【技术实现步骤摘要】
无源RFID移动测距数据降噪的方法、装置及计算机设备
本申请涉及计算机
，尤其涉及到一种无源RFID移动测距数据降噪方法、装置及计算机设备。
技术介绍
为了对城市部件、仓储物资等更加智能、精细、高效的进行使用与管理，物联网技术被广泛应用。对于城市部件、仓储物资等被管理资产，种类繁多，更新速度快，人均管理区域不断增大，监管难度持续上升的问题，越来越多的管理人员选择应用电子标签(也称射频识别标签或RFID标签)定位技术，实现对其进行监测的平台出现，解决需要人工巡查、耗时耗力且效率低下的现状。RFID电子标签主要分为有源、无源两种。相比有源标签，由于无源标签其成本低、体积小，且以卡片的形式被制作，适用性较强，故在利用电子标签进行定位时，无源标签的选用率较高。然而在利用无源电子标签进行定位时，由于信号强度受环境的影响很大，且RFID自身设备由于天线等因素存在系统误差，所以易接收到被影响的信号强度，进而获得错误的距离值，影响管理与维护人员的判断。
技术实现思路
有鉴于此，本申请提供了一种无源R...
【技术保护点】
1.一种无源RFID移动测距数据降噪的方法，其特征在于，包括：/n为待测距对象配置电子标签；/n按照预设路线以预定周期采集所述待测距对象对应的标签信号强度；/n将所述标签信号强度输入训练成功的优化去噪模型中，获取得到标签信号强度最优估计值；/n数据处理中心根据所述标签信号强度最优估计值解算出所述待测距对象与感应器之间的距离。/n
【技术特征摘要】
1.一种无源RFID移动测距数据降噪的方法，其特征在于，包括：
为待测距对象配置电子标签；
按照预设路线以预定周期采集所述待测距对象对应的标签信号强度；
将所述标签信号强度输入训练成功的优化去噪模型中，获取得到标签信号强度最优估计值；
数据处理中心根据所述标签信号强度最优估计值解算出所述待测距对象与感应器之间的距离。
2.根据权利要求1所述的方法，其特征在于，在将所述标签信号强度输入训练成功的优化去噪模型中，获取得到标签信号强度最优估计值之前，具体还包括：
创建优化去噪模型，所述优化去噪模型包括卡尔曼滤波计算模块以及BP神经网络模型；
依据所述BP神经网络模型进行模型训练，以使所述优化去噪模型符合预设标准。
3.根据权利要求2所述的方法，其特征在于，所述依据所述BP神经网络模型进行模型训练，以使所述优化去噪模型符合预设标准，具体包括：
获取所述待测距对象对应的第一标签信号强度，所述第一标签信号强度对应预设路线内各个第一采集点对应标签信号强度的平均值；
将所述第一标签信号强度导入所述优化去噪模型的卡尔曼滤波计算模块中，获取得到包含三个参数的第一输入数据，所述三个参数包括标签信号强度预测值与标签信号强度最优估计值之差、卡尔曼滤波增益、新息；
根据所述各个第一采集点中GPS接收机记录的数据采集位置以及所述待测距对象的位置坐标计算所述待测距对象与感应器之间的第一距离，所述第一距离对应预设路线内各个所述第一采集点与所述待测距对象距离的平均值；
将所述第一标签信号强度与所述第一距离代入路径损耗模型中，计算得到标签信号强度理论值；
将所述标签信号强度理论值与所述标签信号强度预测值之差确定为第一输出数据；
利用所述第一输入数据及所述第一输出数据训练所述BP神经网络模型；
按照所述预设路线重新获取所述待测距对象对应的第二标签信号强度，所述第二标签信号强度对应预设路线内各个第二采集点对应标签信号强度的平均值；
将所述第二标签信号强度导入所述优化去噪模型中，获取得到第二输出数据；
依据卡尔曼滤波算法计算所述第二标签信号强度对应的标签信号强度预测值；
根据路径损耗模型计算得出所述第二标签信号强度对应的标签信号强度理论值；
计算所述标签信号强度理论值与所述第二输出数据及所述标签信号强度预测值之间的差值，若判定所述差值等于零或小于预设阈值，则确定所述优化去噪模型通过训练，并将所述卡尔曼滤波计算模块中的卡尔曼滤波增益、新息确定为目标参...
【专利技术属性】
技术研发人员：刘扬，周远洋，杜明义，张敏，高思岩，骆少华，王鹏飞，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。