针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorit...针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorithm,GA)改进支持向量回归(Support Vector Regression,SVR)的室内可见光定位算法。首先,构建指纹库并划分数据集,计算接收器与光源之间的距离动态调整高斯函数的标准差,再结合RSSI信号的波动性进行自适应加权,以减少NLOS对定位的影响。然后,使用GA优化SVR模型的参数,得到最佳定位模型。最后,使用最佳定位模型对加权后的指纹数据进行定位预测。实验结果表明:本算法的平均定位误差为7.1 cm,相较于SVR、SVR-GA等算法降低了21.1%~42.3%,并且能有效降低NLOS的影响、提高室内定位的精度,具有较强的应用前景。展开更多
文摘针对室内可见光定位中非视距信道(Non Line of Sight,NLOS)导致定位精度不足的问题,提出了一种基于动态高斯加权(Dynamic Gaussian Weighted,DGW)接收信号强度指示(Received Signal Strength Indicator,RSSI)和遗传算法(Genetic Algorithm,GA)改进支持向量回归(Support Vector Regression,SVR)的室内可见光定位算法。首先,构建指纹库并划分数据集,计算接收器与光源之间的距离动态调整高斯函数的标准差,再结合RSSI信号的波动性进行自适应加权,以减少NLOS对定位的影响。然后,使用GA优化SVR模型的参数,得到最佳定位模型。最后,使用最佳定位模型对加权后的指纹数据进行定位预测。实验结果表明:本算法的平均定位误差为7.1 cm,相较于SVR、SVR-GA等算法降低了21.1%~42.3%,并且能有效降低NLOS的影响、提高室内定位的精度,具有较强的应用前景。
