一种基于人工神经网络的RFID室内定位系统与方法技术方案

本发明专利技术涉及一种基于人工神经网络ANNs的RFID室内定位系统及方法，该方法包括以下步骤：离线阶段定位区域数据采集、原始数据预处理、训练数据库的建立以及ANNs室内位置定位模型构建，其中根据信号统计数据特点，利用高斯滤波原理对原始数据进行噪声过滤和数据归一化预处理；在线阶段实时信号获取、数据预处理并将预处理后的数据实时输入到离线阶段所构建的ANNs室内位置定位模型中，实时输出该待定位目标的位置。所述的系统包括无源RFID标签、RFID阅读器和计算机终端。与现有技术相比，本发明专利技术具有噪声滤波预处理定位精度高、高斯滤波过程计算时间短、抗噪声干扰能力强、成本低和定位实时性强等优点。

RFID indoor positioning system and method based on artificial neural network

The invention relates to an artificial neural network ANNs RFID indoor positioning system and method based on the method comprises the following steps: constructing the offline stage positioning area of data acquisition, data processing, training database and ANNs indoor location model, which according to the statistical data of signal characteristics, noise filtering and data normalization the original data using the Gauss filter principle; on-line real-time signal acquisition, data preprocessing and data pretreatment of ANNs indoor location positioning construction of real-time input to the off-line phase model, the target real-time output position. The system comprises a passive RFID tag, an RFID reader and a computer terminal. Compared with the prior art, the present invention has the advantages of high noise filtering pretreatment, high positioning accuracy, short Gauss filtering process, strong anti-interference ability, low cost and strong real-time positioning.

【技术实现步骤摘要】
一种基于人工神经网络的RFID室内定位系统与方法
本专利技术涉及无线网络和无线通信定位
，尤其是涉及一种基于人工神经网络的RFID室内定位系统与方法。
技术介绍
继计算机网络、移动网络和互联网络浪潮之后，以“智能化”为核心的物联网成为了信息化产业发展的又一大巨浪，而作为物联网领域中的室内位置服务(LocationBasedService，LBS)由于在室内导航、人员跟踪、货物定位及紧急救援等方面的优势，日益受到了人们的青睐，并呈现出广阔的市场价值及商业应用前景，如大型商场中消费者的需求导航、智慧机场行李的位置跟踪、智能监狱中犯人的位置信息实时监测和大型仓库中货物的位置跟踪等。在空旷的环境下，GPS能实现对物体的高精度定位，是迄今应用最好的室外移动导航定位系统。然而，在室内和地下等环境，由于混凝土等障碍物对电磁波的阻挡、吸收及各种不规则物体对电磁波的削弱等，使得GPS测量存在较大的定位误差，定位精确度受到限制；另外由于GPS的耗电量巨大，使得它一般只在车载或是不缺电的场合下才会24小时使用。鉴于GPS在室内空间定位的以上缺陷及人们对定位服务的需求，加速了LBS的蓬勃发展。同其他主要的室内定位传感技术(如蓝牙、WiFi、红外和UWB等)相比，射频识别(RadioFrequencyIdentification，RFID)定位技术具有定位精度高、成本低廉、使用方便、物理性能优越和携带信息量大等优点，具有巨大的发展应用潜力。目前，国内外众多学者针对室内的位置服务提出了很多不同的定位算法，主要包括指纹匹配法、几何测量法和近似法。但由于室内布局的复杂性及信号多径传输的影响，几何测量法和近似法很难适应环境的变化，定位精度较低；而指纹匹配法更大程度上依赖于构建数据库中指纹的数量，但随着指纹数量的增加，算法在进行指纹匹配的过程中需要耗费更多的时间，定位实时性较差，如中国专利CN105301558A和中国专利CN104968045A等使用指纹匹配存在的缺陷。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人工神经网络的RFID室内定位系统与方法。其目的在于解决室内定位系统使用成本高、定位精度低、实时性差和算法对环境的抗噪声干扰能力差等问题。针对上述情况，本专利技术致力于将人工神经网络(ArtificialNeuralNetworks，ANNs)同RFID定位技术相结合，以增强算法对环境的抗噪声干扰能力，提高定位实时性同时降低定位系统的使用成本。该方法首先对离线阶段采集到的数据进行噪声过滤，获得高质量的样本训练数据，从而得到优秀的定位模型；其次，将在线阶段采集到的数据再次经过高斯滤波处理，并将处理后的数据输入到已建立的定位模型中，即可实现较高精度的位置预测。本专利技术的目的可以通过以下技术方案来实现：一种基于人工神经网络的RFID室内定位方法，该方法包括以下步骤：S1、离线阶段定位区域数据采集：RFID标签按照一定的规则布置于定位区域，RFID阅读器接收各RFID标签的信号强度值RSSI，并记录RFID标签所在位置，获得含噪声的原始训练数据集；S2、离线阶段原始数据预处理：根据高斯滤波原理对原始数据进行噪声数据高斯过滤和数据归一化预处理；S3、离线阶段训练数据库的建立：将离线阶段预处理后的数据重新组成新训练数据集；S4、离线阶段ANNs室内位置定位模型构建：计算机利用新训练数据集对ANNs定位模型进行训练；S5、在线阶段实时信号获取：当携有RFID标签的待定位目标进入到定位区域内时，RFID阅读器获取该标签的RSSI信息和ID号，并传输至计算机，计算机对接收到的信息进行处理并构建该RFID标签自身的实时信息库；S6、在线阶段数据预处理：根据高斯滤波原理对实时信息进行噪声数据高斯过滤和数据归一化预处理；S7、在线阶段实时位置精确预测：将在线阶段预处理后的数据实时输入到离线阶段所构建的ANNs定位模型中，实时输出该待定位目标的位置。步骤S2和步骤S6中的噪声数据高斯过滤预处理过程具体为：a)信号强度值RSSI与高斯函数的关系如下：其中，RSSIj,lk为RFID阅读器的第l个天线在某段连续时间内第k次测量第j个标签的RSSI信息；Fl＝{RSSIj,l1,RSSIj,l2,…,RSSIj,lk},l＝1,2,…,m,m≥4,k≥50，为RFID阅读器的第l个天线在某段连续时间内连续k次测量第j个标签的RSSI信息；b)根据高斯分布的2σ原则，将小概率事件内的数据作为无效数据剔除，将大概率事件内的数据作为有效数据保留；c)对k次测量中经过滤得到的所有有效数据进行取平均值，如下：其中，M为连续k次测量中RSSI符合大概率事件的次数；为RFID阅读器的第l个天线在某段连续时间内第e次测量第j个标签的RSSI值；将FoutRSSI作为噪声数据过滤后第l个天线测量到的第j个标签的一个有效RSSI值。所述的RFID标签为无源RFID标签。一种应用所述的基于人工神经网络的RFID室内定位方法的系统，所述的系统包括RFID标签、RFID阅读器和计算机，所述的RFID阅读器包括RFID阅读器本体和RFID阅读器天线，所述的RFID阅读器通过RFID阅读器天线读取RFID标签信息和待定位目标信息，并传输至计算机，所述的计算机根据建立的ANNs定位模型，输出待定位目标位置。所述的RFID标签为无源RFID标签。所述的RFID阅读器连接有第一无线收发模块，所述的计算机连接有第二无线收发模块。所述的RFID阅读器本体和RFID阅读器天线通过有线方式连接。与现有技术相比，本专利技术具有以下优点：1、数据噪声高斯过滤预处理：该算法有效的避免了无效沉冗噪声数据对定位精度的影响，通过采用噪声高斯过滤的形式，建立了高质量的定位模型，有效的解决了算法受环境噪声因素干扰而导致定位精度低的问题；2、高斯滤波过程计算时间短：噪声预处理采用高斯滤波，计算量较小，在提高定位精度的同时减少算法的复杂度；3、目标节点携带方便、成本低：本专利技术针对室内定位系统使用成本高及定位目标节点携带不方便等缺点，提出一种基于人工神经网络的RFID室内定位系统与方法，能够有效降低定位系统的使用成本，提高目标节点携带的便利性，如RFID定位系统中标签无需电源、数据存储量大且体积小，可嵌入或内置于物体中；4、定位精度高、抗噪声干扰能力强：在室内定位精度、算法对环境的抗噪声干扰能力方面，本专利技术提出的基于人工神经网络的RFID室内定位系统与方法具有很强的环境抗噪声干扰能力，能克服因信号发生多径传输、环境变化而带来的定位精度低问题；5、系统使用成本低：本专利技术针对现有室内定位系统只单方面考虑定位精度或系统使用成本的问题，提出了将人工神经网络同RFID传感技术相结合并将其用于室内定位中，在提高室内定位精度的同时能够降低定位系统的使用成本；6、定位实时性好：本专利技术提出的定位系统与方法能够实时的对目标进行定位，克服了主流指纹库定位方法需要大量匹配标签、实时性差的缺陷。附图说明图1为本专利技术基于人工神经网络的RFID室内定位系统与方法的定位系统结构示意图；图2为本专利技术基于人工神经网络的RFID室内定位系统与方法的RFID定位系统平面分布图；图3为本专利技术基于人工神经网络的RFID室内定位系统与本文档来自技高网...

【技术保护点】
一种基于人工神经网络的RFID室内定位方法，其特征在于，该方法包括以下步骤：S1、离线阶段定位区域数据采集：RFID标签按照一定的规则布置于定位区域，RFID阅读器接收各RFID标签的信号强度值RSSI，并记录RFID标签所在位置，获得含噪声的原始训练数据集；S2、离线阶段原始数据预处理：根据高斯滤波原理对原始数据进行噪声数据高斯过滤和数据归一化预处理；S3、离线阶段训练数据库的建立：将离线阶段预处理后的数据重新组成新训练数据集；S4、离线阶段ANNs室内位置定位模型构建：计算机利用新训练数据集对ANNs定位模型进行训练；S5、在线阶段实时信号获取：当携有RFID标签的待定位目标进入到定位区域内时，RFID阅读器获取该标签的RSSI信息和ID号，并传输至计算机，计算机对接收到的信息进行处理并构建该RFID标签自身的实时信息库；S6、在线阶段数据预处理：根据高斯滤波原理对实时信息进行噪声数据高斯过滤和数据归一化预处理；S7、在线阶段实时位置精确预测：将在线阶段预处理后的数据实时输入到离线阶段所构建的ANNs定位模型中，实时输出该待定位目标的位置。

【技术特征摘要】
1.一种基于人工神经网络的RFID室内定位方法，其特征在于，该方法包括以下步骤：S1、离线阶段定位区域数据采集：RFID标签按照一定的规则布置于定位区域，RFID阅读器接收各RFID标签的信号强度值RSSI，并记录RFID标签所在位置，获得含噪声的原始训练数据集；S2、离线阶段原始数据预处理：根据高斯滤波原理对原始数据进行噪声数据高斯过滤和数据归一化预处理；S3、离线阶段训练数据库的建立：将离线阶段预处理后的数据重新组成新训练数据集；S4、离线阶段ANNs室内位置定位模型构建：计算机利用新训练数据集对ANNs定位模型进行训练；S5、在线阶段实时信号获取：当携有RFID标签的待定位目标进入到定位区域内时，RFID阅读器获取该标签的RSSI信息和ID号，并传输至计算机，计算机对接收到的信息进行处理并构建该RFID标签自身的实时信息库；S6、在线阶段数据预处理：根据高斯滤波原理对实时信息进行噪声数据高斯过滤和数据归一化预处理；S7、在线阶段实时位置精确预测：将在线阶段预处理后的数据实时输入到离线阶段所构建的ANNs定位模型中，实时输出该待定位目标的位置。2.根据权利要求1所述的一种基于人工神经网络的RFID室内定位方法，其特征在于，步骤S2和步骤S6中的噪声数据高斯过滤预处理过程具体为：a)信号强度值RSSI与高斯函数的关系如下：其中，RSSIj,lk为RFID阅读器的第l个天线在某段连续时间内第k次测量第j个标签的RSSI信息；Fl＝{RSSIj,l1,RSSIj,l2,…,RSSIj,lk},l＝1,2,…,m,m≥4...

【专利技术属性】
技术研发人员：王昌志，史志才，吴飞，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海,31