一种基于SO-CNN模型的可见光室内定位优化方法OA北大核心CSTPCD
针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization,SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network,CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network,BPNN)、多层感知器(Multilayer Perceptron,MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。
陈静;刘旋;王金元;章永龙;朱俊武;
扬州大学信息工程学院(人工智能学院),江苏扬州225127扬州大学信息工程学院(人工智能学院),江苏扬州225127 东南大学计算机科学与工程学院,南京211189安徽工程大学汽车新技术安徽省工程技术研究中心,安徽芜湖241000
电子信息工程
可见光室内定位(VLIP)指纹定位法蛇优化算法卷积神经网络
《电讯技术》 2024 (005)
P.702-709 / 8
江苏省“双创博士”项目(JSSCBS20211035);江苏省博士后基金项目(2021K402C);汽车新技术安徽省工程技术研究中心开放课题项目(QCKJ202205A)。
评论