[发明专利]基于深度学习可见光室内高精度指纹定位方法

权利要求书

1.一种基于深度学习的可见光室内高精度指纹定位方法，其特征在于，包括以下步骤：

S1：通过光通信的方法，为多盏LED灯设计不同的编码，通过调制技术调制所述多盏LED灯从而使所述多盏LED灯分别带有不同的ID信息，并通过时分多路复用的方法将一段周期按照LED灯的数量进行分段，使得每段只能接收到一盏灯发出的光信号从而在一个周期的不同时间段得到不同LED灯发出的信号的平均接收功率，其中，在某一位置上接收到的光指纹特征向量为在所述位置上接收到的每盏灯发出的信号平均接受功率；

S2：选取参考点，在每个参考点上采集光指纹特征，将采集得到的光指纹特征存入光指纹库，通过深度学习的方法离线训练得到神经网络模型；

S3：根据在待测位置接收到的调制信号，通过OOK解调方法计算得到在所述待测位置上接收到的每盏LED灯发出的平均调制信号，将所述平均调制信号输入到所述神经网络模型，根据所述神经网络模型进行位置预测。

2.根据权利要求1所述的基于深度学习的可见光室内高精度指纹定位方法，其特征在于，步骤S2进一步包括：

S201：在每个采样点i记其坐标为(X_i,Y_i)，在不同时间段采集其接收到平均功率I_i；

S202：把接收到的信号输入到控制端，通过OOK解调方法进行解调，计算接收到不同LED灯的光指纹特征向量将以及坐标点(X_i,Y_i)记录到所述光指纹库；

S203：根据信号强度向量和对应的位置坐标通过有监督训练方法，训练所述神经网络模型。

3.根据权利要求2所述的基于深度学习的可见光室内高精度指纹定位方法，其特征在于，将采集得到的训练数据，通过神经网络学习得到的信号强度与其所在位置(X_i,Y_i)之间的映射关系，所述神经网络模型的每个神经元为一个逻辑回归器，以x₁,x₂,…,x_n为输入，输出为：

h_W,b(X)＝f(W^TX)

其中，f在实域上被称作激活函数，W为神经网络参数，通过预测值y_p得到目标优化函数：

J(W,yp)=-1m[Σi=1myp(i)loghθ(xi)+(1-yp(i))log(1-hθ(xi)))]]]>

通过梯度下降方法求得神经网络参数W达到最大化目标函数。