CN112834985A - 基于反向学习自适应花授粉的可见光定位方法及系统 - Google Patents

基于反向学习自适应花授粉的可见光定位方法及系统 Download PDF

Info

Publication number
CN112834985A
CN112834985A CN202011607098.9A CN202011607098A CN112834985A CN 112834985 A CN112834985 A CN 112834985A CN 202011607098 A CN202011607098 A CN 202011607098A CN 112834985 A CN112834985 A CN 112834985A
Authority
CN
China
Prior art keywords
positioning
pollination
formula
adaptive
algorithm
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
Application number
CN202011607098.9A
Other languages
English (en)
Inventor
张慧颖
于海越
卢宇希
王凯
梁誉
张洋羊
于铭正
任永旺
牟昊
李明浩
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.)
Jilin Institute of Chemical Technology
Original Assignee
Jilin Institute of Chemical 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 Jilin Institute of Chemical Technology filed Critical Jilin Institute of Chemical Technology
Priority to CN202011607098.9A priority Critical patent/CN112834985A/zh
Publication of CN112834985A publication Critical patent/CN112834985A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于反向学习自适应花授粉的可见光定位方法及系统。包括步骤1、定位；步骤1.1可见光定位；将LED安装在距离地面h米的天花板上；移动端放置在地面上任意位置，将PD作为接收器安装在移动端上，分别对上述LED、移动端、PD进行标记；步骤1.2RSSI定位。步骤2、花授粉定位；步骤2.1改进花授粉定位算法；步骤2.2基于反向学习策略的种群初始化。本发明具有定位精度更高、计算速度更快、定位算法稳定等优点。

Description

基于反向学习自适应花授粉的可见光定位方法及系统
技术领域
本发明涉及室内可见光定位领域，尤其涉及一种基于改进自适应花授粉算法的接收信号强度指示(Received Signal Strength Indication，RSSI)可见光定位系统。
背景技术
近年来，可见光通信(Visible Light Communication，VLC)技术发展迅速，基于可见光通信技术应运而生的可见光定位技术也得到越来越多学者的关注。与射频定位系统相比，可见光室内定位有抗电磁干扰、保密性强、无辐射和高精度定位等优点，使其在各种大型商超、公共场所中应用更加广泛。在定位技术中全球卫星定位系统(GlaobalPositioning System，GPS)广泛应用于室外而且定位精度很高，但是由于GPS无法穿过障碍物的遮挡，室内定位中使用GPS的定位效果就会差强人意。现有的室内定位技术有红外室内定位技术、蓝牙室内定位技术、超声波室内定位技术、射频识别(Radio FrequencyIdentification，RFID)室内定位技术等。但由于这些定位技术大多都有着成本高、定位精度低、电磁辐射大的缺点。尤其在一些要求较高的场所，如在电磁辐射多的医院、不能受到电磁干扰的飞机和一些工厂中，这些室内定位方法都无法使用。因此，基于可见光通信技术的室内定位方法得到广泛应用。
可见光通信是利用LED高速调制能力，将兼具照明和通信功能的LED灯作为信号发射器，肉眼观察不到的高速闪烁的可见光信号通过空气信道进行传递，接收端用光电二极管(Photo-Diode，PD)接收信息将光信号转换为电信号。可见光室内定位有成像型是基于图像传感器的定位系统，利用成像的几何关系来实现定位功能，但是复杂程度高、传输速率慢、接收视场角(Field Of View，FOV)受限。非成像型是基于PD的可见光定位系统技术，主要包括接收信号强度指示(Received Signal Strength Indication，RSSI)、到达角度(Angle Of Arrival，AOA)、到达时间差(Time Difference Of Arrival，TDOA)、三角测量法、位置指纹库算法等定位方法。AOA结合RSSI的室内定位算法，接收端部署传感器阵列并且与两种算法结合，但是复杂程度变高导致成本也增加。RSSI主要是搭配最小二乘法求解目标，但由于测距误差对最小二乘解的精度影响很大，会降低定位精度。
发明内容
1、本发明的目的
为提高大型室内场所的定位精度，本发明提出一种基于自适应花授粉算法的接收信号强度指示可见光定位系统。
2、本发明所采用的技术方案
本发明提出了一种基于反向学习自适应花授粉的可见光定位方法，包括：
步骤1定位
步骤1.1可见光定位
将LED安装在距离地面h米的天花板上；移动端放置在地面上任意位置，将PD作为接收器安装在移动端上，分别对上述LED、移动端、PD进行标记；
步骤1.2RSSI定位；
步骤2花授粉定位
步骤2.1自适应花授粉定位算法；
步骤2.2基于反向学习策略的种群初始化。
3、本发明所采用的有益效果
(1)本发明选用结合改进花授粉算法(Flower Pollination Algorithm，FPA)计算定位目标，提出RSSI与改进花授粉智能算法融合的高精度定位方法，结合网格型灯源排布实现空间可见光精确定位。
(2)本发明基于改进FPA的RSSI算法融合反向学习策略和自适应移动因子设计室内可见光定位算法，实现对室内大场景下目标的精准定位；为在精度上体现本发明改进算法的优势。
(3)本发明采用网格型布局方案，将LED固定在网格中，在保障通信平面功率的平坦性同时避免四灯源排布产生的室内阴影的影响。
(4)本发明改进的花授粉算法采用反向学习策略对初始种群进行均匀分布、扩大种群类型，提高收敛速度、易跳出局部最优；自适应移动因子会随步长的增加而减小，适应全局搜索变化；能够满足在大型室内场所下的照明要求并且定位误差较小；经过仿真验证本发明定位算法误差可达到毫米，平均误差在±1cm左右；网格型灯排布结合本发明改进的花授粉算法大大提高室内定位精度，该方案定位误差更小且定位速度较快。因此，本发明设计的室内可见光定位系统更适合大型场所的高精度定位。
附图说明
图1为可见光定位模型；
图2为RSSI定位过程示意图；
图3为花授粉算法流程图；
图4为可见光室内功率分布对比图。(a)网格分布的光功率；(b)四灯源分布光功率；
图5为算法对比仿真结果。(a)最小二乘误差；(b)基于FPA的RSSI定位误差；(c)基于PSO的RSSI定位误差；(d)本发明改进FPA的RSSI定位误差；
图6为算法误差值对比分布折线图。(a)本发明改进算法和基于PSO的RSSI算法误差折线；(b)基于FPA的RSSI算法和最小二乘算法误差折线；
图7为算法平均误差值对比分布折线图；
图8为收敛速度对比图；
图9为定位时间对比图；
图10为九灯网格排布下算法对比仿真结果。(a)九灯排布本发明改进FPA的RSSI算法定位；(b)九灯排布基于FPA的RSSI算法定位。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例1
步骤1定位
步骤1.1可见光定位
在室内空间中设置9盏LED灯作为信息发射器，呈等间隔对称分布。将LED安装在距离地面h米的天花板上。LED的位置标记成r1＝(x1,y1,,h),r2＝(x2,y2,h),…,r9＝(x9,y9,h)，移动端放置在地面上任意位置标记为t＝(x,y,z)，将PD作为接收器安装在移动端上。LED光源发射器与PD接收端接收光信号定位过程如图1。
光源排布在可见光室内定位中起到关键作用，LED在室内排列优化方案较多，如四灯源分布、网格型灯源布局、圆型灯源布局、椭圆形灯源布局等。本发明将室内顶部空间均匀划分成100组，将室内一组LED排列成3*3的阵列网格型，9个LED阵列均匀的分布在天花板，根据LED光功率在室内分布特性观察室内光功率分布情况。
在只考虑直射链路(Line of Sight，LOS)的情况下，PD能够接受的光功率Pr与发射端的发射功率Pt之间关系为：
Pr＝HLOS(0)·Pt， (1)
式(1)中，HLOS(0)是可见光通信中LOS的信道增益。将LED视为朗伯型光源，则光强衰减因子通过LOS信道增益HLOS(0)表示为：
Figure BDA0002872102850000041
式(2)中，A为PD的面积；d为LED到PD的相对距离；ψ为接收角；ψc为PD最大视场角；φ为发散角；Ts(ψ)为PD的光滤波器增益；g(ψ)为聚光器增益；根据式(1)和式(2)推导出LED与PD之间的欧氏距离d为：
Figure BDA0002872102850000042
m为朗伯散射系数，由LED的半功率强度角φ1/2决定，m表示为：
Figure BDA0002872102850000043
设存在热噪声和散射噪声，热噪声σthermal和散射噪声σshot大小分别表示为：
Figure BDA0002872102850000051
Figure BDA0002872102850000052
式(5)中，q为电子的电荷量，B为接收噪声带宽，R为PD的接收响应度，k为Boltzmann常数，Tk是热力学温度，G为开环电压增益，η为PD单位面积的固定电容，gm为跨导，Γ为信道噪声因子，Ibg为暗电流，I2、I3为噪声带宽因子。总噪声方差为：
Figure BDA0002872102850000053
信噪比为
Figure BDA0002872102850000054
步骤1.2RSSI定位
RSSI定位方法是根据接收器接收到的光信号强度通过计算得到室内相对位置。在室内场景中接收器接收到来自多个光源信号强度，得到LED与接收器之间的距离，通过定位算法得到接收端的坐标。由于RSSI测量接收端与发射器之间的距离存在较大误差，不能实现精确定位。因此将定位问题转化为对式(7)求解最优化问题，使用本发明改进的花授粉算法对目标位置进行求解。
设存在n个LED发射器，坐标为：
r1＝(x1,y1,,h)，r2＝(x2,y2,h)，r3＝(x3,y3,h)…，ri＝(xn,yn,h)，定位点坐标为t＝(x,y,z)，LED与PD之间的测量值分别为d1,d2,d3,…,dn，计算待定位点的具体坐标。本发明使用花授粉算法通过对下式进行求解，判断花粉个体适应度值大小并不断迭代更新，得到fitness(x,y)最小值时，误差最小定位坐标最精准。
Figure BDA0002872102850000055
PD接收到LED发射的光信号强度通过计算得到PD具体坐标，RSSI定位具体过程如图2所示。
步骤2、花授粉定位
步骤2.1改进自适应花授粉定位算法
基本的花授粉算法流程图如图3；花授粉算法属于启发式群智能算法，融合了布谷鸟优化算法和蝙蝠优化算法的优点，是一种模拟自然界中植物开花授粉的过程，但是在自然界中花朵授粉的过程很复杂，对于花授粉的每个细节是很难通过算法模拟出来的，为能够高效实用，对算法进行简化。本发明设置FPA中随机初始种群N，花授粉过程中将每朵花作为求解问题的一个解，FPA找到适应度值最高的个体保存为全局最优解，遵循Lévy飞行完成全局授粉，并在异花授粉和自花授粉中不断更替。采用p＝0.8，花朵转换概率是p时选择进行异花授粉，或以概率1-p选择进行自花授粉，其定义的公式如下：
Figure BDA0002872102850000061
式(8)中，
Figure BDA0002872102850000062
为花粉个体第t+1代的解；
Figure BDA0002872102850000063
为花粉个体第t代的解；g为全局最优解；L为Lévy飞行的步长参数，L的计算公式为：
Figure BDA0002872102850000064
式(9)中，λ为缩放因子，λ＝1.5；Γ(λ)为标准的伽马函数；s为移动步长。
在自花授粉中是指同一株花中，雄蕊的花粉落到雌蕊的柱头上进行自交称为自花授粉。算法中模拟自花授粉操作算子是模拟同一品种的花之间近距离授粉实现局部授粉方式，定义如下：
Figure BDA0002872102850000065
式(10)中，ε为[0,1]上服从均匀分布的随机数；
Figure BDA0002872102850000066
与
Figure BDA0002872102850000067
为同品种的不同两支花朵的花粉。
步骤2.2基于反向学习策略的种群初始化
和其他群智能算法相同，花授粉算法在迭代前初始种群N处于随机状态，并且初始种群分布不均匀。局部授粉是抽取两个随机花粉位置差的信息，有盲目性和不确定性，因此要增加种群多样性同时要使初始种群分布均匀。本发明在FPA中加入反向学习策略，用反向学习策略代替随机的初始种群。反向学习(Opposition-based Learning，OBL)同时综合考虑正向解距离最优解的距离和反向解距离最优解的距离，选取最优解作为初始种群，可以扩大搜索面积、提高寻优速度和算法效率。设种群中的个体Xi表示为：Xi＝[X'i,1,X'i,2,X'i,3,…,X'i,j,X'i,D]，基于反向学习策略的映射的反向解为：Xi'＝[X'i,1,X'i,2,X'i,3,…,X'i,j,X'i,D]，其中i＝1,2,3,…,n；j＝1,2,3,…,D。n代表种群个数，D代表空间维数，且正向解和反向解满足下面的公式：
X'i,j＝k(Aj+Bj)-Xi,j， (11)
式(11)中，k是一般反向因子，k＝rand(0,1)；(Aj,Bj)表示第j个动态决策变量的动态边界表示为：
Aj＝min(Xi,j),Bj＝max(Xi,j)， (12)
在花授粉算法初期加入反向学习策略可以使种群初始阶段分布均匀，扩大种群数量增加种群多样性，提升整体的寻优能力和收敛速度，减少陷入局部最优的概率，增强FPA的性能。
步骤2.3改进的自适应全局搜索
FPA在全局授粉中，采用一种随机游走类型的Lévy飞行机制。理论上讲，Lévy飞行可以帮助算法偏离局部最优。但是由于p转换概率的限制，花授粉算法执行较少的全局搜索会导致飞行以小步长进行局部运动；然而算法要求前期有较高的收敛速度后期则需要提升收敛精度，Lévy飞行机制无法满足，使得算法出现收敛早熟、局部最优的现象。本发明提出在全局搜索中融合自适应移动因子提高全局搜索能力，自适应移动因子能够随移动步长的增加而减小，提高向最优个体靠近的速度，有利于全局广泛搜索。加入的自适应移动因子定义式为：
Figure BDA0002872102850000071
式(13)中，j为当前子群进化次数；t为
Figure BDA0002872102850000072
其中i当前全局进化次数。在融入自适应移动因子后改进后的全局搜索设计公式为：
Figure BDA0002872102850000073
根据前面的公式，局部授粉的设计公式为：
Xi＝p[Xi+rand(Xbest-Xi)]+(1-p)Xi， (15)
式(15)中，Xbest为花粉个体最优解。根据局部搜索和全局搜索得到的种群更新公式为：
Xi＝p[Xi+rand(Xbest-Xi)]+(1-p)Xi+αL(g-Xi)， (16)
步骤2.4改进花授粉算法RSSI的定位过程
在RSSI的框架中结合改进的FPA计算定位具体坐标，具体步骤如下：
步骤2.4.1：接收器接收LED光信号，计算出发射器与接收器之间的距离测量值d。
步骤2.4.2：设计随机初始种群中个体数为N，初始种群NP并且评价个体适应值；迭代次数T；空间维数D；转换概率p；每一个花粉个体代表一个解。
步骤2.4.3：根据反向学习策略，初始种群NP中每个花粉个体都存在一个反向个体组成反向种群OP。
步骤2.4.4：将初始种群NP和反向种群OP合并，产生2N个花粉个体，将这些花粉个体的适应度值进行排列，取适应度最高的前N个花粉个体作为初始种群。
步骤2.4.5：对公式(7)进行计算并得到每个花粉个体的最优适应值和当前种群中最优位置。
步骤2.4.6：在[0,1]之间产生一个服从随机分布的随机实数rand，若转换概率p>rand则进行异花授粉按公式(14)进行更新；若转换概率p<rand则按公式(15)进行花粉个体更新。
步骤2.4.7：得到的新解对应的适应值和当前解对应的适应值相比较，若新解更优则直接代替当前解，否则保持当前解不变。
步骤2.4.8：判断是否达到迭代次数，若达到则结束，若没有达到则转向步骤6。
步骤2.4.9：得到全局最优解。
效果验证：室内可见光定位仿真分析
灯源排布光功率分布仿真
采用LED灯源呈网格化排布方案，将一层面积为100m*100m的室内顶部空间均匀划分成100组，即10m*10m的网格，将LED放置在固定的9个点上，比较网格型灯排布和四灯源排布方案光功率分布。网格型排列光功率分布和四灯源布局光功率分布对比如图4所示。
图4中(a)为本发明2.1中的网格分布方案，因为固定的LED分布在网格中心附近的位置，所以得到的室内光功率分布图中间部分比较空间四角较高，但是不会使得空间四角位置功率太低。图4(b)中可看出光分布很不均匀，通信平坦性较差。虽然四灯源排布是使用较为多的一种灯源排布方式，但是四灯源分布在照明条件上不能满足在大型室内场所下使用，可能会使光信号不能完整传输，从而影响信号的接收。由图4(a)中的网格分布方案相对于(b)的四灯源布局方案可以看出，网格分布减弱室内阴影效应的影响，保证了通信平面功率的平坦性，使得光分布更加均匀，提高了光通信质量，并且满足照明的要求，更适用于在大型场所灯源排布方案设计。
定位算法仿真分析
可见光定位算法仿真对比分析
设在100m*100m*100m的大型室内场景中，将其分为10层100m*100m*10m的空间，本发明将对其中一层空间进行定位误差仿真。在一层中随机放置9个LED灯源，在定位算法比较时设计灯源随机排布和随机目标位置，减少灯源排布方案对定位精度的影响。分别选取RSSI定位算法(最小二乘)、基于FPA的RSSI定位算法、基于粒子群优化(Particle SwarmOptimization，PSO)的RSSI定位算法和本发明基于改进FPA的RSSI定位算法，完成空间定位误差和算法间定位误差比较。基于FPA的RSSI定位算法中设置参数为：种群大小N＝20，λ＝1.5，p＝0.8，迭代次数为200次。基于PSO的RSSI定位算法的参数设置为：种群大小N＝20，学习因子c1＝c2＝2，Vmin＝-1，Vmax＝1。基于改进FPA的RSSI定位算法的参数设置与基于FPA的RSSI定位算法参数设置相同。
在仿真过程中，假设接收端透镜有足够的视角。仿真参数如表1所示。
表1仿真参数表
Figure BDA0002872102850000091
Figure BDA0002872102850000101
RSSI定位算法(最小二乘)、基于FPA的RSSI定位算法、基于PSO的RSSI定位算法和本发明基于改进FPA的RSSI定位算法在三维空间中随机灯排布和网格灯排布的定位位置如图5所示。
由图5可看出9个LED随机排布的情况下，四种算法中图5(a)为RSSI定位算法(最小二乘)，误差数据是24.7523m，由于室内环境复杂各种不确定因子多，导致测距误差较大定位精度最低，在大型室内场所下RSSI定位算法(最小二乘)不能做到精准定位；图5(b)基于FPA的RSSI定位算法和图5(c)基于PSO的RSSI定位算法误差是2.0272m和5.3239cm，精度有所提高。将PSO与FPA对最小二乘进行替换，PSO与FPA都是属于群智能算法，通过模拟自然界中生物群体间协作与竞争产生优化方案。相较于最小二乘法更优，但由于群智能算法有收敛速度慢、易陷入局部最优等缺点，使得算法虽然优于最小二乘但是缺点仍然会导致定位精度低不易于精准定位；图5(d)本发明改进FPA的RSSI算法误差只有5.1522mm，与图(b)图(c)相比精度分别提高约99.74％和90.32％，针对算法中的收敛早熟、局部最优等都有所改进，定位误差明显减小，实现精准定位。
定位误差仿真分析
本发明对4种算法进行50次误差计算，依然使用随机灯源和目标位置的方案。分别将本发明改进算法与基于PSO的RSSI定位算法、RSSI定位算法(最小二乘)和基于FPA的RSSI定位算法进行比较，在相同的环境下将4种算法的误差折线排列，如图6所示。
图6中(a)是本发明算法与基于PSO的RSSI定位算法的50次计算定位误差分析，经过多次仿真发现本发明的改进算法稳定在1cm左右并且误差值变化幅度不大，而基于PSO的RSSI定位算法误差变化幅度较大，定位误差浮动在1～6cm之间，定位误差值不稳定。仿真表明本发明算法相比于基于PSO的RSSI定位算法更适用于在大型室内场所下使用，对环境要求较低。图6(b)中两种算法分别是RSSI定位算法(最小二乘)和基于FPA的RSSI定位算法，50次计算分析后发现，两种算法的定位误差值一直在70cm至10cm之间浮动，变化幅度较大，并且定位精度低，不适于在空间较大下使用。本发明改进算法经过多次定位误差分析可知，本发明改进算法具有较好的稳定性和较高的定位精度，适用于在大型室内场所复杂的环境下。
每种算法的定位误差值都存在一定波动，为更直观的观测各定位误差的大小，针对基于PSO的RSSI定位算法、本发明改进算法、基于FPA的RSSI定位算法在不同种群规模大小下得到的定位误差平均值进行比较，算法平均误差值对比分布折线如图7所示。
图7中在种群数量在20到100区间内，本发明改进算法平均定位误差始终为最小，保持在0.5cm以下。基于PSO的RSSI定位算法和基于FPA的RSSI定位算法平均定位误差分别由2cm到0.5cm和6cm到0.5cm，平均定位误差浮动大且不稳定。经过对平均定位误差的对比，结合图6中得到的结论可知，本发明改进算法的定位误差更小。
收敛速度仿真分析
将改进算法、基于PSO的RSSI定位算法和基于FPA的RSSI定位算法计算迭代200代，初始种群设为20，在大型室内场所下只用9个随机LED定位，与其他文献中相同空间相比LED数量最少。并在设定有一定噪声的环境下观察迭代次数和适应度值变化，得到如图8的曲线。
改进算法中加入了反向学习策略，在图8中可以看出加入了反向学习策略后与基于FPA的RSSI定位算法收敛速度相比有明显提升，改进算法中适应度初始值在为改进的FPA下方，更好的适应算法变化。改进算法在迭代60次时就快速收敛到适应度最低值，未改进的FPA在200代后仍然未能达到适应度最低值，说明算法中加入的自适应因子与反向学习策略明显提高了算法的适应度。与基于PSO的RSSI定位相比改进算法适应度初值低并且收敛速度比基于PSO的RSSI定位更快，基于PSO的RSSI定位是在80代开始进入适应度最低值，与改进算法相比更难适应变化。
由图6中的多次定位误差变化和图8中的各算法收敛速度可看出，改进算法比基于PSO的RSSI定位算法、基于FPA的RSSI定位算法和RSSI定位算法(最小二乘)的定位精度高并且误差值最为稳定，收敛速度也较快，更能适应变化，在大型室内环境下使用能更精准的定位目标。
定位时间对比仿真分析
由图8可知，在改进算法、基于PSO的RSSI定位算法和基于FPA的RSSI定位算法中本发明改进算法的收敛速度最快、适应度值最低。为进一步证明本发明算法在定位中计算速度快、定位时间短等优点，将基于PSO的RSSI定位算法和本发明改进算法进行在同级别的定位误差上对定位时间作比较，如图9所示。
图9中将定位误差值区间设定为0～2cm，在每0.1cm内对基于PSO的RSSI定位和本发明改进算法进行定位时间平均值比较。可看出在相同的定位误差区间值内基于PSO的RSSI定位算法的定位计算反应时间在4秒到5.5秒之间，本发明改进算法定位时间在2秒到4秒之间，在同一时间区间内本发明改进算法定位时间更短，整体定位计算反应时间本发明改进算法优于基于PSO的RSSI定位算法。
由以上分析可知本发明改进算法收敛速度更快而且定位计算反应时间短，因此本发明改进算法能够在大型室内场所内实现快速精确定位。
灯源网格排布结合改进算法的定位方案分析
在100m*100m*100m的大型室内环境中将其分为10层，其中一层为100m*100m*10m的空间，在每一层空间顶部采用排列100组3*3阵列的LED形成网格型的分布方案。采用网格型分布灯源，可有效增强光信号接收，解决空间环境下的四角产生阴影，提高通信质量。由于灯排布组数量多，本发明设计对一组3*3阵列的LED和随机目标位置进行定位仿真比较，仿真结果如图9所示。
图10(a)是九灯源网格排布结合本发明改进FPA的RSSI算法的室内可见光定位仿真结果，由测量误差可知，九灯源网格排布中一组定位误差为1.5187mm，误差已经达到毫米，若在100m*100m*10m的空间安装100组，定位精度会更高；与随机灯排布下结合本发明改进算法方案相比，定位误差更小，定位精度更高。图10(b)是九灯源网格排布结合基于FPA的RSSI定位算法，误差为5.9985cm，与图10(a)中改进的算法相比定位精度差距大，但与图5(b)相比精度有所提高。网格型灯排布更适合在大型场所使用，可以有效提高定位精度符合照明亮度。通过图5算法定位仿真、图6的50次误差比较、图7平均定位误差比较、图8的收敛速度对比和图9的定位时间对比，可以得到本发明改进定位算法结合九灯源网格排布后定位精度更高，与其他算法相比计算速度最快，并且算法在有噪声的环境下误差值稳定，适合于在大型室内场所下使用。
本发明基于改进FPA的RSSI算法融合反向学习策略和自适应移动因子设计室内可见光定位算法，实现对室内大场景下目标的精准定位；为在精度上体现本发明改进算法的优势，选用在一层100m*100m*10m空间中仅用9盏LED进行定位计算且定位效果良好。由此可见，在小空间中定位精度会更高。采用网格型布局方案，将100m*100m的顶部空间划分成100份，每一份形成10m*10m的网格形式，LED固定在网格中，在保障通信平面功率的平坦性同时避免四灯源排布产生的室内阴影的影响。改进的花授粉算法采用反向学习策略对初始种群进行均匀分布、扩大种群类型，提高收敛速度、易跳出局部最优；自适应移动因子会随步长的增加而减小，适应全局搜索变化。能够满足在大型室内场所下的照明要求并且定位误差较小。经过仿真验证本发明定位算法误差可达到毫米，平均误差在±1cm左右；网格型灯排布结合本发明改进的花授粉算法大大提高室内定位精度，该方案定位误差更小且定位速度较快。因此，本发明设计的室内可见光定位系统更适合大型场所的高精度定位。
本发明选用结合花授粉算法(Flower Pollination Algorithm，FPA)计算定位目标。花授粉算法是一种群智能算法，与最小二乘法相比具有实现简单、参数少、易调节的优点，更能实现精准定位。由于花授粉算法会陷入局部最优和早熟收敛的缺点，本发明提出RSSI与改进花授粉智能算法融合的高精度定位方法，结合网格型灯源排布实现100m*100m*100m空间内任意一层100m*100m*10m空间的室内可见光精确定位。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种基于反向学习自适应花授粉的可见光定位方法，其特征在于，包括：
步骤1 定位
步骤1.1 可见光定位
将LED安装在距离地面h米的天花板上；移动端放置在地面上任意位置，将PD作为接收器安装在移动端上，分别对上述LED、移动端、PD进行标记；
步骤1.2 RSSI定位；
步骤2 花授粉定位
步骤2.1 改进自适应花授粉定位算法；
步骤2.2 基于反向学习策略的种群初始化。
2.根据权利要求1所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，所述的分别对上述LED、移动端、PD进行标记：
LED灯作为信息发射器，呈等间隔对称分布；将LED安装在距离地面h米的天花板上；LED的位置标记成r1＝(x1,y1,,h),r2＝(x2,y2,h),…,r9＝(x9,y9,h)，移动端放置在地面上任意位置标记为t＝(x,y,z)，将PD作为接收器安装在移动端上。
3.根据权利要求2所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，LED在室内排列包括网格型灯源布局、圆型灯源布局、椭圆形灯源布局。
4.根据权利要求2所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，步骤1.1可见光定位中，室内可见光通信信道为：
在只考虑直射链路LOS的情况下，PD能够接受的光功率Pr与发射端的发射功率Pt之间关系为：
Pr＝HLOS(0)·Pt， (1)
式(1)中，HLOS(0)是可见光通信中LOS的信道增益；将LED视为朗伯型光源，则光强衰减因子通过LOS信道增益HLOS(0)表示为：
Figure FDA0002872102840000011
式(2)中，A为PD的面积；d为LED到PD的相对距离；ψ为接收角；ψc为PD最大视场角；φ为发散角；Ts(ψ)为PD的光滤波器增益；g(ψ)为聚光器增益；根据式(1)和式(2)推导出LED与PD之间的欧氏距离d为：
Figure FDA0002872102840000021
m为朗伯散射系数，由LED的半功率强度角φ1/2决定，m表示为：
Figure FDA0002872102840000022
设存在热噪声和散射噪声，热噪声σthermal和散射噪声σshot大小分别表示为：
Figure FDA0002872102840000023
Figure FDA0002872102840000024
式(5)中，q为电子的电荷量，B为接收噪声带宽，R为PD的接收响应度，k为Boltzmann常数，Tk是热力学温度，G为开环电压增益，η为PD单位面积的固定电容，gm为跨导，Γ为信道噪声因子，Ibg为暗电流，I2、I3为噪声带宽因子；总噪声方差为：
Figure FDA0002872102840000025
信噪比为
Figure FDA0002872102840000026
5.根据权利要求1或4所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，所述的步骤1.2RSSI定位：
根据接收器接收到的光信号强度通过计算得到室内相对位置；在室内场景中接收器接收到来自多个光源信号强度，得到LED与接收器之间的距离，通过定位算法得到接收端的坐标；将定位问题转化为对式(7)求解最优化问题：
设存在n个LED发射器，坐标为：
r1＝(x1,y1,,h)，r2＝(x2,y2,h)，r3＝(x3,y3,h)…，ri＝(xn,yn,h)，定位点坐标为t＝(x,y,z)，LED与PD之间的测量值分别为d1,d2,d3,…,dn，计算待定位点的具体坐标，使用花授粉算法通过对下式进行求解，判断花粉个体适应度值大小并不断迭代更新，得到fitness(x,y)最小值时，误差最小定位坐标最精准；
Figure FDA0002872102840000031
PD接收到LED发射的光信号强度通过计算得到PD具体坐标。
6.根据权利要求1所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，步骤2.1改进自适应花授粉定位算法：
设置FPA中随机初始种群N，花授粉过程中将每朵花作为求解问题的一个解，FPA找到适应度值最高的个体保存为全局最优解，遵循Lévy飞行完成全局授粉，并在异花授粉和自花授粉中不断更替；花朵转换概率是p时选择进行异花授粉，或以概率1-p选择进行自花授粉，其定义的公式如下：
Figure FDA0002872102840000032
式(8)中，
Figure FDA0002872102840000033
为花粉个体第t+1代的解；
Figure FDA0002872102840000034
为花粉个体第t代的解；g为全局最优解；L为Lévy飞行的步长参数，L的计算公式为：
Figure FDA0002872102840000035
式(9)中，λ为缩放因子，λ＝1.5；Γ(λ)为标准的伽马函数；s为移动步长；
在自花授粉中是指同一株花中，雄蕊的花粉落到雌蕊的柱头上进行自交称为自花授粉；模拟自花授粉操作算子是模拟同一品种的花之间近距离授粉实现局部授粉方式，定义如下：
Figure FDA0002872102840000036
式(10)中，ε为[0,1]上服从均匀分布的随机数；
Figure FDA0002872102840000037
与
Figure FDA0002872102840000038
为同品种的不同两支花朵的花粉。
7.根据权利要求6所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，步骤2.2基于反向学习策略的种群初始化：
在FPA中加入反向学习策略，用反向学习策略代替随机的初始种群，设种群中的个体Xi表示为：Xi＝[X'i,1,X'i,2,X'i,3,…,X'i,j,X'i,D]，基于反向学习策略的映射的反向解为：Xi'＝[X'i,1,X'i,2,X'i,3,…,X'i,j,X'i,D]，其中i＝1,2,3,…,n；j＝1,2,3,…,D；n代表种群个数，D代表空间维数，且正向解和反向解满足下面的公式：
X′i,j＝k(Aj+Bj)-Xi,j， (11)
式(11)中，k是一般反向因子，k＝rand(0,1)；(Aj,Bj)表示第j个动态决策变量的动态边界表示为：
Aj＝min(Xi,j),Bj＝max(Xi,j)， (12)。
8.根据权利要求7所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，步骤2.3改进的自适应全局搜索：
FPA在全局授粉中，采用一种随机游走类型的Lévy飞行机制，在全局搜索中融合自适应移动因子，加入的自适应移动因子定义式为：
Figure FDA0002872102840000041
式(13)中，j为当前子群进化次数；t为
Figure FDA0002872102840000042
其中i当前全局进化次数；
在融入自适应移动因子后改进后的全局搜索设计公式为：
Figure FDA0002872102840000043
根据前面的公式，局部授粉的设计公式为：
Xi＝p[Xi+rand(Xbest-Xi)]+(1-p)Xi， (15)
式(15)中，Xbest为花粉个体最优解；根据局部搜索和全局搜索得到的种群更新公式为：
Xi＝p[Xi+rand(Xbest-Xi)]+(1-p)Xi+αL(g-Xi)， (16)。
9.根据权利要求8所述的基于反向学习自适应花授粉的可见光定位方法，其特征在于，步骤2.4改进花授粉算法RSSI的定位过程，在RSSI的框架中结合改进的FPA计算定位具体坐标：
步骤2.4.1：接收器接收LED光信号，计算出发射器与接收器之间的距离测量值d；
步骤2.4.2：设计随机初始种群中个体数为N，初始种群NP并且评价个体适应值；迭代次数T；空间维数D；转换概率p；每一个花粉个体代表一个解；
步骤2.4.3：根据反向学习策略，初始种群NP中每个花粉个体都存在一个反向个体组成反向种群OP；
步骤2.4.4：将初始种群NP和反向种群OP合并，产生2N个花粉个体，将这些花粉个体的适应度值进行排列，取适应度最高的前N个花粉个体作为初始种群；
步骤2.4.5：对公式(7)进行计算并得到每个花粉个体的最优适应值和当前种群中最优位置；
步骤2.4.6：在[0,1]之间产生一个服从随机分布的随机实数rand，若转换概率p>rand则进行异花授粉按公式(14)进行更新；若转换概率p<rand则按公式(15)进行花粉个体更新；
步骤2.4.7：得到的新解对应的适应值和当前解对应的适应值相比较，若新解更优则直接代替当前解，否则保持当前解不变；
步骤2.4.8：判断是否达到迭代次数，若达到则结束，若没有达到则转向步骤6；
步骤2.4.9：得到全局最优解。
10.一种基于反向学习自适应花授粉的可见光定位系统，包括存储器和处理器，存储器存储有计算机程序，其特征在于；所述处理器执行所述计算机程序时实现如权利要求1-9任一所述的方法步骤。
CN202011607098.9A 2020-12-30 2020-12-30 基于反向学习自适应花授粉的可见光定位方法及系统 Pending CN112834985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011607098.9A CN112834985A (zh) 2020-12-30 2020-12-30 基于反向学习自适应花授粉的可见光定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011607098.9A CN112834985A (zh) 2020-12-30 2020-12-30 基于反向学习自适应花授粉的可见光定位方法及系统

Publications (1)

Publication Number Publication Date
CN112834985A true CN112834985A (zh) 2021-05-25

Family

ID=75925411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011607098.9A Pending CN112834985A (zh) 2020-12-30 2020-12-30 基于反向学习自适应花授粉的可见光定位方法及系统

Country Status (1)

Country Link
CN (1) CN112834985A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885536A (zh) * 2021-12-03 2022-01-04 中国人民解放军陆军装甲兵学院 一种基于全局海鸥算法的移动机器人路径规划方法
CN116112076A (zh) * 2023-02-16 2023-05-12 重庆邮电大学 室内可见光通信系统随机led分布的信号均匀性优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080166135A1 (en) * 2007-01-08 2008-07-10 Jong-Hoon Ann Method for setting power control initial value using indication light in visible light communications and transmission/receive apparatus using the same
CN106485314A (zh) * 2016-09-21 2017-03-08 常熟理工学院 一种基于自适应高斯变异的花朵授粉算法的优化方法
CN106483500A (zh) * 2016-11-17 2017-03-08 华南理工大学 一种基于cdma调制的可见光通信三维定位方法
CN107422734A (zh) * 2017-07-28 2017-12-01 江西理工大学 基于混沌反向花授粉算法的机器人路径规划方法
CN107796400A (zh) * 2017-09-30 2018-03-13 中原智慧城市设计研究院有限公司 基于可见光通信的室内三维定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080166135A1 (en) * 2007-01-08 2008-07-10 Jong-Hoon Ann Method for setting power control initial value using indication light in visible light communications and transmission/receive apparatus using the same
CN106485314A (zh) * 2016-09-21 2017-03-08 常熟理工学院 一种基于自适应高斯变异的花朵授粉算法的优化方法
CN106483500A (zh) * 2016-11-17 2017-03-08 华南理工大学 一种基于cdma调制的可见光通信三维定位方法
CN107422734A (zh) * 2017-07-28 2017-12-01 江西理工大学 基于混沌反向花授粉算法的机器人路径规划方法
CN107796400A (zh) * 2017-09-30 2018-03-13 中原智慧城市设计研究院有限公司 基于可见光通信的室内三维定位方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DO TRONGHOP等: "Modeling and Analysis of the Wireless Channel formed by LED Angle in Visible Light Communication", 《2012 IEEE》 *
井福荣: "一种使用反向学习策略的改进花粉授粉算法", 《江西理工大学学报》 *
刘国繁等: "基于改进花授粉算法的RSSI定位方法", 《传感器与微系统》 *
叶子蔚等: "基于接收信号强度检测的高精度可见光定位方法", 《中国激光》 *
王鹏飞等: "基于免疫算法的高精度室内可见光三维定位系统", 《光学学报》 *
赵程檐: "花授粉算法的研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
陈爽等: "基于可见光的自适应混合蛙跳定位算法", 《光电系统》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885536A (zh) * 2021-12-03 2022-01-04 中国人民解放军陆军装甲兵学院 一种基于全局海鸥算法的移动机器人路径规划方法
CN116112076A (zh) * 2023-02-16 2023-05-12 重庆邮电大学 室内可见光通信系统随机led分布的信号均匀性优化方法

Similar Documents

Publication Publication Date Title
Cai et al. Indoor high precision three-dimensional positioning system based on visible light communication using particle swarm optimization
CN112834985A (zh) 基于反向学习自适应花授粉的可见光定位方法及系统
Yin et al. Indoor visible light positioning with angle diversity transmitter
CN106646368B (zh) 一种基于指纹匹配的可见光通信场景中三维定位方法
Ding et al. Evolutionary algorithm-based optimisation of the signal-to-noise ratio for indoor visible-light communication utilising white light-emitting diode
KR20180055631A (ko) 실재 환경관련 정보를 고려한 통신 채널 분석과 무선 망 설계 방법 및 장치
CN110933599B (zh) 一种融合uwb与wifi指纹的自适应定位方法
CN111818449B (zh) 一种基于改进的人工神经网络的可见光室内定位方法
CN107356905B (zh) 一种基于混沌粒子群优化的可见光定位方法及其系统
CN111432368A (zh) 一种适用于稀疏锚节点wsn的测距定位方法
Niaz et al. Deployment methods of visible light communication lights for energy efficient buildings
Chaochuan et al. High-accuracy 3D indoor visible light positioning method based on the improved adaptive cuckoo search algorithm
Beshr et al. Evaluation of visible light communication system performance in the presence of sunlight irradiance
Ley-Bosch et al. Implementing an IEEE802. 15.7 physical layer simulation model with OMNET++
CN117440554B (zh) 基于数字化实现led光源的场景建模方法及系统
Liang et al. Plugo: a vlc systematic perspective of large-scale indoor localization
Wang et al. Indoor visible light positioning based on improved particle swarm optimization method with min-max algorithm
CN113219408A (zh) 改进型rbf神经网络室内可见光定位方法及系统
CN108365891B (zh) 一种室内可见光通信系统下行覆盖均匀性优化方法
EP3759516A1 (en) Systems and methods using multiple modalities for occupancy sensing
CN116112076A (zh) 室内可见光通信系统随机led分布的信号均匀性优化方法
CN117233699A (zh) 一种基于改进的粒子群算法的室内可见光定位方法
Do et al. Optimization for link quality and power consumption of visible light communication system
Chaabna et al. Study of RSS-based indoor positioning system for target using visible light communication
Tagliaferri et al. SNIR predictions for on-aircraft VLC systems

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