基于局部训练样本的ELM可见光定位法的制作方法

基于局部训练样本的elm可见光定位法
技术领域
1.本发明涉及可见光室内定位技术领域，尤其涉及一种基于局部训练样本elm的定位方法。


背景技术：

2.近年来，室内定位系统(ipss)因其广泛的应用范围而吸引着人们的广泛关注。然而，由于大型建筑物的遮挡导致卫星信号的显著衰减，基于卫星的定位系统在室内和地下应用中不能提供精确的位置信息。因此，一些常见的室内定位方法得到了极大的发展，如无线局域网(wlan)、蓝牙、射频识别(rfid)、超宽带(uwb)和可见光定位(vlp)等。其中，vlp具有高精度、高带宽、低成本、长寿命、抗电磁干扰和安全性等特点，在精度、复杂性和成本方面已成为一项有前景的技术。这些技术可以通过到达时间(toa)、到达角度(aoa)、接收信号强度(rss)等参数解算出目标的位置。由于接收信号强度(rss)具有低成本和易获得的特点，基于接收信号强度(rss)的定位技术的可见光定位方法受到了很大的关注。
3.目前基于rss的ipss根据是否需要训练样本或指纹数据库可分为两部分。常见的定位算法，如三边测量和min-max算法，不需要训练样本，但需要根据接收功率估计目标与各个led之间的距离关系。相反，基于ipss的指纹定位和基于机器学习(ml)算法需要大量的指纹数据库或训练样本来提高定位精度。指纹定位中常用的算法是k近邻(knn)和加权k近邻(wknn)。基于ml的定位算法主要包括人工神经网络(ann)、卷积神经网络(cnn)和极端学习机(elm)。其中，elm算法具有训练速度快、实现简单、定位精度高的特点。因此，通常采用它来实现室内定位要求。
4.然而，传统的elm算法在训练数据选择方面存在一些问题。elm算法利用整个房间中采集的所有样本进行训练来完成室内定位。事实上，单个目标节点(tn)只需要使用其附近的样本和数据库中相应的rss值作为训练数据。此外，冗余的训练样本会提高算法的复杂度从而降低算法性能。


技术实现要素：

5.本发明提一种基于局部训练样本elm的室内定位方法，以解决现有的大训练样本的elm算法存在定位精度不高的问题。
6.本发明解决上述问题的技术方案是：基于局部训练样本elm的室内定位方法，其特征在于，包括以下步骤：
7.s1：离线收集训练数据库，在定位房间中网格状均匀收集数据，每个点的数据信息包括接收到的各个led的功率向量以及其真实位置。
8.s2：根据收集到的大样本的训练数据库，使用区域迭代阈值缩小法获得包围tn所在的正方形区域，这个区域的四个顶点分别是样本点。
9.s3：选择上述正方形区域中的数据构成局部训练样本，来训练elm网络并获得网络参数；
10.s4：tn接收的各个led的功率值作为训练好的elm的输入，elm网络的输出为tn位置的坐标估计。
11.优选的是，步骤s2具体包括：
12.s201：确定离目标节点在第t-1次迭代中最近的顶点的序号。
13.优选的是，所确定序号的表达式为：
[0014][0015]
其中，j代表了与目标节点距离最近的正方形区域顶点标号，||
·
||2表示的是向量的二范数；p＝[p1,p2,...,pm]
t
表示的是目标接收到的m个led的功率向量。为第t-1次迭代中确定的正方形顶点为的m个led的功率向量。
[0016]
s202：确定目标是否位于作为顶点和随机确定的边长l
t
的正方形中，这个正方形为上一次迭代确定正方形的一部分。
[0017][0018]
其中，c是一个在区间(0.25，0.5)随机分布的随机数，是在第t-1次迭代中所确定的长方形的边长，l为网格状的训练数据样本的间隔。
[0019]
优选的是，在第t次迭代中所确定的正方形的边长的表达式为：
[0020][0021]
其中，o和分别表示作为顶点和l
t
为边长的正方形的中心点和顶点的功率向量。不断迭代直至满足条件其中l
max
为设置的正方形区域边长最大值。
[0022]
优选的是，正方形区域的边长与局部训练样本的数量n之间的关系为：
[0023][0024]
s203：确定满足迭代后的正方形保持中心不变扩展后的范围的表达式为：
[0025][0026]
其中，(x
l
,xh)和分别为扩展正方形前后的x轴坐标的最小值和最大值。(y
l
,yh)和分别为扩展正方形前后的y轴坐标的最小值和最大值。
[0027]
相比于现有技术，本发明的有益效果在于：本发明通过区域迭代阈值缩小法得到一个更小的包含目标的正方形区域，将这个正方形区域中的训练样本用来训练elm网络，这样避免了冗余训练样本增加软件复杂度和降低定位精度。
附图说明
[0028]
图1为本发明的定位工作流程示意图；
[0029]
图2为仿真结果中允许的最大正方形边长与定位误差的关系图；
[0030]
图3为是否扩展正方形中局部训练样本的数量与定位误差之间的关系图；
[0031]
图4为elm网络在不同激活函数和不同隐含层个数与定位误差之间的关系图；
[0032]
图5为实施例3的仿真验证结果中的平均定位误差与信噪比的关系图；
[0033]
图6为实施例3的仿真验证结果中的平均定位误差的箱式图；
[0034]
图7为不同定位算法的时间消耗图。
[0035]
图5-7中：elm代表大样本下的elm定位，elm-lts代表本项目发明的室内定位方法，knn和wknn分别是k近邻和加权k近邻定位方法，trilateration代表三边定位室内定位方法。
具体实施方式
[0036]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
[0037]
实施例1：基于局部训练的elm定位方法，包括以下步骤：
[0038]
s1：离线收集训练数据库，在定位房间中网格状均匀收集数据，每个点的数据信息包括接收到的各个led的功率向量以及其真实位置。
[0039]
s2：根据收集到的大样本的训练数据库，使用区域迭代阈值缩小法获得包围tn所在的正方形区域，这个区域的四个顶点分别是样本点。
[0040]
s3：选择上述正方形区域中的数据构成局部训练样本，来训练elm网络并获得网络参数；
[0041]
s4：tn接收的各个led的功率值作为训练好的elm的输入，elm网络的输出为tn位置的坐标估计。
[0042]
优选的是，步骤s2具体包括：
[0043]
s201：确定离目标节点在第t-1次迭代中最近的顶点的序号。
[0044]
优选的是，所确定序号的表达式为：
[0045][0046]
其中，j代表了与目标节点距离最近的正方形区域顶点标号，||
·
||2表示的是向量的二范数；p＝[p1,p2,...,pm]
t
表示的是目标接收到的m个led的功率向量。为第t-1次迭代中确定的正方形顶点为的m个led的功率向量。
[0047]
s202：确定目标是否位于作为顶点和随机确定的边长l
t
的正方形中，这个正方形为上一次迭代确定正方形的一部分。
[0048][0049]
其中，c是一个在区间(0.25，0.5)随机分布的随机数，是在第t-1次迭代中所确定的长方形的边长，l为网格状的训练数据样本的间隔。
[0050]
优选的是，在第t次迭代中所确定的正方形的边长的表达式为：
[0051][0052]
其中，o和分别表示作为顶点和l
t
为边长的正方形的中心点和顶点的功率向量。不断迭代直至满足条件其中l
max
为设置的正方形区域边长最大值。
[0053]
优选的是，正方形区域的边长与局部训练样本的数量n之间的关系为：
[0054][0055]
s203：确定满足迭代后的正方形保持中心不变扩展后的范围的表达式为：
[0056][0057]
其中，(x
l
,xh)和分别为扩展正方形前后的x轴坐标的最小值和最大值。(y
l
,yh)和分别为扩展正方形前后的y轴坐标的最小值和最大值。
[0058]
优选的是，s3步骤：s2步骤中得到目标区域的x轴和y轴坐标的最小值和最大值，可以表示为和从大的样本点中挑选出来样本点的坐标满足上述条件的样本点构成局部样本点。先设置elm网络的参数(包括激活函数和隐含层个数)，再将局部训练样本的功率矩阵和真实坐标矩阵分别作为elm网络的输入和输出来训练网络。
[0059]
优选的是，s4步骤：将目标节点的功率向量带入训练好的elm网络中得到其位置的估计值。
[0060]
实施例2，一种用于室内的定位方法，包括以下步骤：
[0061]
s1：设置led位置并建立训练样本。
[0062]
参见图1，由于普通的房间大多是四方的矩形结构或者可以建模成立方体结构，为了同时满足照明和定位需求，led的分布尽可能对称，以此来保证光照分布均匀。图所示的led布置满足了最优光功率分配原则，并且能够保证照明的覆盖。
[0063]
s2：获取来自各个led的接收功率，使用区域迭代阈值缩小法获得包围tn所在的正方形区域。
[0064]
s3：选择上述正方形区域中的数据构成局部训练样本，来训练elm网络并获得网络参数；
[0065]
s4：目标节点接收的各个led的功率值作为训练好的elm的输入，elm网络的输出为目标节点位置的坐标估计。
[0066]
实施例3：基于局本训练样本的elm室内的定位仿真实验
[0067]
通过软件仿真的方式在matlab软件中设计了一个室内定位场景。仿真模拟的是面积为5m
×
5m
×
3m的室内房间，在房间的顶部均匀部署四个led用于和目标节点进行通信，其位置坐标可以表示为(1.25m,1.25m),(1.25m,3.75m),(3.75m,1.25m)以及(3.75m,3.75m)，进而通过使用实施例1中基于局部训练的elm室内定位方法的进行目标节点坐标估计。
[0068]
为了显示诸如最大的正方形边长、扩展正方形区域以及不同激活函数和不同隐含个数对平均定位精度的影响，最终的结果如图2-4所示。为了更加直观的显示基于局部训练的elm室内定位方法的性能优劣，将大样本下的elm定位，knn，wknn和trilateration作为性能参照对象，最终的结果如图5-7所示。
[0069]
图2表示的是l
max
与平均定位误差之间的关系图，l
max
从0.8m变化到2.4m，平均定位误差首先快速降低，然后趋于稳定，最后呈现增加趋势，这表明太少或太多的局部训练序列将降低定位精度。考虑到定位精度和训练序列数量，后面的仿真设置l
max
＝1.4m。
[0070]
图3表示的是是否扩展正方形中局部训练样本的数量与定位误差之间的关系图，扩展正方形区域后的平均定位误差从7.0691cm减少到5.6332cm，但局部数据库中的训练数据数量从132增加到237，仅占总训练样本的9.11％。由于扩展正方形区域方法，正确位于获得局部训练样本的正方形区域中的目标节点的百分比从75％增加到99％。
[0071]
图4表示的是elm网络在不同激活函数和不同隐含层个数与定位误差之间的关系图，随着隐藏层个数的增加，elm算法的平均定位误差降低，而本发明的方法的平均定位误差在隐藏层个数等于15时达到最小值。激活函数为switch函数时，定位性能略优于sigmoid函数。
[0072]
图5表示的是elm、knn、wknn，三边定位以及本项目申请的基于局部训练样本的elm算法的平均定位误差与信噪比的关系图，当信噪比(snr)小于或等于25db时，本项目的方法的平均定位误差优于其他四种研究算法。当snr＝10db时，与elm、knn、wknn和三边定位相比，本项目的方法的平均定位误差分别降低了46.54％、42％、31.84％和28.45％。
[0073]
图6表示的是elm、knn、wknn，三边定位以及本项目申请的基于局部训练样本的elm算法的平均定位误差的箱式图。本项目的方法的平均定位误差和最大误差均最低，在五种研究算法中其误差分布相对集中。此外，其异常误差点的最大值接近10cm，明显低于其他算法。
[0074]
图7表示的是elm、knn、wknn，三边定位以及本项目申请的基于局部训练样本的elm算法的时间消耗图。其中，运行算法的硬件为intel(r)core(tm)i5-5200 cpu@2.ghz的联想笔记本电脑。尽管本项目的方法的时间消耗略高于knn、wknn和elm算法，但仍比三边定位低一个数量级。因此，它可以满足小于20毫秒的实时要求。
[0075]
仿真结果表明，与elm、knn、wknn，三边定位算法相比，本项目申请的基于局部训练样本的elm定位方法具有更好的定位性能。
[0076]
以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的保护范围内。