CN116466335A - 基于聚类和深度神经网络的室内可见光定位方法及系统 - Google Patents
基于聚类和深度神经网络的室内可见光定位方法及系统 Download PDFInfo
- Publication number
- CN116466335A CN116466335A CN202310372738.XA CN202310372738A CN116466335A CN 116466335 A CN116466335 A CN 116466335A CN 202310372738 A CN202310372738 A CN 202310372738A CN 116466335 A CN116466335 A CN 116466335A
- Authority
- CN
- China
- Prior art keywords
- neural network
- leds
- data
- deep neural
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000000737 periodic effect Effects 0.000 claims description 47
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供一种基于聚类和深度神经网络的室内可见光定位方法及系统,涉及光通信定位技术领域,包括发射端和接收设备。取定位区域接收信号强度作为深度神经网络训练集,为多个白光LED分配不同调制频率,利用训练集位置每个LED的接收信号强度及光探测器实际坐标值对神经网络进行训练,学习算法采用k均值聚类(K‑means)算法和深度神经网络(DNN)算法相结合的学习算法。将每个LED的接收信号强度输入训练完成的神经网络,得到光探测器位置坐标。本发明基于神经网络采用优化学习算法,有效缩减采样数据量,并提高网络训练速度和室内定位精度;定位系统不受多径反射等外界因素影响;具有很好的实际应用价值。
Description
技术领域
本发明涉及光通信定位技术领域,尤其涉及一种基于聚类和深度神经网络的室内可见光定位方法及系统。
背景技术
在过去的十年中,无线定位系统已经成为我们日常生活中不可或缺的一部分,室内应用对定位服务的要求越来越高。在保证精度的前提下进行高速室内定位,是机器人和无人机应用于室内场景的基础。在定位领域,全球定位系统(GPS)已广泛应用于户外。然而,GPS在室内环境中往往无法使用,信号在穿过坚固的墙壁时衰减严重。当今,有各种各样的室内定位技术,如Wi-Fi、无线局域网(WLAN)、红外、射频识别(RFID)、Zigbee、超宽带(UWB)和蓝牙等技术得到了广泛的研究。然而,这些定位技术存在精度低、电磁干扰、安全性低、频谱资源拥挤等局限性所以还没有得到广泛应用。与上述室内定位技术不同,室内可见光定位(Visible Light Positioning,VLP)技术因其成本低、安全性高、可同时提供照明、定位和通信等优点而备受关注。室内可见光定位技术是一种照明兼顾通信、绿色环保、可拓宽频谱资源的新型无线通信技术。与现有的多种室内定位技术相比,具有无电磁于扰、安全保密性好、定位精度高等诸多优势,尤其适用于各类大型场所或电磁敏感的室内领域,如医院、矿井、飞机、大型商场等,所以拥有广阔的应用和开发前景。
发明内容
本发明提供了一种基于聚类和深度神经网络结合的室内可见光定位方法及系统,解决基于接收信号强度的室内可见光定位系统现有技术的缺陷与定位精度不够精准的问题。
为解决上述发明目的,本发明提供的技术方案如下:一种基于聚类和深度神经网络结合的室内可见光定位方法,其特征在于,步骤包括:
S1、通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号;
S2、预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存;
S3、将缓存的所述信号强度信息传输至所述接收端处理器;
S4、通过所述接收端处理器对所述信号强度信息进行快速傅里叶变换FFT,获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
S5、重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成聚类和深度神经网络的训练数据;
S6、通过所述接收端处理器进行聚类以及所述深度神经网络的初始化;
S7、将K-menas算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络;
S8、在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的神经网络模型进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网络结合的室内可见光定位。
优选地,步骤S1中,多个LED的布设要求包括:
LED的数量为N个,N不小于3,LED布设位置为在顶棚上;LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号。
优选地,步骤S1中,为每个LED进行频率分配需满足的条件为:人眼看不到闪烁;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,可见光定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁指所分配的频率均应大于50赫兹。
优选地,步骤S2中,包括:
所述光探测器为光电二极管;所述采样设备包括:示波器、数据采集电路;所述采样设备获取的LED信号强度信息为时域上N个LED的混合信号强度。
优选地,步骤S5中,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成聚类和深度神经网络的训练数据,包括:
获取的M组格点LED接收信号强度的数据,即RSS数据;各格点所对应的实际x、y坐标值,即为实际坐标值数据,且RSS数据和实际坐标值数据均为M组;
所述训练数据包括多个接收机在单元区域内的二维位置信息和与多个所述二维位置信息对应的信道估计矩阵参数组。
优选地,步骤S6中,对所述训练数据进行聚类以及所述深度神经网络的初始化,包括:
S61、获取S5输出M组的RSS数据和实际坐标值数据;
S62、设置聚类个数k、训练样本数、输入层节点数、隐含层节点数、输出层节点数、损失函数、隐含层激活函数、输出层激活函数、停止迭代阈值以及最大迭代次数;
S63、将RSS数据和实际坐标值数据进行归一化,并将归一化的RSS数据作为聚类输入数据;
其中,深度神经网络包括输入层、隐含层和输出层,对每个隐含层都执行线性操作和激活函数操作。
优选地,步骤S7中,将K-menas算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络,包括:
S71、将所述归一化的RSS数据选取K个对象作为初始的聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,在定位阶段实现粗定位后采用深度神经网络实现精准定位,输出精确定位数据;
S72、将所述精确定位数据沿深度神经网络进行第i次传播,利用传播损失函数,确定目标值与预测值之间的差异;前向传播时,从输入层开始,经过隐藏层一层层的向前计算,一直到运算到输出层,得到输出结果,利用传播损失函数,确定目标值与预测值之间的差异;
S73、判断目标值与预测值之间的差异的大小是否小于停止迭代阈值,若小于等于停止迭代阈值,则输出训练完成的神经网络,跳至S8;若否,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,重复执行S71-S73,直至输出训练完成的神经网络。
一种基于聚类和深度神经网络结合的室内可见光定位系统,所述系统用于上述的基于聚类和深度神经网络结合的室内可见光定位方法,所述系统包括:
可见光发送模块,用于通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号;
信号接收模块,用于预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存;
信号传输模块,用于将缓存的所述信号强度信息传输至所述接收端处理器;
接收信号强度生成模块,用于通过所述接收端处理器对所述信号强度信息进行快速傅里叶变换FFT,获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
训练数据生成模块,用于重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成深度神经网络的训练数据;
神经网络初始化模块,用于通过所述接收端处理器进行聚类以及所述深度神经网络的初始化;
神经网络训练模块,用于对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络;
定位模块,用于在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网络结合的室内可见光定位。
优选地,信号发送模块,进一步用于多个LED的布设要求包括:
LED的数量为N个,N不小于3,LED布设位置为在顶棚上;LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号。
优选地,信号发送模块,进一步用于为每个LED进行频率分配需满足的条件为:人眼看不到闪烁;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,可见光定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁指所分配的频率均应大于50赫兹。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于聚类和深度神经网络结合的室内可见光定位方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于聚类和深度神经网络结合的室内可见光定位方法。
上述技术方案,与现有技术相比至少具有如下有益效果:
上述方案,针对区间不确定性指标难点,考虑数据集的最外界点集信息和点集在二维空间分布的特性,采用多胞体重合度的距离指标,基于区间理论度量数据几何分布的近似性,衡量仿真和试验数据分布特征之间差异性。利用POD-RBF法处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数,将其作为有限元仿真的代理模型显著减少计算成本和时间,简化了修正过程。结合猎食者优化算法将多胞体重合度作为目标函数进行寻优运算,提高模型修正精度和修正效率。相比较于传统模型修正方法,本实施例所述的区间模型修正算法具有计算速度快,计算精度较高的突出优势,能够降低工程机械结构仿真模型的不确定性,减少模型仿真与试验观测之间的差异性;避免了传统方法在测量一维区间之间的差异,忽略了模型修正背景下多维区间输出特征之间的相关性。并且一旦模拟区间输出与测量值重合时,区间不确定性指标或误差函数的收敛性就得到满足的缺点,充分利用现有实验样本达到效益和成本的平衡,是一种高效的区间模型修正方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于聚类和深度神经网络结合的室内可见光定位方法流程示意图;
图2是本发明实施例提供的K-means-DNN的VLP系统结构图;
图3是本发明实施例提供的DNN神经网络结构图;
图4是本发明实施例提供的室内具体场景示意图;
图5是本发明实施例提供的基于聚类和深度神经网络结合的室内可见光定位系统框图;
图6是本发明实施例提供的基于聚类和深度神经网络结合的室内可见光定位系统详细图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明针对现有的区间不确定性指标难点,提供了一种能够考虑数据集的最外界点集信息和点集在二维空间分布的特性的基于聚类和深度神经网络结合的室内可见光定位方法。
如图1所示,本发明实施例提供了一种基于聚类和深度神经网络结合的室内可见光定位方法,该方法可以由电子设备实现。如图1所示的基于聚类和深度神经网络结合的室内可见光定位方法流程图,该方法的处理流程可以包括如下的步骤:
S101、通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号。
一种可行的实施方式中,步骤S101中,多个LED的布设要求包括:
LED的数量为N个,N不小于3,LED布设位置为在顶棚上;LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号。
一种可行的实施方式中,步骤S1中,为每个LED进行频率分配需满足的条件为:人眼看不到闪烁。
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,可见光定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁指所分配的频率均应大于50赫兹。
一种可行的实施方式中,本发明中为每个LED进行频率分配需满足的条件为:人眼看不到闪烁以及不同频率之间不成倍数关系。
一种可行的实施方式中,本发明的高精度室内可见光定位系统的前端包括可见光发送模块和接收端处理模块两大部分;
可见光发送模块又包括发送端编码器、LED驱动电路和LED阵列三部分;
其中,所述发送端编码器可以是FPGA,也可以是单片机,用来产生LED阵列各白光LED发送的不同频率的周期信号,LED阵列中采用N个LED;
其中,LED驱动电路为LED提供合适的直流偏置,并将发送端编码器产生的交流信号加载到LED驱动电流上;
其中,各LED发送不同频率的周期信号。
接收端处理模块又包括:光探测器、采样设备和包含神经网络的接收端处理器三部分;
其中,所述光探测器是光电二极管;所述采样设备可以是示波器、数据采集电路;所述包含神经网络的接收端处理器对采样设备输出的时域信号进行FFT得到不同频率白光LED的接收信号强度。
定位系统中各组成模块的连接关系如下:
发送端FPGA与LED驱动电路连接,LED驱动电路与LED阵列链接;LED阵列发出的可见光被接收端的光探测器连接;光探测器与采样设备连接,采样设备和包含神经网络的接收端树莓派连接。
定位系统中各组成模块的功能如下:
发送端FPGA的功能是生成各个LED发送的不同频率的周期信号;LED驱动电路的功能是为各个LED提供合适的直流偏置并将发送端FPGA产生的交流信号加载到LED驱动电流上;LED的功能是发送不同频率的LED周期信号;光探测器的功能是用来在定位区域内采集各白光LED的信号强度,将光强信号转换为电信号;采样设备的功能是将光探测器输出的电信号进行采样,得到时域上各LED的混合信号强度;接收端处理器的功能是对时域信号进行快速傅里叶变换得到不同频率LED的接收信号强度,并利用本发明所述方法进行室内可见光定位。
S102、预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存.
一种可行的实施方式中,步骤S102中,包括:
所述光探测器为光电二极管;所述采样设备包括:示波器、数据采集电路;所述采样设备获取的LED信号强度信息为时域上N个LED的混合信号强度。
一种可行的实施方式中,定位区域内设置间距为d的均匀分布的格点,简称为定位区域格点;
其中,定位区域格点数目记为L。
S103、将缓存的所述信号强度信息传输至所述接收端处理器。
一种可行的实施方式中,接收端处理器为树莓派。
S104、通过所述接收端处理器对所述信号强度信息进行FFT(fast FourierTransformation,快速傅里叶变换),获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
S105、重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成聚类和深度神经网络的训练数据。
一种可行的实施方式中,步骤S5中,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成深度神经网络的训练数据,包括:
获取的M组格点LED接收信号强度的数据,即RSS数据;各格点所对应的实际x、y坐标值,即为实际坐标值数据,且RSS数据和实际坐标值数据均为M组;
所述训练数据包括多个接收机在单元区域内的二维位置信息和与多个所述二维位置信息对应的信道估计矩阵参数组。
S106、通过所述接收端处理器进行聚类以及所述深度神经网络的初始化。
一种可行的实施方式中,步骤S6中,对所述训练数据进行聚类以及所述深度神经网络的初始化,包括:
S61、获取S5输出M组的RSS数据和实际坐标值数据;
S62、设置聚类个数k、训练样本数、输入层节点数、隐含层节点数、输出层节点数、损失函数、隐含层激活函数、输出层激活函数、停止迭代阈值以及最大迭代次数;
S63、将RSS数据和实际坐标值数据进行归一化,并将归一化的RSS数据作为聚类输入数据;
其中,深度神经网络包括输入层、隐含层和输出层,对每个隐含层都执行线性操作和激活函数操作。
一种可行的实施方式中,将RSS数据和实际坐标值数据进行归一化,具体为:将每行数据除以该行数据的标准差;
其中,归一化的RSS数据为矩阵。
S107、将K-menas算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络。
一种可行的实施方式中,步骤S107中,将K-menas算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络,包括:
S171、将所述归一化的RSS数据选取K个对象作为初始的聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,在定位阶段实现粗定位后采用深度神经网络实现精准定位,输出精确定位数据;
S172、将所述精确定位数据沿深度神经网络进行第i次传播,利用传播损失函数,确定目标值与预测值之间的差异;前向传播时,从输入层开始,经过隐藏层一层层的向前计算,一直到运算到输出层,得到输出结果,利用传播损失函数,确定目标值与预测值之间的差异;
S173、判断目标值与预测值之间的差异的大小是否小于停止迭代阈值,若小于等于停止迭代阈值,则输出训练完成的神经网络,跳至S8;若否,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,重复执行S71-S73,直至输出训练完成的神经网络。
一种可行的实施方式中,深度神经网络训练过程是x轴坐标和y轴坐标分别进行训练,下面以x轴训练为例;
S171、输出的数据沿深度神经网络进行第i次传播,各层之间的线性关系系数w和偏倚b计算出下一层的输出,直至到输出层输出;
其中,各层之间线性关系系数w和偏倚b,输入层是没有线性关系系数参数,输出层是没有偏倚b参数的;
S172、对步骤171输出的M组输出坐标值与步骤五获取的M组实际坐标值数据中的对应数据相减且求平方和得到误差值,利用传播损失函数,可以确定目标值与预测值之间的差异;
S173、判断目标值与预测值之间的差异的大小是否小于停止迭代阈值,若小于等于停止迭代阈值,则输出训练完成的神经网络,跳至步骤八;若否,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,跳至步骤171,重新修正线性关系系数w和偏倚b;
完成对x轴坐标的训练模型后,用同样的步骤完成对y轴坐标训练的模型。
一种可行的实施方式中,如图2为K-means-DNN的VLP系统结构图,如图3为DNN神经网络结构图。本发明采用K-means算法和DNN算法相结合的学习算法对神经网络进行训练:具体通过为多个白光LED分配不同调制频率,在定位区域内利用光探测器接收LED发送的信号,并对所述信号进行快速傅里叶变换(FFT)获取每个LED的接收信号强度;再利用所述接收信号强度及光探测器位置坐标对神经网络进行训练;最后将任意待测位置上每个LED的接收信号强度输入训练完成的神经网络,即可得到光探测器的位置坐标。
S108、在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网络结合的室内可见光定位。
本发明实施例中,核心思想为:采用定位区域对角线上格点作为神经网络的训练集,并采用聚类和深度神经网络相结合的学习算法对神经网络进行训练:具体通过为多个白光LED分配不同调制频率,在定位区域对角线格点处利用光探测器接收LED发送的信号,并对所述信号进行快速傅里叶变换(FFT)获取每个LED的接收信号强度;再利用所述接收信号强度及光探测器位置坐标对神经网络进行训练;其中,学习算法采用聚类和深度神经网络算法相结合;最后将任意待测格点上每个LED的接收信号强度输入训练完成的神经网络,即可得到光探测器的位置坐标。
本发明实施例中,如图4所示,提供一种依据本发明“基于聚类和深度神经网络结合的室内可见光定位系统和方法”进行室内定位的具体场景,如附图3所示。室内场景大小为100厘米╳100厘米╳180厘米,其中定位区域为100厘米╳100厘米。
顶棚上安装3个白光LED灯,并进行频率调制,频率范围为5000Hz-10000Hz,,具体采用5000Hz、7000Hz和9000Hz,垂直向下发送可见光信号;
在顶棚下方定位区域内水平放置光电二极管;定位区域均匀分为121个格点,其中相邻格点间距为10厘米;神经网络的训练集为全部121个格点,利用光电二极管接收来自LED的信号强度信息,并采用3个LED的混合信号强度;
重复上述过程6次,获取6组包含定位区域对角线上121个格点的LED接收信号强度数据,并与各格点所对应的实际x,y坐标值构成神经网络的训练数据;
输入层包含3个节点,隐含层包含3个隐含层,输出层包含1个节点,迭代次数最大值设为10000,并采用聚类和深度神经网络结合的算法对神经网络进行训练,最终获得训练完成的神经网络;
获取定位区域所有121个格点处的来自每个LED的接收信号强度,并输入训练完成的神经网络,输出的坐标值即为光探测器的位置坐标;
本发明的定位平均定位误差为0.78cm;最大定位误差为4.5cm;80%置信度误差降到1cm。即室内具体场景下,完成了基于神经网络和接收信号强度的室内可见光定位方法。
本发明实施例中,采用K-means聚类处理能降低深度神经网络的训练时间;采用聚类和深度神经网络结合的室内可见光定位系统和方法对神经网络进行训练,有效提高运算速度,且基于训练完成的神经网络可有效提高室内可见光定位精度;
本发明所述室内可见光定位方法不受LED性能差异、LED功率波动、多径反射、环境光干扰等外界因素影响;系统硬件基于原有室内照明设施和传统可见光定位系统,简单易行。
图5是本发明的一种基于聚类和深度神经网络结合的室内可见光定位系统示意图,所述系统200用于上述的基于聚类和深度神经网络结合的室内可见光定位,所述系统200包括:
可见光发送模块210,用于通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号;
信号接收模块220,用于预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存。
一种可行的实施方式中,如图6所示,本发明的高精度室内可见光定位系统包括可见光发送模块和接收端处理模块两大部分;
可见光发送模块又包括发送端编码器、LED驱动电路和LED阵列三部分;
其中,所述发送端编码器可以是FPGA,也可以是单片机,用来产生LED阵列各白光LED发送的不同频率的周期信号,LED阵列中采用N个LED;
其中,LED驱动电路为LED提供合适的直流偏置,并将发送端编码器产生的交流信号加载到LED驱动电流上;
其中,各LED发送不同频率的周期信号。
接收端处理模块又包括:光探测器、采样设备和包含神经网络的接收端处理器三部分;
其中,所述光探测器是光电二极管;所述采样设备可以是示波器、数据采集电路;所述包含神经网络的接收端处理器对采样设备输出的时域信号进行FFT得到不同频率白光LED的接收信号强度。
定位系统中各组成模块的连接关系如下:
发送端FPGA与LED驱动电路连接,LED驱动电路与LED阵列链接;LED阵列发出的可见光被接收端的光探测器连接;光探测器与采样设备连接,采样设备和包含神经网络的接收端树莓派连接。
定位系统中各组成模块的功能如下:
发送端FPGA的功能是生成各个LED发送的不同频率的周期信号;LED驱动电路的功能是为各个LED提供合适的直流偏置并将发送端FPGA产生的交流信号加载到LED驱动电流上;LED的功能是发送不同频率的LED周期信号;光探测器的功能是用来在定位区域内采集各白光LED的信号强度,将光强信号转换为电信号;采样设备的功能是将光探测器输出的电信号进行采样,得到时域上各LED的混合信号强度;接收端处理器的功能是对时域信号进行快速傅里叶变换得到不同频率LED的接收信号强度,并利用本发明所述方法进行室内可见光定位。
信号传输模块230,用于将缓存的所述信号强度信息传输至所述接收端处理器;
接收信号强度生成模块240,用于通过所述接收端处理器对所述信号强度信息进行快速傅里叶变换FFT,获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
训练数据生成模块250,用于重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成深度神经网络的训练数据;
神经网络初始化模块260,用于通过所述接收端处理器进行聚类以及所述深度神经网络的初始化;
神经网络训练模块270,用于对初始化后的聚类和深度神经网络进行训练,输出训练完成的深度神经网络模型;
定位模块280,用于在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网络结合的室内可见光定位。
可选地,可见光发送模块210,进一步用于多个LED的布设要求包括:
LED的数量为N个,N不小于3,LED布设位置为在顶棚上;LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号。
可选地,可见光发送模块210,进一步用于为每个LED进行频率分配需满足的条件为:人眼看不到闪烁;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,可见光定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁指所分配的频率均应大于50赫兹。
可选地,信号接收模块220,进一步用于所述光探测器为光电二极管;所述采样设备包括:示波器、数据采集电路;所述采样设备获取的LED信号强度信息为时域上N个LED的混合信号强度。
可选地,训练数据生成模块250,进一步用于获取的M组格点LED接收信号强度的数据,即RSS数据;各格点所对应的实际x、y坐标值,即为实际坐标值数据,且RSS数据和实际坐标值数据均为M组;
所述训练数据包括多个接收机在单元区域内的二维位置信息和与多个所述二维位置信息对应的信道估计矩阵参数组。
可选地,神经网络初始化模块260,进一步用于S61、获取S5输出M组的RSS数据和实际坐标值数据;
S62、设置聚类个数k、训练样本数、输入层节点数、隐含层节点数、输出层节点数、损失函数、隐含层激活函数、输出层激活函数、停止迭代阈值以及最大迭代次数;
S63、将RSS数据和实际坐标值数据进行归一化,并将归一化的RSS数据作为聚类输入数据;
其中,深度神经网络包括输入层、隐含层和输出层,对每个隐含层都执行线性操作和激活函数操作。
可选地,神经网络训练模块270,进一步用于S71、将所述归一化的RSS数据选取K个对象作为初始的聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,在定位阶段实现粗定位后采用深度神经网络实现精准定位,输出精确定位数据;
S72、将所述精确定位数据沿深度神经网络进行第i次传播,利用传播损失函数,确定目标值与预测值之间的差异;前向传播时,从输入层开始,经过隐藏层一层层的向前计算,一直到运算到输出层,得到输出结果,利用传播损失函数,确定目标值与预测值之间的差异;
S73、判断目标值与预测值之间的差异的大小是否小于停止迭代阈值,若小于等于停止迭代阈值,则输出训练完成的神经网络,跳至S8;若否,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,重复执行S71-S73,直至输出训练完成的神经网络。
图7是本发明实施例提供的一种电子设备300的结构示意图,该电子设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)301和一个或一个以上的存储器302,其中,所述存储器302中存储有至少一条指令,所述至少一条指令由所述处理器301加载并执行以实现下述多胞体重合度的动力学结构区间模型修正方法的步骤:
S1、通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号;
S2、预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存;
S3、将缓存的所述信号强度信息传输至所述接收端处理器;
S4、通过所述接收端处理器对所述信号强度信息进行快速傅里叶变换FFT,获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
S5、重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成深度神经网络的训练数据;
S6、通过所述接收端处理器进行聚类以及所述深度神经网络的初始化;
S7、将K-means算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络;
S8、在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网的室内可见光定位。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述基于聚类和深度神经网的室内可见光定位方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
Claims (10)
1.一种基于聚类和深度神经网络的室内可见光定位方法,其特征在于,方法步骤包括:
S1、通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号;
S2、预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存;
S3、将缓存的所述信号强度信息传输至所述接收端处理器;
S4、通过所述接收端处理器对所述信号强度信息进行快速傅里叶变换FFT,获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
S5、重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成聚类和深度神经网络的训练数据;
S6、通过所述接收端处理器进行聚类以及所述深度神经网络的初始化;
S7、将K-menas算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的聚类和深度神经网络模型;
S8、在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的模型进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网络结合的室内可见光定位。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中,多个LED的布设要求包括:
LED的数量为N个,N不小于3,LED布设位置为在顶棚上;LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号。
3.根据权利要求2所述的方法,其特征在于,所述步骤S1中,为每个LED进行频率分配需满足的条件为:人眼看不到LED闪烁;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,可见光定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁指所分配的频率均应大于50赫兹。
4.根据权利要求1所述的方法,其特征在于,所述步骤S2中,包括:
所述光探测器为光电二极管;所述采样设备包括:示波器、数据采集电路;所述采样设备获取的LED信号强度信息为时域上N个LED的混合信号强度。
5.根据权利要求1所述的方法,其特征在于,所述步骤S5中,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成聚类和深度神经网络的训练数据,包括:
获取的M组格点LED接收信号强度的数据,即RSS数据;各格点所对应的实际x、y坐标值,即为实际坐标值数据,且RSS数据和实际坐标值数据均为M组;
所述训练数据包括多个接收机在单元区域内的二维位置信息和与多个所述二维位置信息对应的信道估计矩阵参数组。
6.根据权利要求5所述的方法,其特征在于,所述步骤S6中,对所述训练数据进行聚类以及所述深度神经网络的初始化,包括:
S61、获取S5输出M组的RSS数据和实际坐标值数据;
S62、设置聚类个数k、训练样本数、输入层节点数、隐含层节点数、输出层节点数、损失函数、隐含层激活函数、输出层激活函数、停止迭代阈值以及最大迭代次数;
S63、将RSS数据和实际坐标值数据进行归一化,并将归一化的RSS数据作为聚类输入数据;
其中,深度神经网络包括输入层、隐含层和输出层,对每个隐含层都执行线性操作和激活函数操作。
7.根据权利要求6所述的方法,其特征在于,所述步骤S7中,将K-means算法和DNN算法相结合,对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络模型,包括:
S71、将所述归一化的RSS数据选取K个对象作为初始的聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,在定位阶段实现粗定位后采用深度神经网络实现精准定位,输出精确定位数据;
S72、将所述精确定位数据沿深度神经网络进行第i次传播,利用传播损失函数,确定目标值与预测值之间的差异;前向传播时,从输入层开始,经过隐藏层一层层的向前计算,一直到运算到输出层,得到输出结果,利用传播损失函数,确定目标值与预测值之间的差异;
S73、判断目标值与预测值之间的差异的大小是否小于停止迭代阈值,若小于等于停止迭代阈值,则输出训练完成的神经网络,跳至S8;若否,则进一步判断迭代次数是否大于等于迭代次数最大值,若是,则神经网络训练完成;若否,则令i=i+1,即迭代次数加1,重复执行S71-S73,直至输出训练完成的神经网络。
8.一种基于聚类和深度神经网络的室内可见光定位系统,其特征在于,所述系统用于如权利要求1~7任意一项所述的基于聚类和深度神经网络结合的室内可见光定位方法,所述系统包括:
可见光发送模块,用于通过发送端处理器驱动多个LED,并为所述多个LED进行频率分配,通过所述多个LED发射分配频率的周期信号;
信号接收模块,用于预设的定位区域,在所述定位区域内设置均匀分布的格点,通过光探测器在所述定位区域内接收所述周期信号,将所述周期信号导入采样设备,获取信号强度信息并缓存;
信号传输模块,用于将缓存的所述信号强度信息传输至所述接收端处理器;
接收信号强度生成模块,用于通过所述接收端处理器对所述信号强度信息进行快速傅里叶变换FFT,获得频谱信息;并将所述多个LED频率附近的频谱峰值作为对应LED的接收信号强度,记为接收信号强度数据;
训练数据生成模块,用于重复执行所述S2-S4,获得M组接收信号强度数据,所述M组接收信号强度数据与每个格点对应的实际x坐标值和y坐标值构成聚类和深度神经网络的训练数据;
神经网络初始化模块,用于通过所述接收端处理器进行聚类以及所述深度神经网络的初始化;
神经网络训练模块,用于对初始化后的深度神经网络进行训练,输出训练完成的深度神经网络;
定位模块,用于在定位区域任意待测格点处利用光探测器接收LED发送的信号,导入采样设备获取时域上N个LED的混合信号强度再传输至接收端处理器;将每个LED的接收信号强度信息输入至训练完成的神经网络进行测试,测试的输出值即为光探测器的位置坐标,完成基于聚类和深度神经网络结合的室内可见光定位。
9.根据权利要求8所述的系统,其特征在于,所述信号发送模块,进一步用于多个LED的布设要求包括:
LED的数量为N个,N不小于3,LED布设位置为在顶棚上;LED的布设密度由顶棚距离定位区域的高度以及光探测器的接收角决定,确保光探测器在定位区域任意位置均可接收相同数目为N的LED信号。
10.根据权利要求9所述的方法,其特征在于,所述信号发送模块,进一步用于为每个LED进行频率分配需满足的条件为:人眼看不到闪烁;
其中,周期信号既可以是正弦波周期信号,也可以是方波周期信号,可见光定位系统无需记录每个分配频率所对应的LED位置信息;
其中,人眼看不到闪烁指所分配的频率均应大于50赫兹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310372738.XA CN116466335A (zh) | 2023-04-10 | 2023-04-10 | 基于聚类和深度神经网络的室内可见光定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310372738.XA CN116466335A (zh) | 2023-04-10 | 2023-04-10 | 基于聚类和深度神经网络的室内可见光定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116466335A true CN116466335A (zh) | 2023-07-21 |
Family
ID=87180000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310372738.XA Pending CN116466335A (zh) | 2023-04-10 | 2023-04-10 | 基于聚类和深度神经网络的室内可见光定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466335A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474991A (zh) * | 2023-10-24 | 2024-01-30 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
-
2023
- 2023-04-10 CN CN202310372738.XA patent/CN116466335A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474991A (zh) * | 2023-10-24 | 2024-01-30 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
CN117474991B (zh) * | 2023-10-24 | 2024-06-07 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
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 | |
Guan et al. | A novel three-dimensional indoor positioning algorithm design based on visible light communication | |
Sun et al. | Fingerprint-based localization for massive MIMO-OFDM system with deep convolutional neural networks | |
Jin et al. | Indoor localization with channel impulse response based fingerprint and nonparametric regression | |
Peng et al. | Three-dimensional high-precision indoor positioning strategy using Tabu search based on visible light communication | |
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 | |
CN109511095B (zh) | 一种基于支持向量机回归的可见光定位方法及系统 | |
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 | |
Suroso et al. | Distance-based indoor localization using empirical path loss model and RSSI in wireless sensor networks | |
Chen et al. | Indoor high precision three-dimensional positioning system based on visible light communication using improved hybrid bat algorithm | |
CN109116298A (zh) | 一种定位方法、存储介质及定位系统 | |
CN109188360A (zh) | 一种基于蝙蝠算法的室内可见光三维定位方法 | |
Luo et al. | Improved spring model-based collaborative indoor visible light positioning | |
KR20170090104A (ko) | 5세대 이동통신용 공간 채널 모델 파라미터 획득 방법 및 장치 | |
Chaochuan et al. | High-accuracy 3D indoor visible light positioning method based on the improved adaptive cuckoo search algorithm | |
CN113438733B (zh) | 基于5g和wifi实现室内定位的系统、方法及电子设备 | |
Oh et al. | VLC positioning by DNN via WkNN in indoor environment | |
Zia | Visible light communication based indoor positioning system | |
Li et al. | Dead-zone-free three-dimensional indoor positioning method based on visible light communication with dimensionality reduction algorithm | |
CN107919910A (zh) | 一种抗nlos干扰的可见光定位方法 | |
Suseenthiran et al. | Indoor positioning utilizing bluetooth low energy RSSI on LoRa system | |
Xu et al. | Indoor localization based on hybrid Wi-Fi hotspots | |
Lam et al. | Refining light-based positioning for indoor smart spaces | |
Wu et al. | High precision and high speed of three-dimensional indoor localization system based on visible light communication using improved bacterial colony chemotaxis algorithm | |
Ni et al. | Two methods of accurate indoor positioning based on visible light communication system and artificial neural network |
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 |