为进一步提高动态目标室内可见光定位追踪系统性能, 提出了一种基于随机森林(RF)算法的室内可见光指纹定位方法。利用发光二极管(LED)的光强信号作为特征构建指纹数据库, 应用指纹库中的数据训练决策树, 引入RF算法进行初始定位, 再通过卡尔曼滤波对初始位置估计进行优化, 从而获得更准确的定位轨迹。仿真结果表明: 在5 m×5 m×3 m的室内场景下, 通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果; 此外, 通过与不同室内可见光定位算法的性能进行对比, 验证了所提算法的技术优势。

针对室内可见光指纹定位系统中加权K最近邻（WKNN）算法用欧氏距离不能有效表示各测量点间实际距离的问题，提出了一种基于加权欧氏距离度量的改进WKNN算法。该算法根据接收信号强度随实际距离变化的衰减特性，为不同的信号强度差值分配不同的加权系数。仿真结果表明，在相同的环境条件下，相比基于欧氏距离和曼哈顿距离的WKNN算法，改进算法的平均定位误差分别降低了37.5%和34.3%。

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。

将Kmeans聚类算法和传统的K近邻(KNN)算法相结合,提出一种适用于能量自持续室内可见光定位(VLP)系统的融合算法。该算法兼顾低复杂度和高精度,在使用Kmeans聚类算法对专门设计的指纹库进行划分实现粗定位的基础上,使用KNN定位算法进行精准定位。将所提Kmeans-KNN融合算法引入到搭建的能量自持续VLP系统,分析不同条件下系统的定位性能。结果表明,与传统KNN定位算法相比,采用Kmeans-KNN融合算法后,系统的平均定位误差位为0.141 m,定位精度明显提高,同时算法计算量减少了94.7%,系统耗能因此大幅降低,利于VLP系统高精度能量自持续定位的实现。

考虑室内复杂环境对可见光定位精度的影响,提出了一种基于可见光指纹的室内定位方法。利用定位终端接收来自室内不同LED发出的信号强度信息,构建特征,将物理坐标作为标签,采用支持向量机回归(SVR)算法学习模型,确定移动目标粗略的位置范围。同时,为了进一步优化定位性能,以该位置范围作为限制条件,采用指纹定位算法实现更精确的定位。将所提定位方法在4 m×4 m×3 m的空间区域中进行了实验。结果表明,该方法定位误差小于1 cm的概率为67.5%,与SVR定位算法相比,平均定位精度提高了93.98%;与传统的基于指纹的定位方法相比,该方法可以在更低复杂度的情况下实现更精确的定位,有效提高了室内定位精度及其数据的利用率。

提出了一种测距辅助的可见光指纹定位(RAFL)方法,基于测距方法,根据多组光源初步确定定位目标的位置范围,采用双线性插值算法构建定位区域指纹,在定位目标范围内进行指纹匹配,最终获得目标的实际位置。研究结果表明,所提方法具有较强的抗干扰性,能够有效提高定位精度。