买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：吉林化工学院

摘要：本发明公开了一种改进型RBF神经网络室内可见光定位方法和系统，由室内空间中LED发射光信号经过室内空间信道，接收端采用PD探测器将获得的光信号转换成电信号进行定位，包括计算光功率波动最小的光照强度值、对定位进行计算、优化RBF神经网络；优化RBF神经网络包括：利用KPCA‑K‑means++模型提高RBF神经网络性能，即利用KPCA‑K‑means++模型对接收端收集到的RSSI数据进行聚类，得到最优聚类中心和聚类数目作为隐含层的神经元个数和神经元中心；建立GA‑LMS模型对RBF神经网络参数进行优化，即利用GA‑LMS得到准确的宽度和连接权值，最终得到精准的定位坐标，本发明泛化性更强。

主权项：1.一种改进型RBF神经网络室内可见光定位方法，由室内空间中LED发射光信号经过室内空间信道，接收端采用PD探测器将获得的光信号转换成电信号进行定位，其特征在于：计算光功率波动最小的光照强度值，在接收光功率公式中引入独立比例因子，通过加入自适应移动因子的花授粉方法，对目标函数进行计算，对目标函数的不断迭代，搜索的全局最优，在室内若光功率分布均匀，则目标函数会为0，从而计算出得到光功率波动最小的光照强度值；对定位进行计算，根据可见光定位需求，建立基于RSSI定位算法的RBF神经网络结构定位算法，对RBF神经网络的前期RSSI数据和RBF神经网络结构进行优化；其中所述的RBF神经网络的优化具体如下：利用KPCA-K-means++模型提高RBF神经网络性能，即利用KPCA-K-means++模型对接收端收集到的RSSI数据进行聚类，得到最优聚类中心和聚类数目作为隐含层的神经元个数和神经元中心；建立GA-LMS模型对RBF神经网络参数进行优化，即利用GA-LMS得到准确的宽度和连接权值，最终得到精准的定位坐标；利用KPCA-K-means++模型提高RBF神经网络性能，首先将每个接收端获得的RSSI值在高维特征空间中进行非线性映射，取最大特征值对应的特征向量得到映射后的数据代替原始数据，对映射后的数据集进行主成分分析或通过设置阈值确定，阈值越接近1则主成分贡献率越大，预先设置阈值，K-means++聚类算法首先从经过核主成分分析预处理得到的数据集中选择k个初始聚类中心值，进行分组、重新分配、更新分组，得到的中心要在规定的误差范围内；对训练样本进行改进最小均方计算使其误差最小，改进LMS中加入与训练样本、测试样本都不同的定位点对测试样本中的误差进行验证；通过GA-LMS模型对RBF神经网络参数进行优化，上述步骤后，得到新构建的RBF神经网络模型；通过GA对RBF神经网络中的宽度参数不断迭代寻优，通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中采用轮盘赌选择法；得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值进行计算；通过改进最小均方LMS学习规则，对于输入样本进行中误差计算外，加入n个直接计算法得到的输出值防止过度计算，其中n≥1；建立GA-LMS模型对RBF神经网络参数进行优化，通过GA对RBF神经网络中的宽度参数不断迭代寻优，找到RBF神经网络中宽度参数最优个体在RBF神经网络中宽度参数{b1,b2,b3,…bm}，对宽度参数进行编码，设染色体Z＝{z1,z2,z3,…,zm}设适应度函数为： 式9中，q为训练样本个数；pi为期望输出值；p’i为真实输出值，通过选择、交叉、变异三个步骤最终得到最优个体，在选择算子中采用轮盘赌选择法得到优化后的宽度，先应用最小二乘对RBF神经网络中的连接权值进行计算，因为过度学习、模型复杂、数据量小等原因会产生过拟合现象因此在调整权值训练过程中设计改进最小均方LeastMeanSquare，LMS学习规则，对于输入样本进行中误差计算外，加入n个直接计算法得到的输出值防止过度计算，其中n≥1，得到的目标函数结果越小越好设置目标函数公式为： 式10中，ai为真实值；a’i为直接法得到的输出值得到的最小均方值越小，输出值越好。

全文数据：

权利要求：

百度查询： 吉林化工学院 改进型RBF神经网络室内可见光定位方法及系统