0 引言

　　随着人们对室内定位需求的日益增加，研究人员开发出了一些常见的定位技术，如红外、无线网络通信（WiFi）、射频识别（RFID）、蓝牙等。然而，这些技术存在成本较高、定位误差较大和易受到其它信号干扰的问题。相比之下，可见光具有保密性高、成本低、高精度定位等特点，已成为现阶段的研究热点[1-2]。近年来，随着人工智能技术的日益成熟，结合人工智能的室内定位研究不仅成为了热点，还取得了显著的进展。2019年，史明泉等人[3]基于粒子群优化（PSO）算法设计了一种单发光二极管（LED）灯的室内定位系统。该系统通过使用单个LED灯作为光源，避免了多个LED光源信号之间可能产生的相互干扰，不仅部署简单，而且定位精度高达13.67 cm。2020年，HAN W等人[4]提出了一种基于M5模型树（M5Tree）的迭代算法，该算法利用单个LED和多个光电探测器（PD）实现室内定位，并评估了树的最大深度和迭代次数对定位精度的影响，在单个LED定位系统中具有良好的定位性能。2021年，HASAN A B等人[5]提出了使用加权K近邻（WKNN）算法进行基于接收信号强度（RSS）的指纹识别定位，并发现使用少于3个LED灯即可实现定位，且WKNN算法的定位精度优于多层感知器（MLP）。然而，这些文献中的方法均采用单一算法进行定位，因此可能面临定位精度和稳定性不高的问题。为了解决这个问题，本文提出一种基于双向长短时记忆（Bi-LSTM）神经网络的室内可见光定位方法，使用灰狼优化结合粒子群（GWO-PSO）算法[6-9]对Bi-LSTM神经网络进行优化，利用WKNN算法对定位误差较大的点进行修正，以降低系统的最大定位误差和平均定位误差，从而实现更精准的定位。

4 结束语

　　本文提出了一种利用GWO-PSO算法优化Bi-LSTM神经网络的超参数，并用WKNN算法对误差较大的点进行修正的室内定位方法。仿真结果表明：本文所提定位方法的平均定位误差为3.57 cm，其中90%的定位误差在6 cm内，与其它室内可见光定位算法相比，本文所提定位方法的定位误差更小，更具有鲁棒性。