1.一種基于神經(jīng)網(wǎng)絡(luò)和接收信號強度的室內(nèi)可見光定位方法，其特征在于：核心思想是采用定位區(qū)域?qū)蔷€上格點作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，并采用動量BP算法和學習率可變的BP算法相結(jié)合的學習算法對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練：具體通過為多個LED分配不同調(diào)制頻率，在定位區(qū)域?qū)蔷€格點處利用光探測器接收LED發(fā)送的信號，并對所述信號進行離散傅里葉變換(DFT)獲取每個LED的接收信號強度；再利用所述接收信號強度及光探測器位置坐標對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；其中，學習算法采用動量BP算法和學習率可變的BP算法相結(jié)合；最后將任意待測格點上每個LED的接收信號強度輸入訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，即可得到光探測器的位置坐標；

基于神經(jīng)網(wǎng)絡(luò)和接收信號強度的高精度室內(nèi)可見光定位方法，包括以下步驟：

步驟一、發(fā)送端處理器驅(qū)動多個LED，并為每個LED進行頻率分配，使其發(fā)射所分配頻率的周期信號；

其中，LED的數(shù)量為N個，N不小于3，優(yōu)選的LED布設(shè)位置為在頂棚上；

LED的布設(shè)密度由頂棚距離定位區(qū)域的高度以及光探測器的接收角決定，具體為：確保光探測器在定位區(qū)域任意位置均可接收相同數(shù)目為N的LED信號；

其中，所述為每個LED進行頻率分配需滿足的條件為：人眼看不到閃爍以及不同頻率之間不成倍數(shù)關(guān)系；

其中，周期信號既可以是正弦波周期信號，也可以是方波周期信號，定位系統(tǒng)無需記錄每個分配頻率所對應(yīng)的LED位置信息；

其中，人眼看不到閃爍是指所分配的頻率均應(yīng)大于50赫茲；

步驟二、在定位區(qū)域內(nèi)設(shè)置均勻分布的格點，并在定位區(qū)域?qū)蔷€上格點處利用光探測器接收LED發(fā)送的信號，導(dǎo)入采樣設(shè)備以獲取LED的信號強度信息，并進行緩存；

其中，定位區(qū)域內(nèi)設(shè)置的均勻分布的格點，簡稱為定位區(qū)域格點；

其中，所述定位區(qū)域格點的間距d由所需定位模式?jīng)Q定；

其中，定位模式包括粗略定位模式和精細定位模式；

粗略定位模式的間距大于精細定位模式的間距；

其中，定位區(qū)域?qū)蔷€上格點數(shù)目記為L；

所述光探測器是光電二極管和雪崩光電二極管中的一種；所述采樣設(shè)備可以是示波器，也可以是數(shù)據(jù)采集卡；所述采樣設(shè)備獲取的LED信號強度信息是時域上N個LED的混合信號強度；

步驟三、采樣設(shè)備將緩存數(shù)據(jù)傳輸至接收端處理器；

步驟四、接收端處理器對步驟二中得到的LED信號強度信息進行離散傅里葉變換得到接收信號的頻譜信息，并取每個LED頻率附近的頻譜峰值作為其接收信號強度，記錄該值；

其中，離散傅里葉變換，即Discrete Fourier Transformation，縮寫為DFT；

步驟五、重復(fù)步驟二至步驟四M次，獲取M組包含定位區(qū)域?qū)蔷€上格點LED接收信號強度的數(shù)據(jù)，并與各格點所對應(yīng)的實際x、y坐標值構(gòu)成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)；

其中，獲取的M組格點LED接收信號強度的數(shù)據(jù)，即RSS數(shù)據(jù)；各格點所對應(yīng)的實際x、y坐標值，即為實際坐標值數(shù)據(jù)，且RSS數(shù)據(jù)和實際坐標值數(shù)據(jù)均為M組；

步驟六、接收端處理器進行BP神經(jīng)網(wǎng)絡(luò)的初始化，具體步驟如下：

步驟6.1、獲取步驟五輸出的RSS數(shù)據(jù)和實際坐標值數(shù)據(jù)；

步驟6.2、設(shè)置訓(xùn)練樣本數(shù)、輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)、初始權(quán)值、初始閾值、誤差容限、學習率、動量因子以及迭代次數(shù)最大值；初始化迭代次數(shù)為1；

其中，訓(xùn)練樣本數(shù)記為nTrainNum、輸入層節(jié)點數(shù)記為net.nIn、隱含層節(jié)點數(shù)記為net.nHidden、輸出層節(jié)點數(shù)記為net.nOut、初始權(quán)值記為w、初始閾值記為b、誤差容限記為eb、學習率記為eta、動量因子記為mc、迭代次數(shù)記為i、迭代次數(shù)最大值記為maxiter；

其中，訓(xùn)練樣本數(shù)nTrainNum為M*L，輸入層節(jié)點數(shù)net.nIn為N，輸出層節(jié)點數(shù)net.nOut為2；

步驟6.3、將RSS數(shù)據(jù)和實際坐標值數(shù)據(jù)進行歸一化，并將歸一化的RSS數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)；

其中，RSS數(shù)據(jù)為net.nIn+1行nTrainNum列的矩陣，實際坐標值數(shù)據(jù)為net.nOut行nTrainNum列的矩陣；

其中，RSS數(shù)據(jù)的第net.nIn+1行數(shù)據(jù)為一個恒為1的輸入數(shù)據(jù)行，用于將某閾值合并到權(quán)值中；

其中，將RSS數(shù)據(jù)和實際坐標值數(shù)據(jù)進行歸一化，具體為：將每行數(shù)據(jù)除以該行數(shù)據(jù)的標準差；

其中，歸一化的RSS數(shù)據(jù)為net.nIn+1行nTrainNum列的矩陣；

其中，BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層；

步驟七、采用動量BP算法和學習率可變的BP算法相結(jié)合的學習算法對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，輸出訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)；具體包括如下步驟：

步驟7.1、經(jīng)步驟6.3輸出的歸一化的RSS數(shù)據(jù)沿神經(jīng)網(wǎng)絡(luò)進行第i次正向傳播，并與各層之間的權(quán)值因子相乘，M組輸出坐標值；

其中，各層之間的權(quán)值因子指的是BP神經(jīng)網(wǎng)絡(luò)的輸入層和隱含層之間的權(quán)值因子net.w1，以及隱含層和輸出層之間的權(quán)值因子net.w2；

其中，輸入層和隱含層之間的權(quán)值因子為net.nHidden行net.nIn+1列的矩陣，輸出層的輸入為net.nHidden+1行nTrainNum列的矩陣，隱含層和輸出層之間的權(quán)值因子為net.nOut行net.nHidden+1列的矩陣；

步驟7.2、對步驟7.1輸出的M組輸出坐標值與步驟五獲取的M組實際坐標值數(shù)據(jù)中的對應(yīng)數(shù)據(jù)相減且求平方和得到誤差值，得到的誤差值再沿神經(jīng)網(wǎng)絡(luò)進行反向傳播，進行第i次權(quán)值修正；

步驟7.3、判斷i值是否是1，并根據(jù)i值判斷結(jié)果決定對第i次權(quán)值修正采用最速下降BP算法還是動量BP算法和學習率可變的BP算法相結(jié)合的學習算法對權(quán)值因子進行修正，具體為：若i值是1，則采用最速下降BP算法對權(quán)值因子進行修正；否則，采用動量BP算法和學習率可變的BP算法相結(jié)合的學習算法對權(quán)值因子進行修正；

步驟7.4、判斷第i次迭代的誤差值是否小于等于誤差容限，若小于等于誤差容限，則輸出訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，跳至步驟八；若否，則第i次迭代的誤差值大于誤差容限，則進一步判斷迭代次數(shù)是否大于等于迭代次數(shù)最大值，若是，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；若否，則令i＝i+1,即迭代次數(shù)加1，跳至步驟7.1；

步驟八、在定位區(qū)域任意待測格點處利用光探測器接收LED發(fā)送的信號，導(dǎo)入采樣設(shè)備獲取時域上N個LED的混合信號強度再傳輸至接收端處理器；

步驟九、接收端處理器對得到的N個LED的混合信號強度進行離散傅里葉變換，得到每個LED的接收信號強度信息；

步驟十、將步驟九每個LED的接收信號強度信息輸入步驟七訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)進行測試，測試的輸出值即為光探測器的位置坐標。