CN113219408A - 改进型rbf神经网络室内可见光定位方法及系统 - Google Patents
改进型rbf神经网络室内可见光定位方法及系统 Download PDFInfo
- Publication number
- CN113219408A CN113219408A CN202110371710.5A CN202110371710A CN113219408A CN 113219408 A CN113219408 A CN 113219408A CN 202110371710 A CN202110371710 A CN 202110371710A CN 113219408 A CN113219408 A CN 113219408A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rbf neural
- positioning
- value
- improved
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003287 optical effect Effects 0.000 claims abstract description 38
- 210000002569 neuron Anatomy 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000005286 illumination Methods 0.000 claims description 23
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000010152 pollination Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007903 penetration ability Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physiology (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进型RBF神经网络室内可见光定位方法和系统，由室内空间中LED发射光信号经过室内空间信道，接收端采用PD探测器将获得的光信号转换成电信号进行定位，包括计算光功率波动最小的光照强度值、对定位进行计算、优化RBF神经网络；优化RBF神经网络包括：利用KPCA‑K‑means++模型提高RBF神经网络性能，即利用KPCA‑K‑means++模型对接收端收集到的RSSI数据进行聚类，得到最优聚类中心和聚类数目作为隐含层的神经元个数和神经元中心；建立GA‑LMS模型对RBF神经网络参数进行优化，即利用GA‑LMS得到准确的宽度和连接权值，最终得到精准的定位坐标，本发明泛化性更强。
Description
技术领域
本发明涉及一种基于KPCA-K-means++模型和GA-LMS模型的改进RBF神经网络室内可见光定位方法及系统。
背景技术
随着定位技术发展越来越成熟，人们不再满足于在室外环境下进行定位，室内定位技术也逐渐被专家关注。如果我们可以充分利用室内定位技术，那么这项技术会给我们的生活带来更多的方便，可以解决各种室内场所中的位置问题。定位技术中应用较为广泛的是全球卫星定位系统(Global Positioning System，GPS)，但由于到达地面的卫星信号衰减、很难穿透一个复杂的建筑，这会造成很大的定位误差[1]。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[2-5]。这些室内定位技术大多都有着定位精度低、受电磁干扰等缺点，应用价值低。例如红外的穿透能力弱、发射距离短；蓝牙定位易受干扰；超声波定位设备贵安装麻烦；RFID定位距离较短并且很难建立理论传播模型。基于可见光通信(Visible Light Communication，VLC)技术的室内定位方法[6]是解决室内定位的新方向，与传统的室内定位技术相比，可见光室内定位技术有保密性好、不易受多径干扰、定位精度高、成本低等优点。
可见光定位系统基于图像传感器的定位系统需要对图像进行处理，系统复杂并且对性能提出很高的要求[7]，因此本发明使用非成像型的基于光电二极管(Photo-Diode，PD)为接收端。基于PD的可见光定位系统主要包括接收信号强度指示、到达时间(Time OfArrival，TOA)到达角度(Angle Of Arrival，AOA)、到达时间差(Time Difference OfArrival，TDOA)、三角测量法、位置指纹库算法等定位方法计算接收器位置[8-13]。TOA方法完成定位需要发射器和接收器都要在时间上完全同步，实现难度大，定位精度低[14]；TDOA方法虽然只要求发射器间时间同步，但在定位过程中也很难完成[15]；AOA方法因为接收器角度限制，很难实现高精度定位[16]。所以在可见光定位中经常使用RSSI定位算法，RSSI定位方法系统简单、实际应用性强，是定位中最常使用的算法。但RSSI定位中存在着很多会产生定位误差的问题：第一，由于室内光线遮挡、人员走动等问题导致的室内空间中各角落接收光功率不相同，室内空间中各角落的定位精度不同。第二，RSSI定位算法中最小二乘会产生测距误差等问题，都会导致定位精度降低、定位不准。由于PD接收的光信号强度不同、室内光照分布不均匀使得在室内无法准确找到位置。因此，本发明研究在定量式灯源排布方案下采用改进花授粉算法对发射光照强度进行优化，使得室内空间接收光功率基本相同，保障空间各角落定位性能基本一致。对于灯源的排布方案选用室内常用的灯源排布方式-网格型灯源排布方式；对于RSSI定位算法本发明研究使用基于RBF神经网络的RSSI定位算法，神经网络定位算法依赖于获取的RSSI与位置坐标之间的非线性映射关系，主要具有数据融合能力强、并行处理能力强的优点。相比于反向传播(Back Propagation，BP)神经网络中较多隐含层不断循环纠正权重实现优化神经网络，RBF神经网络训练速度更快速、隐含层层数选择上不需要寻找设置依据。RBF神经网络结构良好，首先本发明设计的KPCA-K-means++模型对RSSI数据进行预处理，构建RSSI的RBF神经网络，使用本发明设计的GA-LMS对RBF神经网络的参数进行优化，遗传算法(Genetic Algorithm，GA)是通过模拟遗传选择和自然淘汰生物进化过程的计算模型。得到通用型的改进RBF神经网络。根据改变光照强度和定位算法进行优化，对室内待定位点定位比较误差得到结论。
发明内容
1、本发明的目的
现有的室内定位技术多数会占用宝贵的无线带宽资源，并且定位精度低、成本高、受电磁辐射影响，本发明为了上述问题，而提出了一种改进型RBF神经网络室内可见光定位方法及系统。
2、本发明所采用的技术方案
本发明公开了一种改进型RBF神经网络室内可见光定位方法，由室内空间中LED发射光信号经过室内空间信道，接收端采用PD探测器将获得的光信号转换成电信号进行定位：
计算光功率波动最小的光照强度值，在接收光功率公式中引入独立比例因子，通过加入自适应移动因子的花授粉方法，对目标函数进行计算，对目标函数的不断迭代，搜索的全局最优，在室内若光功率分布均匀，则目标函数会为0，从而计算出得到光功率波动最小的光照强度值；
对定位进行计算，根据可见光定位需求，建立基于RSSI定位算法的RBF神经网络结构定位算法，对RBF神经网络的前期RSSI数据和RBF神经网络结构进行优化；
其中所述的RBF神经网络的优化具体如下：
利用KPCA-K-means++模型提高RBF神经网络性能，即利用KPCA-K-means++模型对接收端收集到的RSSI数据进行聚类，得到最优聚类中心和聚类数目作为隐含层的神经元个数和神经元中心；
建立GA-LMS模型对RBF神经网络参数进行优化，即利用GA-LMS得到准确的宽度和连接权值，最终得到精准的定位坐标。
优选的，设置网格型灯源排布方案，计算光功率波动最小的光照强度值，将室内天花板均匀划分，形成4*3的网格形式，每个网格中放置一个LED灯组，每个LED灯组中由7*7个LED组成矩形阵列。
优选的，利用KPCA-K-means++模型提高RBF神经网络性能，首先将每个接收端获得的RSSI值在高维特征空间中进行非线性映射，取最大特征值对应的特征向量得到映射后的数据代替原始数据，对映射后的数据集进行主成分分析或通过设置阈值确定，阈值越接近1则主成分贡献率越大，预先设置阈值，K-means++聚类算法首先从经过核主成分分析预处理得到的数据集中选择k个初始聚类中心值，进行分组、重新分配、更新分组，得到的中心要在规定的误差范围内；
对训练样本进行改进最小均方计算使其误差最小，改进LMS中加入与训练样本、测试样本都不同的定位点对测试样本中的误差进行验证；
通过GA-LMS模型对RBF神经网络参数进行优化，上述步骤后，得到新构建的RBF神经网络模型；通过GA对RBF神经网络中的宽度参数不断迭代寻优，通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中采用轮盘赌选择法；得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值进行计算；
通过改进最小均方LMS学习规则，对于输入样本进行中误差计算外，加入n个直接计算法得到的输出值防止过度计算，其中n≥1。
优选的，计算光功率波动最小的光照强度值，在接收光功率公式中引入独立比例因子0≤ki≤1进行缩放，则接收器接收到的光功率表达式为：
式(1)中，I为LED灯排的数量；N为每个阵列中LED数量；若得到最优k1,k2,k3,…,kI，P为接收光功率，加入ki对接收光功率进行调节，为保障在室内各角落接收光功率相同，应用加入自适应因子的花授粉算法对设定的目标函数进行求解，解决k值寻优问题，得到最优k值；
则接收器获得相同光功率；加入自适应移动因子，定义花朵种群T由n个花粉个体Kv＝(k1,k2,k3…,kI)∈Γ,v＝{1,2,3,…,n}组成，设定目标函数为：
式(2)中，maxPr(Kv)为一个接收器接收功率最大值；minPr(Kv)为一个接收器接收光功率最小值；在室内若光功率分布均匀，则目标函数会为0；对目标函数的不断迭代，搜索的全局最优Kv，从而计算出得到光功率波动最小的光照强度值。
优选的，对定位进行计算，根据可见光定位需求，建立基于RSSI定位算法的RBF神经网络结构，由输入层、隐含层和输出层组成；输入层包含n个节点，输入值为RSSI1,RSSI2,RSSI3,…,RSSIn，表示每个接收器接收到LED灯组的RSSI值，隐含层由m个神经元组成，wmj是隐含层到输出层的各连接权值，输出层Gj为目标点估计坐标(x,y)；隐含层节点的激活函数hm选择为高斯核函数表达式为：
式(3)中，x为输入样本向量；cm为隐含层神经元的中心点；||·||为输入量与神经元中心点的欧氏距离；bm为径向基函数的宽度，控制径向作用范围；bm值越小径向作用范围越小、选择性越强，反之，则选择性变弱；从隐含层到输出层是线性映射，表达为：
式(4)中，w0为调整输出的偏移量；当向RBF神经网络输入q个训练样本，误差函数定义为目标函数E，表达式为：
式(5)中，eθ为输入第θ个训练样本时的误差；dk为期望输出值；ok为实际输出值；m个神经元通过聚类算法得到高斯核函数的中心值cm，根据公式
计算得到宽度，再使用最小二乘法对连接权值进行求解，建立RBF神经网络。
优选的，利用KPCA-K-means++模型提高RBF神经网络性能，首先将每个接收端获得的RSSI值在高维特征空间中进行非线性映射，原始数据X＝{x1,x2,x3,…,xt}在高维特征空间中的映射的数据集为φ(X)＝[φ(x1),φ(x2),φ(x3),…φ(xt)]，W＝(w1,w2，…wd)为高维空间中的特征向量，关系则为：
φ(X)φ(X)Twi＝λwi(6)
特征向量和核函数分别为：
化简得到Kα＝λα，取K最大特征值对应的特征向量得到映射后的数据为
代替原始数据，对映射后的数据集进行主成分分析或通过设置阈值确定，阈值越接近1则主成分贡献率越大，u为设置好的阈值，贡献率为：
K-means++聚类算法首先从经过核主成分分析预处理得到的数据集中选择k个初始聚类中心值，进行分组、重新分配、更新分组，得到的中心要在规定的误差范围内，对数据分类的主要的计算步骤如下：
a)从KPCA处理后的数据集中随机选取一个样本作为初始聚类中心k1；
b)计算每个样本到与当前已有的聚类中心的最短距离Dmin，累计得到∑Dmin；
c)计算备选中心点的概率为
最优样本点m作为最新聚类中心；
d)重复上述步骤，直至选择出k个最优中心点；
对训练样本进行改进最小均方计算使其误差最小，改进LMS中加入与训练样本、测试样本都不同的n个定位点对测试样本中的误差进行验证，防止过拟合现象发生。
优选的，所述的对训练样本进行改进最小均方计算使其误差最小，通过核主成分分析-K-means++聚类算法确定RBF神经网络的神经元个数和神经元中心值，核主成分分析-K-means++聚类模型优化RBF神经网络神经元中心值的具体步骤如下：
步骤1：通过核主成分分析对数据进行映射，得到映射到特征空间降维后的数据；
步骤2：得到预处理后的数据放入K-means++聚类中；
步骤3：随机选择初始中心；
步骤4：根据中心点概率公式计算最新聚类中心，得到当前神经元；
步骤5：跳转步骤4直至满足k个最优中心点。
优选的，建立GA-LMS模型对RBF神经网络参数进行优化，通过GA对RBF神经网络中的宽度参数不断迭代寻优，找到RBF神经网络中宽度参数最优个体在RBF神经网络中宽度参数{b1,b2,b3,…bm}，对宽度参数进行编码，设染色体Z＝{z1，z2,z3，…，zm}设适应度函数为：
式(9)中，q为训练样本个数；pi为期望输出值；p'i为真实输出值，通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中采用轮盘赌选择法得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值
进行计算，因为过度学习、模型复杂、数据量小等原因会产生过拟合现象因此在调整权值训练过程中设计改进最小均方(Least Mean Square，LMS)学习规则，对于输入样本进行中误差计算外，加入n个直接计算法得到的输出值防止过度计算，其中n≥1，得到的目标函数结果越小越好设置目标函数公式为：
式(10)中，ai为真实值；a’i为直接法得到的输出值得到的最小均方值越小，输出值越好。
本发明公开了一种改进型RBF神经网络室内定位系统，包括存储器和处理器，存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法步骤。
3、本发明所采用的有益效果
(1)本发明技术前期通过对室内定量式灯源排布的光照强度进行优化，得到平坦的光功率。
(2)在进行室内可见光定位时，应用改进的RBF神经网络和RSSI定位相结合。构建KPCA-K-means++模型对前期得到的RSSI数据进行预处理，将大量RSSI数据降维、分类处理，得到新的基于RSSI的RBF定位方法。
(3)通过GA-LMS模型对RBF神经网络中的参数进行优化，使得本发明技术在室内定位中有更强的泛化性，能够应用于各种室内场所。
综上所述，在本发明中前期的灯源排布取决于各室内状况，根据室内状况对其进行接收光功率优化。最为重要的是对RBF神经网络的改进，使用本发明中的KPCA-K-means++模型和GA-LMS模型对神经网络处理，泛化性更强更拥有使用价值。
附图说明
图1为发明内容示意图；
图2为灯源排布图；
图3为RBF神经网络结构图；
图4为算法流程图；
图5为光强度分布对比图和接收光功率分布对比图；(a)未优化接收光强，(b)优化后接收光强，(c)未优化接收光功率，(d)优化后接收光功率；
图6为定位效果对比图；(a)改进后的RBF神经网络定位算法；(b)未改进的RBF神经网络定位算法；(c)LS定位算法；
图7定位误差比较效果图。
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
本系统由室内空间中LED发射光信号经过室内空间信道，接收端采用PD探测器将获得的光信号转换成电信号进行定位。本发明技术方案的整体结构如图1所示。
本发明首先将室内天花板均匀划分，形成4*3的网格形式，每个网格中放置一个LED灯组，每个LED灯组中由7*7个LED组成矩形阵列，如图1所示。由于光源传播时会受到多径效应、噪声干扰。因此本发明通过对LED光照强度进行优化，使接收光功率均匀，保障室内各个位置的通信功率和照明分布几乎相同，提高室内定位精度。
本发明针对LED光照强度进行优化，使得通信平面均匀接收光功率，保障室内各个位置一致的通信功率和照明分布，提高定位精度。在接收光功率公式中引入独立比例因子0≤ki≤1进行缩放，则接收器接收到的光功率表达式为：
式(1)中，I为LED灯排的数量；N为每个阵列中LED数量。若得到最优k1,k2,k3,…,kI，则接收器可获得相同光功率。对于k值寻优问题，本发明的设计方案提出一种改进的花授粉智能算法进行计算。为提高全搜索能力，在算法中加入自适应移动因子，定义花朵种群T由n个花粉个体Kv＝(k1,k2,k3…,kI)∈Γ,v＝{1,2，3，…,n}组成，本发明设定目标函数为：
式(2)中，maxPr(Kv)为一个接收器接收功率最大值；minPr(Kv)为一个接收器接收光功率最小值。在室内若光功率分布均匀，则目标函数会为0。根据本发明提出的自适应花授粉算法通过对目标函数的不断迭代，搜索的全局最优Kv，从而计算出得到光功率波动最小的光照强度值。
得到优化后的光功率，对定位进行计算。根据可见光定位需求，建立基于RSSI定位算法的RBF神经网络结构，如图3所示。
主要由输入层、隐含层和输出层组成。由图2可看出，输入层包含n个节点，输入值为RSSI1，RSSI2,RSSI3,…,RSSIn，表示每个接收器接收到LED灯组的RSSI值，隐含层由m个神经元组成，wmj是隐含层到输出层的各连接权值，输出层Gj为目标点估计坐标(x,y)。隐含层节点的激活函数hm选择为高斯核函数表达式为：
式(3)中，x为输入样本向量；cm为隐含层神经元的中心点；||·||为输入量与神经元中心点的欧氏距离；bm为径向基函数的宽度，控制径向作用范围。bm值越小径向作用范围越小、选择性越强，反之，则选择性变弱。从隐含层到输出层是线性映射，可表达为：
式(4)中，w0为调整输出的偏移量。当向RBF神经网络输入q个训练样本，误差函数定义为目标函数E，表达式为：
式(5)中，eθ为输入第θ个训练样本时的误差；dk为期望输出值；ok为实际输出值。m个神经元通过聚类算法可以得到高斯核函数的中心值cm，根据公式
计算得到宽度，再使用最小二乘法对连接权值进行求解，建立RBF神经网络。但在实际应用中，定位性能由于参数(中心值、宽度、连接权值)的不准确而下降，提出KPCA-K-means++模型计算得到最优聚类数目和最优聚类中心，提高RBF神经网络性能。
①KPCA-K-means++模型
对于前期得到的RSSI数据，发明构建核主成分分析-K-means++聚类模型对数据进行分析。核主成分分析法(Kernel Principal Components Analysis，KPCA)是非线性降维方法，通过非线性映射将原始数据映射到一个高维甚至多维的空间中，使其具有更好的可分性，然后在高维特征空间中进行主成分分析(Principal Components Analysis，PCA)降维。首先将每个接收端获得的RSSI值在高维特征空间中进行非线性映射，原始数据X＝{x1,x2,x3,…,xt}在高维特征空间中的映射的数据集为φ(X)＝[φ(x1),φ(x2),φ(x3)，…φ(xt)]，W＝(w1，w2，…wd)为高维空间中的特征向量，关系则为：
φ(X)φ(X)Twi＝λwi(6)
特征向量和核函数分别为：
化简得到Kα＝λα，取K最大特征值对应的特征向量得到映射后的数据为
代替原始数据，对映射后的数据集进行主成分分析。也可以通过设置阈值确定，阈值越接近1则主成分贡献率越大，u为设置好的阈值，贡献率为：
K-means++聚类算法是一种无监督学习的聚类算法，首先从经过核主成分分析预处理得到的数据集中选择k个初始聚类中心值，进行分组、重新分配、更新分组，得到的中心要在规定的误差范围内，对数据分类的主要的计算步骤如下：
a)从KPCA处理后的数据集中随机选取一个样本作为初始聚类中心k1。
b)计算每个样本到与当前已有的聚类中心的最短距离Dmin，累计得到∑Dmin。
c)计算备选中心点的概率为
最优样本点m作为最新聚类中心。
d)重复上述步骤，直至选择出k个最优中心点。
为防止过拟合现象发生，本发明对训练样本进行改进最小均方(Least MeanSquare，LMS)计算使其误差最小，改进LMS中加入与训练样本、测试样本都不同的6个定位点对测试样本中的误差进行验证，防止过拟合现象发生。通过核主成分分析-K-means++聚类算法确定RBF神经网络的神经元个数和神经元中心值，核主成分分析-K-means++聚类模型优化RBF神经网络神经元中心值的具体步骤如下：
步骤1：通过核主成分分析对数据进行映射，得到映射到特征空间降维后的数据。
步骤2：得到预处理后的数据放入K-means++聚类中。
步骤3：随机选择初始中心。
步骤4：根据中心点概率公式计算最新聚类中心，得到当前神经元。
步骤5：跳转步骤4直至满足k个最优中心点。
②GA-LMS模型
前期数据处理后，得到新构建的RBF神经网络模型。建立GA-LMS模型对RBF神经网络参数进行优化。通过GA对RBF神经网络中的宽度参数不断迭代寻优，找到RBF神经网络中宽度参数最优个体。在RBF神经网络中宽度参数{b1，b2，b3，…bm}，对宽度参数进行编码，设染色体Z＝{z1，z2，z3，…，zm}。本发明设适应度函数为：
式(9)中，q为训练样本个数；pi为期望输出值；pi'为真实输出值。遗传算法通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中本发明采用轮盘赌选择法。得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值
进行计算，因为过度学习、模型复杂、数据量小等原因会产生过拟合现象。因此在调整权值训练过程中本发明设计改进最小均方(Least Mean Square，LMS)学习规则，对于输入样本进行中误差计算外，加入6个直接计算法得到的输出值防止过度计算，得到的目标函数结果越小越好。设置目标函数公式为：
式(10)中，ai为真实值；a’i为直接法得到的输出值。得到的最小均方值越小，输出值越好。本发明改进的RBF神经网络算法可概述为：首先利用本发明设计的KPCA-K-means++模型对接收端收集到的RSSI数据进行聚类，得到最优聚类中心和聚类数目作为隐含层的神经元个数和神经元中心；构建RBF神经网络后，利用本发明的GA-LMS得到较为准确的宽度和连接权值，最终得到较为精准的定位坐标。设计后的定位算法流程图如图4所示。
本发明在定量式灯源排布方案中对光照强度进行优化，优化后的光照强度和接收光功率更加平坦、波动小，如图5所示。图5(a)为正常室内空间中定量式灯排布的水平照度在918.53lx～2017.13lx之间，光强度波动较大，在室内空间四角光强度较低，空间中部光强度较高，无法实现光源均匀分布导致通信平坦性差，不能实现在空间任意角落都收到相同光信号。图5(b)是应用改进花授粉算法优化的光强度，水平照度在409.99lx～887.91lx之间，接收光强度波动明显减小，实现对室内空间照明均匀分布，优化通信平坦性和光信号传输。图5(c)为未优化时室内接收光功率的分布，可看出接收光功率波动较大，波动范围在-29.9dBm～-20.96dBm之间，无法在室内各个位置实现光信号的完整传输保障通信的平坦性，会导致接收光功率较弱的地方定位精度低。图5(d)是优化后得到的接收光功率分布图，接收功功率波动范围在-28.6dBm～-25.1dBm之间，可明显看出波动范围减小、保障通信平面上均匀接收光功率，使得在室内各位置定位精度不受影响。优化后应用在定量式灯排布的大型室内场所中，有泛化性强、应用范围广的优点。
使用RBF神经网络合可见光定位进行结合，将发明的KPCA-K-means++模型和GA-LMS模型对RBF神经网络进行前期数据处理和后期参数优化。计算出的定位目标在可见光定位技术进行，如图6所示。在图6中的(a)可看出，改进的RBF神经网络中6个待定位点的误差，最大为0.0929m，最小为0.008m，平均误差为0.18513m；图6(b)是未改进RBF神经网络定位方法，最大误差为1.0423m，最小误差为0.2014m，得到的平均误差为0.7679m；图6(c)是传统最小二乘定位方法，最大误差为2.137m，最小误差为0.672m，平均误差为1.8137m。改进后的RBF神经网络定位方法，对6个测试点的定位预测误差都在0.1m的范围内，与RBF神经网络定位算法和传统定位算法相比，本发明改进RBF神经网络定位方法误差明显降低。
如图7，对6个测试点分别采用改进RBF神经网络定位算法、RBF神经网络定位算法及传统最小二乘定位算法进行10组定位测试，取每一个测试点的10次误差平均值。6个定位点平均值基本在0.1m左右，最小平均误差可达到毫米采用改进RBF神经网络定位算法；采用RBF神经网络定位算法的平均定位误差在1m以内，且6个测试点中，最大误差和最小误差相差0.5447m，定位精度不高；采用传统最小二乘定位算法的定位误差浮动很大，定位精度很低。
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 (9)
1.一种改进型RBF神经网络室内可见光定位方法，由室内空间中LED发射光信号经过室内空间信道，接收端采用PD探测器将获得的光信号转换成电信号进行定位，其特征在于：
计算光功率波动最小的光照强度值，在接收光功率公式中引入独立比例因子，通过加入自适应移动因子的花授粉方法，对目标函数进行计算，对目标函数的不断迭代，搜索的全局最优，在室内若光功率分布均匀，则目标函数会为0，从而计算出得到光功率波动最小的光照强度值；
对定位进行计算，根据可见光定位需求，建立基于RSSI定位算法的RBF神经网络结构定位算法，对RBF神经网络的前期RSSI数据和RBF神经网络结构进行优化；
其中所述的RBF神经网络的优化具体如下：
利用KPCA-K-means++模型提高RBF神经网络性能，即利用KPCA-K-means++模型对接收端收集到的RSSI数据进行聚类，得到最优聚类中心和聚类数目作为隐含层的神经元个数和神经元中心；
建立GA-LMS模型对RBF神经网络参数进行优化，即利用GA-LMS得到准确的宽度和连接权值，最终得到精准的定位坐标。
2.根据权利要求1所述的改进型RBF神经网络室内可见光定位方法，其特征在于：
设置网格型灯源排布方案，计算光功率波动最小的光照强度值，将室内天花板均匀划分，形成4*3的网格形式，每个网格中放置一个LED灯组，每个LED灯组中由7*7个LED组成矩形阵列。
3.根据权利要求1所述的改进型RBF神经网络室内可见光定位方法，其特征在于：
利用KPCA-K-means++模型提高RBF神经网络性能，首先将每个接收端获得的RSSI值在高维特征空间中进行非线性映射，取最大特征值对应的特征向量得到映射后的数据代替原始数据，对映射后的数据集进行主成分分析或通过设置阈值确定，阈值越接近1则主成分贡献率越大，预先设置阈值，K-means++聚类算法首先从经过核主成分分析预处理得到的数据集中选择k个初始聚类中心值，进行分组、重新分配、更新分组，得到的中心要在规定的误差范围内；
对训练样本进行改进最小均方计算使其误差最小，改进LMS中加入与训练样本、测试样本都不同的定位点对测试样本中的误差进行验证；
通过GA-LMS模型对RBF神经网络参数进行优化，上述步骤后，得到新构建的RBF神经网络模型；通过GA对RBF神经网络中的宽度参数不断迭代寻优，通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中采用轮盘赌选择法；得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值进行计算；
通过改进最小均方LMS学习规则，对于输入样本进行中误差计算外，加入n个直接计算法得到的输出值防止过度计算，其中n≥1。
4.根据权利要求1所述的改进型RBF神经网络室内可见光定位方法，其特征在于：
计算光功率波动最小的光照强度值，在接收光功率公式中引入独立比例因子0≤ki≤1进行缩放，则接收器接收到的光功率表达式为：
式(1)中，I为LED灯排的数量；N为每个阵列中LED数量；若得到最优k1,k2,k3,…,kI，P为接收光功率，加入ki对接收光功率进行调节，为保障在室内各角落接收光功率相同，应用加入自适应因子的花授粉算法对设定的目标函数进行求解，解决k值寻优问题，得到最优k值；
则接收器获得相同光功率；加入自适应移动因子，定义花朵种群T由n个花粉个体Kv＝(k1,k2,k3…,kI)∈Γ,v＝{1,2,3,…,n}组成，设定目标函数为：
式(2)中，max Pr(Kv)为一个接收器接收功率最大值；min Pr(Kv)为一个接收器接收光功率最小值；在室内若光功率分布均匀，则目标函数会为0；对目标函数的不断迭代，搜索的全局最优Kv，从而计算出得到光功率波动最小的光照强度值。
5.根据权利要求1所述的改进型RBF神经网络室内可见光定位方法，其特征在于：
对定位进行计算，根据可见光定位需求，建立基于RSSI定位算法的RBF神经网络结构，由输入层、隐含层和输出层组成；输入层包含n个节点，输入值为RSSI1,RSSI2,RSSI3,…,RSSIn，表示每个接收器接收到LED灯组的RSSI值，隐含层由m个神经元组成，wmj是隐含层到输出层的各连接权值，输出层Gj为目标点估计坐标(x,y)；隐含层节点的激活函数hm选择为高斯核函数表达式为：
式(3)中，x为输入样本向量；cm为隐含层神经元的中心点；||·||为输入量与神经元中心点的欧氏距离；bm为径向基函数的宽度，控制径向作用范围；bm值越小径向作用范围越小、选择性越强，反之，则选择性变弱；从隐含层到输出层是线性映射，表达为：
式(4)中，w0为调整输出的偏移量；当向RBF神经网络输入q个训练样本，误差函数定义为目标函数E，表达式为：
式(5)中，eθ为输入第θ个训练样本时的误差；dk为期望输出值；ok为实际输出值；m个神经元通过聚类算法得到高斯核函数的中心值cm，根据公式
计算得到宽度，再使用最小二乘法对连接权值进行求解，建立RBF神经网络。
6.根据权利要求3所述的改进型RBF神经网络室内可见光定位方法，其特征在于：
利用KPCA-K-means++模型提高RBF神经网络性能，首先将每个接收端获得的RSSI值在高维特征空间中进行非线性映射，原始数据X＝{x1,x2,x3,…,xt}在高维特征空间中的映射的数据集为φ(X)＝[φ(x1),φ(x2),φ(x3),…φ(xt)]，W＝(w1,w2,…wd)为高维空间中的特征向量，关系则为：
φ(X)φ(X)Twi＝λwi(6)
特征向量和核函数分别为：
化简得到Kα＝λα,取K最大特征值对应的特征向量得到映射后的数据为
代替原始数据，对映射后的数据集进行主成分分析或通过设置阈值确定，阈值越接近1则主成分贡献率越大，u为设置好的阈值，贡献率为：
K-means++聚类算法首先从经过核主成分分析预处理得到的数据集中选择k个初始聚类中心值，进行分组、重新分配、更新分组，得到的中心要在规定的误差范围内，对数据分类的主要的计算步骤如下：
a)从KPCA处理后的数据集中随机选取一个样本作为初始聚类中心k1；
b)计算每个样本到与当前已有的聚类中心的最短距离Dmin，累计得到∑Dmin；
c)计算备选中心点的概率为
最优样本点m作为最新聚类中心；
d)重复上述步骤，直至选择出k个最优中心点；
对训练样本进行改进最小均方计算使其误差最小，改进LMS中加入与训练样本、测试样本都不同的n个定位点对测试样本中的误差进行验证，防止过拟合现象发生。
7.根据权利要求6所述的改进型RBF神经网络室内可见光定位方法，其特征在于：所述的对训练样本进行改进最小均方计算使其误差最小，通过核主成分分析-K-means++聚类算法确定RBF神经网络的神经元个数和神经元中心值，核主成分分析-K-means++聚类模型优化RBF神经网络神经元中心值的具体步骤如下：
步骤1：通过核主成分分析对数据进行映射，得到映射到特征空间降维后的数据；
步骤2：得到预处理后的数据放入K-means++聚类中；
步骤3：随机选择初始中心；
步骤4：根据中心点概率公式计算最新聚类中心，得到当前神经元；
步骤5：跳转步骤4直至满足k个最优中心点。
8.根据权利要求3所述的改进型RBF神经网络室内可见光定位方法，其特征在于：建立GA-LMS模型对RBF神经网络参数进行优化，通过GA对RBF神经网络中的宽度参数不断迭代寻优，找到RBF神经网络中宽度参数最优个体在RBF神经网络中宽度参数{b1,b2,b3,…bm}，对宽度参数进行编码，设染色体Z＝{z1,z2,z3,…,zm}设适应度函数为：
式(9)中，q为训练样本个数；pi为期望输出值；p′i为真实输出值，通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中采用轮盘赌选择法得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值
进行计算，因为过度学习、模型复杂、数据量小等原因会产生过拟合现象因此在调整权值训练过程中设计改进最小均方(Least Mean Square，LMS)学习规则，对于输入样本进行中误差计算外，加入n个直接计算法得到的输出值防止过度计算，其中n≥1，得到的目标函数结果越小越好设置目标函数公式为：
式(10)中，ai为真实值；a'i为直接法得到的输出值得到的最小均方值越小，输出值越好。
9.一种改进型RBF神经网络室内定位系统，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1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110371710.5A CN113219408B (zh) | 2021-04-07 | 2021-04-07 | 改进型rbf神经网络室内可见光定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110371710.5A CN113219408B (zh) | 2021-04-07 | 2021-04-07 | 改进型rbf神经网络室内可见光定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113219408A true CN113219408A (zh) | 2021-08-06 |
| CN113219408B CN113219408B (zh) | 2024-08-02 |
Family
ID=77086622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110371710.5A Active CN113219408B (zh) | 2021-04-07 | 2021-04-07 | 改进型rbf神经网络室内可见光定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113219408B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114866971A (zh) * | 2022-05-06 | 2022-08-05 | 中国石油大学(华东) | 基于核函数特征提取和套索算法的室内定位方法及装置 |
| CN115474269A (zh) * | 2022-08-25 | 2022-12-13 | 武汉大学 | 可见光阵列基站与普通基站混合定位装置、系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490351A (zh) * | 2019-03-27 | 2019-11-22 | 浙江工业大学 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
-
2021
- 2021-04-07 CN CN202110371710.5A patent/CN113219408B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490351A (zh) * | 2019-03-27 | 2019-11-22 | 浙江工业大学 | 基于pca-ga-rbf的换热器污垢生长预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 丁举鹏: "可见光通信室内信道建模及性能优化", 中国博士学位论文全文数据库（信息科技辑）, pages 136 - 63 * |
| 刘夏、莫树培、何惠玲、杨军: "基于优化RBF神经网络的无线室内定位", 电讯技术, vol. 59, no. 11, pages 1261 - 1267 * |
| 张慧颖、于海越、陈玲玲: "基于反向学习策略的自适应花授粉接收信号强度指示室内可见光定位", 中国激光, vol. 48, no. 1, pages 1 - 11 * |
| 王介生、朱晶、郭秋平: "基于K-均值聚类的聚合过程转化速率RBF神经网络预测", 第三十一届中国控制会议论文集B卷, pages 3285 - 3290 * |
| 贾伟宽、赵德安等: "机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别", 农业工程学报, vol. 31, no. 18, pages 175 - 183 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114866971A (zh) * | 2022-05-06 | 2022-08-05 | 中国石油大学(华东) | 基于核函数特征提取和套索算法的室内定位方法及装置 |
| CN115474269A (zh) * | 2022-08-25 | 2022-12-13 | 武汉大学 | 可见光阵列基站与普通基站混合定位装置、系统及方法 |
| CN115474269B (zh) * | 2022-08-25 | 2024-05-17 | 武汉大学 | 可见光阵列基站与普通基站混合定位装置、系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113219408B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
| Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
| CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
| JP5515647B2 (ja) | 測位装置 | |
| CN105554873B (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
| CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
| Aranda et al. | Performance analysis of fingerprinting indoor positioning methods with BLE | |
| CN113747360B (zh) | 一种基于混合可见光和ble的室内定位方法 | |
| CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
| CN113219408B (zh) | 改进型rbf神经网络室内可见光定位方法及系统 | |
| CN112468954A (zh) | 一种基于神经网络的可见光室内立体定位方法 | |
| CN109379701B (zh) | 一种具有误差校准功能的定位方法及网关设备 | |
| CN115567871A (zh) | 一种WiFi指纹室内楼层识别与位置估计方法 | |
| CN114140658A (zh) | 一种面向目标特性的多目标优化高光谱图像波段选择方法 | |
| CN105044659B (zh) | 基于环境光谱指纹的室内定位装置及方法 | |
| CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
| Sadhukhan et al. | A novel weighted fusion based efficient clustering for improved Wi-Fi fingerprint indoor positioning | |
| CN117932456A (zh) | 一种顾及空间异质性的集成空间预测方法 | |
| CN115226027A (zh) | 一种WiFi室内指纹定位方法及装置 | |
| Guo et al. | A hybrid indoor positioning algorithm for cellular and Wi-Fi networks | |
| Rafique et al. | Optimization technique for indoor localization: A multi-objective approach to sampling time and error rate trade-off | |
| CN118425879A (zh) | 基于rss传播模型参数估计的多站无源深度定位方法 | |
| CN113822415B (zh) | 一种室内位置的反向传播神经网络概率密度预测方法 | |
| Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network | |
| Sánchez-Rodríguez et al. | Performance analysis of classification methods for indoor localization in VLC networks |
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 |