论文部分内容阅读
摘 要：该文设计了一种基于BP神经网络的室内可见光定位系统。该系统实验是在1 m×1 m×1 m的正方体空间模型内，由3个照度传感器、单片机和液晶显示屏组合成的光照度接收装置采集实验数据，并在MATLAB中使用BP神经网络算法对采集的数据进行处理。仿真结果表明，该定位系统能够在室内较好地定位，可以在智能物流仓库、智能家居机器人等领域应用。
关键词：可见光 单片机 定位 神经网络
中图分类号：TN929 文献标识码：A 文章编号：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
随着人工智能技术的迅速发展，智能穿戴设备、智能物流仓库、智能家居机器人等诸多设备迅速迭代，运用其中的室内定位技术如超声波定位技术[1]，红外定位技术[2]、GPS定位技术[3]、WiFi定位技术[4]、ZigBee 技术[5]等已日臻成熟。在这些定位系统中，超声波定位技术定位较为精准，但因为超声波在传输过程的衰减使得超声波定位技术实际定位范围有限;红外定位技术不需要被定位的终端携带任何终端或标签，但需要在定位区域内架设多个红外发射和接收装置，费用高;WiFi定位技术很容易组网，但其功耗大，且极易受到同频信号的干扰从而影响定位精度;ZigBee技术其衍射能力弱，穿墙能力弱。因此，该文设计了一种基于BP神经网络的室内可见光定位系统。此外，该文实验装置装采用多个照度传感器，为了得到更可靠的数据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，有的定位方法对硬件要求很高，有的定位方法实现较为困难，应用较为广泛的定位方法有到达时间算法TOA[6]、接收信号强度算法RSS[7]等。
到达时间算法TOA的定位原理是根据已知声波信号传播速度，根据目标点到参考节点的信号传播时间来计算定位点与参考节点的距离[8];接收信号强度算法RSS是通过计算接收端接收到的光照强度来实现相应距离获取的一种测距技术[9]，其测距思路是：测量并计算出接收到的光照强度，再通过相应的理论计算或者根据经验模型，将光照度值转换成两点间的距离值，以此来达到距离测量的目的。
考虑到TOA算法对发射机与接收机之间的时钟精度要求较高并且要有严格的同步性，价格比较昂贵，故考虑采用RSS算法进行定位。因多径效应及噪声影响，采用RSS算法测距时有距离估计不准确的问题，因此，该文采用BP神经网络算法进行可见光定位。BP神经网络算法有强大的处理非线性系统的能力，主要应用于函数逼近、模式识别、分类和数据压缩[10]等领域，BP神经网络正向传播数据和反向传播误差两个过程构成。正向传播为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若得不到期望的输出，进行误差信号的反向传播过程。交替进行这两个过程，使用梯度下降发修正权值，不断地迭代寻找出一组权值向量，得到最小的误差，从而完成信息提取和记忆过程。其BP神经网络结构如图1所示。 2 定位系统设计方案
该系统采用STM32F103系列的单片机作为控制器。此系列单片机功能强、自由度大、易于编程，可用软件方便地实现各种算法和逻辑。系统主要由LED灯控系统和接收测量系统组成。
2.1 灯控部分
该系统的灯控部分是由双MOS组成的LED驱动电路，运用PWM对每盏灯进行调光以实现每盏灯的亮度不同，其灯控电路图如图2所示。
2.2 接收部分
该文的接收部分采用的是TEMT6000环境光感模块和STM32单片机构成的，显示模块用的是12864液晶模块，3个光照度传感器将3个方向的光强采集后将模拟量送至STM32单片机，STM32单片机经过AD转换并进行软件滤波后将光照度的数字量显示在12864液晶屏上，接收部分的电路框图如图3所示。
2.3 设计方案
该文设计的方案如图4所示，在1 m×1 m×1 m的空间模型里，将照明用的3个高亮的LED灯从入口处到内的亮度依次变暗的布置在空间模型上方，这样能最大限度地减少空间模型外部光线对定位精度的影响，同时3盏灯的分布不可以成线性关系，以防止出现两个甚至多个光照强度一样的位置点从而影响定位精度。
光照强度信号被接收装置的照度传感器TEMT6000所接收，3个照度传感器TEMT6000分别成90°角摆放，这样设计为了提高所定位那点的数据可靠性，STM32单片机对3个传感器检测回来的模拟量进行AD转换，转换后数据分别保存，处理完成10次数据后取均值，把计算出来的数据传送到12864液晶屏上分别显示出来，其显示结果如图5所示。
2.4 实验数据采集
该文的实验数据是在夜晚进行100组数据的采集，这样能最大限度地减少空间模型外部光线对定位精度的影响，然后从屏幕上记录3个传感器的数据值。
2.5 室内定位实现方案
将空间模型底部以10 cm×10 cm的方格划分并形成二维直角坐标系，记录每个方格内部3个传感器采集光照强度的数值，用这些数值来训练BP神将网络，使得神经网络对坐标具有辨识功能，再用C语言将BP神经网络写入STM32单片机中。定位时将光照强度接收装置放入空间模型底部任意位置，装置通过采集该点的光照强度，使用训练好的BP神经网络实现定位功能。
3 实验数据仿真
使用MATLAB的神经网络工具箱中的NEWFF建立BP神经网络对得到的100组实验数据进行坐标识别。
首先使用隐含层为50层的BP神经网络进行100组数据的训练得到Regression绘制回归线用来测量神经网络对应数据拟合程度如图6所示;其次使用隐含层为20层的BP神经网络进行数据训练得到数据拟合程度如图7所示。
由图6和图7可以看出：（1）对于数据的坐标识别，使用50层的神经网络没有使用20层的神经网坐标分类得好。（2）使用20层的神经网络的R>0.95有较好的坐标分类效果。
在使用BP神经网络对于数据分类时，要使用最优的神经网络的层数，使用层数过少对数据的分类效果不好，使用层数过多，增大了计算量同时也可能存在过拟合的现象，因此选用合适的神经网络层数是非常重要的，这样不但节省了时间、提高了运行效率，也可以节约硬件成本。
4 结语
通过该实验可以得出，使用BP神经网络来进行数据的坐标分类，有较好的分类效果，相比于到达时间算法TOA，接收信号强度算法RSS，辅以BP神经网络算法处理的定位方法实现起来容易，在室内定位技术领域可以有较好的应用和发展前景。
参考文献
[1] 潘丽杰，徐本亮，赵飞.高精度超声波室内定位系统的设计[J].电子世界，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] 孙纬民，杜庆治.基于WiFi与蓝牙的室内定位技术探究[J].软件导刊，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.可見光室内定位技术研究[D].北京邮电大学，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.
关键词：可见光 单片机 定位 神经网络
中图分类号：TN929 文献标识码：A 文章编号：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
随着人工智能技术的迅速发展，智能穿戴设备、智能物流仓库、智能家居机器人等诸多设备迅速迭代，运用其中的室内定位技术如超声波定位技术[1]，红外定位技术[2]、GPS定位技术[3]、WiFi定位技术[4]、ZigBee 技术[5]等已日臻成熟。在这些定位系统中，超声波定位技术定位较为精准，但因为超声波在传输过程的衰减使得超声波定位技术实际定位范围有限;红外定位技术不需要被定位的终端携带任何终端或标签，但需要在定位区域内架设多个红外发射和接收装置，费用高;WiFi定位技术很容易组网，但其功耗大，且极易受到同频信号的干扰从而影响定位精度;ZigBee技术其衍射能力弱，穿墙能力弱。因此，该文设计了一种基于BP神经网络的室内可见光定位系统。此外，该文实验装置装采用多个照度传感器，为了得到更可靠的数据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，有的定位方法对硬件要求很高，有的定位方法实现较为困难，应用较为广泛的定位方法有到达时间算法TOA[6]、接收信号强度算法RSS[7]等。
到达时间算法TOA的定位原理是根据已知声波信号传播速度，根据目标点到参考节点的信号传播时间来计算定位点与参考节点的距离[8];接收信号强度算法RSS是通过计算接收端接收到的光照强度来实现相应距离获取的一种测距技术[9]，其测距思路是：测量并计算出接收到的光照强度，再通过相应的理论计算或者根据经验模型，将光照度值转换成两点间的距离值，以此来达到距离测量的目的。
考虑到TOA算法对发射机与接收机之间的时钟精度要求较高并且要有严格的同步性，价格比较昂贵，故考虑采用RSS算法进行定位。因多径效应及噪声影响，采用RSS算法测距时有距离估计不准确的问题，因此，该文采用BP神经网络算法进行可见光定位。BP神经网络算法有强大的处理非线性系统的能力，主要应用于函数逼近、模式识别、分类和数据压缩[10]等领域，BP神经网络正向传播数据和反向传播误差两个过程构成。正向传播为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若得不到期望的输出，进行误差信号的反向传播过程。交替进行这两个过程，使用梯度下降发修正权值，不断地迭代寻找出一组权值向量，得到最小的误差，从而完成信息提取和记忆过程。其BP神经网络结构如图1所示。 2 定位系统设计方案
该系统采用STM32F103系列的单片机作为控制器。此系列单片机功能强、自由度大、易于编程，可用软件方便地实现各种算法和逻辑。系统主要由LED灯控系统和接收测量系统组成。
2.1 灯控部分
该系统的灯控部分是由双MOS组成的LED驱动电路，运用PWM对每盏灯进行调光以实现每盏灯的亮度不同，其灯控电路图如图2所示。
2.2 接收部分
该文的接收部分采用的是TEMT6000环境光感模块和STM32单片机构成的，显示模块用的是12864液晶模块，3个光照度传感器将3个方向的光强采集后将模拟量送至STM32单片机，STM32单片机经过AD转换并进行软件滤波后将光照度的数字量显示在12864液晶屏上，接收部分的电路框图如图3所示。
2.3 设计方案
该文设计的方案如图4所示，在1 m×1 m×1 m的空间模型里，将照明用的3个高亮的LED灯从入口处到内的亮度依次变暗的布置在空间模型上方，这样能最大限度地减少空间模型外部光线对定位精度的影响，同时3盏灯的分布不可以成线性关系，以防止出现两个甚至多个光照强度一样的位置点从而影响定位精度。
光照强度信号被接收装置的照度传感器TEMT6000所接收，3个照度传感器TEMT6000分别成90°角摆放，这样设计为了提高所定位那点的数据可靠性，STM32单片机对3个传感器检测回来的模拟量进行AD转换，转换后数据分别保存，处理完成10次数据后取均值，把计算出来的数据传送到12864液晶屏上分别显示出来，其显示结果如图5所示。
2.4 实验数据采集
该文的实验数据是在夜晚进行100组数据的采集，这样能最大限度地减少空间模型外部光线对定位精度的影响，然后从屏幕上记录3个传感器的数据值。
2.5 室内定位实现方案
将空间模型底部以10 cm×10 cm的方格划分并形成二维直角坐标系，记录每个方格内部3个传感器采集光照强度的数值，用这些数值来训练BP神将网络，使得神经网络对坐标具有辨识功能，再用C语言将BP神经网络写入STM32单片机中。定位时将光照强度接收装置放入空间模型底部任意位置，装置通过采集该点的光照强度，使用训练好的BP神经网络实现定位功能。
3 实验数据仿真
使用MATLAB的神经网络工具箱中的NEWFF建立BP神经网络对得到的100组实验数据进行坐标识别。
首先使用隐含层为50层的BP神经网络进行100组数据的训练得到Regression绘制回归线用来测量神经网络对应数据拟合程度如图6所示;其次使用隐含层为20层的BP神经网络进行数据训练得到数据拟合程度如图7所示。
由图6和图7可以看出：（1）对于数据的坐标识别，使用50层的神经网络没有使用20层的神经网坐标分类得好。（2）使用20层的神经网络的R>0.95有较好的坐标分类效果。
在使用BP神经网络对于数据分类时，要使用最优的神经网络的层数，使用层数过少对数据的分类效果不好，使用层数过多，增大了计算量同时也可能存在过拟合的现象，因此选用合适的神经网络层数是非常重要的，这样不但节省了时间、提高了运行效率，也可以节约硬件成本。
4 结语
通过该实验可以得出，使用BP神经网络来进行数据的坐标分类，有较好的分类效果，相比于到达时间算法TOA，接收信号强度算法RSS，辅以BP神经网络算法处理的定位方法实现起来容易，在室内定位技术领域可以有较好的应用和发展前景。
参考文献
[1] 潘丽杰，徐本亮，赵飞.高精度超声波室内定位系统的设计[J].电子世界，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] 孙纬民，杜庆治.基于WiFi与蓝牙的室内定位技术探究[J].软件导刊，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.可見光室内定位技术研究[D].北京邮电大学，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.