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。

为了提高室内可见光定位的精度, 采用了基于Levy飞行变异机制、结合自适应移动因子、改进黄金正弦算法的接收信号强度指示可见光定位方法,将室内屋顶的发光二极管灯按3×3网格状排布, 接收到光强信号通过朗伯模型得到未知节点与参考节点的距离, 并采用Levy飞行变异机制提升算法搜索空间的多样性, 结合自适应移动因子提高算法收敛速度, 使得个体更新受局部极值约束力下降。结果表明,改进算法平均定位误差为1cm, 平均迭代次数40次～80次;改进黄金正弦算法的定位速度和定位精度均得到提升。该研究对室内大型场所实时、快速精确定位有帮助。

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法。所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位。利用核主成分分析K-means++(KPCA-K-means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值。通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优。仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为-28.6 dBm~-25.1 dBm,定位误差小于0.1 m。因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点。

针对室外可见光通信受到大气湍流因素影响的问题，采用广义超几何法，综合分析Gamma-Gamma信道下大气湍流及不同天气条件对可见光通信系统平均误时隙率(SER)的影响。仿真分析表明：16进制差分脉冲位置调制(16DPPM)可有效改善湍流效应影响；采用等增益合并(EGC)接收技术，系统平均SER明显降低；湍流信道下，晴朗、雾霾、薄雾和中雾天气时，与16DPPM单入单出系统相比，采用接收天线为3根或4根的16DPPM单入多出系统的平均SER得到明显改善。

为提高大型室内场所的定位精度,提出一种基于改进自适应花授粉算法的接收信号强度指示(RSSI)可见光定位方案。利用固定在屋顶呈网格型排布的LED发送位置信息,接收端采用基于反向学习策略和自适应花授粉算法的RSSI定位方法实现精确定位。传统花授粉算法具有易陷入局部最优、缺乏变异机制等缺点,利用反向学习策略可使初始种群分布更加均匀,通过提高种群多样性可使算法跳出局部最优;采用有利于全局广泛搜索的自适应移动因子提高收敛速度。在100m×100m×100m大型室内场所的一层100m×100m×10m的空间中,考虑热噪声和散射噪声干扰的情况,经过多次仿真可得,相比于传统定位算法,随机灯排布下采用改进花授粉的RSSI算法的定位误差小于±1cm;采用网格型灯排布结合改进定位算法的室内可见光定位系统时,定位精度得到明显提升,定位时间大幅缩短。该方案具有定位精度更高、计算速度更快、工作稳定等优点。