【技术实现步骤摘要】
本专利技术涉及可见光定位，特别是涉及基于数据增强与神经网络的可见光定位方法。
技术介绍
1、目前室内定位技术主要包括无线局域网(wlan)、蓝牙、射频识别(rfid)与超宽带(uwb)等技术。这些技术大多数需要安装大量的接入点(ap)或者专用的信号发送装置，极大地增加了系统地成本。而可见光定位(vlp)技术，具有成本低、精度高、实时性强及抗电磁干扰的优点，并且还可以同时满足照明和定位的双重需求。在vlp系统中，led灯不仅仅起到照明的作用，它们还承担着关键的定位功能。每个led灯都被编码以发射独特的光信号，这些信号包含了该灯的位置等相关信息。当用户携带的移动设备(如智能手机或专用的定位接收器)接收到这些光信号后，设备内的光传感器会捕捉到这些编码信号。接下来，设备会使用特定的解码算法解析信号中的位置信息，从而确定自身相对于led灯的空间位置。
2、如果多个led灯的信号被同时接收到，设备可以通过三角测量法或其他定位算法对信号进行综合处理，从而精确计算出设备在整个室内环境中的三维位置。这一过程中涉及到信号的调制与解调、光强度的测量与分析、以及复杂的空间定位算法等技术。这些技术的协同作用使得vlp系统能够在复杂的室内环境中实现高精度的定位，同时避免了传统无线电波定位系统所面临的电磁干扰问题。由于led灯的固定位置和稳定光源特性，vlp系统的定位结果也具有较高的稳定性和可靠性。这使得vlp系统在医院、商场、图书馆、地下车库等复杂室内场景中都有着广泛的应用前景。
3、现阶段的可见光定位系统在实践应用中遇到了许多挑战
4、在算法层面，vlp系统也面临着性能瓶颈。虽然卷积神经网络(cnn)和循环神经网络(rnn)在图像处理和序列预测任务中表现出色，但在vlp系统的应用中，它们往往难以在保证高预测精度的同时，维持较高的训练效率。
5、为了解决这些问题，未来的工作需要在数据再生方法和深度学习算法方面进行创新。具体来说，需要探索更加高效的数据增强技术，以减少对大规模训练数据的依赖；其次开发出更加适合vlp系统的轻量级深度学习模型，从而在保证定位精度的同时，提高系统的训练和推理速度。这些改进不仅能够提升现有系统的性能，还将有助于推动vlp技术在更多实际场景中的广泛应用。
技术实现思路
1、本专利技术的目的在于提供一种基于数据增强与神经网络的可见光定位方法，是一种新型的基于数据增强技术与神经网络的可见光定位方法。
2、本申请提供一种基于数据增强与神经网络的可见光定位方法，所述方法包括如下步骤：
3、步骤1，在所要定位的室内空间中采集训练数据；训练数据包括：通过接收器采集的多个方位角下的不同倾斜角下的光功率数据，接收器的方位角与倾斜角，以及接收器坐标。
4、步骤2，通过朗伯模型利用水平状态下不同方位角的数据生成倾斜状态数据；之后构建合成数据集；合成数据集中的每一组指纹是按照光功率数据、接收器方位角与倾斜角以及接收器坐标的顺序保存的。
5、步骤3，将训练数据进行归一化处理，之后训练深度学习模型。
6、步骤4，利用经过训练的深度学习模型分析光信号，从而完成接收器的定位。
7、进一步的，步骤3中，采用均值-方差进行归一化处理。
8、进一步的，步骤3中，深度学习模型包括输入层、隐藏层以及输出层；输入层将数据按照模型所需的格式进行调整；隐藏层包含三层qrnn与一层全连接层，通过非线性变化提取输入数据的特征，以实现对输入数据的有效建模；输出层将隐藏层的表示转换为模型需要的输出形式。
9、进一步的，深度学习模型参数如下：卷积窗口宽度为3；选用adam优化器，且学习率为0.015；qrnn层使用24个神经元；训练dqrnn模型的批量大小为256。
10、本专利技术的有益效果在于：本专利技术提供了一种基于数据增强与神经网络的可见光定位方法，该方法是基于深度学习的室内可见光定位技术；本专利技术在所要定位的室内空间中安装单个led灯作为光源，通过接收器上的多个光电探测器获取光信号，利用经过训练的深度学习模型分析光信号，从而完成接收器的定位。
本文档来自技高网...【技术保护点】
1.基于数据增强与神经网络的可见光定位方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于数据增强与神经网络的可见光定位方法，其特征在于，步骤3中，采用均值-方差进行归一化处理。
3.根据权利要求1所述的基于数据增强与神经网络的可见光定位方法，其特征在于，步骤3中，深度学习模型包括输入层、隐藏层以及输出层；输入层将数据按照模型所需的格式进行调整；隐藏层包含三层QRNN与一层全连接层，通过非线性变化提取输入数据的特征，以实现对输入数据的有效建模；输出层将隐藏层的表示转换为模型需要的输出形式。
4.根据权利要求3所述的基于数据增强与神经网络的可见光定位方法，其特征在于，深度学习模型参数如下：卷积窗口宽度为3；选用Adam优化器，且学习率为0.015；QRNN层使用24个神经元；训练DQRNN模型的批量大小为256。
【技术特征摘要】
1.基于数据增强与神经网络的可见光定位方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于数据增强与神经网络的可见光定位方法，其特征在于，步骤3中，采用均值-方差进行归一化处理。
3.根据权利要求1所述的基于数据增强与神经网络的可见光定位方法，其特征在于，步骤3中，深度学习模型包括输入层、隐藏层以及输出层；输入层将数据按照模型所需的格式进行调整...
【专利技术属性】
技术研发人员：秦岭，史园园，胡晓莉，王凤英，徐艳红，
申请(专利权)人：内蒙古科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。