-
光信号在信道中传播符合朗伯模型[14],包含LOS传播和NLOS传播,其中PD接收端在LOS传播条件下光直流增益HLOS(0)为[15]:
$ \begin{gathered} H_{\mathrm{LOS}}(0)= \\ \left\{\begin{array}{l} \frac{(m+1) A_{\mathrm{s}}}{2 {\rm{ \mathsf{ π} }} d^2} \cos ^m \phi \cos \varphi t(\varphi) g(\varphi), \left(0 \leqslant \varphi \leqslant \varphi_{\max }\right) \\ 0, \left(\varphi>\varphi_{\max }\right) \end{array}\right. \end{gathered} $
(1) 式中, m为朗伯系数,d为发射端与接收端距离,As为接收端面积,φ为发射角,φmax为LED最大发射角, ϕ为入射角,t(φ)为光学滤波增益,g(φ)为光学聚光器增益[16]。
PD接收端接收到一次墙面反射的直流增益Href(0)为:
$ H_{\mathrm{ref}}(0)=\left\{\begin{array}{l} \frac{(m+1) A_{\mathrm{s}}}{2 {\rm{ \mathsf{ π} }}^2 D_1{ }^2 D_2{ }^2} \rho d A_{\mathrm{w}} \cos ^m \theta \cos \gamma \cos \beta \times \\ g(\varphi) t(\varphi) \cos \varphi, \left(0 \leqslant \varphi \leqslant \varphi_{\max }\right) \\ 0, \left(\varphi>\varphi_{\max }\right) \end{array}\right. $
(2) 式中,Aw为墙面反射单位面积,D1为发射端到墙面反射点距离,D2为墙面反射点到PD接收端距离,θ为反射点发射角, γ为墙面反射系数,β为反射点处接收角。
在室内可见光传播过程中热噪声、散粒噪声及人为因素会对定位效果产生影响[17-18],用σn表示,则PD探测到的信号总功率Ps为:
$ P_{\mathrm{s}}=P_{\mathrm{t}}\left[H_{\mathrm{L} 0 \mathrm{~S}}(0)+H_{\mathrm{ref}}(0)\right]+\sigma_{\mathrm{n}} $
(3) 式中,Pt为LED灯源发射总功率。
-
定位过程中与移动PD接收端位置相关指纹参考点较少,因此,为降低房间内采样点密度,减少采集数据量,采用均匀分布采样点方法收集来自不同LED光功率值。建立指纹库工作流程为:(1)均匀选择100个坐标点作为室内指纹参考点;(2)分别计算从4个LED接收的光功率;(3)将墙壁划分为面积为1dm2的反射面,反射面每反射一次就计算指纹点接收到的LED功率;(4)向采集的数据中加入高斯白噪声,模拟环境中的热噪声和散粒噪声;(5)对数据进行预处理,筛选异常值,完成指纹数据库的构建。
针对3m×3m×3m与6m×5m×3m房间内建立基于LED室内定位指纹库模型分别如图 1、图 2所示。LED0、LED1、LED2、LED3为均匀安装在天花板上4个各自独立的信号发射机,指纹参考点均匀分布在水平高度为0m的地面上。
-
考虑稀疏训练数据集易导致神经网络出现过拟合现象[19-20],因此选用单隐层前向传播ELM作为研究对象,本文中将定位过程划分为离线训练和在线定位两个阶段:离线训练阶段随机从接收光功率指纹库中选取仅20组数据作为网络训练样本,假设输入层Q组样本(xi,ti),xi为输入层输入端训练数据,ti为输入层输出端训练数据,选定隐藏层神经元对应激活函数为h(·),则ELM隐藏层矩阵H为:
$ \boldsymbol{H}=\sum\limits_{i=1}^L h\left(w_{i j} \cdot x_i+b_i\right) $
(4) 式中, wij表示输入层第i个神经元与隐藏层第j个神经元之间连接权值,bi表示隐藏层第i个神经元的阈值,L表示隐藏层神经元个数。输出层矩阵T表示为:
$ \boldsymbol{T}=\sum\limits_{i=1}^Y \beta_i h\left(w_{i j} \cdot x_i+b_i\right) $
(5) 式中, βi为隐藏层与输出层连接权值, Y为输出层神经元数量。
传统粒子群优化极限学习机神经网络[21-22]是利用ELM初始权值、阈值矩阵随机生成,使ELM运算速度得到提升,但增加运算结果不确定性。本文中将粒子群算法适应度函数设置为神经网络实际输出与期望输出之间最短欧氏距离:
$ f=\min \|\boldsymbol{T}-\hat{\boldsymbol{T}}\| $
(6) 式中,T为训练数据样本实际输出,$ \hat{\boldsymbol{T}}$为期望输出,用每个粒子代表ELM网络输入层和隐藏层之间权值及隐藏层每个神经元对应阈值,粒子矩阵C表示为:
$ \boldsymbol{C}=\left[\begin{array}{cccc} w_{11} & w_{12} & \cdots & w_{1 L} \\ w_{21} & w_{22} & \cdots & w_{2 L} \\ \vdots & \vdots & & \vdots \\ w_{Q 1} & w_{Q 2} & \cdots & w_{Q L} \\ b_1 & b_2 & \cdots & b_L \end{array}\right] $
(7) 式中, C矩阵由ELM初始权值矩阵与阈值矩阵构成,而权值矩阵可用W表示:
$ \boldsymbol{W}=\left[\begin{array}{cccc} w_{11} & w_{12} & \cdots & w_{1 L} \\ w_{21} & w_{22} & \cdots & w_{2 L} \\ \vdots & \vdots & & \vdots \\ w_{Q 1} & w_{Q 2} & \cdots & w_{Q L} \end{array}\right] $
(8) 阈值矩阵可用B表示:
$ \boldsymbol{B}=\left[\begin{array}{llll} b_1 & b_2 & \cdots & b_L \end{array}\right] $
(9) 为提高算法收敛速度,避免陷入局部最优值以及过度振荡,本文中在传统粒子更新规则基础之上,加入符合高斯分布随机动量因子α,用α指导PSO对ELM初始权值矩阵与阈值矩阵寻优更新,从粒子群中寻得全局最优粒子速度与粒子位置作为ELM的最优连接权重矩阵和阈值矩阵。
根据(4)式~(9)式,分别对粒子速度、位置、适应度函数值进行更新,在加入动量因子条件下以较少迭代次数达到预设最小适应度值fmin,将得到的粒子最优位置作为ELM神经网络权值与阈值矩阵进行训练,输入N组训练数据,输入层5个神经元分别表示指纹点分别接收得到来自4个LED直射光功率、来自墙面一次反射总功率以及符合正态分布加性高斯白噪声,隐藏层神经元个数设定为N-2个,输出层神经元为待定位点横、纵坐标值。
在线定位阶段, 随机从指纹库100组数据中多次选取80组数据作为测试集输入到训练完成的动量融合ELM模型中,得到定位结果,用网络输出与期望输出计算定位误差。基于稀疏训练指纹库融合MMPSO-ELM室内高精度可见光定位流程如图 3所示。
-
仿真实验地点选在吉林化工学院现代通信技术实验室内某一区域,采样区域大小分别为3m×3m×3m和6m×5m×3m,取地面中心为坐标原点,4组LED灯排均匀安装在距离地面3m高度的屋顶,坐标分别为(0.75m,0.75m,3m),(-0.75m,0.75m,3m),(0.75m,-0.75m,3m),(-0.75m,-0.75m,3m);(-1.5m,1.25m,3m),(1.5m,1.25m,3m),(-1.5m,-1.25m,3m),(1.5m,-1.25m,3m)。在考虑LED信道直射与墙面一次反射条件下,得到3m×3m×3m室内指纹参考点接收光功率数据,接收功率分布如图 4所示。
仿真参数设置如下:单个LED发射功率为0.73W,每组灯群包括5×5个LED灯,LED的发射半角为60°,光电二极管的面积为2cm2,光滤波器增益及光集中器增益均设置为1,墙面反射单位区域的面积为9cm2,反射因子为0.6。粒子群算法在对ELM的初始权值与阈值矩阵进行寻优时,设定加速度因子c1和c2分别为1.19和0.65,粒子的位置与速度均在[0, 1]范围内,最大权值wmax设为0.9,最小权值wmin设为0.2,适应度函数最小值fmin设置为0.00001mm,最高迭代次数为250次。采用同样训练集、测试集数据分别对BP、ELM以及PSO-ELM进行神经网络训练与测试,定位效果如图 5所示。
如图 5a所示, BP神经网络用于室内预测定位偏差较大,测试集平均误差为0.163m;如图 5b所示, ELM定位算法测试集平均误差为0.118m,定位性能优于BP神经网络;如图 5c所示, 基于PSO-ELM室内定位算法平均定位误差为0.035m,具有较好定位效果;如图 5d所示, 本文中提出的MMPSO-ELM定位方案平均误差低至0.0065m,定位精度明显优于其它3种神经网络算法,为进一步验证MMPSO-ELM室内定位方案泛化性能,分别在待定位点个数为20、40、60、80情况下进行定位,得出各算法在房间内总体平均误差随带定位点数量变化趋势如图 6所示。
Figure 6. Variation trend of the average positioning error of four neural network positioning algorithms with the number of points to be located
如图 6所示, 基于BP神经网络定位算法在待定位点较少时定位效果较好,但待测点数量较多时定位误差会随之大幅度增加,4种算法在测试样本数不同条件下的仿真结果如表 2所示。
Table 2. Average positioning error under different number of points to be measured/m
algorithm name 20 points 40 points 60 points 80 points MMPSO-ELM 0.00289 0.00965 0.01165 0.01433 PSO-ELM 0.01987 0.02166 0.02265 0.02568 ELM 0.02368 0.02866 0.03155 0.03298 BP 0.0125 0.0356 0.0689 0.0886 由表 2可知,另外3种方法定位误差受待测点数量变化影响较小,且本文中提出的基于MMPAO-ELM定位方案定位误差均为最小。分别对BP、ELM、PSO-ELM及MMPSO-ELM在测试数据集上定位误差分布进行仿真,3维曲面结果如图 7所示。
如图 7所示, BP、ELM两种神经网络定位算法在房间4个角落定位误差较大;PSO-ELM定位算法对房间边界区域的预测定位效果相较BP、ELM有所改善;本文中提出的MMPSO-ELM方案整体定位效果显著提高,相较于其它方法定位精度大幅度提升。
对4种神经网络定位方法的性能指标进行分析得到:基于BP神经网络定位方法在对80个测试点进行定位, 最大定位误差为0.4740m,最小定位误差为0.0037m,平均定位误差均为0.0886m;基于ELM神经网络定位方法在对80个测试点进行定位, 最大定位误差为0.1702m,最小误差为0.0012m,平均定位误差均为0.0329m;现有基于PSO-ELM定位方法在测试集上最大误差为0.03886m,最小定位误差为0.0011m,平均定位误差为0.02568m;本文中提出的MMPSO-ELM定位方案在测试集上最大误差为0.0225m,最小误差为0.00093m,平均定位误差为0.00143m。仿真结果表明:MMPSO-ELM室内定位方案定位精度明显优于现存几种机器学习定位方法。
选定在测试点为40组相同条件下,采用上述4种定位方法实现定位预测,分别得到定位误差在0m~0.01m, 0.01m~0.05m, 0.05m~0.1m, 大于0.1m 4个区间内所占比例,误差占比直方图如图 8所示。
如图 8所示, 定位误差区间为0m~0.01m时,MMPSO-ELM定位方法所占比例为64%、PSO-ELM占比为51%、ELM算法占比为29%、BP所占比例仅为16%,本文中提出定位方案精度远高于另外3种算法;定位误差区间为0.01m~0.05m时MMPSO-ELM占比为16%、PSO-ELM占比为28%、ELM占比21%、BP占比为24%;定位误差区间为0.05m~0.1m时,MMPSO-ELM所占比例为16%、PSO-ELM占比为9%、ELM占比为39%、BP所占比例达到31%;当定位误差大于0.1m时,MMPSO-ELM占比低至2%、PSO-ELM占比为12%、ELM占比11%,BP占比达到29%。上述仿真结果表明:在稀疏训练集条件下,MMPSO-ELM定位误差主要集中在0m~0.01m区间内,因此说明MMP-SO-ELM定位方法是一种具有高精度、较强泛化性的室内可见光定位技术。在20组训练集条件下,4种神经网络算法训练时间与仿真测试平均误差结果如图 9所示。
由图 9可得,在训练集数量均为20组时,MMPSO-ELM训练时间为3.803s、PSO-ELM训练时间为8.7457s、ELM训练时间为3.21s、BP训练时间为12.0073s;ELM神经网络训练时间最短,但定位误差最大,MMPSO-ELM在训练时间虽比ELM训练时间略长,但具有定位精度高的优点。保持以上定位参数不变情况下,选取室内空间面积为6m×5m×3m,定位仿真结果如图 10所示。
由图 10可得,对50个待定位点进行预测定位得到最大定位误差为0.0216m,最小定位误差为0.00034m,平均定位误差为0.003m,MMPSO-ELM网络训练时间为4.303s,定位时间为0.02513s,与3m×3m×3m室内定位结果相比,本文中提出的定位算法受空间增大影响较小,因此, 基于稀疏指纹库融合MMPSO-ELM的定位方案具有定位速度快、精度高、泛化性强等优点。
稀疏训练指纹库融合MMPSO-ELM室内可见光定位
Indoor visible light positioning using MMPSO-ELM neural network based on sparse training fingerprint database
-
摘要: 为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明, MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。Abstract: In order to solve the shortcomings of using the extreme learning machine (ELM) neural network to position indoor visible light, such as large error, long network model training time and poor stability of results, multi-objective momentum particle swarm optimization (MMPSO)-ELM scheme was formed by using sparse training fingerprint database, MMPSO and ELM indoor visible light positioning method. Momentum factor was introduced to avoid excessive oscillation during iteration and speed up the system convergence. Training data was set randomly in different positioning spaces. When the number of test points is different, the scheme of MMPSO-ELM was compared with back propagation, ELM and PSO-ELM. The simulation results show that, under the condition of 20 groups of training data and 80 points to be located, the maximum positioning error is 0.0225m, the minimum error is 0.00093mm and the average positioning error is as low as 0.00143m. The positioning performance is less affected by the size of the positioning space. MMPSO-ELM visible light positioning scheme has the advantages of high positioning accuracy, fast speed and strong generalization. This research provides theoretical support for fast and accurate positioning in indoor places.
-
Table 2. Average positioning error under different number of points to be measured/m
algorithm name 20 points 40 points 60 points 80 points MMPSO-ELM 0.00289 0.00965 0.01165 0.01433 PSO-ELM 0.01987 0.02166 0.02265 0.02568 ELM 0.02368 0.02866 0.03155 0.03298 BP 0.0125 0.0356 0.0689 0.0886 -
[1] XIE Z K, GUAN W P, ZHENG J H, et al. A high-precision, real-time, and robust indoor visible light positioning method based on mean shift algorithm and unscented Kalman filter[J]. Sensors, 2019, 19(5): 1094. doi: 10.3390/s19051094 [2] ROY P, CHOWDHURY C. A survey of machine learning techniques for indoor localization and navigation systems[J]. Journal of Intelligent & Robotic Systems, 2021, 101(3): 1-34. [3] ZHANG H Q, CUI J H, FENG L H, et al. High-precision indoor visible light positioning using modified momentum back propagation neural network with sparse training point[J]. Sensors, 2019, 19(10): 2324-2336. doi: 10.3390/s19102324 [4] WU S X, ZHANG S J, XU K, et al. Neural network localization with TOA measurements based on error learning and matching[J]. IEEE Access, 2019, 7(10): 19089-19099. [5] HUANG G B, ZHOU H M, DING X J, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man & Cybernetics, 2012, B42(2): 513-529. [6] XU Y, WANG X X. Indoor positioning algorithm of subregional visible light based on multilayer ELM[J]. Journal of Hunan University (Natural Science Edition), 2019, 46(10): 125-132(in Chinese). [7] ALMADANI Y, IJAZ M, ADEBISI B, et al. An experimental evaluation of a 3D visible light positioning system in an industrial environment with receiver tilt and multipath reflections[J]. Optics Communications, 2021, 483: 126654. doi: 10.1016/j.optcom.2020.126654 [8] CHAUDHARY N, YOUNUS O I, ALVES L N, et al. An indoor visible light positioning system using tilted LEDs with high accuracy[J]. Sensors, 2021, 21(3): 920. [9] HAO X L, SUN W J, CHEN J, et al. Vertical measurable displacement approach for altitude accuracy improvement in 3D visible light positioning[J]. Optics Communications, 2021, 490: 126914. doi: 10.1016/j.optcom.2021.126914 [10] CHEN Y, WU J, LIU H L, et al. Visible light and inertial navigation fusion indoor positioning system based on hidden Markov model [J]. Chinese Journal of Lasers, 2020, 47(12): 1206001(in Chinese). doi: 10.3788/CJL202047.1206001 [11] MAHMOUD A A, AHMAD Z U, HAAS O C L, et al. Precision indoor three-dimensional visible light positioning using receiver diversity and multi-layer perceptron neural network[J]. IET Optoelectronics, 2020, 14(6): 440-446. doi: 10.1049/iet-opt.2020.0046 [12] ZHAO Ch H, ZHANG H M, SONG J. Fingerprint based visible light indoor localization method[J]. Chinese Journal of Lasers, 2018, 45(8): 0806002(in Chinese). doi: 10.3788/CJL201845.0806002 [13] QIN L, LIU Z, WANG F Y, et al. Indoor visible light positioning algorithm based on double BP neural network[J]. Optical Communication Technology, 2021, 45(2): 1-5. [14] YUAN Ch L, LU H M, HUANG J Ch, et al. Research on energy self-sustaining visible light positioning algorithm based on clustering[J]. Acta Optica Sinica, 2021, 41(10): 1006001 (in Chinese). doi: 10.3788/AOS202141.1006001 [15] SONG Y, CHEN Z, YUAN Z. New chaotic PSO-based neural network predictive control for nonlinear process[J]. IEEE Transactions on Neural Networks, 2007, 18(2): 595-601. doi: 10.1109/TNN.2006.890809 [16] LU X, ZOU H, ZHOU H, et al. Robust extreme learning machine with its application to indoor positioning[J]. IEEE Transactions on Cybernetics, 2015, 46(1): 194-205. [17] ZHENG H H, XU Zh W, YU Ch Y, et al. A 3-D high accuracy positioning system based on visible light communication with novel positioning algorithm[J]. Optics Communications, 2017, 396: 160-168. doi: 10.1016/j.optcom.2017.03.058 [18] YANG X S, KARAMANOGLU M, HE X. Flower pollination algorithm: A novel approach for multiobjective optimization[J]. Engineering Optimization, 2014, 46(9): 1222-1237. doi: 10.1080/0305215X.2013.832237 [19] WU X B, WEN S S, HUA J. High precision 3D positioning system design using visible light communication based on ant colony algorithm[J]. Acta Photonica Sinica, 2017, 46(12): 1206004(in Chinese). [20] ZHAO L, DONG H H, ZHANG F. Visible DOC-OFMD system based on LWT[J]. Acta Photonica Sinica, 2021, 50(5): 0506002(in Chinese). [21] ZHANG Y T, ZHAO L, ZHANG F. Performance opyimization of visible light OFDM communication system based on wavelet transform[J]. Laser Technology, 2020, 44(2): 261-265(in Chinese). [22] LIU Zh G, ZHAO L, ZHU T. Research of indoor positioning and illuminating systems based on visible light[J]. Laser Technology, 2018, 42(5): 646-650(in Chinese).