为了对复杂矿井环境下的可见光通信进行研究，提出一种基于点云数据的矿井可见光信道模型构建方法。在传统信道模型的基础上，将不规则石壁和接收端随机倾斜两大因素添加进信道模型中，并基于墙面点云数据，利用逐点插入法对反射面元进行划分，弥补理论信道模型缺乏与真实数据结合的缺陷。在应用阶段，采用遗传算法优化反向传播（BP）神经网络的定位算法，将信道模型应用于可见光定位，在可见光定位中考虑一次反射和接收端倾斜的影响。仿真结果表明：在5.0 m×4.0 m×3.5 m的矿井巷道环境下，与传统信道模型相比，使用基于点云数据的矿井信道模型时，一次反射平均贡献比增大了1倍，约为29.48%，均方根定位误差为13.4 cm。一次反射和接收端倾斜会对定位精度造成显著影响。基于点云数据的矿井信道模型为井下可见光通信和定位的研究提供了一种有效途径。

光正交频分复用（O-OFDM）技术被广泛应用于可见光通信系统（VLC）中以提高数据传输速率，但是O-OFDM系统存在峰值平均功率比（PAPR）高的问题，限制了其系统性能。本文首先针对传统的非对称限幅光正交频分复用（ACO-OFDM）系统频谱效率低下以及计算复杂度高的问题，使用无厄米特对称的单极性光正交频分复用（UO-OFDM）系统。其次在UO-OFDM系统上使用传统的部分传输序列（PTS）技术来降低其PAPR，同时针对传统的PTS技术计算复杂度高以及搜索最佳相位旋转因子效率低的问题，提出使用遗传算法（GA）来优化PTS技术。仿真结果表明：GA-PTS相比于传统的PTS技术，在PAPR抑制性能差别不大的情况下极大地减少了搜索最佳相位旋转因子所需的时间；同时与基于GA-PTS算法的ACO-OFDM系统所用的时间相比，基于GA-PTS算法的UO-OFDM系统所用的时间有所减少，且随着最大遗传代数的增加，减少的时间更加明显。

理想室内的可见光通信（VLC）信道传输模型并不适用于实际的不规则室内环境，针对这一问题，本文研究了可见光在不规则场景中无规律反射的情况，建立了更符合实际情况的VLC信道模型，并在此信道模型基础上提出了遗传算法优化反向传播（BP）神经网络（GA-BP）的定位算法，克服了BP神经网络存在处理非线性系统能力差的问题。通过仿真不规则场景下信道模型的反射元法向量信息，确定光线反射方向，使接收器可以接收到更加准确的光功率值。仿真结果表明，在5 m × 5 m × 5 m的不规则室内环境中，系统总接收光功率在0.0141~0.0639 W范围内波动，GA-BP算法较BP神经网络定位误差大幅减小，达到2.32 cm，平均定位时间为0.0625 s。

针对室内定位精度不高、稳定性差的问题，本文提出了一种基于遗传算法优化极限学习机(GA-ELM)的多LED灯室内可见光定位系统。该系统先通过遗传算法(GA)优化ELM神经网络的初始权值和阈值，使优化后的ELM网络的拓扑结构更加稳定，不易陷于局部最优；然后利用各个参考点处LED接收的光功率以及接收机的位置坐标作为指纹数据，构建指纹数据库，将指纹数据库引入到优化好的ELM网络模型中进行训练，建立定位模型。实验结果表明，在4 m×4 m×3 m的测试空间内，本文算法的平均定位误差为0.9214 cm，最大定位误差为3.9192 cm，定位精度可达毫米级。

针对传统位置指纹算法存在定位精度低和计算复杂度高等问题,文章提出了一种基于反向传播神经网络(BPNN)和多元线性回归(MLR)的单发光二极管(LED)室内定位算法。首先,利用3个水平光电探测器(PD)作为接收器接收光功率,待测点位于接收器的中心; 然后根据接收到的光功率向量,利用BPNN确定待测点粗略的位置范围; 最后以该位置范围作为约束条件,利用MLR对待测点的位置进行更精确地定位。实验结果表明,在2.0 m × 2.0 m × 2.5 m的室内空间中,该算法的平均定位误差为5.04 cm,平均定位时间为0.002 83 s。与传统的位置指纹算法相比,该算法的平均定位精度提高了41.53%,平均定位时间减少了56.60%,在较低计算复杂度的前提下实现了更精确的定位。

近年来,室内定位算法吸引了大量的关注和研究。为了改善现有定位算法的复杂度以及精确度等问题,提出了一种先利用Elman神经网络进行室内位置预测,使用加权K近邻算法(WKNN)对预测结果进行修正的可见光室内定位算法。该算法应用在由单LED灯作为发射器,4个水平光电探测器(PD)构成接收器的室内定位系统中。4个水平光电探测器分别位于接收器的4个角,待测位置位于接收器的中心。通过两个Elman神经网络分别预测待测点的横坐标和纵坐标来确定待测点的初步位置,找出定位误差大于神经网络预测平均误差的待测点,用加权K近邻算法进行修正来确定待测点的精确位置,将修正后的精确位置更新到整体待测点的位置中。仿真结果表明,在3.6 m×3.6 m×3 m的室内环境下,本研究算法的平均定位误差为7.13 cm,平均定位时间为0.24 s。

随着科学技术的不断进步，人们对室内定位服务提出了更高的要求。针对传统室内定位技术定位精度低、设备复杂且价格昂贵等问题，提出了一种基于极限学习机（ELM）神经网络的多发光二极管（LED）室内定位方法。首先，用每个参考点处LED的光功率以及光电探测器的位置坐标作为指纹数据，构建指纹数据库。然后，将指纹数据库引入ELM神经网络模型中进行训练，建立基于光照强度的定位模型。仿真结果表明，在4 m×4 m×3 m的定位区域内，该方法训练数据集的时间仅为0.0687 s，平均定位精度可达到1.17 cm。

为了避免传统羊群计数任务中, 羊只之间相互遮挡带来的干扰, 提高羊群计数的准确度, 采用了视觉几何群(VGG-16)与空洞卷积(DC)相结合的VDNet神经网络羊群计数方法。该方法在网络前端采用去除了全连接层的VGG-16网络提取2-D特征, 后端采用6层具有不同空洞率的DC提取更多的高级特征; DC在保持分辨率不变的同时扩大了感受野, 替代池化操作, 降低了网络的复杂性; 最后用一层卷积核大小为1×1的卷积层输出高质量的密度图, 通过对密度图像素积分得出输入图片中羊的数量, 并进行了理论分析和实验验证。结果表明, VDNet的平均绝对误差为2.51, 均方误差为3.74, 平均准确率为93%。这一结果对羊群计数任务是有帮助的。

针对传统选择性映射(C-SLM)算法存在计算复杂度高的问题，提出了分组(G-SLM)的改进算法，在不增加系统计算复杂度的情况下，将时域备选信号的个数从M增加到M 24，并且通过仿真确定了最佳的α值；针对C-SLM算法存在峰均功率比(PAPR)抑制性能有限的问题，将G-SLM算法与μ-law压缩扩展法相结合，提出了μ-GSLM联合算法，进一步降低了系统PAPR。仿真结果表明：在互补累计分布函数(CCDF)取值为10-3时，与原始信号、G-SLM算法和μ-law压缩扩展法相比，μ-GSLM算法的PAPR分别降低了7.5 dB、3.2 dB和2.1 dB。

为提高室内可见光定位的精度，提出了一种基于双反向传播(BP)神经网络的单发光二极管(LED)灯室内定位算法。首先在定位区域内使用BP神经网络确定待测目标粗略的位置范围，然后以该位置范围为限制条件，再次使用BP神经网络实现更精确的定位。室内定位系统采用单个LED灯作为发射器，3个水平光电探测器作为接收器接收光功率，避免了使用多个LED灯在定位时引起的光源符号间干扰。仿真结果表明：在3 m×3 m×3.5 m的定位区域内，提出算法的平均定位精度可达0.0042 m，比传统的室内可见光定位算法高。