一種基于人工神經網絡的高精度室內可見光定位方法技術

一種基于人工神經網絡的高精度室內可見光定位方法，特征是包括訓練模式和定位模式兩部分，即首先根據選取測試點的位置坐標和接收信號強度建立人工神經網絡并對其進行訓練；之后利用訓練完成的人工神經網絡并結合接收端的接收信號強度，得到最終的定位結果。在訓練模式中，該方法能夠同時考慮光源的直射光信號以及來自墻面和其他物體表面的漫反射光信號，并能在訓練完成后的定位過程中對其加以利用。本發明專利技術所提方法更符合實際的應用場景，定位結果更為準確；且相對于傳統基于接收信號強度的定位方法，該算法的運算時間更短，效率更高。

【技術實現步驟摘要】

本專利技術涉及一種基于人工神經網絡的高精度室內可見光定位方法，屬于室內定位以及可見光定位

技術介紹
隨著定位導航技術的廣泛應用和位置服務應用的不斷多樣，室內定位技術逐漸進入人們的視野，相關需求也不斷增長。在定位與導航市場中，GPS和北斗等基于衛星信號的定位系統占據了絕大多數。但是與此同時，由于在城市中衛星信號會被高樓遮擋；而且在室內，衛星信號經過穿墻之后會被嚴重衰減，因此GPS和北斗這類基于衛星信號的定位技術在室內環境下并不實用。近年來，隨著綠色照明的發展，LED以其高發光效率、低能耗、低成本、高顯色性和環境友好等優勢逐漸得到普及。而基于LED光源的可見光通信和可見光定位技術也不斷發展，出現了多種原理的可見光通信和可見光定位相關的論文和專利。與基于Wi-Fi和藍牙的定位技術相比，可見光定位技術沒有電磁輻射，且不受電磁信號的干擾。因此其定位精度高于基于Wi-Fi和藍牙定位，且更加穩定。而與基于超聲、紅外和超寬帶(UWB)的室內定位技術相比，可見光定位技術可直接利用室內的照明LED燈，無需額外假設信號發射裝置。因此其成本更低，更易于推廣和實用。對于當前的室內可見光定位技術，出于成本與系統復雜度的考慮，大都是在接收端采用光電探測器，同時利用接收到的來自各個光源的信號強度進行定位，例如專利“一種基于誤差校正的室內可見光強度定位系統”(申請號201510182109.6)和專利“基于可見光信號強度的三維空間室內定位方法”(申請號201510063426.6)。但是對于這一類的定位技術而言，都只考慮到了直接來自光源的直射信號，而忽略了來自于墻面或家具的反射光信號，因此在實際應用中存在較大誤差。與此同時，這些基于光信號強度的定位方法都需要求解定位方程組，計算時間較長。鑒于上述現有技術忽略反射光信號而存在較大誤差以及定位解算復雜的技術缺陷，本專利技術致力于基于人工神經網絡降低誤差并提高室內可見光定位系統的定位精度。在人工神經網絡進行此技術方面，經過深度資料檢索，有如下文獻：“基于神經網絡的手機定位方法及定位裝置”(申請號CN201510895915.8)和“基于壓縮感知和BP神經網絡的無線傳感器網絡定位方法”(申請號CN105676178A)，但是在這兩個專利中，作者是使用語音噪聲信號或無線傳感器信號進行定位，并未使用可見光信號。且此兩專利使用的方法與可見光定位技術相比，需要使用額外的硬件設施。因此，本專利技術致力于將人工神經網絡技術和可見光定位技術相結合，以實現效率更高、成本更低的室內定位。
技術實現思路
本專利技術的目的在于解決目前室內可見光定位技術受到反射光信號干擾的問題，提出一種基于人工神經網絡的高精度室內可見光定位方法。一種基于人工神經網絡的高精度室內可見光定位方法包括訓練模式和定位模式；其中，訓練模式在定位之前完成，主要功能是根據測試點的信息通過訓練獲得定位模式所需的人工神經網絡，即：利用測試點的位置坐標和接收信號強度建立人工神經網絡并對其進行訓練；定位模式的主要功能是利用已經訓練好的人工神經網絡對接收端進行定位，即在定位過程中發揮作用，利用訓練模式輸出的人工神經網絡并結合接收端的接收信號強度，最終得到定位結果。訓練模式的具體步驟如下：步驟一：在天花板上放置N個光源，N個光源都采用強度調制的方式進行驅動，同時通過光信號發送自己的空間坐標；與此同時，接收端根據室內環境，在接收平面選取R個測試點；其中，對于光源，N的數量為大于3個；N個光源在完成照明功能的同時作為可見光定位系統的信號源；在不少于3個的前提下，光源的密度則由室內照明需求決定，相鄰光源的間距通常為1到3米；所述的接收端為位于光源下方的某個平面，其所處平面為接收平面，接收平面與光源的垂直距離，記為h；所述的R的選擇依據主要為系統定位精度要求，每個測試點與相鄰測試點的間距為5到10厘米，優選的R值密度范圍為：100個/平方米到400個/平方米之間；步驟二：利用可見光信道的模型仿真或者實地測量，求出或測量出接收端在選取的接收平面各個測試點處分別來自各個光源的光信號強度；其中，光信號強度包括直射光信號強度和經各種表面反射的光信號強度；步驟三：在接收平面建立以來自各個光源的光信號強度為輸入，接收端坐標為輸出的人工神經網絡，并根據不同測試點的位置坐標和在步驟二中得到的來自各個光源的光信號強度對所建立的人工神經網絡進行訓練，得到訓練完成的人工神經網絡；其中，在該人工神經網絡的訓練過程中，可使用多種人工神經網絡算法進行訓練，所遵循的原則是：所有測試點誤差的均方根之和最小；其中，所述的人工神經網絡至少包含1層隱含層，每層隱含層包含至少15個內部節點；至此，從步驟一到步驟三，完成了訓練模式，在訓練模式完成后，會得到一個訓練好的人工神經網絡，其將被用于之后的定位模式；定位模式，具體步驟如下：步驟四：將接收端接收到的來自N個光源的光信號強度輸入步驟三輸出的已經訓練完成的人工神經網絡；其中，對于該人工神經網絡而言，其輸入為N個光源的光信號強度，輸出為一個相對應的位置坐標；步驟五：利用接收端接收到的來自N個光源的光信號強度和已經訓練好的人工神經網絡進行內部函數運算，并獲取輸出結果。其輸出結果為一個坐標值；步驟六：采集人工神經網絡的輸出結果，并將其作為接收端的位置坐標，即定位算法的最終定位結果；至此，從步驟一到步驟六，完成了一種基于人工神經網絡的高精度室內可見光定位方法。有益效果一種基于人工神經網絡的高精度室內可見光定位方法，與現有技術相比，具有如下有益效果：1.本專利技術同現有技術中“一種基于誤差校正的室內可見光強度定位系統”和“基于可見光信號強度的三維空間室內定位方法”相比，具有以下優點：考慮并從一定程度上消除了反射光對室內可見光定位系統的影響，在同等條件下的定位精度更高；2.本專利技術所提方法使用訓練好的人工神經網絡處理接收信號強度數據并進行定位，因此不需要求解非線性的定位方程組，定位速度可以提高10倍以上。附圖說明圖1為本專利技術一種基于人工神經網絡的高精度室內可見光定位方法及實施例中的總體流程圖；圖2為本專利技術一種基于人工神經網絡的高精度室內可見光定位方法實施例1中步驟S1中測試點選取示意圖；圖3為本專利技術一種基于人工神經網絡的高精度室內可見光定位方法實施例1中步驟S3中人工神經網絡結構示意圖。具體實施方式下面，結合附圖詳細描述本專利技術的優選實施方式。為了便于描述和突出顯示本專利技術，附圖中省略了現有技術中已有的相關部件，并將省略對這些公知部件的描述。實施例1結合圖1，圖2，圖3，對本專利技術一種基于人工神經網絡的高精度室內可見光定位方法進行細致闡述。本實施例中，闡述了應用本專利技術所述方法在室內房間中進行定位。室內房間的大小為5米×5米×3米；天花板上有4個LED燈在提供照明的同時作為可見光定位系統的信號源。這4個LED燈采用開關鍵控(OOK)信號調制，發送自己獨有的身份碼(ID)信息以區分不同光源。與此同時，接收端位于光源下方且與光源垂直距離為3米的平面上，并豎直向上放置。圖1為本專利技術一種基于人工神經網絡的高精度室內可見光定位方法及實施例中的總體流程圖；由圖1可以看出，本實施例運用本專利技術所提方法，具體包含如下步驟：步驟S1：測試點選取；具體到本實施例，步驟S1細化為：天花板上放置的本文檔來自技高網...

【技術保護點】
一種基于人工神經網絡的高精度室內可見光定位方法，其特征在于：包括訓練模式和定位模式；其中，訓練模式在定位之前完成，主要功能是根據測試點的信息通過訓練獲得定位模式所需的人工神經網絡，即：利用測試點的位置坐標和接收信號強度建立人工神經網絡并對其進行訓練；定位模式的主要功能是利用已經訓練好的人工神經網絡對接收端進行定位，即在定位過程中發揮作用，利用訓練模式輸出的人工神經網絡并結合接收端的接收信號強度，最終得到定位結果。

【技術特征摘要】
1.一種基于人工神經網絡的高精度室內可見光定位方法，其特征在于：包括訓練模式和定位模式；其中，訓練模式在定位之前完成，主要功能是根據測試點的信息通過訓練獲得定位模式所需的人工神經網絡，即：利用測試點的位置坐標和接收信號強度建立人工神經網絡并對其進行訓練；定位模式的主要功能是利用已經訓練好的人工神經網絡對接收端進行定位，即在定位過程中發揮作用，利用訓練模式輸出的人工神經網絡并結合接收端的接收信號強度，最終得到定位結果。2.如權利要求1所述的一種基于人工神經網絡的高精度室內可見光定位方法，其特征還在于：訓練模式的具體步驟如下：步驟一：在天花板上放置N個光源，N個光源都采用強度調制的方式進行驅動，同時通過光信號發送自己的空間坐標；與此同時，接收端根據室內環境，在接收平面選取R個測試點；步驟二：利用可見光信道的模型仿真或者實地測量，求出或測量出接收端在選取的接收平面各個測試點處分別來自各個光源的光信號強度；步驟三：在接收平面建立以來自各個光源的光信號強度為輸入，接收端坐標為輸出的人工神經網絡，并根據不同測試點的位置坐標和在步驟二中得到的來自各個光源的光信號強度對所建立的人工神經網絡進行訓練，得到訓練完成的人工神經網絡；至此，從步驟一到步驟三，完成了訓練模式，在訓練模式完成后，會得到一個訓練好的人工神經網絡，其將被用于之后的定位模式；定位模式，具體步驟如下：步驟四：將接收端接收到的來自N個光源的光信號強度輸入步驟三輸出的已經訓練完成的人工神經網絡；步驟五：利用接收端接收到的來自N個光源的光信號強度和已經訓練好的人工神經網絡進行內部函數運算，并獲取輸出結果。其輸出結果為一個坐標值；步驟六：采集人工神經網絡的輸出結果，并將...

【專利技術屬性】
技術研發人員：楊愛英，黃河清，馮立輝，倪國強，
申請(專利權)人：北京理工大學，
類型：發明
國別省市：北京;11