基于谱估计检测的可见光室内定位方法、系统及计算机可读介质

1.本发明属于可见光室内定位技术领域，涉及一种基于谱估计检测的可见光室内定位方法、系统及计算机可读介质。


背景技术：

2.随着可见光通信技术的逐渐成熟和室内定位相关应用的研究深入，室内定位技术受到国内外研究者越来越广泛的关注，统计发现，人类超过一半的活动是在室内进行，诸如图书馆、医院、超市和地下停车场等大型室内场所的定位导航服务需求日益增多。尽管现今普遍存在许多基于无线通信的室内定位技术，例如wifi定位、红外线定位、超声波定位、蓝牙定位、超宽带定位等，但是大多数无线信号在定位过程中会受到电磁干扰和多径衰落的影响，使系统定位精度得不到保障，同时设备能耗较高，有一定的局限性。利用可见光进行室内定位是一种新型室内定位技术，它将照明与通信相结合，频谱资源丰富且不受电磁干扰，具有传统无线射频通信不可比拟的优势，近年来已经成为无线通信领域一个新的研究热点，虽然现阶段可见光室内定位技术还处于起步阶段，但随着可见光通信技术的发展，可见光室内定位行业近几年也发展迅速，并被讨论作为第五代移动通信系统的室内接入方式之一，具有非常广阔的应用前景。
3.按照接收机类型的不同，可见光通信(vlc)室内定位技术可分为两大类，分别是基于图像传感器(is)的成像室内定位技术和基于高精度光电探测器(pd)的室内定位技术。基于图像传感器(is)的室内定位方法估计的精度与实际器件的测量精度有关，器件成本较高且只适合室内静止或者缓慢移动的物体定位。在采用光电探测器(pd)定位时，基于到达角度(angle ofarrival，aoa)、到达时间(timeofarrival，toa)和接收信号强度(receivedsignalstrength，rss)的算法属于传统的定位算法。其中，基于rss的定位算法以其理论实现简单、移植性强等优点被广泛使用，但其在保证照明的前提下各光源信号叠加无法进行精确的光源信息分离，难以实现复杂室内环境的精确定位。


技术实现要素：

4.本发明实施例的目的在于提供一种基于谱估计检测的可见光室内定位方法、系统及计算机可读介质，以解决现有基于rss的定位算法在保证照明的前提下各光源信号叠加无法进行精确的光源信息分离，难以实现复杂室内环境的精确定位的问题。
5.本发明实施例所采用的第一技术方案是：基于谱估计检测的可见光室内定位方法，按照以下步骤进行：
6.步骤1、搭建可见光室内通信链路系统模型；
7.步骤2、建立包含直射视距链路los与一阶反射链路nlos的led信道漫反射模型；
8.步骤3、在led信道漫反射模型的基础上，设定led的安装间距并划分定位区域，构建室内vlc定位系统信道模型；
9.步骤4、在定位区域选取若干定位点，基于谱估计检测方法进行多光源信号分离，获取不同光源信号的功率值，并将获取的各个定位点不同光源信号的功率值及其标定坐标存入数据库；
10.步骤5、将数据库存储的数据作为神经网络的训练数据集，构建并训练可见光室内定位神经网络模型，并利用训练完成的可见光室内定位神经网络模型进行可见光室内定位。
11.本发明实施例所采用的第二技术方案是：基于谱估计检测的可见光室内定位系统，包括多个led灯和光电探测器，还包括：
12.存储器，用于存储可由处理器执行的指令；
13.处理器，用于执行所述指令以实现如上所述的基于谱估计检测的可见光室内定位方法。
14.本发明实施例所采用的第三技术方案是：一种计算机可读介质，存储有计算机程序代码，所述计算机程序代码在由处理器执行时实现如上所述的基于谱估计检测的可见光室内定位方法。
15.本发明实施例的有益效果是：针对传统基于rss的可见光室内定位方法中无法精确获取每个led灯在空间传递过程中的衰减因子的问题，在基于信号强度基础上，将pisarenko谐波分解算法与神经网络结合，提出了一种基于psd检测与神经网络结合的可见光室内定位模型，其在有色噪声和低信噪比背景下，对加载不同频率正弦信号的多led光源频率估计和功率提取具有较好的效果，分离得到的各个led光源功率值在神经网络中进行训练和测试，可显著提高可见光系统室内定位精度，从而实现精准定位。解决了现有基于rss的定位算法在保证照明的前提下各光源信号叠加无法进行精确的光源信息分离，难以实现复杂室内环境的精确定位的问题。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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的前提下，还可以根据这些附图获得其他的附图。
17.图1是可见光通信链路系统模型示意图。
18.图2是led信道漫反射模型示意图。
19.图3是室内vlc定位系统信道模型示意图。
20.图4是谱估计检测方法框图。
21.图5是基于谱估计检测与神经网络的室内定位方法框图。
22.图6是信噪比为10db的情况下，通过基于谱估计检测与神经网络的室内定位方法在坐标(4,1,0)处测得的各光源频率-功率分布图。
23.图7是信噪比为10db的情况下，通过基于谱估计检测与神经网络的室内定位方法在坐标(2,3,0)处测得的各光源频率-功率分布图。
24.图8是基于谱估计检测与神经网络的室内定位方法在h＝0处的定位误差三维分布图。
25.图9是基于谱估计检测与神经网络的室内定位方法的实测定位误差分布图。
具体实施方式
26.下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.实施例1
28.本实施例提供了一种基于谱估计检测的可见光室内定位方法，按照以下步骤进行：
29.步骤1、如附图1所示，以4m
×
4m
×
3m室内房间为实验仿真模型，搭建可见光室内通信链路系统模型；
30.步骤2、建立包含直射视距链路los与一阶反射链路nlos的led信道漫反射模型，如附图2所示，其中，单光源到任意点的光强定义为：
31.i(φi)＝i0cosmφiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
32.式中，i0表示led的中心发光强度，φi表示第i个led的发射角，m表示将可见光源简化为朗伯源对应的郎伯反射阶数，则多led光源下第j个光电探测器(pd)的直射水平照度ej为：
[0033][0034]
式中，e
ij
表示第j个pd端接收到第i个led的光照度，表示第j个pd接收的直射光源的入射角，第j个pd的坐标为(xj,yj,0)，(xi,yi,zi)为第i个led的坐标，m是led的总数。
[0035]
假设任意led灯源产生的次级光源为p点，p点坐标可以表示为p(x1,y1,z1)，同理，第i个led光源产生的次级光源直射到p点的反射光强ii'定义为：
[0036]
i'i＝kiicos
m-1
β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0037]
式中，ii表示第i个led光源产生的次级光源直射到p点的光照强度，k为墙面的反射系数，β表示次级光源的发射角，m-1表示次级反射，则多次级光源下第j个pd的反射光照度e'j为：
[0038][0039]
式中，e
ij
表示第j个pd端接收到的第i个led的次级光源的光照度。
[0040]
则第j个pd端接收到的任意m个led光源的光照度e为：
[0041]
[0042]
步骤3、在步骤2的led信道漫反射模型的基础上设定led的安装间距并划分定位区域，具体通过接收平面的光照度标准差以及接收平面rss最小值两个条件确定led的安装间距，使室内光照度达到照度标准，构建如图3所示的室内vlc定位系统信道模型，定位区域为长l、宽w、高h的室内空间，发送端m个led光源均匀分布于天花板上，光电探测器pd位于室内地面；本实施例的led安装间距和定位区域划分在仿真阶段是统一的，长宽高为4m、4m和5m，在实际定位阶段可以按照比例放大和缩小；
[0043]
步骤4、在定位区域选取若干定位点，基于如图4所示的谱估计检测方法进行多光源信号分离，获取不同光源信号的功率值：
[0044]
首先，对led光源进行调制，使得每个由若干个灯珠组合起来的矩阵光源都加载不同的载波信号，假设发送端第i个led光源被频率为fi的正弦信号驱动，则发送端第i个led光源产生的调制信号为：
[0045]
xi(n)＝a
i sin(2πfin)(1≤i≤m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0046]
其中，ai为调制信号即第i个led光源产生的光功率信号的幅度，fi为第i个led光源产生的光功率信号在时域频率，n是该信号在时域的自变量，一般n＝1,2,3
…
。
[0047]
根据正弦信号的线性性质，有：
[0048]
sin(2πfin+θ)+sin[2πfi(n-2)+θ)]＝2cos(2πfi)sin[2πfi(n-1)+θ]
ꢀꢀꢀꢀꢀꢀ
(7)
[0049]
其中，θ是正弦信号的相移；
[0050]
将式(6)代入式(7)，得到差分方程为：
[0051]
xi(n)-2cos(2πfi)xi(n-1)+xi(n-2)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0052]
其中，xi(n-1)是将xi(n)的自变量n时延1个单位的时延信号，xi(n-2)是将xi(n)的自变量n时延2个单位的时延信号。
[0053]
对式(8)左右两边同时进行z变换，有：
[0054]
[1-2cos(2πfi)z-1
+z-2
]xi(z)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0055]
其中，xi(z)是xi(n)的z变换，z为复变量，故：
[0056]
1-2cos(2πfi)z-1
+z-2
＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0057]
式(10)中两个根为故正弦波频率为：
[0058][0059]
其中，re(zi)表示zi的实部，im(zi)表示zi的虚部，zi是第i个led光源产生的调制信号xi(n)的z变换的根。
[0060]
因此，根据上述过程对m个led灯推导得到，当m个led灯同时被不同频率信号驱动，则第i个led光源产生的调制信号xi(n)的z变换的根可由式(12)来决定：
[0061][0062]
其中，为zi的共轭复数；a0＝1，系数存在对称性，即ai＝a
2m-i
(i＝0,1,...，m)。
[0063]
式(12)对应的差分方程为：
[0064]
[0065]
其中，xi(n-i)是将xi(n)的自变量n时延i个单位的时延信号，n-i表示将自变量n时延i个单位。
[0066]
然后，在定位区域选取若干定位点，受可见光信道干扰，接收端接收到的信号为：
[0067][0068]
其中，y(n)是pd接收到的含白噪声e(n)的观测信号，h(0)是光信道直流增益，是总噪声方差。
[0069]
将代入式(13)中，得：
[0070][0071]
其中，y(n-i)是将y(n)的自变量n时延i个单位的时延信号，e(n-i)是将e(n)的自变量n时延i个单位的时延信号；
[0072]
式(15)写成矩阵形式，得
[0073]yt
a＝e
taꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0074]
其中：
[0075][0076]
将式(16)左乘向量y，两边同时取数学期望，得到e{yy
t
}为：
[0077][0078]
其中，ry是接收到的观测信号的自相关函数所组成的矩阵即自相关矩阵，ry(0)表示第0个光源发出的信号x0(n)的自相关运算结果；
[0079][0080]
其中，是观测信号集合{y(n)}的自相关矩阵ry的特征值λi，而特征多项式的系数向量a是对应于该特征值λi的特征矢量，噪声子空间的维数是1，它由最小特征值对应的特征矢量构成，因此可计算得到系数向量a。
[0081]
在运行pisarenko谐波分解法时，一般从一个p
×
p(p＞2m)维自相关矩阵ry开始，为避免多重特征值导致系数向量a出现多解情况，需对ry进行降维处理，即：
[0082][0083]
pd接收端求解式(20)中的特征多项式，然后通过式(19)求得系数向量a，即得知ai，自相关矩阵ry是接收端pd接收到的观测信号的各次谐波分量进行自相关运算的结果，然后对公式(13)进行z变换求得zi，即可根据式(11)求得fi。
[0084]
根据信号xi(n)与白噪声e(n)统计独立，由式(14)中接收信号得y(n)的自相关矩阵是：
[0085][0086]
其中，r
x
是信号xi(n)的自相关函数，re是白噪声e(n)的自相关函数，σ
ω
是白噪声方差，i为噪声系数；ei是m个线性独立的矢量，利用求得的fi计算得到向量ei，然后对向量ei进行dtft得到pi是接收端探测到的第i个led灯发射光信号的功率，pi＝|ai|2。
[0087]
假设信号子空间的特征向量a1,a2,...,am已被归一化，即由于：
[0088]ryai
＝λ
iai
,i＝1,2,...,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0089]
将上式两边左乘则得
[0090][0091]
将式(21)的ry代入上式，有
[0092][0093]
简化，得
[0094][0095]
其中，是频率fi处信号子空间特征矢量ai的dtft的平方幅度，即有：
[0096][0097]
在求得ai和后，根据公式(26)计算得到后，根据公式(26)计算得到是对xi(n)进行dtft后的表示，ai是第i个led光源的信号强度，wi是xi(n)在复频域的频率系数，是xi(n)在复频域的频率，因此式(26)可以写成：
[0098][0099]
上式代表m个线性方程，它有m个未知量p，写成矩阵形式为：
[0100][0101]
求解该方程组，便可得到功率矩阵p＝[p
1 p2ꢀ…ꢀ
piꢀ…ꢀ
pm]，完成多光源信号分离，其中，pi对应为pd接收到的第i个led光源发射的功率。
[0102]
最后，将获取的各个定位点不同光源信号的功率值及其标定坐标存入数据库，完成数据库的建立。
[0103]
步骤5、图5是基于谱估计检测与神经网络的可见光室内定位框架，将步骤4建立的数据库数据作为神经网络的训练数据集，通过神经网络拟合光功率与标定坐标的函数关系。神经网络为三层bp神经网络，包括一个输入层、一个隐含层和一个输出层，输入层由m个神经元构成，输出层由三个神经元构成，输入层的输入是基于pisarenko数据分离得到的功率矩阵p，输出层输出优化的未知定位点的相对坐标。
[0104]
在定位区域h＝0米平面即xy平面随机选取q个点作为指纹数据集的参考点，每个参考点处经pisarenko谐波分解法分离得到m个led光源的功率作为指纹数据集，其中第n(1≤n≤q)个指纹点对应的记录信息为：
[0105]fn
＝(n,xn,yn,zn,p
n1
,p
n2
,...,p
nm
)(1≤n≤q)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(29)
[0106]
其中，(xn,yn,zn)表示第n个指纹点的真实坐标位置，p
nm
表示第n个指纹点在(xn,yn,zn)处所接收到的第m个led光源的光功率值。
[0107]
其中训练数据集样本数为k，测试数据集样本数为l(l+k＝q)。各个指纹点所接收的m个led光源的光功率值构建的矩阵为输入训练集。在训练过程中，输出层不断的将定位误差进行反向传播，通过不断修正各层的权值和阈值来不断逼近实际的定位坐标，提高定位的准确度进而得到神经网络训练模型。建模输入训练集矩阵x
t
可表示为：
[0108][0109]
其中，xd＝(p
d1
,p
d2
,....,p
dm
)(1≤d≤k)，表示训练集中第d个位置参考点所接收到的m个led光源的pisarenko功率估计值。对于每一个训练样本，从前向后计算每个神经元的输出。
[0110]
激发函数为单极s型函数表达式为：
[0111][0112]
其中，为单极s型函数的系数。
[0113]
输出层权系数为：
[0114]
δθk＝-ηβ
′
ok(1-ok)(d
k-ok)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0115]
其中，β
′
为输出层的输入向量即隐含层的输出，dk表示输出层的第k个神经元的期望值，η为学习率，输出层第k个神经元的输入为输出为ok＝f(ik)，oj为上一层神经网络的第j个神经元的输出，q为上一层神经网络的神经元总数，w
jk
为输入输出层与隐藏层之间的权值，ok为当前层神经网络的第k个神经元的输出，f()是单极s型函数，将ik送入激活函数中进行计算，防止神经网络梯度消失。
[0116]
隐含层权系数为：
[0117][0118]
其中，oi为隐含层第i个神经元的输出，oj代表隐含层第j个神经元的输出，i和j分别为连接权值矩阵的行列个数，l是输入的数据个数；δk为第k隐含层的误差传递函数对输出的各神经元的偏导数，β
″
是当前隐含层的输入向量即前一隐含层的输出，w
jk
为前一隐含层与当前隐含层的权值。
[0119]
并采用测试集数据对训练后的神经网络模型进行测试，如性能达标，则整个训练过程结束，否则，继续调整超参数进行神经网络模型的训练，直至测试性能达标。将每个测试集中的参考点及其对应接收的m个led的光功率值的矩阵p带入训练完成的bp神经网络模型，此时神经网络模型测试数据集输入矩阵可表示为：
[0120][0121]
其中，表示测试集中第q个参考指纹点所接收到的m个led光源的光功率值，其对应的输出矩阵为：
[0122][0123]
其中，为测试集中第q个参考指纹点的预测坐标。
[0124]
步骤6、利用步骤5训练并测试完成的神经网络模型进行可见光室内定位。
[0125]
分析基于谱估计检测的可见光室内定位方法相较于其他传统的可见光室内定位方法的性能提升：如图6～7所示，在信噪比为10db的情况下，预测频率与功率值无较大偏
离，频率最大误差为1.253hz，功率随定位点距离改变灵敏，功率估值最大误差为0.125w，提取的各led功率值作为训练输入数据稳定性好，辨识度高，表明pisarenko谐波分解方法在可见光室内定位的多led混合光信号提取/分离中能起到很好的应用。
[0126]
如图8所示，展示了h＝0米时的三维定位的整体结果，空心圆代表真实的位置坐标，星代表bp神经网络测试出的位置坐标，从图中结果来看预测位置与实际位置坐标并无较大偏差，平均误差为2.12厘米，总体三维平均定位误差为3.81厘米。
[0127]
通过实测定位实验验证该定位系统的定位精度与稳定性。搭建边长为0.8m的立体测试空间，在空间顶部均匀布置4颗功率为5w的led光源，在空间底部平面建立以平面一角为原点，5cm为间隔的二维坐标系，在空间底部平面画出间隔格点，以各个间隔点选择289个等间距的测量位置，信号发生器生成不同的频率正弦信号通过光驱动加载到相应的led光源上，使led周期性发送光信号；在接收端，pd作为信号接收器，被水平放置于定位区域内的289个等间距测量位置，负责将接收光信号转化为电信号，并通过放大器后由示波器采集，再经过pisarenko谐波分解算法分离得到在该位置上对应的4个led光源的光功率向量，对各个光源采集40次功率值，然后排序去除极值取平均，作为该点的各组光源功率值数据，最后再根据神经网络定位算法，选取289组训练数据和20组测试位置数据，多次测试得到出pd的位置坐标。然后按照本实施例提出的神经网络定位算法，把289组数据导入神经网络进行处理与训练。经过对选取的289组训练数据与按正方形轨迹选取不重合20组位置数据进行多次定位测试，定位误差分布图如图9所示，结果表明，小于5厘米概率为60％，小于2厘米概率为10％，平均定位误差4.28厘米，表明本实施例的方法实测定位精度高、定位效果稳定。
[0128]
实施例2
[0129]
本实施例提出一种基于谱估计检测的可见光室内定位系统，包括多个led灯和光电探测器，还包括：存储器，用于存储可由处理器执行的指令；以及处理器，用于执行所述指令以实现如上实施例1所述的基于谱估计检测的可见光室内定位方法。
[0130]
基于谱估计检测的可见光室内定位系统可包括内部通信总线、处理器(processor)、只读存储器(rom)、随机存取存储器(ram)、通信端口、以及硬盘。内部通信总线可以实现基于谱估计检测的可见光室内定位系统组件间的数据通信。处理器可以进行判断和发出提示。在一些实施例中，处理器可以由一个或多个处理器组成。通信端口可以实现基于谱估计检测的可见光室内定位系统外部的数据通信。在一些实施例中，基于谱估计检测的可见光室内定位系统还可以通过通信端口从网络发送和接受信息及数据。基于谱估计检测的可见光室内定位系统还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘，只读存储器(rom)和随机存取存储器(ram)，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给被试者设备，在被试者界面上显示。
[0131]
上述的基于谱估计检测的可见光室内定位方法可以实施为计算机程序，保存在硬盘中，并可记载到处理器中执行。因此，本发明实施例还提供了一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的基于谱估计检测的可见光室内定位方法。
[0132]
基于谱估计检测的可见光室内定位方法实施为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例
如，硬盘、软盘、磁条)、光盘(例如，压缩盘(cd)、数字多功能盘(dvd))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(eprom)、卡、棒、键驱动)。此外，本发明实施例描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
[0133]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。