针对基于接收信号强度的可见光通信系统室内定位精度低的问题, 提出一种基于深度神经网络的可见光通信系统室内定位方法。方法采用可见光信道估计技术进行室内距离测量, 以解决接收信号强度稳定性与可靠性不足的问题。此外, 设计了深度神经网络在离线阶段学习光电二极管距离向量的分布特性, 以避免光信号不稳定导致误差升高的问题.在线上阶段基于多距离向量对目标进行定位, 可在满足时间效率要求的情况下提高定位精度。仿真结果表明, 在室内场景下, 该方法的平均定位精度优于传统三角定位法与基于接收信号强度的定位方法。

针对可见光通信的3D定位与定向问题，提出了一种自适应参数与自适应变异粒子群优化的3D定位与定向方法。首先，分析了一种在复杂环境下的基于测距模型的混合3D可见光定位模型，并将定位问题转化为联合概率密度函数的优化问题。其次，通过计算粒子解与种群最优解之间的模糊贴近度，设计了一种自适应参数与自适应变异粒子群优化方法。最后，通过数学方法精确解析了所提3D可见光定位模型的定位与定向误差的理论下边界，即克拉-美罗（Cramer-Rao）下界。结果表明，所提算法的时间复杂度较低，且定位与定向误差都非常接近Cramer-Rao下界，其平均定位与平均定向收敛误差分别为5.99 cm与6.65°，显著优于另外四种基于迭代的可见光定位算法。

针对单个光电二极管接收器的倾斜问题和几何算法的不足，搭建了多光电二极管接收器的真实可见光定位场景，并采用基于接收信号强度的指纹定位技术及其常用的机器学习算法，实验研究了4种典型的机器学习算法的定位性能。结果发现：在二维定位时，K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为96.67%、48.57%、67.14%和15.24%；在三维定位时，K最近邻、极限学习机、随机森林和自适应增强的定位误差小于2 cm的概率分别为74.52%、38.81%、59.76%和6.43%。结果均表明，K最近邻的定位性能较佳。在此基础上，比较了发光二极管个数、光电二极管个数和发光二极管发射功率等因素对定位精度的影响。结果表明：发光二极管个数和光电二极管个数的增加均有效地降低了定位误差，发光二极管的发射功率为5 W时，已经实现了定位误差的收敛。该结果为发光二极管分布密度较低时可见光定位系统的设计提供新的理论支持与实际应用参考价值。

为解决现有电磁大数据管理手段单一，无法充分利用电磁数据的弊端，引入分区管理的概念，采用聚类算法将电磁数据按地理属性进行分区，利用图数据库对电磁数据进行管理，将电磁聚类后的结果转化为知识图谱实体，抽取实体之间的关系，发掘电磁数据间的潜在关联。针对电磁干扰源定位难、效率低下的问题，提出了以知识图谱为基础，大数据实时处理技术为辅助的改进接收信号强度指示(RSSI)定位算法，并实验仿真了真实电磁数据下干扰源定位的过程，分析了单目标干扰源和多目标干扰源下定位的性能。实验结果表明，所提的基于知识图谱的电磁干扰源定位方法较传统RSSI 定位方法效果更显著，误差更小。

鉴于声表面波技术的无源优势, 搭建了由声表面波标签和阅读器构成的室内定位系统, 在测量标签回波信号强度时, 可有效减小多径效应的影响。设计了以三边定位为基础的定位算法, 包括测距、选星、位置估计3个阶段, 分析了3个定位圆之间位置关系可能出现的全部情况,并有针对性地进行自适应修正。仿真测试结果验证了定位算法的定位误差小于根心法和加权质心法。系统测试结果表明, 定位系统可实现2 m×2 m的定位, 平均定位误差为31.84 cm。室内定位系统和算法以较少的锚节点实现了较小的室内定位误差。

在室内可见光定位系统中, 热噪声、散粒噪声的存在会大幅降低定位精度。为了提高定位精度, 提出一种基于接收信号强度的可见光定位方法。首先采用自适应滤波方法大幅度滤除接收信号中的噪声, 然后采用互相关检测法进一步滤除噪声, 提取出原信号强度, 最后通过最小二乘法估算出待测物体坐标。仿真结果表明: 在4 m×4 m×3 m房间内, 所设的1681个检测点的定位误差均在0.01 m以内, 并且在不同信噪比的情况下, 定位误差基本一致, 即可见光定位方法对噪声有一定抑制能力。

在WiFi室内定位方法中，基于接收信号强度(RSSI)离线指纹数据库的加权K最邻近点(WKNN)算法得到了深入研究，但目前的WKNN算法未考虑实测数据维度高、无效缺省数据多等特点，不利于匹配定位精确度的提高。为此，在对实测RSSI指纹向量按照由大到小进行排序的基础上，只选取大于设定RSSI阈值的有效RSSI指纹数据进行后续的匹配；按照欧式距离的统计量自适应调整K值；按照欧式距离的均值，调整高斯权重系数。实验结果表明，与未改进的WKNN算法相比，改进后的WKNN算法定位精确度更高。

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法。所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位。利用核主成分分析K-means++(KPCA-K-means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值。通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优。仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为-28.6 dBm~-25.1 dBm,定位误差小于0.1 m。因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点。

为进一步提高室内可见光定位系统性能，提出了一种基于卷积神经网络（CNN）的可见光指纹定位方法。该方法利用参考节点LED的光强信号作为特征，构建指纹数据库，将接收器坐标作为训练标签，引入一维CNN学习模型进行训练，建立基于光强信息的定位模型。CNN的应用，较好地解决了全连接前馈神经网络定位精度低、稳定性差的问题。在室内5 m×5 m×3 m的定位场景下，利用所提定位方法可以获得平均定位误差为4.44 cm的定位精度。通过仿真实验，对比分析了不同室内可见光定位方法的性能，验证了所提方法的技术优势。