(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211111917.X (22)申请日 2022.09.13 (71)申请人 江苏达尔赛 通讯电子设备有限公司 地址 211400 江苏省扬州市仪征市马集 镇 工业集中区乐 业科创园1号楼 (72)发明人 梁中华　高虹伟　 (51)Int.Cl. G01S 5/16(2006.01) G06N 20/00(2019.01) (54)发明名称 基于局部训练样本的ELM可 见光定位法 (57)摘要 本发明涉及可见光室内定位技术领域， 尤其 涉及一种基于局部训练样本的极限学习机 （ELM） 定位方法， 包括以下步骤： 首先， 根据提前采集的 用于训练ELM的大训练样本， 提出了区域迭代阈 值缩小法， 得到一个可以将TN包围的正方形区 域。 然后， 选取位于上述正方形区域的训练样本 组成局部训练样本来训练ELM网络， 获得ELM网络 参数。 最后， 目标节点的位置通过训练好的的ELM 网络和其接收的功率向量准确估计。 本发明提出 的一种基于局部训练样本的ELM的室内定位方 法， 解决了基于大训练样本的ELM存在定位精度 不高的问题。 权利要求书2页 说明书5页 附图4页 CN 115494451 A 2022.12.20 CN 115494451 A 1.基于局部训练样本的ELM室内定位方法， 其特 征在于， 包括以下步骤： S1： 离线收集训练数据库， 在定位房间中网格状均匀收集数据， 每个点的数据信息包括 接收到的各个LED的功率向量以及其真实位置 。 S2： 根据收集到的大样本的训练数据库， 使用区域迭代阈值缩小法获得包围TN所在的 正方形区域， 这个区域的四个顶点分别是样本点。 S3： 选择上述正方形区域中的数据构成局部训练样本， 来训练ELM网络并获得网络参 数； S4： TN接收的各个LED的功率值作为训练好的ELM的输入， ELM网络的输出为TN位置的坐 标估计。 2.根据权利要求1所述的基于局部训练样本的ELM定位算法， 其特征在于， 步骤S2具体 包括： S201： 确定 离目标节点在第t ‑1次迭代中最近的顶点的序号， 所确定序号的表达式为： 其中， j代表了与目标节点距离最近的正方形区域顶点标号， || ·||2表示的是向量的二 范数； P＝[p1,p2,...,pm]T表示的是目标接 收到的m个LED的功率向量。 为第t‑1次迭代中确定的正方 形顶点为 的m个LED的功率向量。 S202： 确定目标是否位于 作为顶点和随机确定的边长Lt的正方形中， 这个正方形为 上一次迭代确定正方 形的一部分。 其中， c是一个在区间(0.25， 0.5)随机分布的随机数， 是在第t‑1次迭代中所确定的 长方形的边长， l 为网格状的训练数据样本的间隔。 在第t次迭代中所确定的正方 形的边长的表达式为： 其中， O和 分别表示 作为顶点和Lt为边长的正方形的中心点和 顶点的功率向量。 不断迭代直至满足条件 其中Lmax为设置的正方形区域边长最 大值。 正方形区域的边长 与局部训练样本的数量 N之间的关系为： S203： 确定满足迭代后的正方 形保持中心不变扩展后的范围的表达式为：权　利　要　求　书 1/2 页 2 CN 115494451 A 2其中， (xl,xh)和 分别为扩展正方形前后的x轴坐标的最小值和最大值。 (yl,yh)和 分别为扩展正方 形前后的y轴坐标的最小值和最大值。 3.根据权利要求1所述的基于局部训练样本的ELM定位算法， 其特征在于， 步骤S3具体 包括： S2步骤中得到目标区域的x轴和y轴坐标的最小值和最大值， 可以表示为 和 从大的样本点中挑选出来样本点的坐标满足上述条件的样本点构成局部样本点。 先设置ELM网络的参数(包括激活函数和隐含层个数)， 再将局部训练样本的功率矩阵和真 实坐标矩阵分别作为ELM网络的输入和输出来训练网络 。 4.根据权利要求2所述的基于局部训练样本的ELM定位算法， 其特征在于， 步骤S4具体 包括： 将目标节点的功率向量带入训练好的ELM网络中得到其 位置的估计值。权　利　要　求　书 2/2 页 3 CN 115494451 A 3