1. 研究背景与动机：

• 随着位置服务和物联网应用的普及，高精度室内定位需求迫切。

• 传统定位技术（如GPS）在室内效果不佳，红外、WiFi、射频识别、蓝牙及超宽带等技术存在成本高、易受干扰、覆盖范围有限或误差偏大等问题。

• 可见光定位（VLP）因其无电磁干扰、高安全性、成本低及可与照明系统融合等优势，成为室内定位关键发展方向。

2. 现有方法与问题：

• 传统VLP方法包括到达时间（TOA）、到达角度（AOA）、到达时间差（TDOA）及基于接收信号强度值（RSSI）的方法。

• RSSI指纹匹配法因实施简单受关注，但RSSI信号易受传输距离、入射角度、环境光噪声和非视距传播影响，表现出非线性与不稳定性，制约定位精度。

3. 提出方法：

• 提出一种基于改进黑翅鸢算法（IBKA）优化核极限学习机（KELM）的室内可见光定位方法（IBKA-KELM）。

• 通过佳点集初始化、自适应权重策略和黄金正弦扰动策略提升黑翅鸢算法（BKA）性能。

• 利用优化后的算法自动确定KELM的关键参数，构建高精度定位模型。

4. 模型构建与实现：

• 指纹数据库建立：在5 m×5 m×3 m仿真环境中，均匀划分采样点，测量各LED光功率，使用卡尔曼滤波降噪处理，建立指纹数据库。

• KELM模型：采用径向基函数（RBF）作为核函数，通过核技巧处理非线性问题，性能受正则化参数C和核参数γ影响。

• IBKA优化：针对BKA初始化分布不均及易陷入局部最优的问题，引入佳点集初始化、自适应权重策略和黄金正弦扰动策略，提升全局搜索能力。

• 定位模型：以KELM为核心回归器，利用IBKA优化其参数，实现厘米级定位精度。

5. 实验结果与分析：

• IBKA性能测试：在IEEE CEC2017测试集上，IBKA在收敛性、局部最优逃逸及复杂搜索能力上表现优异，优于BKA、IPSO、WOA和FOX算法。

• 定位精度测试：在仿真环境中，IBKA-KELM方法平均定位误差为1.93 cm，92%测试点误差小于3.3 cm，实现厘米级定位精度。

• 对比分析：与ELM、KELM、PSO-KELM、BKA-KELM算法相比，IBKA-KELM在定位精度和稳定性上表现更佳。

6. 总结与展望：

• IBKA-KELM方法通过优化KELM参数，显著提升室内VLP系统的精度与稳定性。

• 研究基于视距链路理想噪声假设，未充分考虑实际环境中的多径效应动态干扰。

• 后续工作可聚焦复杂信道建模、拓展三维定位、引入在线自适应机制，增强方法实际场景适用性。

本文通过引入改进的黑翅鸢算法优化核极限学习机，提出了一种高精度的室内可见光定位方法，有效解决了传统方法中的定位精度低和稳定性差的问题，为室内定位技术的发展提供了新的思路和方法。