整合人工神经网络回归和主要组件分析,用于室内可见光定位

科学领域:

• 室内定位系统 室内定位系统
• 人工智能在本地化中的作用
• 有光无线通信的无线通信.

背景情况:

• 可见光定位 (VLP) 提供无基础设施的室内定位,但面临着来自光传播,未知的LED姿势和动态环境的挑战.
• 传统的基于接收信号强度 (RSS) 的方法与光功率波动和建模缺陷作斗争.
• 用户的流动性和障碍物进一步使准确的室内定位变得复杂.

研究的目的:

• 开发一个使用可见光的强大而准确的室内定位系统.
• 在动态的室内环境和未知的LED姿势中解决VLP的复杂性.
• 为了利用机器学习提高VLP性能.

主要方法:

• 模拟用户运动,使用各种接收器位置来创建现实的数据集.
• 实现了一个基于回归的人工神经网络 (ANN) 模型用于VLP.
• 利用主要组件分析 (PCA) 来减少维度以优化ANN性能.
• 在一个12米×18米×6.8米的房间里,用一组8个LED灯和一个光二极管接收器进行了实验.

主要成果:

• PCA-ANN模型在定位准确度方面取得了显著的改进.
• 达到0.0062厘米 (训练) 和0.0456厘米 (测试) 的低平均平方误差 (MSE) 值.
• 达到高R平方值的99.31% (培训) 和94.74% (测试),表明强大的预测性能.

结论:

• 拟议的PCA-ANN回归模型有效优化可见光定位系统.
• 这种方法为室内定位服务提供了可行和可靠的解决方案.
• PCA显著提高了VLP系统的计算效率和准确性.