一种基于深度置信网络的RFID室内定位方法技术

本发明专利技术涉及一种基于深度置信网络的RFID室内定位方法，属于室内定位技术领域。构建RFID信号室内传播模型；获取参考标签在不同阅读器处的接收信号强度值，构建指纹数据库；利用DBN对指纹数据进行特征提取，提取后的深度特征与位置坐标一一对应形成新的指纹数据库；将待定位标签在不同阅读器处的接收信号强度值经过DBN提取特征，并与指纹数据库中的特征进行相似度比对，实现对待定位标签的位置估计。优点在于：通过将RFID待定位标签的特征与指纹数据库中的特征进行相似度比对，能够使得RFID室内定位更加准确；对于指纹数据集的采集，参考标签可以循环使用，相较于实时定位系统，能够时刻保证定位系统的有效性，使得系统具备稳定性。

A RFID indoor location method based on deep belief network

The invention relates to an indoor positioning method of RFID based on deep confidence network, which belongs to the field of indoor positioning technology. Build an indoor propagation model of RFID signals; get the received signal strength of reference tags at different readers, and build a fingerprint database; use DBN to extract fingerprint data features, and form a new fingerprint database by matching the extracted depth features with the position coordinates one by one; connect the tags to be located at different readers. The received signal strength value is extracted by DBN and compared with the feature in fingerprint database to realize the location estimation of the location tag. The advantages are as follows: by comparing the characteristics of the tag to be located in RFID with those in fingerprint database, the indoor positioning of RFID can be more accurate; for the collection of fingerprint data sets, the reference tag can be recycled, and compared with the real-time positioning system, the effectiveness of the positioning system can be guaranteed at all times, making the system more accurate. The system has stability.

【技术实现步骤摘要】
一种基于深度置信网络的RFID室内定位方法
本专利技术属于室内定位
；涉及RFID室内定位系统，以及复杂室内电波传播环境下RFID室内定位，尤其是涉及基于深度置信网络和位置指纹的RFID室内定位方法。
技术介绍
射频识别技术(RFID)是一种以空间电磁波为传输媒介的非接触式自动采集数据技术，具有体积小、技术成熟、速度快、防水防磁、功耗低、容量大、无机械磨损、寿命长、精度高等优点，它的发展给人们的生活、生产带来了巨大的便利。对物品进行定位是RFID系统的重要应用之一，具有广泛的应用前景。现有的RFID定位方法在应对复杂室内环境时，在定位精度、定位时间、适应能力等关键性问题上仍存在一些亟待解决的问题，主要体现在：(1)由于RFID信号容易受到室内多径效应、阴影效应、非视距传播的影响，使得基于测距的TOA、TDOA、AOA、RSSI定位方法产生很大的定位偏差。(2)由于定位范围不断扩大及定位环境日益复杂，传统的位置指纹定位方法对于大规模指纹数据库的处理能力较差，而且当指纹数据库数据不平衡时可能会使系统在定位精度及定位实时性等性能上存在劣势。(3)目前，在定位范围较大的情况下，LANDMARC等传统定位系统所需参考标签较多，一旦参考标签失去工作能力，将导致定位系统瘫痪。而且，由于参考标签布置过于密集时，标签之间可能会产生干扰，使系统整体定位精度不高。迄今为止，在复杂电波传播环境下实现对多个RFID待定位标签的精准定位问题一直是一个难题。基于位置指纹(Finger-Printing)的定位是一种新兴的室内定位技术，近年来在Wifi定位中得到应用。指纹定位方法的出现为解决上述问题提供了一个有效的方法。基于位置指纹的RFID标签定位是一种基于网络的定位技术。信号传播对于地理环境具有依赖性，体现很强的站点特殊性，这样的特点被当做指纹。然而，在某些实际应用场景，例如仓库、图书馆、医院等大规模定位环境及大量标签的定位场景，小范围、少标签已经远远不能满足实际应用的需求，在实时定位之前，大量位置指纹数据的获取以及指纹数据库的建立变得十分必要。因此，本文在位置指纹RFID定位的基础上，引入深度置信网络(DeepBeliefNetwork，DBN)这一新的工具，以解决RFID多标签定位的大数据处理问题。由于定位范围的加大，离线数据的采集也相对加大，深度学习在动态指纹数据的建立、指纹特征的提取和训练以及实时定位识别方面具有很大优势。深度学习的概念由Hinton等人于2006年提出，是对模式(如声音，图像)进行建模的一种方法，也是一种基于统计的概率模型，已成为学术界极度关注的研究热点，在计算机视觉、目标识别、图像分类、语音识别等领域得到了广泛应用，并取得良好的效果。深度置信网络属于深度学习的一部分，其能够精确地刻画数据丰富的内在信息，对数据的刻画更接近其本质。随着室内定位的发展，对于室内定位的要求也越来越高，因此在要求定位精准的基础上，希望能够适应各种各样复杂多变的定位环境，节约能源并且能够对产生的大量数据进行很好的处理。由于传统的RFID室内定位具有在复杂电波传播环境下定位精度差、环境适应性差、无法处理较大数据问题，所以，能否解决以上问题成为RFID室内定位算法的关键问题。目前，将深度置信网络与位置指纹算法结合运用到RFID定位系统中，国内外尚未见任何有关报道。
技术实现思路
本专利技术提供一种基于深度置信网络的RFID室内定位方法，采用深度学习算法中的深度置信网络，利用深度置信网络的无监督学习数据的特性，分别对指纹数据库及在线获取的指纹数据进行特征提取，由于深度置信网络对于每组数据的学习具有一定的唯一性，所以根据深度置信网络所获取的特征来实现对待定位标签的定位。本专利技术采取的技术方案是：包括下列步骤：步骤一、在室内场景内布置RFID定位系统，在定位区域中布置M个阅读器，M为正整数，将待定位区域划分为N个小区域并布置N个参考标签，N为正整数，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库；步骤二、为防止在训练过程中出现不平衡性，需对指纹数据库中数据进行归一化预处理，得到初始指纹数据库P；步骤三、确定深度置信网络模型结构，包括一个输入层，一个输出层以及其中l个隐藏层，将归一化预处理得到的初始指纹数据库P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出，通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量ri，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计。本专利技术所述步骤一中在RFID定位系统中对RFID信号室内信道模型、对数路径传播损耗模型及初始指纹数据库的获取，具体步骤如下：(1)RFID室内信道模型和对数路径传播损耗模型的建立RFID系统的工作原理是由阅读器发送信号对标签进行激活，标签获取能量后将携带自身信息的信号发送给阅读器，然而由于信号在传播过程中存在多径效应，则RFID的信道冲激响应可表示为：其中，c为光速；K为多径数，ALOS为直视路径幅度衰减；Ai为第i条路径的幅度衰减；δ(·)为信道冲激响应，t为信号发送初始时刻，dLOS为直视路径传播距离；di为第i条路径的传播距离，根据Friis公式，可得：其中，PR是读写器接收信号功率；PT是标签发射信号功率，Greader为读写器天线增益；Gtag为标签天线增益；Γi为第i条路径的极化相关反射系数，假设读写器发送信号为S(t)，则经过信道传播后读写器接收到的信号为：其中，n(t)为噪声；室内路径损耗遵从对数路径传播损耗模型，即：其中，PL(d)表示收发设备之间距离为d时的路径损耗，单位是dB；PL(d0)表示近距离d0(d0＝1)时的参考路径损耗，一般通过实际测量获得；q为路径损耗指数，表示路径损耗随距离增长的速率，它依赖于周围环境和建筑物的材料类型，Xσ表示标准偏差为σ的正态随机变量，考虑环境因素，σ一般在3.0～14.1dB之间变化；(2)指纹数据库的获取利用对数路径传播损耗模型对RFID信号在空间中的传播环境进行建模，所以位置指纹定位算法所采用的初始指纹数据库是通过对数路径传播损耗模型的方式获得的；siM＝Pr(d)-PL(d)针对同一个位置在不同阅读器处所获得的接收信号不同，可以获得对本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的RFID室内定位方法，其特征在于，包括以下步骤：步骤一、在室内场景内布置RFID定位系统，在定位区域中布置M个阅读器，M为正整数，将待定位区域划分为N个小区域并布置N个参考标签，N为正整数，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库；步骤二、为防止在训练过程中出现不平衡性，需对指纹数据库中数据进行归一化预处理，得到初始指纹数据库P；步骤三、确定深度置信网络模型结构，包括一个输入层，一个输出层以及其中l个隐藏层，将归一化预处理得到的初始指纹数据库P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出，通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量ri，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计。...

【技术特征摘要】
1.一种基于深度置信网络的RFID室内定位方法，其特征在于，包括以下步骤：步骤一、在室内场景内布置RFID定位系统，在定位区域中布置M个阅读器，M为正整数，将待定位区域划分为N个小区域并布置N个参考标签，N为正整数，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库；步骤二、为防止在训练过程中出现不平衡性，需对指纹数据库中数据进行归一化预处理，得到初始指纹数据库P；步骤三、确定深度置信网络模型结构，包括一个输入层，一个输出层以及其中l个隐藏层，将归一化预处理得到的初始指纹数据库P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出，通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量ri，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计。2.根据权利要求1所述的一种基于深度置信网络的RFID室内定位方法，其特征在于：步骤一中在RFID定位系统中对RFID信号室内信道模型、对数路径传播损耗模型及初始指纹数据库的获取，具体步骤如下：(1)RFID室内信道模型和对数路径传播损耗模型的建立RFID系统的工作原理是由阅读器发送信号对标签进行激活，标签获取能量后将携带自身信息的信号发送给阅读器，然而由于信号在传播过程中存在多径效应，则RFID的信道冲激响应可表示为：其中，c为光速；K为多径数，ALOS为直视路径幅度衰减；Ai为第i条路径的幅度衰减；δ(·)为信道冲激响应，t为信号发送初始时刻，dLOS为直视路径传播距离；di为第i条路径的传播距离，根据Friis公式，可得：其中，PR是读写器接收信号功率；PT是标签发射信号功率，Greader为读写器天线增益；Gtag为标签天线增益；Γi为第i条路径的极化相关反射系数，假设读写器发送信号为S(t)，则经过信道传播后读写器接收到的信号为：其中，n(t)为噪声；室内路径损耗遵从对数路径传播损耗模型，即：其中，PL(d)表示收发设备之间距离为d时的路径损耗，单位是dB；PL(d0)表示近距离d0(d0＝1)时的参考路径损耗，一般通过实际测量获得；q为路径损耗指数，表示路径损耗随距离增长的速率，它依赖于周围环境和建筑物的材料类型，Xσ表示标准偏差为σ的正态随机变量，考虑环境因素，σ一般在3.0～14.1dB之间变化；(2)指纹数据库的获取利用对数路径传播损耗模型对RFID信号在空间中的传播环境进行建模，所以位置指纹定位算法所采用的初始指纹数据库是通过对数路径传播损耗模型的方式获得的；siM＝Pr(d)-PL(d)针对同一个位置在不同阅读器处所获得的接收信号不同，可以获得对于同一位置的接收信号强度特征si＝(si1,si2,si3,…,siM)，其中M为阅读器个数；采集训练样本需要同时记录N个参考标签的坐标以及在不同阅读器处的接收信号...

【专利技术属性】
技术研发人员：姜宏，孙晶，董思妍，张铭航，李颂，刘美仪，庞帅轩，张琪，周美含，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22