使用粒子群优化 (PSO) 提高可见光定位精度,用于深度学习,在基于接收信号强度 (RSS) 的卷积神经网络 (CNN) 中更新超参数

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 可见光定位 (VLP) 提供了准确且具有成本效益的室内导航,但由于反射和缺乏光线的区域等环境因素,信号受损.
• 来自LED灯具的光分布不均以及复杂的室内光通道特征挑战了VLP的准确性.
• 机器学习 (ML),特别是卷积神经网络 (CNN),在解决这些挑战方面表现有前途,但它们的性能对超参数设置敏感.

研究的目的:

• 为VLP应用程序开发一个用于优化CNN超参数的自动化系统.
• 在非理想的照明条件下提高VLP系统的准确性,稳定性和可靠性.
• 调查将接收信号强度 (RSS) 预处理和粒子集群优化 (PSO) 与VLP的CNN集成的有效性.

主要方法:

• 开发了一个包含RSS信号预处理的VLP系统.
• 实施了CNN模型,并与线性回归 (LR) 和人工神经网络 (ANN) 进行了不同高度平面 (200,225,250厘米) 的比较.
• 粒子集群优化 (PSO) 用于CNN模型的自动超参数调整.

主要成果:

• 采用预处理的CNN模型在200厘米接收机平面上将平均定位误差从9.83厘米减少到5.72厘米 (41.81%的改进).
• 使用CNN+预处理+PSO进行进一步优化,将平均误差降至4.93厘米.
• 与基线ML模型相比,拟议的综合方法在定位精度和模型稳定性方面取得了显著的改进.

结论:

• 通过PSO与CNN和RSS预处理集成的自动化超参数调整,大大提高了VLP的准确性和可靠性.
• 该方法为智能建筑和物联网环境中的真实室内定位提供了可扩展和有效的解决方案.
• 这些发现强调了自适应式ML技术的潜力,以克服基于光学无线通信的定位系统的局限性.