王正 朱玉業(yè) 張中成

摘? 要：該文設計了一種基于BP神經網絡的室內可見光定位系統(tǒng)。該系統(tǒng)實驗是在1 m×1 m×1 m的正方體空間模型內，由3個照度傳感器、單片機和液晶顯示屏組合成的光照度接收裝置采集實驗數據，并在MATLAB中使用BP神經網絡算法對采集的數據進行處理。仿真結果表明，該定位系統(tǒng)能夠在室內較好地定位，可以在智能物流倉庫、智能家居機器人等領域應用。

關鍵詞：可見光? 單片機? 定位? 神經網絡

中圖分類號：TN929??????????? 文獻標識碼：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

隨著人工智能技術的迅速發(fā)展，智能穿戴設備、智能物流倉庫、智能家居機器人等諸多設備迅速迭代，運用其中的室內定位技術如超聲波定位技術[1]，紅外定位技術[2]、GPS定位技術[3]、WiFi定位技術[4]、ZigBee 技術[5]等已日臻成熟。在這些定位系統(tǒng)中，超聲波定位技術定位較為精準，但因為超聲波在傳輸過程的衰減使得超聲波定位技術實際定位范圍有限;紅外定位技術不需要被定位的終端攜帶任何終端或標簽，但需要在定位區(qū)域內架設多個紅外發(fā)射和接收裝置，費用高;WiFi定位技術很容易組網，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技術其衍射能力弱，穿墻能力弱。因此，該文設計了一種基于BP神經網絡的室內可見光定位系統(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據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，有的定位方法實現較為困難，應用較為廣泛的定位方法有到達時間算法TOA[6]、接收信號強度算法RSS[7]等。

到達時間算法TOA的定位原理是根據已知聲波信號傳播速度，根據目標點到參考節(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];接收信號強度算法RSS是通過計算接收端接收到的光照強度來實現相應距離獲取的一種測距技術[9]，其測距思路是：測量并計算出接收到的光照強度，再通過相應的理論計算或者根據經驗模型，將光照度值轉換成兩點間的距離值，以此來達到距離測量的目的。

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

2? 定位系統(tǒng)設計方案

該系統(tǒng)采用STM32F103系列的單片機作為控制器。此系列單片機功能強、自由度大、易于編程，可用軟件方便地實現各種算法和邏輯。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驅動電路，運用PWM對每盞燈進行調光以實現每盞燈的亮度不同，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單片機構成的，顯示模塊用的是12864液晶模塊，3個光照度傳感器將3個方向的光強采集后將模擬量送至STM32單片機，STM32單片機經過AD轉換并進行軟件濾波后將光照度的數字量顯示在12864液晶屏上，接收部分的電路框圖如圖3所示。

2.3 設計方案

該文設計的方案如圖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系，以防止出現兩個甚至多個光照強度一樣的位置點從而影響定位精度。

光照強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，這樣設計為了提高所定位那點的數據可靠性，STM32單片機對3個傳感器檢測回來的模擬量進行AD轉換，轉換后數據分別保存，處理完成10次數據后取均值，把計算出來的數據傳送到12864液晶屏上分別顯示出來，其顯示結果如圖5所示。

2.4 實驗數據采集

該文的實驗數據是在夜晚進行100組數據的采集，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個傳感器的數據值。

2.5 室內定位實現方案

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系，記錄每個方格內部3個傳感器采集光照強度的數值，用這些數值來訓練BP神將網絡，使得神經網絡對坐標具有辨識功能，再用C語言將BP神經網絡寫入STM32單片機中。定位時將光照強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度，使用訓練好的BP神經網絡實現定位功能。

3? 實驗數據仿真

使用MATLAB的神經網絡工具箱中的NEWFF建立BP神經網絡對得到的100組實驗數據進行坐標識別。

首先使用隱含層為50層的BP神經網絡進行100組數據的訓練得到Regression繪制回歸線用來測量神經網絡對應數據擬合程度如圖6所示;其次使用隱含層為20層的BP神經網絡進行數據訓練得到數據擬合程度如圖7所示。

由圖6和圖7可以看出：（1）對于數據的坐標識別，使用50層的神經網絡沒有使用20層的神經網坐標分類得好。（2）使用20層的神經網絡的R>0.95有較好的坐標分類效果。

在使用BP神經網絡對于數據分類時，要使用最優(yōu)的神經網絡的層數，使用層數過少對數據的分類效果不好，使用層數過多，增大了計算量同時也可能存在過擬合的現象，因此選用合適的神經網絡層數是非常重要的，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? 結語

通過該實驗可以得出，使用BP神經網絡來進行數據的坐標分類，有較好的分類效果，相比于到達時間算法TOA，接收信號強度算法RSS，輔以BP神經網絡算法處理的定位方法實現起來容易，在室內定位技術領域可以有較好的應用和發(fā)展前景。

參考文獻

[1]?潘麗杰，徐本亮，趙飛.高精度超聲波室內定位系統(tǒng)的設計[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與藍牙的室內定位技術探究[J].軟件導刊，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.可見光室內定位技術研究[D].北京郵電大學，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.