[发明专利]一种基于改进的人工神经网络的可见光室内定位方法

说明书

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。

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。