一种基于粒子群优化极限学习机的可见光定位方法技术

本发明专利技术公开了一种基于粒子群优化极限学习机的可见光定位方法，所述方法包括：将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较，若新的个体适应度值更优，则更新个体极值和群体极值；当迭代次数达到最大值或适应度值达到预设的最小值时，输出最优的粒子；将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数；将训练样本集输入到极限学习机神经网络中，进行神经网络训练，将测试样本集输入到已经训练好的极限学习机神经网络中，计算出整体的平均定位误差。本方法用粒子群算法优化极限学习机，使之产生既具有极限学习机的学习速度快，泛化能力强等优点，又解决了极限学习机随机产生输入权值和隐藏层阈值的缺点，使网络结构更加简单。

【技术实现步骤摘要】
一种基于粒子群优化极限学习机的可见光定位方法
本专利技术涉及可见光定位领域，尤其涉及一种基于粒子群优化极限学习机的可见光定位方法。
技术介绍
随着室内导航的应用及发展，人们对室内定位的要求不断提高，定位技术也得到了发展。适用于室外定位的GPS技术不能满足室内定位的需求，其它定位技术如超宽带、红外、WIFI等由于设备复杂，价格昂贵，定位精度不高等原因，没有得到广泛应用。可见光通信可用于数据通信，因此将可见光通信应用于室内定位技术为定位提供了新方式。根据接收端的不同，可见光定位分为基于光电探测器和基于图像传感器两种。当接收端为光电探测器时，常见的定位算法有接收信号强度(RSS)、到达角度法(AOA)、到达时间法(TOA)、到达时间差法(TDOA)。RSS主要利用接收端的信号强度来建立关于距离的三元二次方程，利用最小二乘法来求解三个三元两次方程组以表示接收端的位置。AOA利用发送端和接收端的角度进行定位，用三角定位确定接收端位置坐标，但只适用于视距传播。TOA利用发送端和接收端到达时间来表示发送端和接收端的距离，但由于室内距离较近，要求发送端和接收端严格同步。TDOA利用的是接收端接收到各个可见光信号之间的到达时间差，但要求发送端之间严格同步。当接收端是图像传感器时，利用LED在图像传感器上的成像和图像测量原理进行定位，算法较为复杂。可与加速度计或多个图像传感器实现共同定位，但增加了成本。综上，基于光电探测器和接收信号强度的定位设备简单，定位精度也较高。极限学习机(ExtremeLearningMachine，ELM)是一种单隐藏层前馈神经网络(Single-hiddenLayerFeedforwardNeuralNetwork，SLFN)，随机产生输入层和隐藏层间的连接权值矩阵和隐藏层的阈值矩阵，只需要设置隐藏层神经元个数和隐藏层神经元间的激活函数，通过计算出隐藏层的输出矩阵及其广义逆矩阵，求出隐藏层和输出层间的连接权值矩阵，即可求出输出可用于回归和分类，可将其应用于可见光定位。但由于极限学习机随机产生输入权值和隐藏层阈值，每次训练的定位结果会有所不同，而且在训练过程中会产生一系列不是最优的参数。粒子群算法是一种群体智能算法，每个粒子代表寻优问题的一个潜在解，由速度，位置和适应度值表示其特征。基于对粒子自身的认知和粒子间的信息共享，实现粒子在群体间的寻优。
技术实现思路
本专利技术提供了一种基于粒子群优化极限学习机的可见光定位方法，本专利技术利用粒子群优化极限学习机的输入权值和隐藏层阈值，从适应度函数中得到最佳的适应度值，此时对应的粒子即为最好的输入权值和阈值，即极限学习机由随机产生输入权值和隐藏层阈值变为产生最优的输入权值和阈值，将其代入极限学习机中进行可见光室内定位，以得到最好的定位效果，详见下文描述：一种基于粒子群优化极限学习机的可见光定位方法，所述方法包括以下步骤：1)将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较，若新的个体适应度值更优，则更新个体极值和群体极值；当迭代次数达到最大值或适应度值达到预设的最小值时，输出最优的粒子；2)将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数；3)将训练样本集输入到极限学习机神经网络中，进行神经网络训练，将测试样本集输入到已经训练好的极限学习机神经网络中，计算出整体的平均定位误差。在步骤1)之前所述方法还包括：初始化极限学习机神经网络的结构、粒子种群数、迭代次数，随机初始化粒子的速度和位置以及速度和位置的范围；适应度函数由极限学习机计算的可见光定位误差表示：fitness＝|oj-T|其中，fitness为适应度函数，其值表示为粒子的个体适应度值，当fitness值越小，代表粒子更优；oj为ELM训练输出样本矩阵，T为期望输出矩阵；根据适应度函数初始化每个粒子的个体适应度值，并初始化个体极值Pbest和群体极值Gbest；更新当前的迭代次数，对粒子的速度和位置进行更新；求取每个新粒子的个体适应度值。在步骤1)之前所述方法还包括：通过光信道仿真，光电探测器将光功率转换为电功率，得到光电探测器接收的来自每个LED灯的电功率，其中电功率具体包括：视距传播功率，一阶反射功率以及噪声功率；建立训练样本集和测试样本集，其中训练和测试样本集包括来自每个LED的电功率和对应的光电探测器的位置。所述将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数具体为：每个最优粒子的位置都代表ELM神经网络的输入权值和隐藏层阈值，使用矩阵S表示，其中，S的前d行为ELM神经网络输入层和隐藏层的连接权值矩阵W，可表示为W＝[w11,…w1L,w21,…w2L,…wd1,…wdL]，wdL为矩阵W第d行L列的连接权值，S的最后一行为隐藏层阈值矩阵B，可表示为B＝[b1,b2,…bL]，bL为矩阵B第L列的隐藏层阈值，d为输入数据的维度，L为隐藏层个数。本专利技术提供的技术方案的有益效果是：(1)本方法用粒子群算法优化极限学习机，使之产生既具有极限学习机的学习速度快，泛化能力强等优点，又解决了极限学习机随机产生输入权值和隐藏层阈值的缺点，使网络结构更加简单，产生的最优输入权值和隐藏层阈值参数进行可见光室内定位，提高了定位精度；(2)本方法与传统的基于接收信号强度的定位方法相比，具有更高的定位精度；(3)本方法考虑了在漫反射环境下的可见光定位，对噪声容忍度高，鲁棒性强，降低了噪声信号对定位造成的影响，该算法的实用性更强。附图说明图1为可见光定位的模型示意图；图2为基于粒子群优化极限学习机的可见光定位方法的流程图；图3为可见光定位的误差示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。实施例1一种基于粒子群优化极限学习机的可见光定位方法，参见图1和图2，该方法包括以下步骤：101：将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较，若新的个体适应度值更优，则更新个体极值和群体极值；当迭代次数达到最大值或适应度值达到预设的最小值时，输出最优的粒子；102：将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数；103：将训练样本集输入到极限学习机神经网络中，进行神经网络训练，将测试样本集输入到已经训练好的极限学习机神经网络中，计算出整体的平均定位误差。其中，在步骤101之前，该方法还包括：初始化极限学习机神经网络的结构、粒子种群数、迭代次数，随机初始化粒子的速度和位置以及速度和位置的范围；适应度函数由极限学习机计算的可见光定位误差表示：fitness＝|oj-T|其中，fitness为适应度函数，其值表示为粒子的个体适应度值，当fitness值越小，代表粒子更优；oj为ELM训练输出样本矩阵，T为期望输出矩阵；根据适应度函数初始化每个粒子的个体适应度值，并初始化个体极值Pbest和群体极值Gbest；更新当前的迭代次数，对粒子的速度和位置进行更新；求取每个新粒子的个体适应度值。进一步地，在上述步骤之前，该方法还包括：通过光信道仿真，光电探测器将光功率转换为电功率，得到光电探测器接收的来自每个LED灯的电功率，其中电功率具体包括：视距传播功率，一阶反射功率以及噪声功率；建立训练样本本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化极限学习机的可见光定位方法，其特征在于，所述方法包括以下步骤：1)将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较，若新的个体适应度值更优，则更新个体极值和群体极值；当迭代次数达到最大值或适应度值达到预设的最小值时，输出最优的粒子；2)将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数；3)将训练样本集输入到极限学习机神经网络中，进行神经网络训练，将测试样本集输入到已经训练好的极限学习机神经网络中，计算出整体的平均定位误差。

【技术特征摘要】
1.一种基于粒子群优化极限学习机的可见光定位方法，其特征在于，所述方法包括以下步骤：1)将新求得的每个粒子的个体适应度值与个体极值Pbest与群体极值Gbest比较，若新的个体适应度值更优，则更新个体极值和群体极值；当迭代次数达到最大值或适应度值达到预设的最小值时，输出最优的粒子；2)将最优粒子的位置作为极限学习机的输入权值和隐藏层阈值的参数；3)将训练样本集输入到极限学习机神经网络中，进行神经网络训练，将测试样本集输入到已经训练好的极限学习机神经网络中，计算出整体的平均定位误差。2.根据权利要求1所述的一种基于粒子群优化极限学习机的可见光定位方法，其特征在于，在步骤1)之前所述方法还包括：初始化极限学习机神经网络的结构、粒子种群数、迭代次数，随机初始化粒子的速度和位置以及速度和位置的范围；适应度函数由极限学习机计算的可见光定位误差表示：fitness＝|oj-T|其中，fitness为适应度函数，其值表示为粒子的个体适应度值，当fitness值越小，代表粒子更优；oj为ELM训练输出样本矩阵，T为期望输出矩阵；根据适应度函数初始化每个粒子的个体适应度值，并初始化个体极值Pbest和群...

【专利技术属性】
技术研发人员：徐岩，王昕昕，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12