【技术实现步骤摘要】
本专利技术涉及一种基于rfid合成孔径雷达定位算法的物资动态盘点方法，属于电力物资管理领域。
技术介绍
1、随着电力行业和物联网的快速发展，现代电力物资规模不断扩大，货物种类不断增多。为了实现对智能电网环境下电力物资的精细化管理，及时准确地获取货物的位置就显得尤为重要。然而，物资仓库环境复杂，无线信号易受到衍射、反射、散射等影响，为高精度定位的实现带来困难。因此，在复杂电力物资仓储环境下设计实现一种适应度强、精度高的定位算法是非常必要的，能够有效提高物资管理水平。
2、传统的物资仓储管理在物资出入库、库位分配管理等各个环节上采用人工告知、纸张记录的方式，存在效率低下、可靠性降低。现有的物资仓储识别自动化智能解决方案主要包括机器视觉和rfid，也包括将机器视觉的rfid技术相结合的方案。机器视觉方案结合大景深读码器和贴在货物上的二维码或条形码进行出入库盘点，但其存在读取效率低的问题。在基于rfid技术的出入库盘点应用中，由于其读距远、多径效应干扰等，部署的读写器有可能读到其他区域的非出入库标签，从而造成标签假阳性读取的问题。因此，需要研究一种有效的算法能够可靠获取物资标签信息，同时设计与之相符的信息分析方法，以得到精准的物资位置信息，以实现电力物资的分层定位、多级管理。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种基于rfid合成孔径雷达定位算法的物资动态盘点方法，解决目前资产管理盘点定位难度大、物资利用率低等问题。
2、为解决上述技术
3、进一步的，合成孔径雷达(sar)指的是利用雷达与目标的相对运动轨迹并且辐射相参信号，在不同位置接收回波进行处理，获得较高分辨率的成像雷达。类似地，rfid系统中天线和标签在相对运动过程中不断返回rfid相位信息并进行处理，从而实现天线和标签相对位置的确定，该方法即为rfid合成孔径雷达定位算法。在t时刻，rfid合成孔径雷达定位算法中相位θ-距离的计算如下：
4、
5、式中：λ为波长；d为天线与标签的距离；为相位偏移。
6、进一步的，设计了一种基于k-means的多粒度定位算法，其中在粗粒度定位阶段，将定位问题建立成欠定方程求解模型，进行目标场景反射系数的重建，通过反射系数确定待定位标签所在的粗略区域；在细粒度定位阶段，利用k-means算法聚类分析粗略区域中的网格点，实现标签的精细定位。
7、进一步的，标签所在的目标区域所有物资都会对阅读器发射的电磁波进行反向散射，不同的散射体具有不同的反射系数。因此，阅读器接收到的信号是整个区域点散射体反向散射信号的矢量和。在粗粒度定位中，将待定位区域场景近似由m×n个均匀的散射区域组成，则每个区域对应的反向散射系数计算如下：
8、σ＝(σ1,1,…,σ1,n,…,σm,n,…,σm,n)t (1.2)
9、式中：σm,n表示位于目标场景中相应散射区域的反射系数。
10、在一个盘点过程中rfid系统仅能获取单一标签的信号数据。在这种通信机制下，在阅读器的接受的反向散射信号中，标签所在的散射区域对应的反射系数是非零值，其余散射区域的反射系数则等同于零。
11、进一步的，理想情况下阅读器天线在第k个采样位置得到的接收信号可以建模为：
12、
13、式中：σq是区域中第q个散射体的反射系数。则在rfid合成孔径上测量得到的实际信号可写成k维的向量h＝(h1,h2,…,hk)t。
14、在标签的粗粒度定位过程即为从阅读器天线在沿轨迹运动过程中获得的多个测量信号中恢复出区域反射系数矢量，则σ的估计值为：
15、
16、式中：d是观测矩阵，表示了散射区域的反射系数与多个实际测量值之间的关联；h表示埃尔米特算子。
17、而在粗粒度定位阶段标签位于最大反射系数所对应的散射区域以及其邻域内，因此定位结果为：
18、
19、进一步的，k-means聚类算法是一种无监督聚类算法，通过计算样本点与簇中心的距离，将相似度高的样本划分为同一个簇。
20、进一步的，在粗粒度结果区域内依据所需的精度划分l个细粒度网格。根据网格单元密度和距离确定k-means算法的初始聚类中心并将数据集划分为g个子区域，确定可信度高的g个参考位置。并将参考位置与中心位置之间距离的倒数作为权重因子，使用加权质心法确定标签的最终优化位置。
21、进一步的，在加权质心定位算法确定标签优化位置中，计算各子区域参考位置到中心位置μ的离散程度，中心位置为标签估计位置的均值。各参考位置与中心位置距离的倒数定义为权重因子
22、
23、其中：θ为簇类中心。
24、将参考位置作为质心定位算法中的多边形顶点，分别为g个参考位置赋予权重因子加权质心法确定标签最终优化位置：
25、
26、与现有技术相比，本专利技术所达到的有益效果是：
27、可以批量动态识别各类资产，实现资产的溯源管理，满足物资精益化管理需求；
28、能够实时资产的精准定位，提高了资产盘活利用效率，为资产定区定位定箱定格、多级定位管理提供技术支撑。
本文档来自技高网...【技术保护点】
1.一种基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，基于RFID合成孔径雷达定位算法，利用物资参考标签的基础ID、相位、RSSI等数据形成各标签相对参考标签位置信息，并结合相对位置信息形成绝对位置信息，实现资产溯源管理。
2.根据权利要求1所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，合成孔径雷达(SAR)指的是利用雷达与目标的相对运动轨迹并且辐射相参信号，在不同位置接收回波进行处理，获得较高分辨率的成像雷达。类似地，RFID系统中天线和标签在相对运动过程中不断返回RFID相位信息并进行处理，从而实现天线和标签相对位置的确定，该方法即为RFID合成孔径雷达定位算法。在t时刻，RFID合成孔径雷达定位算法中相位θ-距离的计算如下：
3.根据权利要求2所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，设计了一种基于K-means的多粒度定位算法，其中在粗粒度定位阶段，将定位问题建立成欠定方程求解模型，进行目标场景反射系数的重建，通过反射系数确定待定位标签所在的粗略区域；在细粒度定位阶段，利用K-m
4.根据权利要求3所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，标签所在的目标区域所有物资都会对阅读器发射的电磁波进行反向散射，不同的散射体具有不同的反射系数。因此，阅读器接收到的信号是整个区域点散射体反向散射信号的矢量和。在粗粒度定位中，将待定位区域场景近似由M×N个均匀的散射区域组成，则每个区域对应的反向散射系数计算如下：
5.根据权利要求4所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，理想情况下阅读器天线在第k个采样位置得到的接收信号可以建模为：
6.根据权利要求5所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，K-means聚类算法是一种无监督聚类算法，通过计算样本点与簇中心的距离，将相似度高的样本划分为同一个簇。
7.根据权利要求6所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，在粗粒度结果区域内依据所需的精度划分L个细粒度网格。根据网格单元密度和距离确定K-means算法的初始聚类中心并将数据集划分为g个子区域，确定可信度高的g个参考位置。并将参考位置与中心位置之间距离的倒数作为权重因子，使用加权质心法确定标签的最终优化位置。
8.根据权利要求7所述的基于RFID合成孔径雷达定位算法的物资动态盘点方法，其特征在于，在加权质心定位算法确定标签优化位置中，计算各子区域参考位置到中心位置μ的离散程度，中心位置为标签估计位置的均值。各参考位置与中心位置距离的倒数定义为权重因子
...【技术特征摘要】
1.一种基于rfid合成孔径雷达定位算法的物资动态盘点方法，其特征在于，基于rfid合成孔径雷达定位算法，利用物资参考标签的基础id、相位、rssi等数据形成各标签相对参考标签位置信息，并结合相对位置信息形成绝对位置信息，实现资产溯源管理。
2.根据权利要求1所述的基于rfid合成孔径雷达定位算法的物资动态盘点方法，其特征在于，合成孔径雷达(sar)指的是利用雷达与目标的相对运动轨迹并且辐射相参信号，在不同位置接收回波进行处理，获得较高分辨率的成像雷达。类似地，rfid系统中天线和标签在相对运动过程中不断返回rfid相位信息并进行处理，从而实现天线和标签相对位置的确定，该方法即为rfid合成孔径雷达定位算法。在t时刻，rfid合成孔径雷达定位算法中相位θ-距离的计算如下：
3.根据权利要求2所述的基于rfid合成孔径雷达定位算法的物资动态盘点方法，其特征在于，设计了一种基于k-means的多粒度定位算法，其中在粗粒度定位阶段，将定位问题建立成欠定方程求解模型，进行目标场景反射系数的重建，通过反射系数确定待定位标签所在的粗略区域；在细粒度定位阶段，利用k-means算法聚类分析粗略区域中的网格点，实现标签的精细定位。
4.根据权利要求3所述的基于rfid合成孔径雷达定位算法的物资动态盘点方法，其特征在于，标签所在的目标区域所有物资都会对阅读器发射的电磁...
【专利技术属性】
技术研发人员：乔立春，吴彦宝，杜鹏，陈楠，左航，钱龙，左进，辛腾蛟，廉宁，马洋洋，
申请(专利权)人：国网宁夏电力有限公司银川供电公司，
类型：发明
国别省市：
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。