【技术实现步骤摘要】
一种RFID无设备人体追踪系统的择优标签方法
[0001]本专利技术涉及人员定位
，尤其是涉及一种RFID无设备人体追踪系统的择优标签方法。
技术介绍
[0002]随着现代社会老龄化加剧，老年人的监护是如今不得不面对的一个重大问题。如何让现代智能设备更好地支持老年群体的独立生活越来越收到工业界和学术界的关注，这个问题的核心为在环境复杂的生活环境中如何准确地定位到人体，虽然传统的基于设备的技术相比无设备受环境影响更小，实现起来会更容易，但是要使用这些系统的话必须要求用户携带相应的传感器或通信设备，而对于老年人群体来说还经常会发生设备遗忘和丢失的问题，并且使用者还需要有意识地配合或者愿意佩戴设备，且同意分享自己的位置信息。
[0003]RFID是一种通过电磁传输到射频兼容集成电路来存储和检索数据的方法，以低成本、体积小和非侵入式等优点近年来备受青睐。通过RFID读取到无源标签的功率信号值RSSI(Received Signal Strength Indication，RSSI)，判断人员所在的位置。
[00...
【技术保护点】
【技术特征摘要】
1.一种RFID无设备人体追踪系统的择优标签方法，其特征在于包括如下步骤：S1，区域划分，将监控区域划分为N个位置；S2，特征提取及计算，提取每个位置一段时间内采样的T个RSSI的均值和方差，并且将该段时间RSSI的分布与所在位置建立映射关系；S3，构建深度学习模型，根据T的RSSI序列解析相应的位置序列即人体真实的移动轨迹，i表示第i个位置，包括如下步骤：S31，采用神经网络对RSSI序列进行解析，给定单个输入RSSI序列和输出位置序列对(X
i
,Y
i
)，对数概率P(X
i
,Y
i
)的计算方法为：其中：Y同理，表示长度为T的序列标记，表示第i个训练向量中第t时刻的数据，t∈T表示神经网络第t时刻，即第t次采样，表示第i个训练向量对应的标s记向量中第t个时刻的标记，表示第i个训练向量对应的标s记向量中第1到T个时刻的标记；S32，θ由带参数θ
*
的循环神经网络，通过隐层状态向量h进行计算，当前时刻的隐层状态向量由上个时刻的和输入得到，计算式为式中，由循环神经网络计算式为：式中，f(
·
)为tanh函数；S33，由当前时刻隐层状态向量线性投影到分数向量实现，其输出经过线性层转换维度和归一化，输出所有位置的分数，最后选取分数最高的位置作为输出；S4，标签布局方式选择，根据深度学习模型对于位置的分类正确率，择优选择标签。2.根据权利要求1所述的一种RFID无设备人体追踪系统的择优标签方法，其特征在于所述S3中，将2个神经网络进行连接得到seq2seq模型，seq2seq模型由一个编码器和解码器构成将RSSI序列通过词嵌入扩展成多维的列向量，随后经过编码器输出统一的语义向量h
T
，即维度大小为h的隐层状态向量，随后将语义向量h
T
传给解码器，用于解码器获得更准确的位置序列S。3.根据权利要求2所述的一种RFID无设备人体追踪系统的择优标签方法，其特征在于对解码器引入注意力机制，将c
t
向量与隐层向量h
t
拼接，然后通过全连接层恢复维度，为了得到c
t
向量，首先计算解码器中t时刻隐层状态h
t
对编码器中每个隐层状态的权值a
t
(s)：
式中，为t时刻解码器隐层状态向量的转置，s
’
表示编码器长度，表示编码器隐层向量，exp(
·
)表示指数函数；利用权值a
t
(s)计算所有隐层状态加权和c
t
：然后将得到的c
t
与解码器中t时刻原始的隐层向量h
t
进行拼接为：h
′
t
＝tanh(W
c
·
[c
t
；h
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，W
c
为全连接矩阵，目的是将拼接向量的维度降低；然后将h
′
t
乘以权重W
ho
和偏置b
ho
进行输出：y
t
＝softmax(W
ho
...
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。