基于改進(jìn)免疫粒子群優(yōu)化算法的室內(nèi)可見光通信三維定位方法

陳 勇 鄭 瀚 沈奇翔 劉煥淋

①(重慶郵電大學(xué)工業(yè)物聯(lián)網(wǎng)與網(wǎng)絡(luò)化控制教育部重點(diǎn)實(shí)驗(yàn)室 重慶 400065)

②(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065)

1 引言

目前，全球定位系統(tǒng)(GPS)通常用于室外定位，由于衛(wèi)星信號在穿透固體時(shí)會(huì)受到衰減和陰影效應(yīng)等影響，很難在室內(nèi)實(shí)現(xiàn)快速的定位。Wi-Fi、藍(lán)牙、射頻識別等定位系統(tǒng)可以滿足室內(nèi)定位的要求，但存在成本高、定位精度低和電磁干擾等問題。而基于可見光通信(Visible Light Communication,VLC)的定位系統(tǒng)，具有定位精度高、無電磁干擾、附加設(shè)備少、通信機(jī)密性好、照明通信一體化等優(yōu)點(diǎn)，可廣泛應(yīng)用于室內(nèi)定位中[1]。

目前，Yang等人[2]采用單個(gè)發(fā)射器和多個(gè)傾斜光學(xué)接收器，并基于信道增益的差異性實(shí)現(xiàn)3維定位。但該方法設(shè)備需求較多，而且定位的高度受到限制；文獻(xiàn)[3]采用多感知層神經(jīng)網(wǎng)絡(luò)架構(gòu)，通過改變隱藏層中的節(jié)點(diǎn)數(shù)量，獲得神經(jīng)網(wǎng)絡(luò)最佳結(jié)構(gòu)。然而該系統(tǒng)需要構(gòu)建指紋庫，一旦室內(nèi)環(huán)境發(fā)生些許改變，指紋庫和神經(jīng)網(wǎng)絡(luò)模型都需進(jìn)行修正；文獻(xiàn)[4]選用加速度計(jì)和光傳感器測量光強(qiáng)度，并實(shí)現(xiàn)25 cm內(nèi)的定位精度，但其需要精確的測量精度作為保障；Chen等人[5]提出一種基于改進(jìn)遺傳算法的VLC室內(nèi)定位系統(tǒng)，通過將誤差修正因子整合到遺傳算法中，將由不同因素引起的定位誤差控制在最小值范圍內(nèi)。但所提算法收斂速度不高，不能夠滿足實(shí)時(shí)定位的需求；Cai等人[6]和文獻(xiàn)[7]分別提出了基于粒子群算法和基于蟻群算法的室內(nèi)可見光3維定位系統(tǒng)，然而上述方法在構(gòu)建信道模型時(shí)，并沒有考慮多徑反射對定位精度的影響問題。

針對上述研究中存在的問題，本文提出基于改進(jìn)免疫粒子群優(yōu)化(Improved IMmune Particle Swarm Optimization, IIMPSO)的室內(nèi)可見光3維定位方法。首先利用蒙特卡羅射線跟蹤法分析了多徑反射對可見光系統(tǒng)的影響，進(jìn)而提出對接收機(jī)的視場角進(jìn)行合理選擇以期降低反射的影響。對此，采用卡爾曼濾波算法對受環(huán)境干擾的接收功率進(jìn)行優(yōu)化處理，并基于室內(nèi)可見光模型建立適應(yīng)度函數(shù)；針對粒子在尋優(yōu)過程中會(huì)趨向同一化，并在后期收斂速度變慢易陷入局部收斂的問題，改進(jìn)了速度權(quán)重與學(xué)習(xí)因子，并就此提出基于粒子濃度和適應(yīng)度的選擇策略。仿真表明，本文所提方法在室內(nèi)3維空間中可實(shí)現(xiàn)高精度定位。

2 室內(nèi)VLC定位模型

圖1給出由9個(gè)LED構(gòu)成陣列，接收機(jī)距離地面1 m 的V L C 定位模型，其房間長×寬×高用L×W×H表示，取L=5 m，W=5 m，H=3 m。其中，LED陣列作為發(fā)射器安裝在房間天花板上，每個(gè)發(fā)射器設(shè)置其坐標(biāo)的標(biāo)識碼，采用開關(guān)鍵控(OOK)調(diào)制方式調(diào)制LED。其中A點(diǎn)(2.5 m, 2.5 m,1 m)位于房間中心處，B點(diǎn)(2.5 m, 0, 1 m)位于房間邊緣處，C點(diǎn)(0, 0, 1 m)位于房間角落處。LED輻射照度遵循朗伯輻射模型，其信道直流增益[8]為

圖1 室內(nèi)可見光通信模型

3 定位精度的影響及對策

3.1 多徑效應(yīng)的影響

在可見光系統(tǒng)中，信道鏈路不僅存在直射鏈路，同時(shí)還存在反射鏈路[10]，所以本文使用蒙特卡洛射線跟蹤法對房間中光功率進(jìn)行仿真分析。其對應(yīng)的仿真分別如圖3、圖4和圖5所示。分析可知，房間中心處受反射影響較小，而房間角落和邊緣處，非直射功率有明顯的增加。

由于可見光通信的信道模型是一個(gè)具有有限持續(xù)時(shí)間脈沖響應(yīng)的線性時(shí)不變系統(tǒng)，其直射脈沖響應(yīng)為

圖2 傾斜狀態(tài)下可見光通信模型示意圖

圖3 接收平面總接收功率分布圖

圖4 接收平面接收到直射功率分布圖

圖5 接收平面接收到非直射功率分布圖

式中， S 表示發(fā)射器，R 表示接收器，d ?表示接收端接收面的立體角，δ 表示脈沖響應(yīng)，c為光速。

總脈沖響應(yīng)為各階脈沖響應(yīng)之和，其表達(dá)式為

式中，k 表示反射次數(shù)。

3.2 接收功率的優(yōu)化

在室內(nèi)定位中，通過接收功率來估算收發(fā)端的距離，然而接收功率受到空間和時(shí)間上的影響。故本文在參考文獻(xiàn)[11]的基礎(chǔ)上，提出采用卡爾曼濾波算法對LED進(jìn)行濾波操作，如圖6所示結(jié)果表明卡爾曼濾波后的光功率取值更加精確。

圖6 基于卡爾曼濾波算法的接收功率濾波優(yōu)化圖

4 免疫粒子群算法的改進(jìn)

粒子群算法通過群體中粒子間的合作與競爭來搜索復(fù)雜問題空間中的最優(yōu)解，所有的粒子朝著個(gè)體最優(yōu)和群體最優(yōu)的目標(biāo)飛行，然而在進(jìn)化后期會(huì)導(dǎo)致當(dāng)前優(yōu)良粒子過于集中或濃度過高，從而陷入局部最優(yōu)。文獻(xiàn)[12]為克服粒子群優(yōu)化算法多樣性不足的缺點(diǎn)，引入免疫算法思想提高尋優(yōu)能力?；谏鲜鲈?，本文提出將IIMPSO算法與可見光3維定位系統(tǒng)相結(jié)合的基于改進(jìn)的免疫粒子群算法(IIMPSO)，并由粒子構(gòu)成3維空間坐標(biāo)(x ,y,z)，表1給出IIMPSO算法與3維定位問題的映射關(guān)系。其中，第i個(gè)粒子的速度和位置計(jì)算式如式(9)和式(10)所示

4.1 算法的初始化

由于IIMPSO算法的第1代粒子在空間中隨機(jī)分布，設(shè)置粒子群為N，最大迭代次數(shù)為 titer。給每個(gè)粒子一個(gè)隨機(jī)坐標(biāo)(x ,y,z)作為定位系統(tǒng)中PD的初始位置和隨機(jī)速度(vx,vy,vz)。其中，算法中粒子的位置坐標(biāo)受3維空間約束。

4.2 適應(yīng)度函數(shù)的設(shè)計(jì)

現(xiàn)有文獻(xiàn)大都以定位點(diǎn)的真實(shí)距離與估計(jì)距離之差作為適應(yīng)度函數(shù)，當(dāng)定位點(diǎn)與某一LED距離較遠(yuǎn)時(shí)，受此影響通過信道模型得到的估計(jì)點(diǎn)誤差會(huì)增大。對此，本文選取與定位點(diǎn)最近的3個(gè)LED的距離，并以該距離的倒數(shù)作為權(quán)重系數(shù)設(shè)計(jì)適應(yīng)度函數(shù)

表1 免疫粒子群與3維定位問題的映射關(guān)系

4.3 權(quán)重因子的改進(jìn)

4.4 學(xué)習(xí)因子的改進(jìn)

4.5 粒子選擇策略的改進(jìn)

免疫算法有著搜索效率高、多樣性好和具備自我調(diào)節(jié)的特點(diǎn)，若某一類的粒子濃度過高，則很難保證種群的多樣性，故設(shè)計(jì)一種改進(jìn)的選擇概率

4.6 3維定位原理與步驟

根據(jù)空間中隨機(jī)分布的粒子，計(jì)算粒子與最近3個(gè)LED的坐標(biāo)差作為真實(shí)距離，然后通過定位端接收到的功率值以及可見光信道模型計(jì)算得到定位端與最近3個(gè)LED之間的距離作為估計(jì)距離。其次將真實(shí)距離與估計(jì)距離之差作為適應(yīng)度函數(shù)，最后通過算法在3維空間中迭代搜索，其算法的最優(yōu)粒子即為定位位置。表2給出了IIMPSO算法的參數(shù)設(shè)置[13]，可見光3維定位的流程圖如圖7所示。

表2 IIMPSO算法參數(shù)表

5 仿真與結(jié)果分析

5.1 預(yù)處理效果測試

將混沌粒子群優(yōu)化(CPSO) 3維定位系統(tǒng)[14]、蟻群算法3維定位系統(tǒng)[7](Ant Colony Optimization,ACO)中的定位算法與本文所提定位算法分別在如表3所示的幾種狀況下進(jìn)行測試。其測試表明，接收平面水平與未采用RSS濾波處理其定位誤差明顯高于接收平面傾斜或經(jīng)RSS處理的情況；當(dāng)分別采用接收平面傾斜或RSS處理，其誤差降低貢獻(xiàn)基本相當(dāng)；而當(dāng)接收平面傾斜并采用RSS進(jìn)行處理，其定位誤差最低。因此在以下的仿真測試中，將接收平面傾斜放置并采用RSS進(jìn)行預(yù)處理。

5.2 IIMPSO算法測試與分析

(1)定位誤差測試：表4給出定位系統(tǒng)的仿真參數(shù)[15]，選取具有代表性的中心點(diǎn)A點(diǎn)(2.5 m, 2.5 m,1 m)、邊緣處B點(diǎn)(2.5 m, 0 m, 1 m)和角落處C點(diǎn)(0 m, 0 m, 1 m)展開研究。如圖8所示為定位點(diǎn)A，即處于中心處時(shí)粒子迭代的狀態(tài)以及適應(yīng)度函數(shù)的變化，算法在11代收斂，定位點(diǎn)A的解為(2.005 m, 2.024 m, 0.995 m)，其定位誤差為0.0253 m；當(dāng)定位點(diǎn)位于邊緣處時(shí)，算法在16代收斂，定位點(diǎn)B的解為(2.018 m, 0.008 m, 1.011 m)，其定位誤差為0.0351 m；當(dāng)定位點(diǎn)位于角落時(shí)，算法在20代收斂，定位點(diǎn)C的解為(0.028 m, 0.016 m, 1.019 m)，其定位誤差為0.0417 m。雖然通過優(yōu)化FOV，并對噪聲進(jìn)行了濾波處理，但接收機(jī)所接收的功率仍包含一定的反射功率和環(huán)境噪聲，算法中仍會(huì)出現(xiàn)適應(yīng)度為0的粒子，導(dǎo)致誤差的產(chǎn)生。

圖7 基于IIMPSO算法的室內(nèi)可見光3維定位流程圖

表3 預(yù)處理效果測試(平均定位誤差(m))

(2)不同高度下定位測試：設(shè)置接收機(jī)處于不同高度如0.5 m, 1.5 m處，選取接收平面的10×10個(gè)接收點(diǎn)作為定位參考點(diǎn)進(jìn)行研究分別如圖9和圖10所示。雖然高度不同但誤差分布趨勢基本一致，即中心小，邊緣及角落上誤差較大，而且定位誤差主要集中在5 cm以內(nèi)。

5.3 IIMPSO算法對比性測試與分析

為了證明本文算法相對于同類粒子群算法[16,17]以及其他算法的優(yōu)勢，本文將混沌粒子群優(yōu)化3維定位系統(tǒng) (Chaotic Particle Swarm Optimization,CPSO)[14]、蟻群算法3維定位系統(tǒng) (Ant Colony Optimization, ACO)[7]、改進(jìn)遺傳算法3維定位系統(tǒng)(Improved Genetic Algorithm, IGA)[5]、模擬退火粒子群優(yōu)化算法的3維定位系統(tǒng) (Simulated Annealing Particle Swarm Optimization, SAPSO)[6]等與所提算法在相同環(huán)境與條件下進(jìn)行仿真如表5所示，并且FOV取為60°，引入接收平面傾斜修正與RSS濾波預(yù)處理。表5的結(jié)果表明，所提算法的定位精度較高(誤差0.031 m)僅次于SAPSO算法(誤差0.030 m)，定位時(shí)間最短(2.03 s)。結(jié)果表明所提算法定位與對比方法相比其精度較高，證明可見光通信在室內(nèi)定位中有著很好的應(yīng)用前景[18,19]。

表4 IIMPSO算法參數(shù)表

圖8 位于中心A處的粒子迭代分布及適應(yīng)度收斂曲線圖

圖9 接收端高度為0.5 m下定位誤差圖及誤差柱狀圖

圖10 接收端高度為1.5 m下定位誤差圖及誤差柱狀圖

6 結(jié)論

針對室內(nèi)可見光定位系統(tǒng)中3維定位困難的問題，本文提出一種基于改進(jìn)的IIMPSO算法的室內(nèi)可見光3維定位系統(tǒng)。通過優(yōu)化FOV以減少多徑反射的影響，同時(shí)完善傾斜狀態(tài)下的定位模型，采用卡爾曼濾波算法優(yōu)化對接收光功率進(jìn)行處理，最后利用所提算法在3維空間中優(yōu)化搜索。仿真結(jié)果表明，本文所提算法定位與對比方法相比，其精度較高，算法收斂時(shí)間更短，為室內(nèi)定位提供一種具有一定價(jià)值參考的方法。

表5 不同算法有效性驗(yàn)證