基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGOElman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。

基于象限分割的迟滞软切换VLC-WiFi接入选择算法

针对解决无线网络频谱匮乏、用户频繁切换问题,本文提出一种基于象限分割的VLC-WiFi异构接入与迟滞软切换算法。依照三维坐标系将室内分割为4部分建立用户速率模型,获取用户速率,建立遮挡模型模拟VLC链路被遮挡情景。用户依据所在位置、象限、遮挡及速率等参数执行接入操作;切换依据迟滞思想将向内切换与向外切换阈值差异化,使切换存在弹性空间从而抑制乒乓效应。在5 m×5 m×5 m室内空间内经过多次实验表明,提出的室内VLC-WiFi异构组网方案水平切换次数降低43.8%,遮挡及垂直切换数降低45.3%,乒乓次数降低52.27%,吞吐量比传统算法提升约5.84%。该算法可以显著降低切换与乒乓次数。因此本文为室内异构网络通信研究提供理论依据。

基于强化学习的异构网络接入选择算法

针对异构网络接入选择时在提高吞吐量与保持高公平性方面所面临的挑战,提出了一种基于强化学习的异构网络接入选择算法,即近端策略优化(PPO)算法。该算法通过与环境进行交互并采样数据,以用户长期吞吐量和满意度最大化为优化目标,随机模拟用户位置,收集用户属性数据进行模型训练,以获取最优的网络接入点分配策略。仿真结果表明:与传统算法相比,PPO算法在访问用户数达到最大值时,吞吐量可以提高40%~70%,用户平均满意度仍可达30%以上,用户公平指数可达0.82。