全文阅读精要

这篇文章介绍了基于生物启发多特征融合学习的可见光室内位置感知方法，以下是核心内容的总结：

1. 研究背景与动机：

• 可见光通信（VLC）的发展促使基于VLC的室内位置感知技术受到关注。

• 现有方法存在局限性，如需要朝光源拍摄、在LED缺少时难以实现高精度定位、算法复杂等。

• 为提高Elman神经网络的稳健性和定位精度，提出生物启发多特征融合学习方法。

2. 方法概述：

• 方法包括图像预处理、多特征融合构建位置感知特征库、采用蜣螂优化（DBO）算法优化Elman神经网络。

3. 图像预处理与特征提取：

• 使用BM3D算法对采集的可见光图像进行去噪预处理。

• 采用ResNet50卷积神经网络提取图像在不同层次上的深度特征，并通过融合低层次与高层次特征来增强特征表达能力。

• 使用核主成分分析法（KPCA）进行特征降维，减少计算复杂度并保留高阶信息。

4. DBO-Elman+IFDF算法：

• 针对Elman神经网络易陷入局部最优的问题，提出DBO-Elman+IFDF算法。

• DBO算法优化Elman神经网络的拓扑结构和权重参数，加速收敛速度并提升泛化性能。

• DBO算法通过模拟蜣螂的不同行为（滚动、繁殖、觅食、偷窃）来更新位置，避免局部最优。

5. 实验设置与结果：

• 实验在4m×3.5m×3m的三维环境中进行，布置4个LED光源，划分成0.1m×0.1m的格子采集图像。

• 使用DBO算法训练Elman神经网络，与麻雀搜索算法（SSA）相比，DBO算法展现出更快的收敛速度和更高的精度。

• 实验结果表明，所提算法平均定位误差为0.21m，定位误差小于0.4m的概率达到91.3%，相比Elman算法定位精度提高了12.7%。

6. 性能比较：

• 将所提算法与BP神经网络算法、Elman神经网络算法、DBO-Elman神经网络算法进行比较。

• 所提算法在最小误差、最大误差、平均误差方面均优于其他算法，定位精度显著提高。

• 累积误差分布曲线显示，所提算法小于0.5m的概率达到96%，高于其他算法。

7. 系统鲁棒性：

• 在不同高度平面上（0m和0.5m）进行系统测试，平均定位误差分别为0.202m和0.223m，表明系统在不同高度上均能保持良好的定位精度。

• 系统在中心区域的定位精度高于边缘区域，因为中心区域图像特征更丰富。

8. 创新点与贡献：

• 提出生物启发多特征融合学习方法，通过融合多层次特征提升特征表达能力。

• 采用DBO算法优化Elman神经网络，解决传统算法易陷入局部最优的问题。

• 实验验证所提方法在提高室内可见光位置感知精度和鲁棒性方面的有效性。

9. 未来展望：

• 提出的方法为室内可见光位置感知提供了新的思路，未来可进一步探索其他优化算法和特征融合策略。

• 随着可见光通信和图像处理技术的不断发展，该方法有望在更多应用场景中发挥重要作用。