混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法_顾亚雄.pdf
《混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法_顾亚雄.pdf》由会员分享,可在线阅读,更多相关《混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法_顾亚雄.pdf(7页珍藏版)》请在咨信网上搜索。
1、测绘通报2023 年第 6 期引文格式:顾亚雄,钟文 混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法J 测绘通报,2023(6):104-109 DOI:10 13474/j cnki11-2246 2023 0176混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法顾亚雄,钟文(西南石油大学机电工程学院,四川 成都 610500)摘要:针对室内环境光、噪声等因素会对移动终端接收到的可见光信号强度产生干扰从而导致定位精度不高的问题,本文提出了一种将高斯拟合+卡尔曼滤波(GF-KF)与改进贝叶斯(Improved-Bayes)融合的室内可见光指纹定位方法。首先通过 GF-KF 算法修正采集到
2、的接收信号强度(RSS)作为指纹库数据,再通过对加权 K 近邻法的权值系数改造后与贝叶斯算法融合的方法将待测点与指纹点 RSS 数据进行匹配,计算分析出位置。试验结果表明,在该算法模型下,平均定位误差为 1.42 cm,92.83%的测试点定位误差不大于 2 cm,相较于卷积神经网络算法、加权 K 近邻算法和支持向量机法精度更高,稳健性更强。关键词:光通信;可见光指纹定位;高斯拟合;卡尔曼滤波法;加权 K 近邻法;贝叶斯算法中图分类号:P228文献标识码:A文章编号:0494-0911(2023)06-0104-06Indoor visible light fingerprint locati
3、on method based onGF-KF and Improved-BayesGU Yaxiong,ZHONG Wen(College of Mechatronic Engineering,Southwest Petroleum University,Chengdu 610500,China)Abstract:In view of the problem that indoor ambient light,noise and other factors will interfere with the intensity of the visible lightsignal strengt
4、h received by the mobile terminal and cause the positioning accuracy to be low,this paper proposes a visible lightfingerprint positioning method that integrates Gaussian fitting and Kalman filtering(GF-KF)with Improved-Bayes Firstly,the RSSdate collected by GF-KF algorithm is corrected as fingerprin
5、t database data,and then the weight coefficient of the k-neighbor method istransformed and fused with Bayesian algorithm,which matches the RSS data of the point to be measured and the fingerprint pointFinally,the position is calculated Experimental results show that under the algorithm model,the ave
6、rage positioning error is 1.42 cm,and 92.83%of the test point positioning error is not more than 2 cm,which is more accurate and robust than the convolutional neuralnetwork algorithm,the weighted K nearest neighbor algorithm and the support vector machine methodKey words:optical communication;visibl
7、e light positioning;Gaussian fitting;Kalman filtering;weighted K nearest neighbor method;Bayes algorithm近年来,可见光定位(visible light positioning,VLP)技术1 迅速发展,已成为现阶段的主流定位技术之一。室外环境光复杂、强度高,对可见光定位技术有极大的干扰,且室外全球卫星导航系统(GNSS)技术成熟,故可见光定位技术主要应用于室内环境中。相较于室内射频定位技术、超声波定位技术、红外定位技术等2-3,可见光室内定位可借助室内本身的照明与通信系统,定位系统易搭建,且
8、不受限于频谱许可证,保密性更好且成本低,故可见光室内定位技术具有很广泛的应用前景4。可见光室内定位技术主要分为基于图像处理技术5 和基于信号强度处理技术6 两种类型。但前者对设备的要求较高,系统搭建和维护都较困难,故当今学者都更青睐于后者。文献 7提出了一种基于可见光通信的自适应残差加权 K 近邻(ARWKNN)指纹定位算法。首先根据接收到的接收信号强度指示(received signal strength indication,RSSI)矢量匹配指纹,再根据匹配的 RSSI 残差确定一个动态值。该方法在保持相似算法复杂性的同时,提高了定位精度。文献 8研究了一种基于卷401收稿日期:2022
9、-08-08基金项目:四川省教育厅科技计划(19YYJC0802);四川省科技支撑计划(2017FZ0033)作者简介:顾亚雄(1962),男,博士,教授,主要研究方向为光电检测、计量测试、无损检测。E-mail:723805069 qq com通信作者:钟文。E-mail:2473332008 qq com2023 年第 6 期顾亚雄,等:混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法积神经网络的可见光指纹定位方法,获得了平均定位误差为 4.44 cm 的定位精度,但所需数据量大,训练时间长。文献 9 采用支持向量机回归(SVR)算法学习模型确定目标粗略位置,再在此范围内采用指纹定位算法
10、实现更精确定位,该方法在低复杂度情况下定位效果良好,但不适用于高复杂度的情况。文献 10 提出一种基于改进贝叶斯(Improved-Bayes)的室内定位算法。使用高斯滤波器后,选择几个彼此接近的网格点作为聚类,然后用贝叶斯算法计算每个聚类的后验概率,通过具有最大后验概率的聚类估计待测点的位置。该方法虽精度有所提高,但时间开销较大。文献 11 提出了一种基于极限学习机(ELM)神经网络的多发光二极管的室内定位方法,该方法训练时间短,精度也有所提高,但稳健性较低。在上述的文献研究中,均没有考虑室内复杂环境光、噪声等因素对光信号强度的影响,各类方法的定位精度和稳健性均还有很大的提升空间。本文提 出
11、 一 种 将 高 斯 拟 合+卡 尔 曼 滤 波(Gaussian fitting and Kalman filtering,GF-KF)与改进的贝叶斯相融合的可见光指纹定位算法。该方法首先将移动终端接收到的 RSS 数据进行 GF 处理,使 RSS 值更稳定、更确定;同时引入卡尔曼滤波算法处理散粒噪声与热噪声,进而得到可近似地视为真实数据的 RSSI 值;在此基础上,将传统加权 K近邻法中的位置信息的权值系数进行改进,并与贝叶斯算法相结合,进而实现指纹匹配,以期进一步提高定位精度和缩短时间开销。1可见光定位系统1.1系统模型室内可见光定位系统模型如图 1 所示,系统平台空间大小为 1 m1
12、m1.5 m,4 个 LED 灯作为发射端固定在顶部四角,呈均匀对称分布,坐标依次为 A(0.8,0.2,1.5)、B(0.2,0.2,1.5)、C(0.2,0.8,1.5)、D(0.8,0.8,1.5)。接收端采用光电探测器(PD),可自由移动,如图 1 底面上 Q 点所示。图 1可见光定位系统模型本文采用广义朗伯(Lambertian)12 模型,因非直射链路(NLOS)的功率远小于直射链路(LOS),故只考虑直射链路的情况。则接收端 PD 接收到的光功率可表达为PR=PTH(0)(1)式中,PT为发射端的发射功率;H(0)为发射端LED 与接收端(PD)之间信道增益,公式为H(0)=AS
13、(m+1)2d2cosl G(R)g(R)cos(R)0 R 0R(2)式中,AS为接收端 PD 的物理面积;l 为朗伯光源阶数;为发射光源的辐射角;G(R)为链路中光滤波器增益;R为接收端 PD 的入射角;为探测器视角;g(R)为链路中集光器增益;m 为朗伯散射系数,由 LED 的半功率强度角 1/2决定。g(R)、m 分别为g(R)=n2csin2u(R)m=ln2ln(cos 1/2)(3)式中,nc为器件材料折射率;u(R)为阶跃函数,即u(R)=10 R 0R(4)1.2噪声模型系统在接收端受到的干扰噪声一般有两种,即热噪 声 和 散 粒 噪 声13-14。其 功 率 分 别 表 示
14、如下热噪声功率2th=8kTeGARI22+162kTegm2A2sI33(5)散粒噪声功率2shot=2qRPBSAR+2qRPR+2qIDC(6)式中,q 为电荷;IDC为暗电流;为通道噪声系数;R 为探头响应能力;为等效噪声带宽;G 为开环电压增益;k 为玻尔兹曼常数;Te为绝对温度;gm为传感器系数;为滤光片带宽;PBS为背景光谱辐照度;为探测器固定电容。501测绘通报2023 年第 6 期2GF-KF 融合改进贝叶斯算法2.1GF-KF 修正 RSSI在理想情况下,固定点处的 RSSI 值会保持稳定,且不同点的 RSSI 互异。由于光信号在室内复杂环境中传播时,易受环境光、噪声等因素
15、的影响,故采集到的 RSS 会产生波动,进而影响后续指纹匹配,使定位精度变差,因此需要对 RSSI 进行修正。根据统计学知识,并通过在试验环境下对多个固定点进行 400 次测试,移动终端采集到不同位置上LED 的 RSSI,是呈类高斯分布的,某固定点处 RSSI分布如图 2 所示。图 2某固定点处的 RSSI 分布对其进行 GF 处理即可得到该待测点较准确的RSSI 值,采用的 GF 函数可表示为y=y0+A2ex?x()2?x=ni=1RSSIin=ni=1RSSIi?x()2n 1(7)式中,y 为函数的拟合值;y0为初始值;A 为常数;为标准差;?x 为 RSSI 均值。将采集到的 RS
16、SI 数据代入 GF 函数中,将出现次数达到设定值的数据保留,取均值后作为该位置的 RSSI 值。用式(8)对移动终端采集到的数据进行高斯拟合,可以得到一组数据,记为f(xi)=y0,y1,yi1,yi式中,i 为采集次数;yi为拟合后的 RSSI 值。KF 算法可以消减噪声对测试数据的影响,并把动态数据平滑输出。故将拟合后的 f(xi)作为动态信息输入,通过 KF 输出修正的数值。算法过程包括预测和修正两个阶段15。预测阶段所用公式为Xt=FtXt1+Bt1Pt=FtPt1FTt+Q(8)修正阶段所用公式为Kt=PtHT(HPtHT+R)1Xt=Xt+KtZt HXt()Pt=(I KtH)
17、Pt(9)式中,Xt为t时刻的先验估计矩阵,Xt为t时刻的最优估计矩阵;Ft为状态转换矩阵;Q为过程噪声自身的协方差矩阵;B 为控制矩阵(外部控制向量);Kt为卡尔曼增益;Pt为协方差矩阵(相关性矩阵);Pt为对应先验估计Xt的协方差矩阵;R 为协方差矩阵(噪声等外界因素的干扰);Zt为分布的均值;H 为数据矩阵。2.2改进贝叶斯算法贝叶斯指纹匹配算法16 是将定位区域划分为若干份格点,采集每个小区域内来自多个固定 LED的 RSSI 值,根据某时刻接收到的 RSSI 值,求解在该时刻所有格点的后验概率,选取最大的作为最终结果。但前文的 GF-KF 处理和计算每一个 LED 对应的后验概率会导
18、致计算量大幅增大且使系统时效性变差,故本文将加权 K 近邻法与贝叶斯算法融合使用。离线阶段,将指纹库中 PD 接收到的 m 次 LED信号集合 S 记为 S1,S2,Sm,其中第 i 次 PD 测得的数据记为(Si1,Si2,Sim),(xi,yi),(Si1,Si2,Sim)为第 i 次 PD 接收到的 LED 的实测信号 S,(xi,yi)为 PD 的当前位置 Li。在线匹配阶段,第 k 个待测点的 RSSI 值记为 Sk=Sk1,Sk2,Skj,Skn,k N*。通过计算欧式距离表征相似程度,即Di=nj=1Skj Sijq()1/qDi越小表示两者之间的相似程度越高。依据欧式距离计算
19、Dk=D1,D2,Di,Dm,升序排列后选前 t 个 Dk对应集合(Si1,Si2,Sim),(xi,yi),i m+1。本文将传统加权 K 近邻法中位置信息的权值系数进行改进,公式如下6012023 年第 6 期顾亚雄,等:混合滤波与改进贝叶斯相融合的室内可见光指纹定位方法i1=Di+1Di+Di+1i2=DiDi+Di+1(xi,yi)=i1(xi,yi)+i2(xi+1,yi+1)(10)式中,i1、i2为改进的权值系数;Di为第 i 个指纹点与待测点的距离;Di+1为第 i+1 个指纹点与待测点的距离;(xi,yi)为待测点位置;(xi,yi)为选取的指纹位置信息。首先使用上述改进了权
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 混合 滤波 改进 贝叶斯相 融合 室内 可见光 指纹 定位 方法 顾亚雄
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。