这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
一、作者与发表信息
本研究由Jiaan Wang（通讯作者）、Siwen Gu、Siqi Zhang、Linghao Wu和Shiwen Sun共同完成，作者单位均为Changzhou Institute of Technology（常州工学院）光电工程学院。研究论文题为《Research on Dynamic Positioning of Navigation System Using K Nearest Neighbor Algorithm and Bayesian Fusion Based on Visible Light Communication》，发表于Journal of Optics（J. Opt.）2024年第26卷，具体刊载日期为2024年7月30日，文章编号095703。
二、学术背景
研究领域与动机
该研究属于室内可见光定位（Visible Light Positioning, VLP）领域，聚焦于动态导航系统中的高精度定位问题。传统室内定位技术（如RFID、蓝牙、Wi-Fi等）存在精度低、成本高或易受电磁干扰等缺陷，而基于可见光通信（Visible Light Communication, VLC）的定位技术具有成本低、抗干扰性强等优势，但动态定位误差仍是未解决的挑战。
研究目标
团队提出了一种新型融合算法B-KNN（Bayesian-K Nearest Neighbor），旨在通过结合贝叶斯概率与K近邻算法，降低动态导航路径的定位误差，同时减少计算复杂度。
三、研究流程与方法
1. 定位模型构建
- 实验环境：搭建了一个20 m×15 m×4 m的仿真模型，部署6个LED光源（坐标见表1），光源辐射模型采用Lambertian模型，仅考虑视距链路（LOS）。
- 指纹数据库：将地面划分为网格，采集每个参考点的接收信号强度（RSS）数据，建立离线指纹库。
2. B-KNN算法设计
- 核心步骤：
- 信号强度计算：根据公式（3）计算接收点RSS，建立指纹库。
- 欧氏距离匹配：在线阶段通过公式（9）计算实时RSS与指纹库的欧氏距离，筛选K个最近邻点。
- 贝叶斯后验概率计算：假设RSS服从高斯分布（公式12），通过贝叶斯定理（公式10-13）计算每个聚类区域的后验概率，选择最大概率点作为预测位置。
- 创新点：将高斯拟合的贝叶斯概率引入KNN，提升匹配精度，同时通过动态调整K值降低计算量。
3. 仿真与实验验证
- 仿真测试：在4条导航路径上对比传统KNN与B-KNN的定位误差（图4-11）。
- 实际实验：在2 m×1 m×1.5 m的实验空间中，测试有无环境光干扰下的定位表现（图17-19），采集640个测试点数据。
四、主要结果
1. 仿真结果
- 误差对比：B-KNN将平均定位误差从KNN的1.685–2.108 m降至0.530–0.663 m，精度提升68.3%。
- 成功率：89.8%的仿真点误差低于1 m（图16），计算量减少48.3%。
2. 实验结果
- 无环境光干扰：95%的误差低于9 cm，14%的误差小于5 cm，平均误差6.97 cm。
- 有环境光干扰：平均误差增至11.58 cm，且10%的误差超过13 cm，表明环境光对定位影响显著。
结果逻辑链
仿真验证了B-KNN算法的理论优势，实验进一步证实其在真实环境中的有效性，同时揭示了环境光的干扰机制。
五、结论与价值
科学价值
- 算法创新：B-KNN通过概率化指纹匹配，解决了动态定位中误差累积问题。
- 技术突破：在复杂环境下（如环境光干扰）仍保持较高鲁棒性。
应用价值
该算法可应用于隧道、地下停车场等GPS失效场景，为无人驾驶、机器人导航提供高精度定位方案。
六、研究亮点
- 融合算法设计：首次将贝叶斯高斯拟合与KNN结合，兼顾精度与效率。
- 多场景验证：通过仿真与实验双重验证，数据支撑充分。
- 环境光分析：量化了环境光对VLC定位的影响，为后续抗干扰研究提供依据。
七、其他发现
- 光源分布影响：靠近LED的路径点误差更小，提示光源布局需优化。
- 计算效率：B-KNN在降低计算量的同时保持精度，适合实时导航系统。
（报告总字数：约1500字）