【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定...【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定位区域内接收信号强度(RSS)与位置信息作为指纹数据;然后,训练SSA-ELM神经网络并得到预测模型,将测试集数据输入预测模型得到待测位置的定位结果;最后,设计了仿真实验和测试平台。【结果】仿真表明,在立体空间模型中0、0.3、0.6和0.9 m 4个接收高度,平均误差分别为1.73、1.86、2.18和3.47 cm,与反向传播(BP)、SSA-BP和ELM定位算法相比,SSA-ELM神经网络算法定位精度分别提高了83.55%、45.71%和26.26%,定位时间分别降低了36.48%、17.69%和6.61%。实验测试表明,文章所提SSA-ELM神经网络算法的平均定位误差为3.75 cm,比未优化的ELM神经网络定位精度提高了16.38%。【结论】SSA对ELM神经网络具有明显的优化作用,能够显著降低定位误差,减少定位时间。展开更多
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
近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法...近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法.首先,使用优化的增强互相关方法有效地抵消多径干扰.与传统基于峰值提取或固定阈值的方法相比,此法在混响环境中明显提升了测距的精度.然后,利用到达时间差(time difference of arrival,TDOA)作为特征进行提取.最终,采用了融合集成学习模型,对设定好的训练集进行交叉融合训练,并输入特征,从而得到修正的定位结果.仿真和实验测试结果表明,所提出的方法可以在室内NLOS和噪声干扰的情况下克服较大误差实现精确定位,并且精度优于对比方法50%~90%.本文核心数据公布在https://github.com/ChirsJia/JSJYF上.展开更多
文摘【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定位区域内接收信号强度(RSS)与位置信息作为指纹数据;然后,训练SSA-ELM神经网络并得到预测模型,将测试集数据输入预测模型得到待测位置的定位结果;最后,设计了仿真实验和测试平台。【结果】仿真表明,在立体空间模型中0、0.3、0.6和0.9 m 4个接收高度,平均误差分别为1.73、1.86、2.18和3.47 cm,与反向传播(BP)、SSA-BP和ELM定位算法相比,SSA-ELM神经网络算法定位精度分别提高了83.55%、45.71%和26.26%,定位时间分别降低了36.48%、17.69%和6.61%。实验测试表明,文章所提SSA-ELM神经网络算法的平均定位误差为3.75 cm,比未优化的ELM神经网络定位精度提高了16.38%。【结论】SSA对ELM神经网络具有明显的优化作用,能够显著降低定位误差,减少定位时间。
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。
文摘近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法.首先,使用优化的增强互相关方法有效地抵消多径干扰.与传统基于峰值提取或固定阈值的方法相比,此法在混响环境中明显提升了测距的精度.然后,利用到达时间差(time difference of arrival,TDOA)作为特征进行提取.最终,采用了融合集成学习模型,对设定好的训练集进行交叉融合训练,并输入特征,从而得到修正的定位结果.仿真和实验测试结果表明,所提出的方法可以在室内NLOS和噪声干扰的情况下克服较大误差实现精确定位,并且精度优于对比方法50%~90%.本文核心数据公布在https://github.com/ChirsJia/JSJYF上.
