一种基于stacking模型的RFID室内定位方法技术

本发明专利技术公开了一种基于stacking模型的RFID定位方法，通过建立stacking模型实现对目标标签的定位。首先在定位区域中布置设备与标签；再通过阅读器读取各标签的RSSI值，并利用滤波算法进行平滑处理，得到更加平稳的数据集，使训练出的模型更加精准，预测更加准确；再建立stacking模型，利用平滑后的数据进行训练，stacking模型为分层模型，第一层使用基学习器，第二层使用逻辑回归层，以防止整体模型的过拟合，得到比单一模型更加准确的定位效果；最后通过训练好的模型实现对目标标签的定位。位。位。

【技术实现步骤摘要】
一种基于stacking模型的RFID室内定位方法


[0001]本专利技术涉及室内定位
，尤其是涉及一种基于stacking模型的RFID室内定位方法。

技术介绍

[0002]RFID技术通过射频信号识别目标标签并获取标签数据，作为物联网发展的主力军之一，RFID具有体积小、成本低、非视距识别等特点，使得RFID技术在仓库存储、工业生产、图书管理等领域广泛应用。随着物联网的进一步发展，能否精确获取物体位置成了物联网技术能否突破的关键因素之一。
[0003]RFID技术在室内物体定位上的应用也已有较多的研究，传统RFID室内定位通过测距的方法来推断出标签的位置，但在精度及稳定性上有着许多问题。近些年伴随机器学习理论的快速发展以及在各领域的应用，将机器学习用于RFID室内定位有着明显的可行性。

技术实现思路

[0004]为解决现有技术的不足，通过集成学习算法中的stacking方法，实现定位精度和稳定性的提升的目的，本专利技术采用如下的技术方案：
[0005]一种基于stacking模型的RFID室内定位方法，包括如下步骤：
[0006]S1，在定位范围内部署k个阅读器、m个参考标签、待定位标签；
[0007]S2，通过阅读器接收各标签返回的RSSI值，将每个参考标签被所有阅读器读取到的RSSI值与其坐标相结合，作为一个训练样本，对同一个参考标签进行多次读取，获得多个训练样本，将所有参考标签的训练样本整合为训练数据集；对于待定位标签，将每个待定位标签被所有阅读器读取的RSSI值与其坐标相结合，作为一个待定位样本，以同样的方式整合为待定位数据集；
[0008]S3，构建stacking模型，通过训练数据集进行训练，stacking模型为分层模型，第一层使用基学习器，第二层使用逻辑回归层LogisticRegression，以防止整体模型的过拟合，包括如下步骤：
[0009]S31，在学习开始前，先将训练数据集划分为训练集D
train
和测试集D
test
；
[0010]S32，在第一层的训练中，采用K折交叉验证，对于每一个基学习器，将输入的训练集D
train
再次分成K份，取1份作为测试集，剩余K
‑
1份作为训练集，通过基学习器训练后，对测试集进行预测，得到预测值，依次取1份作为测试集，将得到的K份预测值，按原测试集的位置进行整合，得到对应于该基学习器的预测数据集；将处于同一层的所有基学习器产生的预测数据集合并，得到一个次级训练集P；
[0011]S33，在第二层的训练中，以次级训练集P作为训练集特征输入，以其对应的RFID参考标签坐标作为训练集标签输入，训练完成后，通过测试集D
test
进行测试，检测完整stacking模型的效果，并与单个基学习器效果进行比较，以判断是否改进模型参数；
[0012]S4，将待定位数据集中的RSSI值，输入训练好的stacking模型，得到推测的待定位
标签坐标。
[0013]进一步地，对S2中得到的训练数据集的RSSI值，通过卡尔曼滤波进行平滑处理，得到含有更小波动的RSSI数据的数据集，作为S3训练stacking模型的输入；将S2中得到的待定位数据集的RSSI值，通过卡尔曼滤波进行平滑处理后，作为S4中训练好的stacking模型的输入，通过卡尔曼滤波的平滑处理，能得到更加精确的模型，使得对RFID标签位置的推测更加准确。
[0014]进一步地，所述卡尔曼滤波算法分为三个阶段：初始化阶段，预测阶段和更新阶段；
[0015]所述初始化阶段：对滤波器状态进行初始值的设定；
[0016]所述预测阶段：根据上一时刻训练样本的状态量和控制量，对当前时刻训练样本的状态进行估计，并计算对应的协方差矩阵，其过程用如下公式表示：
[0017][0018]P
t
‑
＝FP
t
‑1F
T
+Q
[0019]其中，为t时刻RSSI的先验状态估计值；为t
‑
1时刻RSSI的后验状态估计值；u
t
‑1为控制变量；F为状态转移矩阵；B为控制矩阵；P
t
‑
为t时刻的先验估计协方差；P
t
‑1为t
‑
1时刻的后验估计协方差；Q为过程噪声协方差；
[0020]所述更新阶段：利用接收到的测量值来修正在预测阶段得到的估计值，并更新在滤波器中使用的参数，具体步骤为：首先计算卡尔曼增益，然后根据卡尔曼增益，将先验状态估计值更新为最优值，即后验状态估计值，最后计算与最优值对应的协方差矩阵，其过程用如下公式表示：
[0021][0022][0023]P
t
＝(I
‑
K
t
H)P
t
‑
[0024]其中，K
t
为t时刻的卡尔曼增益；H为观测矩阵；R为测量误差；z
t
为测量值；为实际观测值和预期观测值之间的残差，P
t
为t时刻的后验估计协方差；I为单位矩阵。
[0025]根据权利要求1所述的一种基于stacking模型的RFID室内定位方法，其特征在于所述S2中将用于验证待定位标签作为验证样本，通过S1获取验证数据集，在S4中，将验证数据集中的RSSI值，输入训练好的stacking模型，得到推测的待定位标签坐标与验证数据集中对应的实际位置进行比较，进行stacking模型验证，然后再对实际要定位的待定位标签进行推测。
[0026]进一步地，所述S1中，参考标签按矩形等间距布置，以便收集其位置信息，阅读器的布置满足能够读取到所有的标签。
[0027]进一步地，所述S3中的基学习器为强学习器RandomForest，将决策树以bagging方法集成在一起的基础上，引入随机属性选择，包括样本随机和特征随机，对于每一颗决策树，随机且有放回地从训练集中抽取训练样本，随机从所有特征中抽取部分特征，从而获得了较强的泛化能力，对于回归问题的精度分析，使用决定系数R2来判断预测的准确性。
[0028]进一步地，所述S3中的基学习器为强学习器XGBOOST，XGBOOST的目标函数分为损失函数和正则化项，目标函数的优化分为二阶泰勒展开优化损失函数；正则化项展开优化正则化项；合并系数获得最终目标函数。
[0029]进一步地，所述S3中的基学习器为强学习器GBDT，GBDT即梯度提升决策树，是基于boosting的加法模型，利用前向分布算法逐步接近优化目标函数，在回归问题中，通常使用负梯度拟合的方法解决损失函数的拟合问题。
[0030]进一步地，所述S2中，标签的坐标为(x
i
,y
i
)，各阅读器接收到的信号强度指标为{RSSI
i1
,RSSI
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于stacking模型的RFID室内定位方法，其特征在于包括如下步骤：S1，在定位范围内部署阅读器、参考标签、待定位标签；S2，通过阅读器接收各标签返回的RSSI值，将每个参考标签被所有阅读器读取到的RSSI值与其坐标相结合，作为一个训练样本，对同一个参考标签进行多次读取，获得多个训练样本，将所有参考标签的训练样本整合为训练数据集；对于待定位标签，将每个待定位标签被所有阅读器读取的RSSI值与其坐标相结合，作为一个待定位样本，以同样的方式整合为待定位数据集；S3，构建stacking模型，通过训练数据集进行训练，stacking模型为分层模型，包括基学习器和逻辑回归层，包括如下步骤：S31，在学习开始前，先将训练数据集划分为训练集D
train
和测试集D
test
；S32，在基学习器的训练中，采用K折交叉验证，对于每一个基学习器，将输入的训练集D
train
再次分成K份，取1份作为测试集，剩余K
‑
1份作为训练集，通过基学习器训练后，对测试集进行预测，得到预测值，依次取1份作为测试集，将得到的K份预测值，按原测试集的位置进行整合，得到对应于该基学习器的预测数据集；将处于同一层的所有基学习器产生的预测数据集合并，得到一个次级训练集P；S33，在逻辑回归层的训练中，以次级训练集P作为训练集特征输入，以其对应的参考标签坐标作为训练集标签输入，训练完成后，通过测试集D
test
进行测试，并与单个基学习器效果进行比较，以判断是否改进模型参数；S4，将待定位数据集中的RSSI值，输入训练好的stacking模型，得到推测的待定位标签坐标。2.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法，其特征在于对S2中得到的训练数据集的RSSI值，通过卡尔曼滤波进行平滑处理，得到含有更小波动的RSSI数据的数据集，作为S3训练stacking模型的输入；将S2中得到的待定位数据集的RSSI值，通过卡尔曼滤波进行平滑处理后，作为S4中训练好的stacking模型的输入。3.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法，其特征在于所述卡尔曼滤波算法分为三个阶段：初始化阶段，预测阶段和更新阶段；所述初始化阶段：对滤波器状态进行初始值的设定；所述预测阶段：根据上一时刻训练样本的状态量和控制量，对当前时刻训练样本的状态进行估计，并计算对应的协方差矩阵，其过程用如下公式表示：P
t
‑
＝FP
t
‑1F
T
+Q其中，为t时刻RSSI的先验状态估计值；为t
‑
1时刻RSSI的后验状态估计值；u
t
‑1为控制变量；F为状态转移矩阵；B为控制矩阵；P
t
‑
为t时刻的先验估计协方差；P
t
‑1为t
‑
1时刻的后验估计协方差；Q为过程噪声协方差；所述更新阶段：利用接收到的测量值来修正在预测阶段得到的估计值，并更新在滤波器中使用的参数，具体步骤为：首先计算卡尔曼增益，然后根据卡尔曼增益，将先验状态估计值更新为最优值，即后验状态估计值，最后计算与最优值对应的协方差矩阵，其过程用如下公式表示：
P
t
＝(I
‑
K
t
H)P
t
‑
其中，K
t
为t时刻的卡尔曼增益；H为观测矩阵；R为测量误差；z
t
为测量值；为实际观测值和预期观测值之间的残差，P
t<...

【专利技术属性】
技术研发人员：鲁建厦，张相华，包秦，谭健，徐峰聪，龚辉，赵浩竣，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：