基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)可見光定位系統(tǒng)

王正 朱玉業(yè) 張中成

摘? 要：該文設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)可見光定位系統(tǒng)。該系統(tǒng)實驗是在1 m×1 m×1 m的正方體空間模型內(nèi)，由3個照度傳感器、單片機(jī)和液晶顯示屏組合成的光照度接收裝置采集實驗數(shù)據(jù)，并在MATLAB中使用BP神經(jīng)網(wǎng)絡(luò)算法對采集的數(shù)據(jù)進(jìn)行處理。仿真結(jié)果表明，該定位系統(tǒng)能夠在室內(nèi)較好地定位，可以在智能物流倉庫、智能家居機(jī)器人等領(lǐng)域應(yīng)用。

關(guān)鍵詞：可見光? 單片機(jī)? 定位? 神經(jīng)網(wǎng)絡(luò)

中圖分類號：TN929??????????? 文獻(xiàn)標(biāo)識碼：A??? ???????????? 文章編號：1672-3791（2021）01（a）-0081-04

Indoor Visible Light Location System Based on BP Neural Network

WANG Zheng1? ZHU Yuye2? ZHANG Zhongcheng3

（1.School of Information Science and Engineering， Shenyang University of Technology， Shenyang， Liaoning? Province， 110000 China; 2.Zhuhai Shixin Medical Technology Co.， LTD.， Zhuhai， Guangdong Province， 519000 China; Liaoning Science and Technology University Iot Technology Co.， LTD.，???????????????????????????????????????? Anshan， Liaoning Province， 114000 China）

Abstract： In this paper， an indoor visible light location system based on BP neural network is designed. The experiment of this system is to collect the experimental data in the cube space model of 1m×1m×1m， which is composed of three illumination sensors， single chip microcomputer and liquid crystal display screen. In addition， BP neural network algorithm is used to process the collected data in MATLAB. The simulation results show that the positioning system can be well positioned indoors and can be applied to intelligent logistics warehouse and intelligent home robot.

Key Words： Visible light; MCU; Positioning; Neural network

隨著人工智能技術(shù)的迅速發(fā)展，智能穿戴設(shè)備、智能物流倉庫、智能家居機(jī)器人等諸多設(shè)備迅速迭代，運用其中的室內(nèi)定位技術(shù)如超聲波定位技術(shù)[1]，紅外定位技術(shù)[2]、GPS定位技術(shù)[3]、WiFi定位技術(shù)[4]、ZigBee 技術(shù)[5]等已日臻成熟。在這些定位系統(tǒng)中，超聲波定位技術(shù)定位較為精準(zhǔn)，但因為超聲波在傳輸過程的衰減使得超聲波定位技術(shù)實際定位范圍有限;紅外定位技術(shù)不需要被定位的終端攜帶任何終端或標(biāo)簽，但需要在定位區(qū)域內(nèi)架設(shè)多個紅外發(fā)射和接收裝置，費用高;WiFi定位技術(shù)很容易組網(wǎng)，但其功耗大，且極易受到同頻信號的干擾從而影響定位精度;ZigBee技術(shù)其衍射能力弱，穿墻能力弱。因此，該文設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)可見光定位系統(tǒng)。此外，該文實驗裝置裝采用多個照度傳感器，為了得到更可靠的數(shù)據(jù)以便于提高定位的精度。

1? 定位原理

目前可見光定位方法有很多，有的定位方法對硬件要求很高，有的定位方法實現(xiàn)較為困難，應(yīng)用較為廣泛的定位方法有到達(dá)時間算法TOA[6]、接收信號強(qiáng)度算法RSS[7]等。

到達(dá)時間算法TOA的定位原理是根據(jù)已知聲波信號傳播速度，根據(jù)目標(biāo)點到參考節(jié)點的信號傳播時間來計算定位點與參考節(jié)點的距離[8];接收信號強(qiáng)度算法RSS是通過計算接收端接收到的光照強(qiáng)度來實現(xiàn)相應(yīng)距離獲取的一種測距技術(shù)[9]，其測距思路是：測量并計算出接收到的光照強(qiáng)度，再通過相應(yīng)的理論計算或者根據(jù)經(jīng)驗?zāi)Ｐ停瑢⒐庹斩戎缔D(zhuǎn)換成兩點間的距離值，以此來達(dá)到距離測量的目的。

考慮到TOA算法對發(fā)射機(jī)與接收機(jī)之間的時鐘精度要求較高并且要有嚴(yán)格的同步性，價格比較昂貴，故考慮采用RSS算法進(jìn)行定位。因多徑效應(yīng)及噪聲影響，采用RSS算法測距時有距離估計不準(zhǔn)確的問題，因此，該文采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行可見光定位。BP神經(jīng)網(wǎng)絡(luò)算法有強(qiáng)大的處理非線性系統(tǒng)的能力，主要應(yīng)用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮[10]等領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)正向傳播數(shù)據(jù)和反向傳播誤差兩個過程構(gòu)成。正向傳播為輸入層→隱層→輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若得不到期望的輸出，進(jìn)行誤差信號的反向傳播過程。交替進(jìn)行這兩個過程，使用梯度下降發(fā)修正權(quán)值，不斷地迭代尋找出一組權(quán)值向量，得到最小的誤差，從而完成信息提取和記憶過程。其BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2? 定位系統(tǒng)設(shè)計方案

該系統(tǒng)采用STM32F103系列的單片機(jī)作為控制器。此系列單片機(jī)功能強(qiáng)、自由度大、易于編程，可用軟件方便地實現(xiàn)各種算法和邏輯。系統(tǒng)主要由LED燈控系統(tǒng)和接收測量系統(tǒng)組成。

2.1 燈控部分

該系統(tǒng)的燈控部分是由雙MOS組成的LED驅(qū)動電路，運用PWM對每盞燈進(jìn)行調(diào)光以實現(xiàn)每盞燈的亮度不同，其燈控電路圖如圖2所示。

2.2 接收部分

該文的接收部分采用的是TEMT6000環(huán)境光感模塊和STM32單片機(jī)構(gòu)成的，顯示模塊用的是12864液晶模塊，3個光照度傳感器將3個方向的光強(qiáng)采集后將模擬量送至STM32單片機(jī)，STM32單片機(jī)經(jīng)過AD轉(zhuǎn)換并進(jìn)行軟件濾波后將光照度的數(shù)字量顯示在12864液晶屏上，接收部分的電路框圖如圖3所示。

2.3 設(shè)計方案

該文設(shè)計的方案如圖4所示，在1 m×1 m×1 m的空間模型里，將照明用的3個高亮的LED燈從入口處到內(nèi)的亮度依次變暗的布置在空間模型上方，這樣能最大限度地減少空間模型外部光線對定位精度的影響，同時3盞燈的分布不可以成線性關(guān)系，以防止出現(xiàn)兩個甚至多個光照強(qiáng)度一樣的位置點從而影響定位精度。

光照強(qiáng)度信號被接收裝置的照度傳感器TEMT6000所接收，3個照度傳感器TEMT6000分別成90°角擺放，這樣設(shè)計為了提高所定位那點的數(shù)據(jù)可靠性，STM32單片機(jī)對3個傳感器檢測回來的模擬量進(jìn)行AD轉(zhuǎn)換，轉(zhuǎn)換后數(shù)據(jù)分別保存，處理完成10次數(shù)據(jù)后取均值，把計算出來的數(shù)據(jù)傳送到12864液晶屏上分別顯示出來，其顯示結(jié)果如圖5所示。

2.4 實驗數(shù)據(jù)采集

該文的實驗數(shù)據(jù)是在夜晚進(jìn)行100組數(shù)據(jù)的采集，這樣能最大限度地減少空間模型外部光線對定位精度的影響，然后從屏幕上記錄3個傳感器的數(shù)據(jù)值。

2.5 室內(nèi)定位實現(xiàn)方案

將空間模型底部以10 cm×10 cm的方格劃分并形成二維直角坐標(biāo)系，記錄每個方格內(nèi)部3個傳感器采集光照強(qiáng)度的數(shù)值，用這些數(shù)值來訓(xùn)練BP神將網(wǎng)絡(luò)，使得神經(jīng)網(wǎng)絡(luò)對坐標(biāo)具有辨識功能，再用C語言將BP神經(jīng)網(wǎng)絡(luò)寫入STM32單片機(jī)中。定位時將光照強(qiáng)度接收裝置放入空間模型底部任意位置，裝置通過采集該點的光照強(qiáng)度，使用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)定位功能。

3? 實驗數(shù)據(jù)仿真

使用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱中的NEWFF建立BP神經(jīng)網(wǎng)絡(luò)對得到的100組實驗數(shù)據(jù)進(jìn)行坐標(biāo)識別。

首先使用隱含層為50層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行100組數(shù)據(jù)的訓(xùn)練得到Regression繪制回歸線用來測量神經(jīng)網(wǎng)絡(luò)對應(yīng)數(shù)據(jù)擬合程度如圖6所示;其次使用隱含層為20層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練得到數(shù)據(jù)擬合程度如圖7所示。

由圖6和圖7可以看出：（1）對于數(shù)據(jù)的坐標(biāo)識別，使用50層的神經(jīng)網(wǎng)絡(luò)沒有使用20層的神經(jīng)網(wǎng)坐標(biāo)分類得好。（2）使用20層的神經(jīng)網(wǎng)絡(luò)的R>0.95有較好的坐標(biāo)分類效果。

在使用BP神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)分類時，要使用最優(yōu)的神經(jīng)網(wǎng)絡(luò)的層數(shù)，使用層數(shù)過少對數(shù)據(jù)的分類效果不好，使用層數(shù)過多，增大了計算量同時也可能存在過擬合的現(xiàn)象，因此選用合適的神經(jīng)網(wǎng)絡(luò)層數(shù)是非常重要的，這樣不但節(jié)省了時間、提高了運行效率，也可以節(jié)約硬件成本。

4? 結(jié)語

通過該實驗可以得出，使用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行數(shù)據(jù)的坐標(biāo)分類，有較好的分類效果，相比于到達(dá)時間算法TOA，接收信號強(qiáng)度算法RSS，輔以BP神經(jīng)網(wǎng)絡(luò)算法處理的定位方法實現(xiàn)起來容易，在室內(nèi)定位技術(shù)領(lǐng)域可以有較好的應(yīng)用和發(fā)展前景。

參考文獻(xiàn)

[1]?潘麗杰，徐本亮，趙飛.高精度超聲波室內(nèi)定位系統(tǒng)的設(shè)計[J].電子世界，2018，24（18）：113-115.

[2]?LUO Junhai， FAN LIying， LI Husheng. Indoor Positioning Systems Based on Visible Light Communication：State of the Art[J].IEEE Communications Surveys & Tutorials， 2017，19（4）：2871-2893.

[3]?CHEN Shuxin， WANG Yongsheng， CHEN Fei. A Study of Differential GPS Positioning Accuracy[C]//ICMMT Proceedings，2002：361-364.

[4]?孫緯民，杜慶治.基于WiFi與藍(lán)牙的室內(nèi)定位技術(shù)探究[J].軟件導(dǎo)刊，2018，17（3）：169-171.

[5]?LI Zheng. ZigBee Wireless Sensor Network in Industrial Applications[J].SICE-ICASE International Joint Conference，2006，1（3）：1067-1070.

[6]?Thomas Q. Wang， Ahmet Sekerciogla， Adrian Neilel， et al.Position accuracy of Time-of-Arrival Based Ranging Using Visible Light with Application in Indoor Localization System[J].Journal of Lithtwave Technology，2013，31（20）：3302-3308.

[7]?Lv Huichao， FENG Lihui，YANG Aiying，et al. High Accuracy VLC Indoor Positioning System with Differential Detection[J].IEEE Photonics Journal，2017，9（3）：1-13.

[8]?ZHOU Xianzhan.Research on Indoor Navigation and Positioning Method Based on Ultrasound[D].Nanchang University，2016.

[9]?李菁.可見光室內(nèi)定位技術(shù)研究[D].北京郵電大學(xué)，2015.

[10]?LV Chen，XING Yang，ZHANG Junzhi. et al. Le venberg-Marquardt Backpropagation Training of Multilayer Neural Networks for State Estimation of a Safety-Critical Cyber-Physical System[J].IEEE Tra Nsactions on Industrial?????? Informatics，2018，14（8）：3436-3446.