏层到输出层加权参数和偏置参数分别为v和b₂，其中隐藏层所有节点和输出层所有节点的激活函数分别都为g₁,g₂；

输入层到隐藏层：net₁＝w^TR+b₁,h＝g₁(net₁)

隐藏层到输出层：net₂＝v^Th+b₂,

模型为：

损失函数：

其中：

最后，在待定位的未知位置采样获得RSS，将RSS输入训练好的人工神经网络，得出定位结果。

2.根据权利要求1所述的基于改进的人工神经网络的可见光室内定位方法，其特征在于，利用损失函数，对神经网络进行训练，方法是：

(1)初始化网络中的加权和偏置参数，分别记为：w⁽⁰⁾,b₁ ⁽⁰⁾,v⁽⁰⁾,b₂ ⁽⁰⁾，上角标(k)表示第k次更新后的系数；

(2)输入两个不同采样位置，即采样位置P_i和P_i+1，对应的接收信号强度R_i和R_i+1激活前向传播，得到各节点计算结果，并依据输出层的结果计算损失函数为

其中P_i，P_i+1是探测器在两个不同位置对应的实际坐标，

为其对应的估计坐标，即将损失函数依赖于两次测量时实际相对位置与估计的相对位置之差；

(3)根据损失函数计算输出单元的误差项和隐藏单元的误差项，输出单元的误差项为损失函数关于输出单元的偏导数，根据链式法则有：

隐藏单元的误差项，即计算损失函数关于隐藏单元的梯度值或偏导数，根据链式法则有：

(4)更新神经网路中的权值和偏置项，输出单元参数更新：

隐藏单元参数更新：

其中，η表示学习率，k＝1,2,...,n表示更新次数，k＝1表示第一次更新，以此类推；

(5)重复步骤(2)-(4)，直到损失函数小于预先设定的阈值或更新次数到达预先设定的上限为止，此时神经网络已经训练完成。

Images