一种基于支持向量机回归的可见光定位方法及系统与流程

本发明属于室内定位技术领域，具体涉及一种基于支持向量机回归的可见光定位方法及系统。

背景技术：

基于gps和北斗卫星的定位系统在手机地图、汽车导航等领域的应用不断增加，但是涉及到办公室、博物馆、购物中心、地下停车场等室内定位时，由于金属材料的表面趋肤效应、钢筋混凝土表层的衰减影响，使得来自卫星的无线电信号在室内覆盖率较差，导致其定位系统难以使用。近十多年，室内定位技术的研究主要集中在无线局域网(wlan)、射频识别(rfid)、红外线、超声波、蓝牙、紫蜂协议(zigbee)等无线电磁波领域。但是，这些方法容易受到电磁干扰，定位精度较低。可见光通信技术(vlc)将人眼无法识别的高频信号加载到发光二极管(led)上进行传输，使得led集照明与通信功能于一体，无电磁干扰、附加模块少、定位精度高，为解决室内定位问题提供新的思路。

目前，许多研究者提出了基于可见光通信的各种室内定位算法，定位的参考点为led点光源，定位目标为光电检测器，定位的距离检测一般采用接收信号强度(rss)、到达时间(toa)、到达时间差(tdoa)等方式，然后通过距离的三角定位算法确定光电检测器的位置。该类方法需要高精度的同步时钟周期，并且没有考虑墙面的反射光信号影响，因此，在实际应用中存在较大的定位误差。

技术实现要素：

本发明提出一种基于支持向量机回归的可见光定位方法及系统，用于解决现有室内定位技术中定位误差大的问题。

本发明提出一种基于支持向量机回归的可见光定位方法，所述方法包括如下技术方案：

s1、在信号发送端利用时分复用的方法对定位区域内的各个led灯进行时序编码/信号调制；

s2、在信号接收端利用光电检测器在一个周期不同时间片段接收不同led灯的信号，并提取信号强度向量；

s3、选取所述光电检测器训练位置，采集所述光电检测器不同位置坐标处接收到的信号强度向量，并建立数据集；

s4、根据所述数据集建立信号强度向量对应位置坐标的svr(supportvectorregression，支持向量回归)训练模型；

s5、将待测位置处接收到的信号强度向量输入所述svr训练模型中，预测得到待测位置坐标。

在上述技术方案中，所述信号发送端的led灯至少三个。

在上述技术方案中，所述步骤s2中，所述信号强度向量由led灯编号及对应的单个led灯信号强度组成。

在上述技术方案中，所述步骤s4具体包括：根据所述数据集构造训练集，对所述训练集进行归一化处理，选择径向基核函数rbf(radialbasisfunction，径向基函数)，设置网格搜寻算法中惩罚因子和rbf核函数参数的寻优范围、步长和交叉验证次数，采用网格搜寻算法搜索最佳惩罚因子和rbf核函数参数，根据所述训练集及所述最佳惩罚因子和rbf核函数参数建立svr训练模型。

在上述技术方案中，所述采用网格搜寻算法搜索最佳惩罚因子和rbf核函数参数的具体过程为：采用交叉验证计算出回归均方根误差，判断所述均方根误差是否达到要求，若所述均方根误差大于预设阈值，则缩小参数寻优范围和步长，重新搜索；若所述均方根误差小于所述预设阈值，则将所述均方根误差最小值所对应的惩罚因子和rbf核函数参数作为寻优结果。

本发明还提供一种基于支持向量机回归的可见光定位系统，所述系统包括：

发射模块：用于利用时分复用的方法对定位区域内的各个led灯进行时序编码/信号调制；

接收模块：用于利用光电检测器在一个周期不同时间片段接收不同led灯的信号，并提取信号强度向量；

采集模块：用于采集所述光电检测器在不同位置坐标处接收到的信号强度向量，并建立数据集；

训练模块：用于根据所述数据集建立信号强度向量对应位置坐标的svr训练模型；

预测模块：用于将待测位置处接收到的信号强度向量输入所述svr训练模型中，预测得到待测位置坐标。

在上述系统中，所述训练模块具体包括：

预处理单元：根据所述数据集构造训练集，对所述训练集进行归一化处理；

设置单元：设置网格搜寻算法中惩罚因子和rbf核函数参数的寻优范围、步长和交叉验证次数；

寻优单元：采用交叉验证计算出回归均方根误差，判断所述均方根误差是否达到要求，若所述均方根误差大于预设阈值，则缩小参数寻优范围和步长，重新搜索；若所述均方根误差小于所述预设阈值，则将所述均方根误差最小值所对应的惩罚因子和rbf核函数参数作为寻优结果；

建模单元：根据所述数据集及所述惩罚因子和rbf核函数参数建立支持向量机回归svr训练模型。

本发明提供的一种基于支持向量机回归的可见光定位方法及系统，将时分复用方法和svr机器学习算法相结合用于室内定位，无需led发射和光电检测器时钟同步，与现有室内定位技术相比，采用svr机器学习的方法自动识别数据内部的特征信息，有效的减小了墙面的反射光信号影响，定位精度更高；另外在可见光定位系统搭建、svr模型的建立和光电检测器位置的预测过程中都不需要知道led灯参考点的位置坐标，减小了对led灯空间布置的依赖。

附图说明

为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的可见光定位方法流程示意图；

图2为本发明提供的信号调制示意图；

图3为本发明提供svr训练模型建立流程示意图；

图4为本发明提供的可见光定位系统结构示意图；

图5为本发明提供的一个室内场景可见光定位的实例模型的示意图；

图6为图5实例模型中通过svr算法的预测位置与真实位置的对比图；

图7为图5实例模型中通过svr算法的预测位置绝对误差的分布统计直方图。

具体实施方式

本发明提出一种基于支持向量机回归的可见光定位方法及系统，提高室内定位精度，扩展应用场景。

请参见图1，本发明提出的一种基于支持向量机回归的可见光定位流程示意图，在定位区域内搭建可见光定位装置，所述装置包括信号发送端和信号接收端，所述方法包括：

s1、在信号发送端利用时分复用的方法对定位区域内的各个led灯进行时信号调制；

可选的，所述信号发送端的led灯至少三个。

具体的，构建一个可见光室内定位装置，该装置包括n(n>2)个led信号发送端和一个可见光信号接收端，其中led信号发送端包括led灯和恒流源驱动电路，可见光信号接收端包括光学滤波片、光电检测器、放大器、模数转换器和微处理器。

选取n个led参考点并进行编号，在led信号发送端的驱动电路中加载不同时隙的周期信号对发射信号进行调制。请参见图2，图2为本发明提供的信号调制示意图。1帧信号被平均分隔为n+2个时隙，n个led灯全亮作为帧头，此时光源的发射功率最大；n个led灯全灭作为帧尾，此时光源的发射功率最小，为自然背景光照射；数据k(k＝1,2,3,…,n)表示只让编号为k的led点亮，其他led灭，调制后的可见光信号速率必须满足人眼看不见的闪烁。

s2、在信号接收端利用光电检测器在一个周期不同时间片段接收不同led灯的信号，并提取信号强度向量；

可选的，所述步骤s2中，所述信号强度向量由led灯编号及对应的单个led灯信号强度组成。

具体的，在信号接收端用带有光学滤波片的光电检测器接收led光信号并完成光电转换，经放大器输入到模数转换器，通过定时器控制模数采集间隔，定时器的时间为led发射信号的时隙长度，最后将采样到的信号传输到微处理器。找到采样信号中信号强度最大值作为帧头，表示有效数据的开始，最小值作为帧尾，即背景光强度，表示有效数据的结束，并判断帧头和帧尾间是否有n个有效数据。若有效数据为n个，则帧头后第k(k＝1,2,3,…,n)个有效数据值减去帧尾数据值为表示第k个led灯照射到光电检测器上的信号强度，最后得到光电检测器某位置(x，y)处接收信号强度的向量否则有效数据丢失，放弃本次数据处理，重复上述信号接收及处理过程直到接收到一帧完整数据。

s3、选取所述光电检测器训练位置，采集所述光电检测器不同位置坐标处接收到信号强度向量，并建立数据集；

具体的，通过移动光电检测器位置来采集不同位置处接受到的各个led灯的信号，获得对应的信号强度向量，以此来建立位置(x,y)-信号强度向量的数据集，此数据集将用于机器学习模型训练及位置预测。

s4、根据所述数据集建立信号强度向量对应位置坐标的支持向量机回归svr训练模型；

可选的，所述步骤s4具体包括：根据所述数据集构造训练集，对所述训练集进行归一化处理，选择径向基核函数rbf，设置网格搜寻算法中惩罚因子和rbf核函数参数的寻优范围、步长和交叉验证次数，采用网格搜寻算法搜索最佳惩罚因子和rbf核函数参数，根据所述训练集及所述最佳惩罚因子和rbf核函数参数建立svr训练模型。

可选的，所述采用网格搜寻算法搜索最佳惩罚因子和rbf核函数参数的具体过程为：采用交叉验证计算出回归均方根误差，判断所述均方根误差精度是否达到要求，若所述均方根误差大于预设阈值，则缩小参数寻优范围和步长，重新搜索；若所述均方根误差小于所述预设阈值，则将所述均方根误差最小值所对应的惩罚因子和rbf核函数参数作为寻优结果。

具体的，请参见图3，图3为svr训练模型建立的流程示意图。所述流程为：s301、对训练集中坐标(x,y)和对应的信号强度向量数据进行归一化预处理，以避免样本数量级和量纲单位较大差异的影响；s302、由于坐标和所对应的信号强度表现为非线性关系，选择径向基核函数rbf作为svr核函数；s303、设置网格搜寻法中惩罚因子c和rbf核函数g的寻优范围、步长和交叉验证次数；s304、通过交叉验证计算出回归均方根误差rmse，判断精度是否达到要求；s305、若精度没有达到要求，则减小参数寻优搜索范围，减小搜索步长，重新搜索；s306、若精度达到要求，则找出均方根误差rmse最小值对应的最优参数c和g；s307、最后根据训练集数据和最优参数c和g建立信号强度向量对应位置坐标的svr训练模型。

s5、将待测位置处接收到的信号强度向量输入所述svr训练模型中，预测得到待测位置坐标。

请参见图4，图4为本发明提供的一种基于支持向量机回归的可见光定位系统结构示意图。所述系统包括：

发射模块410：用于利用时分复用的方法对定位区域内的各个led灯进行时序编码/信号调制；

接收模块420：用于利用光电检测器在一个周期不同时间片段接收不同led灯的信号，并提取信号强度向量；

采集模块430：用于采集所述光电检测器在不同位置坐标处接收到的信号强度向量，并建立数据集；

训练模块440：用于根据所述数据集建立信号强度向量对应位置坐标的svr训练模型；

预测模块450：用于将待测位置处接收到的信号强度向量输入所述svr训练模型中，预测得到待测位置坐标。

可选的，所述训练模块440具体包括：

预处理单元4401：根据所述数据集构造训练集，对所述训练集进行归一化预处理；

设置单元4402：设置网格搜寻算法中惩罚因子和rbf核函数参数的寻优范围、步长和交叉验证次数；

寻优单元4403：采用交叉验证计算出回归均方根误差，判断所述均方根误差是否达到要求，若所述均方根误差大于预设阈值，则缩小参数寻优范围和步长，重新搜索；若所述均方根误差小于所述预设阈值，则将所述均方根误差最小值所对应的惩罚因子和rbf核函数参数作为寻优结果；

建模单元4404：根据所述数据集及所述惩罚因子和rbf核函数参数建立支持向量机回归svr训练模型。

请参见图5，图5为本发明一个室内场景可见光定位的实例模型的结构示意图，该模型尺寸为l*d*h＝53cm*55cm*45cm，顶面安装3个发射功率为1w的led灯，以底面的中心为坐标原点并建立1cm精度的坐标网格，通过led驱动电路和光电检测电路采集不同坐标位置的531个样本，其中419个样本作为训练数据集，112个样本作为预测数据集。

图6为图5实例模型中通过svr算法的预测位置与真实位置的对比图，预测点位置随机分布在模型中，由图5可知本发明提供的室内定位效果较好。

图7为图5实例模型中通过svr算法的预测位置绝对误差的分布统计直方图，式中x,y为预测位置，x0,y0为真实位置，可以看出预测的最大误差在1.1cm以内，83.92％的预测点误差在0.4cm以内，因此可以看出本发明提出的基于支持向量机svr的可见光定位精度较高。

本发明提出一种基于支持向量机回归的可见光定位方法及系统，将时分复用方法用于发射信号调制，无需led发射和光电检测器时钟同步，采用svr机器学习的方法有效的减小了墙面的反射光信号影响，定位精度更高；不需要知道led灯参考点的位置坐标，减小了对led灯空间布置的依赖。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。