1 桂林理工大学广西高校先进制造与自动化技术重点实验室，广西 桂林 541006
2 桂林航天工业学院广西特种工程装备与控制重点实验室，广西 桂林 541004
3 南宁理工学院信息工程学院，广西 桂林 541006
针对随机森林（RF）算法用于室内可见光定位时定位精度低，存在过拟合风险的问题，提出了一种基于正弦人口映射（SPM）与柯西分布的麻雀搜索算法（SSA）优化RF算法的室内可见光定位算法（简称SCSSA-RF算法）。首先，该算法使用采集到的接收信号强度值与位置坐标建立指纹数据库。然后，使用SCSSA的全局搜索能力对RF算法的关键参数进行优化，将数据输入最佳模型中进行训练。最后，将决策树的预测结果取平均值，得到待定位点的预测值。实验结果表明：SCSSA-RF算法比未改进的SSA-RF算法收敛速度更快；SCSSA-RF算法的平均定位误差为0.08 m，且误差主要集中在0.05~0.1 m内；在定位误差为0.2 m时，SCSSA-RF算法的预测准确率达到了93%。
可见光定位 正弦人口映射 柯西分布 麻雀搜索算法 随机森林 visible light positioning sine population mapping Cauchy distribution sparrow search algorithm random forest
探讨了障碍物位置和高度对室内可见光定位（VLP）系统性能的影响，分析了阴影效应对定位精度的影响。结果表明，障碍物二维坐标位置和障碍物高度形成的阴影效应会影响光功率分布，进而降低系统的定位性能。同时，为了解决传统室内可见光定位精度较低的问题，提出一种结合战争策略优化（WSO）算法与广义回归神经网络（GRNN）以及接收信号强度指示器（RSSI）的室内可见光定位方法。通过建立室内可见光定位预测模型，利用战争策略优化-广义回归神经网络（WSO-GRNN）算法优化模型的预测能力。仿真结果显示，在5 m×5 m×3 m的室内环境下，所提WSO-GRNN算法的平均定位误差在7 cm以内，且定位性能受障碍物形成阴影效应的影响较小，提高了系统对环境动态变化的适应性和鲁棒性。
可见光定位 阴影效应 战争策略优化-广义回归神经网络 接收信号强度指示器
郑州工业应用技术学院 艺术设计学院，郑州 451150
针对LED光强分布不均导致室内可见光定位精度差异大的问题,结合序列到序列模型提出一种基于RSS指纹分析的室内可见光定位方法。将RSS指纹向量作为输入序列,室内三维空间坐标作为输出序列,采用序列到序列模型学习RSS指纹与室内三维空间之间的非线性映射关系。为序列到序列模型增加自注意力机制,利用自注意力机制分析RSS指纹中各元素对于不同位置的判别力高低,并在预测阶段调节各RSS元素的重要性。仿真结果表面,所提方法降低了不同信噪比条件下可见光定位的平均误差。
室内可见光 可见光通信 可见光定位 室内定位 深度学习 自注意力 indoor visible light visible light communication visible light positioning indoor positioning deep learning self attention
1 内蒙古科技大学自动化与电气工程学院，内蒙古 包头 014010
2 内蒙古科技大学数智产业学院（网络安全学院），内蒙古 包头 014010
3 内蒙古科技大学工程训练中心，内蒙古 包头 014010
为研究障碍物对可见光系统的影响，并建立一般性应用模型，本课题组基于点云技术获取真实存在的不规则障碍物结构特征的数字化表示，提出了一种结合间距判定的点云阴影量化分析法。同时，在室内可见光信道模型的基础上推导出了点云阴影信道增益表达式，并搭建了2.6 m×2.6 m×2 m的实验平台，以验证该分析法的有效性。结果显示，实际阴影区域与点云阴影区域高度符合，归一化功率值的平均误差仅为0.0277。为进一步分析障碍物对通信系统及定位应用的影响，在2.6 m×2.6 m×3 m的室内空间中模拟障碍物对光的遮挡及功率接收，并基于该信道模型实现了可见光指纹定位。结果显示：在障碍物遮挡下，大量接收点的直射分量消失，一次反射功率损耗程度相对较低；仅使用直射功率作为特征时，均方根定位误差高达20.82 cm，采用结合反射功率的分区定位方法后，均方根定位误差减小至1.58 cm，有效提高了阴影区域的定位性能。
可见光通信 三维点云 信道模型 点云阴影量化 阴影系数 可见光定位
1 福建农林大学 机电工程学院，福州 350100
2 中国科学院海西研究院 泉州装备制造研究中心，福建 泉州 362200
【目的】可见光定位（VLP）技术在提供低成本、高精度的室内位置服务方面极具潜力，受到越来越多的关注。然而，传统的VLP系统依赖于直接视距（LOS）路径，在有障碍物遮挡的情况下无法正常进行工作。
【方法】针对这一问题，文章提出了一种基于深度学习的非视距（NLOS）VLP系统，该系统创新地利用一次反射光来进行VLP，克服了LOS路径被遮挡的挑战，提高了VLP系统的鲁棒性。考虑到反射光信号信噪比较低，通过传统的图像检测方法来提取发光二极管（LED）光斑的准确度较低并且环境适应性较差，导致NLOS VLP的定位精度下降。因此，文章所提系统通过深度学习模型U型网络（U-Net）来检测LED光斑，通过采集不同环境下的数据集进行训练，U-Net模型表现出了很高的准确度和环境适应性，从而改善了系统的性能。在此基础上，文章所提系统利用三点透视几何（P3P）算法来估计接收端的三维（3D）位置。
【结果】文章搭建了1.84 m×1.84 m×1.96 m的立体空间模拟室内环境，用于室内定位实验，实验结果表明，在NLOS路径下，系统3D平均误差和均方根误差（RMSE）分别为16.09和17.18 cm，二维（2D）定位误差小于21 cm时有90%的置信度，3D定位误差小于24 cm时有90%的置信度。
【结论】文章所提系统具有较高的精度和鲁棒性，能够满足室内大多数应用场景的定位需求。
可见光定位 非视距 深度学习 三点透视几何算法 VLP NLOS deep learning P3P algorithm 光通信研究
2024, 50(6): 23009101
1 湖北文理学院物理与电子工程学院，湖北 襄阳 441053
2 应急通信技术与系统湖北省工程研究中心，湖北 襄阳 441053
为改善基于传统定位算法的多朝向LED可见光定位（MD-VLP）系统的定位性能，提出一种基于接收信号强度比率值（RSSR）的神经网络方法。此方法采用单个光电检测器（PD）接收来自同一位置的多个不同朝向的LED光强，继而将RSSR代入人工神经网络模型来估计平面坐标。实验结果表明，所提方法在PD处于水平时平均定位误差为2.96 cm，在PD倾斜15°时平均定位误差为5.51 cm，其性能相比于基于RSSR的最小二乘法有显著提高。此外，为了验证所提方法的普适性，仿真分析了两种非朗伯辐射光源构成的多朝向LED集成灯具的定位性能，仿真结果显示，所提方法分别获得了3.70 cm和6.22 cm的平均定位误差，并支持PD适度倾斜。进一步地，设计了一款采用多朝向非朗伯辐射面状光源的VLP集成灯具，实验结果表明，所提方法在PD处于水平或适度倾斜状态时仍能有效工作。
接收信号强度比率 人工神经网络 多朝向发光二极管 可见光定位 光学学报
2024, 44(22): 2206004
内蒙古科技大学数智产业学院，内蒙古 包头 014010
针对现有煤矿井下可见光定位技术中存在的系统定位精度低、训练时间长的问题，提出一种基于光电二极管（PD）阵列传感器的煤矿井下可见光定位系统。首先，结合各种PD阵列模型，包括方形、圆形和伞形PD阵列传感器，建立仿真模型；然后，提出一种简单循环单元（SRU）算法，以实现快速位置确定，并构建了基于SRU神经网络的定位系统。通过对比多种PD阵列模型，发现伞形PD阵列模型的定位精度最高。仿真结果表明，系统在3.6 m×3.6 m×3.0 m的空间内，基于伞形PD阵列传感器的可见光定位系统的平均定位误差为0.94 cm，训练时间为1 s。因此，该定位系统能够在煤矿井下提供可靠的定位服务。
PD阵列 传感器 可见光定位 煤矿井下 光学学报
2024, 44(21): 2106005
吉林化工学院 信息与控制工程学院 ,吉林 132022
针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGO-Elman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。
光通信 北方苍鹰算法 Elman神经网络 接收信号强度比 可见光定位 optical communications northern goshawk algorithm Elman neuralnetwork received signal strength ratio visible lightpositioning
内蒙古科技大学 信息工程学院,内蒙古 包头014010
双向长短时记忆（Bi-LSTM）神经网络由于超参数众多，难以获得最优系统模型。同时，考虑到灰狼优化（GWO）算法可能过早收敛的情况，提出了一种采用GWO 结合粒子群（GWO-PSO）算法优化Bi-LSTM 神经网络的单灯定位方法。通过优化网络中的学习率、隐藏神经元个数等超参数，提高系统的稳定性和定位精度。最后，采用加权K 邻近（WKNN）算法对误差较大的点进行优化，以获得更精确的定位位置。仿真结果表明，在3 m伊3.6 m伊3 m 的室内环境中，所提定位方法的平均定位误差为3.57 cm，其中90%的定位误差在6 cm 内。
可见光定位 双向长短时记忆 灰狼结合粒子群 加权K近邻 visible light positioning bidirectional long short term memory Grey Wolf combined with particle swarm optimization algorithm weighted K-nearest neighbor
