论文部分内容阅读
可见光室内定位技术作为一种使用室内LED的光信号数据,结合定位算法进行目标追踪及定位的技术。该定位技术具备受多径效应影响小,接收信号稳定,定位精度高,宽带资源丰富,安全性好,无电磁干扰性等优势。基于室内可见光定位的需求和优势,目前研究人员能在 5m×5m×3m 定位范围内实现分米级定位精度,本文着重分析了定位算法中的到达时间差(TDOA)算法和基于接收信号强度(RSS)定位算法的优劣势,分别提出了改进的基于TDOA的神经网络(TDOA-NN)可见光定位方法和改进的基于接收信号强度的支持向量机回归(RSS-SVR)可见光定位方法。提出的两种室内定位方法分别能在5m×5m×3m室内范围内达到1.662cm的定位误差,在4m×4m×3m室内范围内实现了定位误差小于1cm的概率为67.5%,其具体的研究工作如下:
针对目前室内可见光定位精度不高的问题,提出了利用每个LED光源发射信号到达待测节点的时延差实现在大的定位范围内获得高定位精度的方法。该方法主要采用的是机器学习的模型学习待测节点的位置坐标。采集不同LED光源发射的可见光信号到达定位节点的时间差构建数据特征,然后以该定位节点的物理坐标作为标签,建立输入样本。接着对神经网络模型进行机器学习,最后基于训练好的模型进行测试定位。将提出的定位方法在5m×5m×3m的空间区域中进行了仿真实验,结果表明,提出的基于神经网络的机器学习的定位算法在室内环境条件下可以达到约为1.662cm的定位误差,与传统的TDOA可见光室内定位算法相比,平均定位误差减小了80%,最大的定位精度提高了66.7%,有效地提高了室内定位精度。
考虑室内复杂环境对可见光定位精度的影响,及其目前室内定位算法精度不高的问题,提出了利用定位节点接收每个LED光源发射的信号强度实现在大的定位范围内获得高定位精度的方法。该方法利用定位终端接收到室内不同的LED发出的信号强度信息构建特征,物理坐标作为标签,采用支持向量机回归(SVR)算法学习模型,确定移动目标粗略的位置范围。同时,为了进一步优化定位性能,在使用SVR算法确定的位置范围内采集可见光信号强度并作为指纹,最后使用匹配算法实现更精确定位。将提出的定位方法在4m×4m×3m的空间区域中进行了实验,结果表明,定位误差小于1cm的概率为67.5%,与SVR定位算法相比,平均定位误差提高了93.98%;与以前的基于指纹的定位方法相比,在大的室内实验区域实现更精准的定位结果,而且算法复杂度更低。
针对目前室内可见光定位精度不高的问题,提出了利用每个LED光源发射信号到达待测节点的时延差实现在大的定位范围内获得高定位精度的方法。该方法主要采用的是机器学习的模型学习待测节点的位置坐标。采集不同LED光源发射的可见光信号到达定位节点的时间差构建数据特征,然后以该定位节点的物理坐标作为标签,建立输入样本。接着对神经网络模型进行机器学习,最后基于训练好的模型进行测试定位。将提出的定位方法在5m×5m×3m的空间区域中进行了仿真实验,结果表明,提出的基于神经网络的机器学习的定位算法在室内环境条件下可以达到约为1.662cm的定位误差,与传统的TDOA可见光室内定位算法相比,平均定位误差减小了80%,最大的定位精度提高了66.7%,有效地提高了室内定位精度。
考虑室内复杂环境对可见光定位精度的影响,及其目前室内定位算法精度不高的问题,提出了利用定位节点接收每个LED光源发射的信号强度实现在大的定位范围内获得高定位精度的方法。该方法利用定位终端接收到室内不同的LED发出的信号强度信息构建特征,物理坐标作为标签,采用支持向量机回归(SVR)算法学习模型,确定移动目标粗略的位置范围。同时,为了进一步优化定位性能,在使用SVR算法确定的位置范围内采集可见光信号强度并作为指纹,最后使用匹配算法实现更精确定位。将提出的定位方法在4m×4m×3m的空间区域中进行了实验,结果表明,定位误差小于1cm的概率为67.5%,与SVR定位算法相比,平均定位误差提高了93.98%;与以前的基于指纹的定位方法相比,在大的室内实验区域实现更精准的定位结果,而且算法复杂度更低。