[發(fā)明專利]一種基于粒子群優(yōu)化極限學習機的可見光定位方法

在審

• 申請?zhí)枺?/td>: 201811173117.4
• 申請日: 2018-10-09
• 公開（公告）號: CN109615056A
• 公開（公告）日: 2019-04-12
• 發(fā)明（設計）人: 徐巖;王昕昕
• 申請（專利權(quán)）人: 天津大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08;G01C21/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

1.一種基于粒子群優(yōu)化極限學習機的可見光定位方法，其特征在于，所述方法包括以下步驟：

1)將新求得的每個粒子的個體適應度值與個體極值Pbest與群體極值Gbest比較，若新的個體適應度值更優(yōu)，則更新個體極值和群體極值；當?shù)螖?shù)達到最大值或適應度值達到預設的最小值時，輸出最優(yōu)的粒子；

2)將最優(yōu)粒子的位置作為極限學習機的輸入權(quán)值和隱藏層閾值的參數(shù)；

3)將訓練樣本集輸入到極限學習機神經(jīng)網(wǎng)絡中，進行神經(jīng)網(wǎng)絡訓練，將測試樣本集輸入到已經(jīng)訓練好的極限學習機神經(jīng)網(wǎng)絡中，計算出整體的平均定位誤差。

2.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化極限學習機的可見光定位方法，其特征在于，在步驟1)之前所述方法還包括：

初始化極限學習機神經(jīng)網(wǎng)絡的結(jié)構(gòu)、粒子種群數(shù)、迭代次數(shù)，隨機初始化粒子的速度和位置以及速度和位置的范圍；適應度函數(shù)由極限學習機計算的可見光定位誤差表示：

fitness＝|o_j-T|

其中，fitness為適應度函數(shù)，其值表示為粒子的個體適應度值，當fitness值越小，代表粒子更優(yōu)；o_j為ELM訓練輸出樣本矩陣，T為期望輸出矩陣；

根據(jù)適應度函數(shù)初始化每個粒子的個體適應度值，并初始化個體極值Pbest和群體極值Gbest；

更新當前的迭代次數(shù)，對粒子的速度和位置進行更新；求取每個新粒子的個體適應度值。

3.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化極限學習機的可見光定位方法，其特征在于，在步驟1)之前所述方法還包括：

通過光信道仿真，光電探測器將光功率轉(zhuǎn)換為電功率，得到光電探測器接收的來自每個LED燈的電功率，其中電功率具體包括：視距傳播功率，一階反射功率以及噪聲功率；

建立訓練樣本集和測試樣本集，其中訓練和測試樣本集包括來自每個LED的電功率和對應的光電探測器的位置。

4.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化極限學習機的可見光定位方法，其特征在于，所述將最優(yōu)粒子的位置作為極限學習機的輸入權(quán)值和隱藏層閾值的參數(shù)具體為：

每個最優(yōu)粒子的位置都代表ELM神經(jīng)網(wǎng)絡的輸入權(quán)值和隱藏層閾值，使用矩陣S表示，

其中，S的前d行為ELM神經(jīng)網(wǎng)絡輸入層和隱藏層的連接權(quán)值矩陣W，可表示為W＝[w₁₁,…w_1L,w₂₁,…w_2L,…w_d1,…w_dL]，w_dL為矩陣W第d行L列的連接權(quán)值，S的最后一行為隱藏層閾值矩陣B，可表示為B＝[b₁,b₂,…b_L]，b_L為矩陣B第L列的隱藏層閾值，d為輸入數(shù)據(jù)的維度，L為隱藏層個數(shù)。