[发明专利]一种基于机器学习的高精度室内可见光定位方法

权利要求书

1.一种基于机器学习的高精度室内可见光定位方法，其特征是，具体包括步骤如下：

步骤1、样本定位节点采集布设在室内不同位置的LED所发出的定位参考信号，得到不同LED到达该样本定位节点的时间差，并利用时间差构建该样本定位节点的数据特征矩阵，该数据特征矩阵中的元素a_i’j’是a_j’i’相同，均是第i’个LED与第j’个LED的时间差的绝对值，其中i’，j’＝1，2，…，n，n为LED的个数；

步骤2、将预先已知的样本定位节点的物理坐标作为该样本定位节点的标签，并建立该样本定位节点的数据特征矩阵和标签的映射关系，得到该样本定位节点的样本数据；

步骤3、利用多个样本定位节点的样本数据对神经网络模型进行机器学习，获得训练好的神经网络模型；

步骤3.1)首先初始化网络权值，再确定输入数据样本和期望输出数据样本的具体数值；对输入层至输出层的连接权值w_ij、偏置项b_j和所有阈值θ_j、γ_t进行赋值，值域为(-1，1)；随机抽取一组输入数据对Δt_k和期望输出数据对PD_k，赋予神经网络；

步骤3.2)根据输入数据样本、输入层和中间隐层所有单元的阈值，计算中间隐层的各个单元的输入值s_j，然后根据传递函数为sigmoid函数，求得中间隐层各个单元的输出值h_j；

式中：h_j表示隐含层输出，w_ij为输入层至输出层的连接权值，x_i为神经网络输入，b_j为偏置项，j＝1…n，n为神经网络隐层单元的个数，也即LED的个数；

步骤3.3)根据h_j、中间层与输出层之间的权值，以及输出层内部各个单元的阈值，求出输出层各个单元的输入值然后，通过传递函数，将输出层各个单元的实际输出值h_w,b；第l层的第i个神经元的输入为

第l层的第i个神经元的输出为

从而计算出神经网络的最终输出h_w,b

步骤3.4)根据与h_w,b，计算输出层各个单元的修正误差

步骤3.5)根据w_ij、和h_j，再计算修正误差然后结合阈值γ_t计算下一次的中间层与输入层连接权值以及阈值；

步骤3.6)根据各个单元的连接权值和阈值，通过修正计算，得到下一次学习过程中输入层和中间层之间的连接权值以及阈值；再任意抽取一个数据样本提供给神经网络，并重新根据上面步骤3.2的做法进行学习，直至所有的样本都学习完；

步骤3.7)重新随机选择某一个样本，并根据上面步骤3.2进行学习，若神经网络的全局误差小于原先设定的对照误差值，则表明该神经网络收敛；而如果整个学习过程中的学习次数已达到原先设定的学习次数，但神经网络仍未收敛，那么网络学习过程结束；

步骤4、待定位定位节点采集布设在室内不同位置的LED所发出的定位参考信号，得到不同LED到达该待定位定位节点的时间差，并利用时间差构建该待定位定位节点的数据特征矩阵；

步骤5、将待定位定位节点的数据特征矩阵输入到训练好的神经网络模型中，得到该待定位定位节点的物理位置。

2.根据权利要求1所述的一种基于机器学习的高精度室内可见光定位方法，其特征是，步骤1中，定位节点需要先对采集到的定位参考信号进行数据清洗和数据预处理后，再获得不同LED到达定位节点的时间差。