基于KPCA-K-means++和GA-LMS模型的改进RBF神经网络室内可见光定位

摘要：

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法.所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位.利用核主成分分析K-means++(KPCA-K means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值.通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优.仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为 28.6 dBm～-25.1 dBm,定位误差小于0.1m.因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点.

关键词：光通信、可见光定位、自适应化授粉、接收信号强度指示、RBF神经网络、核主成分分析K-means++模型、遗传算法-最小均方模型

所属期刊栏目：41

分类号：TN929.12

资助基金：吉林省自然科学基金;博士启动基金

在线出版日期：2021-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：64-73