一种基于双阶段神经网络的可见光定位方法和系统技术方案

本发明专利技术公开了一种基于双阶段神经网络的可见光定位方法和系统，属于可见光定位领域。方法包括，在设定的信噪比环境下训练第一神经网络，得到初步定位模型；将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；将带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；在不同信噪比环境下利用坐标误差数据对第二神经网络进行训练，得到坐标补偿模型；将待定位的可见光功率数据分别输入初步定位模型和坐标补偿模型，将得到的结果相加得到定位结果。本发明专利技术方法可使定位误差降低到1cm以内，既维持了神经网络定位的精确性，又无需了解定位环境，提高了可见光定位的适应性和鲁棒性。

【技术实现步骤摘要】
一种基于双阶段神经网络的可见光定位方法和系统
本专利技术属于可见光定位领域，更具体地，涉及一种基于双阶段神经网络的可见光定位方法和系统。
技术介绍
高精度的室内定位目前已经在某些领域起到不可或缺的作用，如增强/虚拟现实，远程医疗监控，工厂自动化，物联网与毫米波通信。可见光定位由于其稳定的链路，对电磁波干扰免疫以及较低的成本受到了普遍关注。因为较低的成本，可见光定位最常用方法是基于接受信号强度(RSS)的三角定位法，能够在不依赖环境参数实现低成本的高精度定位是该方法的一个重要方向。但该方法一般使用朗伯光照模型，需要预先知道部分环境参数，比如LED灯的灯珠与结构，同时，由于实际环境的复杂性，该方法的精度较差；且由于该方法的定位精度依赖于在不同位置接受的信号强度，当环境的信噪比发生变化时，定位精度会受到很大影响。为了解决模型的不准确性，通常方法是使用更复杂的模型，如将噪声与信道的非线性纳入模型中，但是这仍未解决实际模型的复杂性以及预先对环境参数的了解；为了解决环境信噪比发生变化导致定位精度受影响的问题，有人提出了一种基于接收端信号强度比例的方法，但是该方法使用的局限性较大，必须要求发射端的3个LED灯同时变化，即要求环境对3个信道同时产生影响，因此不能处理发射端信道独立变化的情况。为了解决模型本身的问题，神经网络被应用到该领域里，该方法的原理仍基于接受信号强度的三角定位，因此所需结构没有发生变化，它本身基于从环境中在不同位置采集一定数量的接收端功率数据，训练出该环境下接收端功率与对应坐标关系的神经网络。当训练结束后，只需输入接收端的功率数据，即可得到对应的位置，从而实现定位。相比于上述基于模型的方法，该方法不需要了解环境参数，且精度较高，可达到1cm以内。但该方法当环境信噪比发生变化时，定位精度会受到较大影响。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于双阶段神经网络的可见光定位方法和系统，其目的在于解决单个神经网络在可见光定位中，由于环境信噪比发生变化，而存在的定位结果偏差的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于双阶段神经网络的可见光定位方法，包括：S1.在设定的信噪比环境下采集的可见光功率数据作为输入，将预先采集的坐标数据作为期望输出对第一神经网络进行训练，得到初步定位模型；所述初步定位模型用于根据不同信噪比环境下的可见光功率数据，输出带偏差的坐标数据；S2.将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；S3.将所述带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；S4.将不同信噪比环境下采集的可见光功率数据作为输入，将不同信噪比环境对应的坐标误差数据作为期望输出对第二神经网络进行训练，得到坐标补偿模型；所述坐标补偿模型，用于根据不同信噪比环境下的可见光功率数据，得到对应的坐标误差值；S5.将待定位的可见光功率数据分别输入训练好的初步定位模型和坐标补偿模型，得到带偏差的坐标数据N'out和坐标误差值ΔNout，两者相加得到修正后的可见光位置坐标。进一步地，步骤S1对第一神经网络进行训练，具体包括，在设定的信噪比环境A下，将来自平面三个不同位置的可见光功率数据进行预处理作为第一神经网络的输入，将对应位置处预先采集的坐标数据作为第一神经网络的期望输出，对第一神经网络进行训练，得到初步定位模型。进一步地，步骤S2具体包括，在信噪比环境B下，将来自所述平面三个不同位置的可见光功率数据输入训练好的初步定位模型，得到带偏差的坐标数据。进一步地，步骤S3具体包括，将信噪比环境B下不同位置处的带偏差的坐标数据与信噪比环境A下对应位置的坐标数据进行相减，得到对应位置的坐标误差值。进一步地，所述第一神经网络的输入与输出关系为：其中，N'out为第一神经网络的输出；Nin为第一神经网络的输入；f(·)表示sigmoid函数；ωij表示神经网络不同层的第i个节点的输出和下一层中第j个节点的输入的权重参数；b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。进一步地，所述第一神经网络的训练误差在1cm以内。进一步地，所述第二神经网络的输入与输出关系为：其中，△Nout为第二神经网络的输出；N″in为第二神经网络的输入；f(·)表示sigmoid函数；ωij表示神经网络不同层的第i个节点的输出和下一层中第j个节点的输入的权重参数；b1k,b2j,b3i表示第1,2,3层里第k,j,i个节点的输出的偏置参数。按照本专利技术的另一方面，提供了一种基于双阶段神经网络的可见光定位系统，该系统采用上述基于双阶段神经网络的可见光定位方法。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果。(1)本专利技术基于双阶段神经网络解决了单个神经网络在可见光定位中，由于环境信噪比发生变化(如光功率变化)，而存在的定位结果的偏差；将原来的神经网络视为一个标准定位，当环境发生变化时，新增的神经网络根据接收信号功率的变化衡量坐标的误差量，结合这两者实现对坐标定位的修正，保持了神经网络定位的高精度以及无模型优势，同时也没有增加硬件上的成本，提高了可见光定位的鲁棒性。(2)本专利技术由于采用了神经网络技术，不需要对环境参数有具体了解，因此适用于各种基于接受信号强度的三角定位方法的可见光定位系统里，且无需额外的硬件需求。同时相比于其它的方法，该方法适应性更广，环境对每路接受信号的干扰既可能是独立的，也可能是同时的，最终结果显示，该方法的定位精度始终保持在1cm内。附图说明图1是本专利技术提供的基于接受信号强度的三角定位结构图；图2是本专利技术提供的神经网络的结构图；图3是本专利技术提供的改变环境信噪比造成的最差定位精度变化示意图图4是本专利技术提供的基于双阶段神经网络可见光定位方法流程示意图；图5是本专利技术提供的可见光定位方法应用实例的结构原理图；图6为实施例中对神经网络2训练后用同信噪比下采集的数据测试精度修正图；图7(a)-图7(b)为采用本专利技术方法选取SNR＝20,8,12,16的情况作为训练数据，得到的坐标修复前后对比图；图7(c)-图7(d)为采用本专利技术方法选取SNR＝6,10,14,18的情况作为测试数据，得到的坐标修复前后对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。典型的基于接受信号强度法的三角定位结构如图1所示，在解坐标时使用了精度更高的神经网络而非传统的基于模型的解法。具体过程如下：测试的区域为三角区域，3个LED被置于一定高本文档来自技高网...

【技术保护点】
1.一种基于双阶段神经网络的可见光定位方法，其特征在于，包括：/nS1.在设定的信噪比环境下采集的可见光功率数据作为输入，将预先采集的坐标数据作为期望输出对第一神经网络进行训练，得到初步定位模型；所述初步定位模型用于根据不同信噪比环境下的可见光功率数据，输出带偏差的坐标数据；/nS2.将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；/nS3.将所述带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；/nS4.将不同信噪比环境下采集的可见光功率数据作为输入，将不同信噪比环境对应的坐标误差数据作为期望输出对第二神经网络进行训练，得到坐标补偿模型；所述坐标补偿模型，用于根据不同信噪比环境下的可见光功率数据，得到对应的坐标误差值；/nS5.将待定位的可见光功率数据分别输入训练好的初步定位模型和坐标补偿模型，得到带偏差的坐标数据N'

【技术特征摘要】
1.一种基于双阶段神经网络的可见光定位方法，其特征在于，包括：
S1.在设定的信噪比环境下采集的可见光功率数据作为输入，将预先采集的坐标数据作为期望输出对第一神经网络进行训练，得到初步定位模型；所述初步定位模型用于根据不同信噪比环境下的可见光功率数据，输出带偏差的坐标数据；
S2.将不同信噪比环境下采集的可见光功率数据，输入训练好的初步定位模型，得到带偏差的坐标数据；
S3.将所述带偏差的坐标数据与设定信噪比环境下对应的坐标数据相减，得到坐标误差数据；
S4.将不同信噪比环境下采集的可见光功率数据作为输入，将不同信噪比环境对应的坐标误差数据作为期望输出对第二神经网络进行训练，得到坐标补偿模型；所述坐标补偿模型，用于根据不同信噪比环境下的可见光功率数据，得到对应的坐标误差值；
S5.将待定位的可见光功率数据分别输入训练好的初步定位模型和坐标补偿模型，得到带偏差的坐标数据N'out和坐标误差值△Nout，两者相加得到修正后的可见光位置坐标。


2.根据权利要求1所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，步骤S1对第一神经网络进行训练，具体包括，在设定的信噪比环境A下，将来自平面三个不同位置的可见光功率数据进行预处理作为第一神经网络的输入，将对应位置处预先采集的坐标数据作为第一神经网络的期望输出，对第一神经网络进行训练，得到初步定位模型。


3.根据权利要求1或2所述的一种基于双阶段神经网络的可见光定位方法，其特征在于，步骤S2具体包括，在信噪比环境B下，将来自所述平面三个不同位置的可见光功率数据输入训练好的初步定...

【专利技术属性】
技术研发人员：邓磊，戚宝剑，曹子偲，刘德明，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42