稀疏训练指纹库融合MMPSO-ELM室内可见光定位

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明, MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。     

基于KPCA-K-means++和GA-LMS模型的改进RBF神经网络室内可见光定位

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法.所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位.利用核主成分分析K-means++(KPCA-K means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值.通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优.仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为 28.6 dBm～-25.1 dBm,定位误差小于0.1m.因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点.     

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network, CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播 神经网络(back propagation netural network, BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。