0 引言

　　随着第五代移动通信技术的大规模普及，无人停车场、全自动化工厂等大型建筑设施中对室内定位服务的需求正在快速增长，各类室内定位解决方案成为了当下的研究热点。但是，全球定位系统（GPS）以及北斗定位导航系统受到电磁屏蔽、多径衰落和障碍物阻挡等因素的影响，无法满足高精度、高稳定性的室内定位需求[1]。目前，常用的室内定位技术（红外定位、超声波定位、蓝牙定位、WiFi定位和Zigbee定位）可以提供几米到几十厘米的定位精度[2-3]。但是，在电磁环境复杂的室内，大多数基于无线通信的系统受电磁干扰，其稳定性与定位精度得不到保障[4]。此时，一种利用可见光进行无线通信的技术——可见光通信（VLC）以其绿色环保、抗电磁干扰和频谱资源丰富等优点得到迅速发展，而基于VLC的高精度室内可见光定位（VLP）技术也得到了广泛研究。VLP技术是一种基于VLC技术实现照明和通信相统一的新型室内定位技术，被讨论为下一代移动通信系统的室内接入方式之一，具有非常广阔的应用前景[5-6]。

　　经过近几年的发展，VLP技术已经具备一定的技术基础。传统的室内VLP技术可以大致分为基于接收信号的几何测量方法和基于图像的算法。基于接收信号的几何测量法使用光电检测器（PD）采集信号强度，再采用到达时间（TOA）法[7]、到达时间差（TDOA）法[8]、到达角度（AOA）法[9]、接收信号强度（RSS）法[10]和指纹匹配法[11]等算法进行定位；基于图像的算法是将PD换成高精度摄像头，通过对摄像头采集到的高清图像进行处理与识别来实现室内定位。随着对VLP技术研究的不断深入，各种具有更高复杂度、性能更好的混合定位算法与基于机器学习的定位算法层出不穷。例如：文献[12]利用3个发光二极管（LED）进行室内光源布局，同时采用4个传感器采集光源发出的光信号，用线性逼近法进行二维平面定位，定位误差达到12.65 cm；文献[13]提出了一种利用TDOA与RSS混合的定位算法，该算法利用两步定位技术，实现了在高信噪比下较好的定位性能，但是，TDOA算法要求设备具有严格的同步时钟周期，硬件搭建繁琐且稳定性差；文献[14]利用K-means聚类算法实现了一种无监督的LED定位，该算法首次将机器学习的方法应用于室内VLP系统，最终在4 m×4 m×4 m场景中接收器的平均定位误差达到0.31 m，但是该系统采用的K-means聚类算法对K值的选取敏感，很难确定分类的个数和同时具备稳定、高效率、高精度的室内定位。针对非线性问题，人工神经网络的自学习能力和自适应能力具有较好的拟合性能，近年来在室内定位领域得到广泛应用。例如：文献[15]采用遗传-最小均方（GA-LMS）算法优化径向基函数（RBF）神经网络的连接权值矩阵，实现了定位精度在0.1 m内的改进神经模型定位，但是遗传算法（GA）的实现复杂，且3个算子的参数选择严重影响GA的寻优性能。天牛须搜索（BAS）算法具有运算量小、收敛速度快和实现简单等优点，本文为了提高定位系统的稳定性与精度，将神经网络与BAS算法结合，对室内可见光信道参数进行学习，从而实现稳定、高精度的可见光室内定位。

4 结束语

　　本文针对传统的基于神经网络算法的室内VLP技术稳定性差、性能不理想和神经网络训练速度慢等问题，将BAS算法与神经网络相结合，提出了一种基于采用BAS算法优化神经网络的VLP方法。首先，该方法结合多次反射信道建模，采用BAS算法优化神经网络的初始权值矩阵；然后，使用优化的网络对室内可见光信道参数进行学习；最后，搭建神经网络训练与测试模型。该模型可以显著提高VLP系统的定位精度和速度，实现高速和高精度的定位。仿真测试时，该算法在5 m×5 m×3 m的室内空间模型的平均定位误差不超过3.42 cm。在实物测试阶段，本文搭建了0.8 m×0.8 m×0.8 m的实验模型，平均定位误差为4.33 cm。在相同规模的数据中，训练速度比BP神经网络提高了40%，为室内VLP技术提供了新的可行方案。