CN106714302A

CN106714302A - 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法

Info

Publication number: CN106714302A
Application number: CN201710050791.2A
Authority: CN
Inventors: 文全刚; 梁艳春; 吴春国; 尹贺; 朱天元
Original assignee: Jilin University; Zhuhai College of Jilin University
Current assignee: Jilin University; Zhuhai College of Jilin University
Priority date: 2017-01-23
Filing date: 2017-01-23
Publication date: 2017-05-24

Abstract

本发明公开了一种基于BP和Landmarc算法的室内定位装置及方法，包括：RFID标签，其分布在室内，用于发射数据；多个读写器，其分布在室内，用于读取RFID标签的RSSI数据；传感器组，包括温度、湿度、亮度和电磁辐射传感器，用于检测读写器周围的环境信息；传感器中控，其连接传感器组，用于接收传感器组的信号；无线数据传输装置(路由器)，其连接所述读写器、传感器中控，用于接收和传输读写器和传感器中控的信号；终端处理器，其连接所述无线数据传输装置，用于输出RFID标签的位置坐标。本发明的基于BP和Landmarc算法的室内定位装置及方法，提高了对静态和动态物体的室内定位的精度。

Description

一种基于BP-Landmarc神经网络的室内定位装置和控制方法

技术领域

本发明涉及一种室内定位算法及装置。更具体地说，本发明涉及一种基于BP-Landmarc神经网络的室内定位装置及其控制方法。

背景技术

随着物联网技术的发展，近距离室内无线定位的技术需求越来越多。常用的定位技术主要包括GPS、红外、蓝牙、wifi、RFID等。由于GPS信号不能穿透建筑物且民用的定位误差要求在10米以内，因此不适合于室内定位。

红外定位技术虽然能达到比较高的精度，但是不能穿透障碍物，只能在视距范围内使用且受方向性限制，也不适合室内定位。由于RFID定位方法具有非接触、非视距、抗干扰性强等优点，在室内定位中得到广泛的应用。RFID的基本原理是利用射频信号反射的传输特性，实现对物体的识别。在当前的研究中，基于RSSI(Received Signal StrengthIndication)技术定位的基本原理是收集无线信号在传播环境中的信号强度，根据信号传播衰减模型来估计目标位置。该技术因为成本低、投入少、设备简单等优势，成为RFID室内定位的优选方法。

发明专利《一种基于RFID实现室内定位的方法》(申请号：201310138118.6)。在非边缘区域采用多边测量定位算法，在边缘区域采用Landmarc算法，其整体误差略低于全部采用Landmarc算法。虽然Landmarc算法通过参考标签(Reference tag)的引入缩小了定位误差。但是，Landmarc算法由于K值的估计需要经验值，运算权值wi的值还受标签密度的影响等原因，常常导致定位精度不高。在定位区域内增加参考标签的密度可以提高定位精度，但是参考标签排布过于密集，又容易造成干扰。这些因素都会影响到定位精度。

发明专利《基于虚拟标签算法的无线射频室内定位方法》(申请号：201110147450.X以及发明专利《一种基于基于虚拟参考标签算法的无线射频定位方法》(申请号：200810198383.2)，都是基于虚拟参考标签算法的定位方法，这种算法使用线性插值方式计算虚拟点信号强度造成一定的误差，即使使用拉格朗日插值，卡尔曼滤波技术，二维牛顿插值或者贝叶斯方法等对该算法进行了改进；依然会与实际信号强度有一定的差异。尤其在边界区域的定位误差较大。

并且在定位系统中，RSSI值的大小直接受发射设备和接收设备硬件性能的影响。RSSI值与天线的增益、工作频率、雷达截面、品质因数、极化方式和应用环境等密切相关。与室外环境不同，室内存在多路径反射干扰，热噪声干扰，无线信号遮挡，信号衰减严重等情况。衰减因子传播模型考虑了建筑材料特性和物体阻隔等方面的因素影响。例如室内的物品的摆设，遮挡等情况会使得射频信号发生反射、折射等无法预估的情况。这些都会导致信号强度与距离的理论函数模型有偏差，从而造成精度误差。在不同环境因子下，例如不同温度或不同湿度的情况下，即使是相同的标签，相同的位置，同一阅读器获取的标签信号强度不一致。

发明内容

本发明目的是提供一种基于BP-Landmarc神经网络的室内定位装置，RFID读写器读取RFID电子标签的RSSI值，终端处理器接收RSSI值处理后输出标签的位置坐标，对标签的位置进行精确定位。

本发明还有一个目的是定位系统安装了多种传感器，对环境的温度、湿度、光度、电磁辐射等环境因素进行监控，在系统初始化时能根据环境因素选择合适的工作参数，从而降低误差。

本发明目的是提供一种基于BP-Landmarc神经网络的室内定位方法，构建了BP-Landmarc人工神经网络，通过对参考标签RSSI数据的学习，得到各层之间互连的权值，从而在参考标签和位置之间建立了特定非线性映射模型，实现了对待定位标签的位置的定位。

本发明还有一个目的是提供一种基于BP-Landmarc神经网络的室内定位装置的控制方法，分别判断目标是动态或静态，从而输出对应的动态标签运动轨迹或静态目标位置分布图目标的。

为了实现根据本发明的这些目的和其它优点，提供了一种基于BP-Landmarc神经网络的室内定位装置，包括：

RFID标签，其分布在室内，用于发射数据；

多个读写器，其分布在室内，用于读取RFID标签的RSSI数据；

温度传感器、湿度传感器、亮度传感器和电磁辐射传感器形成传感器组，用于检测读写器周围的环境信息；

传感器中控，其连接传感器组，用于接收传感器组的信号；

无线数据传输装置，其连接所述读写器和传感器中控，用于接收和传输读写器和传感器中控的信号；

终端处理器，其连接所述无线数据传输装置，用于输出RFID标签的位置坐标。

优选的是，所述传感器中控通过RS485接口连接传感器组；所述无线数据传输装置通过RJ45接口连接读写器和传感器中控。

本发明的目的还通过一种基于BP-Landmarc神经网络的室内定位方法来实现，包括以下步骤：

步骤1：输入层输入m个阅读器读取的n个待定位标签的信号强度向量：

其中，s'_n为第n个待定位标签的信号强度向量；

步骤2：所述输入层向量映射到隐含层向量H＝(h₁,h₂,...,h_q)^T；

h_j＝f(net_j)j＝1,2,q

其中，隐含层由q个节点组成；w_ij为输入节点i和隐含层节点j之间的连接权值；θ_j为隐层节点j的阈值；

步骤3：输出层输出待定位标签的直角坐标系的坐标O＝(x,y)^T

O_k＝f(net_k)k＝1,2

其中，p为输出层节点数，p＝2；w_jk为隐层节点j和输出层节点k之间的连接权值：θ_k为输出层节点k的阈值。

优选的是，所述f(x)取sigmoid函数：

其中，x为net。

优选的是，所述训练BP-Landmarc神经网络的输出层误差函数为：

其中，O'_k为输出层节点的教师信号。

优选的是，训练BP-Landmarc神经网络的输出层误差评估指标采用累积分布函数。

优选的是，还包括设定BP-Landmarc神经网络工作参数的步骤，包括应用不同的温度、湿度、光度和电磁辐射训练BP-Landmarc神经网络。

优选的是，当待定位标签为动态目标，按照一定时间间隔读取坐标，当到达计时时间，则输出待定位标签运动轨迹；

当待定位标签为静态目标，输出静态目标位置。

本发明至少包括以下有益效果：1、本定位系统安装了多种传感器，对环境的温度、湿度、光度、电磁辐射等环境因素进行监控，在系统初始化时能根据环境因素选择合适的工作参数，从而降低多路径反射干扰、热噪声干扰、温度、湿度变化引起的误差；2、BP-Landmarc算法。其基本原理是将阅读器读到的参考标签RSSI值作为输入数据，将参考标签的实际坐标作为教师信号对BP人工神经网络进行训练。定位时，实时采集待定位标签的RSSI值输入到训练好的BP人工神经网络。那么，人工神经网络就会输出待定位标签的坐标估值。仿真测试数据表明，该方法提高了系统的平均定位精度。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1是本发明的基于BP-Landmarc神经网络的室内定位装置的结构示意图。

图2是本发明的基于BP-Landmarc神经网络的原理图。

图3是本发明的基于BP-Landmarc神经网络的训练定位模型流程图。

图4是本发明的基于BP-Landmarc神经网络的室内定位装置的控制方法流程图。

图5是本发明的基于BP-Landmarc神经网络的室内定位装置控制方法的静态标签定位效果图。

图6是本发明的图5的均方根误差分析图。

图7是本发明的图5的CDF分布图。

图8是本发明的基于BP-Landmarc神经网络的室内定位装置控制方法的动态标签跟踪效果图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

一种基于BP和Landmarc算法的室内定位装置包括：读写器110、传感器组120、参考RFID标签130、待定位标签140、传感器中控150、路由器160和终端处理器170，其中，参考RFID标签130、待定位标签140分布在室内，用于发射RSSI数据；多个读写器110，其分布在室内，用于读取参考RFID标签130、待定位标签140的RSSI数据；传感器组120包括温度传感器121、湿度传感器122、亮度传感器123、电磁辐射传感器124，其布设在室内并靠近读写器110，用于检测读写器110周围的温度、湿度、亮度和电磁辐射等环境信息；传感器中控150电连接所述传感器组120，用于接收传感器组120的温度、湿度、亮度和电磁辐射等信号；无线数据传输装置160连接所述读写器110、传感器中控150，用于接收和传输读写器110、传感器中控150的信号，即接收参考RFID标签130、待定位标签140的RSSI数据和温度、湿度、亮度和电磁辐射等信号，在本实施例中，所述无线数据传输装置160为路由器；终端处理器170连接所述无线数据传输装置160，其存储和安装定位系统模型的算法和通信软件，用于接收无线数据传输装置160传输的参考RFID标签130、待定位标签140的RSSI数据和温度、湿度、亮度和电磁辐射等信号，并对信号进行处理后输出待定位标签140的位置坐标。读写器110、传感器组120、参考RFID标签130、待定位标签140、传感器中控150、路由器160和终端处理器170组成的基于BP和Landmarc算法的室内定位装置构成一个局域网络，各种设备通过路由器连接在一起，在终端处理器170上安装了定位系统所需要的应用软件，包括实现定位系统模型的算法和通信软件，系统中RFID读写器，传感器中控150与终端处理器170之间采用TCP/IP协议通信。

在另一实施例中，图1示出了上述的基于BP和Landmarc算法的室内定位装置的一种实现形式，室内四个角落布设四个读写器110、4个传感器组120分别布设在室内的4侧面上，多个参考RFID标签130(用叉号“×”表示)布设在室内，多个待定位标签140(用星号“*”表示)分布在室内，传感器中控150通过RS485接口151连接传感器组120，接收传感器组120的信号，传感器中控150通过RJ45接口161连接路由器160，路由器160连接参考RFID标签130、待定位标签140和终端处理器170，终端处理器170内安装基于BP和Landmarc算法的室内定位的软件和程序，利用四个读写器110和参考RFID标签130对神经网络进行训练，得到神经网络各层间映射的权值和参数，再通过四个读写器110读取多个待定位标签140的RSSI数据，终端处理器170利用神经网络对RSSI数据进行处理后，输出多个待定位标签140的定位坐标，坐标定位准确度大大提高。在此实施例中定位坐标为X-Y平面系的坐标。

1、关于终端处理器170下达给传感器中控150的命令格式定义如下：

说明：每个指令码长度为32bit。支持终端处理器170自定义256条指令，支持16M直接寻址范围。编码规则：

基本读写指令操作码(十六进制)的定义：

0CEH为读操作。

0CFH为写操作。

设备地址按照从大到小方式编址，每一类传感器占32K地址，最大支持扩充到256(FFH)类传感器。每一个传感器按字对齐方式操作，即每一类传感器数量可扩充至16K个。本专利主要涉及到温度传感器，湿度传感器，亮度传感器，电磁辐射传感器。其地址定义如下：

温度传感器地址：0FF，FFFFH

湿度传感器：0FE，FFFFH

亮度传感器：0FD，FFFFH

电磁辐射传感器：0FC，FFFFH

举例：假设有6个温度传感器，需要对第四个温度传感器的值进行读操作，其指令编码为：0CEFF，FFF9H

2、关于传感器中控150传输给终端处理器170的数据格式定义如下：

说明：使用32bit记录每个传感器值，记录的值用浮点数表示。其中低16bit存放一个纯小数，记录传感器值的小数部分。中间8bit用于记录指数部分。高8bit为预留位，默认值为0。可表示数的范围为：N＝±(1-2^-16)×2^±255。

举例：假设某温度传感器的值为24摄氏度，则其表示值为：0005，0018H。

3、关于终端处理器170下达给RFID读写器110的命令，不同的RFID读写器110提供了不同的命令，本专利不做统一定义。

4、关于RFID读写器110传输给终端处理器170的数据参考格式定义如下：

说明：使用64bit记录每个传感器值，高32bit用于记录RFID标签的ID号。系统根据ID号对RFID标签进行识别。低32bit用于记录该RFID标签的RSSI值，记录的值用浮点数表示。其中低16bit存放一个纯小数，记录传感器值的小数部分。中间8bit用于记录指数部分。高8bit为预留位，默认值为0。可表示数的范围为：

N＝±(1-2^-16)×2^±255

举例：假设某标签ID为0CDF8070H的RFID标签某时刻读到的RSSI值为13dbm，则其表示值为：0CDF，8070，0004，000DH。

本发明还保护一种基于BP-Landmarc神经网络的室内定位方法，包括：

步骤1：训练BP-Landmarc神经网络；

如图2和3所示的基于BP–Landmarc神经网络的训练过程如下：将参考RFID标签130的向量作为神经网络的输入进行学习，其输出与参考RFID标签130的实际坐标所表示的教师信号对比，通过不断地训练，能够在输入RSSI值和输出参考坐标之间建立一种映射关系。

所述BP-Landmarc神经网络为三层，分别为输入层、隐含层和输出层，具体为：

(1)输入层

包括m个阅读器110和n个参考标签130组成，以图1所示的基于BP-Landmarc神经网络的室内定位装置参考标签131为例，4个阅读器110读到的信号强度分别为S11、S21、S31和S41，其对应的标签坐标为(x₁，y₁)，所以m个阅读器110检测到的n个参考标签130的信号强度矩阵表示为：

其中，对应于矩阵(1)信号强度矩阵，n个参考标签130的坐标位置(在布设参考标签130时，已将参考标签130的坐标作为参数输入神经网络)可以表示如下：

(2)隐含层：

如图2所示，隐含层由q个节点组成，隐含层向量H＝(h₁,h₂,...,h_q)^T

对于隐层，有如下等式：

h_j＝f(net_j)j＝1,2,q (4)

其中，w_ij为输入节点i和隐含层节点j之间的连接权值；θ_j为隐层节点j的阈值；

(3)输出层：

输出层包括p个节点，在平面直角坐标系中选取p＝2，输出BP-Landmarc神经网络计算的n个参考标签130的直角坐标系的坐标

O′＝(x′,y′)^T：

O_k＝f(net_k)k＝1,2 (6)

其中，w_jk为隐层节点j和输出层节点k之间的连接权值：θ_k为输出层节点k的阈值。

n个参考标签130的直角坐标系的坐标O′＝(x′,y′)^T为

(4)校验BP-Landmarc神经网络：

输出误差函数为平方误差函数：

当误差满足精度要求时，将其确定的连接权值w_ij、连接权值w_jk、隐层节点阈值θ_j、输出层节点阈值θ_k存储于BP-Landmarc神经网络，当需要对待定位标签140进行定位时，BP-Landmarc神经网络读取连接权值等参数。

步骤2：输入层输入m个阅读器110读取的n个待定位标签140的信号强度向量：

步骤3：所述输入层向量映射到隐含层向量H＝(h₁,h₂,...,h_q)^T；

h_j＝f(net_j)j＝1,2,q (11)

步骤3：输出层输出待定位标签140的直角坐标系的坐标O＝(x,y)^T

O_k＝f(net_k)k＝1,2 (13)

综合以上，BP-Landmarc神经网络的室内定位方法估算出待定位标签140的直角坐标系的坐标O＝(x,y)^T。

在另一实施例中，所述函数f(x)取sigmoid函数，即

其中，x为对应公式(4)、(6)、(11)和(13)中的net函数。

在另一实施例中，训练BP-Landmarc神经网络的输出层误差评估指标采用累积分布函数。

在另一实施例中，待定位标签140进行坐标定位前还需要进行校正BP-Landmarc神经网络的工作参数的步骤，包括读取温度、湿度、光度和电磁辐射环境因素数值，根据环境因素选择合适的工作参数，来消除温度、湿度、光度和电磁辐射等环境因素对RSSI值的影响，提高定位精度。

本发明还保护一种基于BP-Landmarc神经网络的室内定位装置的控制方法，如图4所示，包括：

步骤1.系统初始化。

步骤2.读取传感器数据，计算场景参数。

步骤3.根据场景参数读取BP-Landmarc神经网络配置参数。

在实际的使用过程中发现，由于室内存在多路径反射干扰、热噪声干扰、无线信号遮挡、环境温度和湿度的影响，标签的RSSI值存在衰减情况，为避免由于环境因素导致的衰减，对BP_Landmarc神经网络工作参数根据环境因素进行调整，其调整过程如下：

3.1系统能根据不同的环境参数建立环境因素表，常用的环境参数的环境因素表汇总如下。

表一环境因素表

3.2系统工作时根据测试到的环境参数(温度、湿度、光度和电磁辐射强度)在环境因素表中查找相应的场景参数编号。如果没有对比到相应的环境参数，则需要专门对此环境下的神经网络进行训练，训练的结果根据RMSE和CDF进行评估，得到一种新的场景参数并添加到表一中。

3.3根据场景参数编号查找w₁和w₂，详见表二、表三：

表二：输入层与隐含层各节点的连接权值

w₁	S1	S2	S3	S4
					H1	-0.497684113	0.028614449	0.046300658	0.675868181
H2	-0.913065431	0.343970853	-0.795281085	0.08501763
					H3	0.059933268	0.871178952	-0.637289303	0.4821246
H4	-0.331454348	-0.872235697	0.568776531	-0.050050815
					H5	0.127179047	-0.59539205	0.546380055	0.831714071
H6	-0.715472433	-0.969994378	-0.352553958	0.805790227
					H7	-0.745589517	-0.122571646	-0.132220559	0.497859224
H8	-0.917043309	0.814882482	0.432192805	0.681298314
					H9	-0.374590715	-0.275811076	0.78427504	0.035978282
H10	-0.151549866	0.342978809	-0.564530678	0.099387476

表三：隐含层与输出层各节点的连接权值

3.4根据查到的神经网络工作参数w₁和w₂配置人工神经网络。

步骤4.初始化BP-Landmarc神经网络

步骤5.读取待定位标签的RSSI值。

步骤6.将RSSI值输入BP-Landmarc神经网络，估算坐标。

步骤7.如果是动态目标定位则执行步骤8，如果是静态目标定位则执行步骤9。

步骤8.绘制目标物体的运动轨迹，根据计时和定时器间隔要求执行步骤6，如果达到计时时间执行步骤10。

步骤9.绘制静态目标位置分布图。

步骤10.退出。

在另一实施例中，动态标签和静态标签的判读方法如下：每一张RFID标签都有一个唯一的ID号。针对每一张RFID标签，一定时间刻度计算的坐标和上一次时间刻度计算的坐标做比较，如果其误差范围小于系统规定的最大均方误差，则认为该标签是静态的。如果其误差范围大于系统规定的最大均方误差，则认为该标签在这两个时刻之间是动态的。在工作工作中，若系统设定的最大均方误差为0.4m，针对ID号为0x00000001的RFID标签进行位置判断，若t₁时刻计算的坐标值为(0.4，0.7)，t₂时刻计算的坐标值为(0.415，0.706)，其均方误差为：0.0162m，小于0.4m，则认为t₁时刻到t₂时刻是静态的。若t₂时刻计算的坐标值为(0.8，0.9)，其均方误差为：0.447m，大于0.4m，则认为t₁时刻到t₂时刻是动态的。

<实施实例1>

静态多RFID标签的定位

通过以下步骤能够实现对定位模型的训练，对静态RFID标签的位置进行估算以及误差分析。

步骤一：系统初始化，读取传感器数据，生成场景参数。

对不同类的多个传感器分别取平均值，得到的场景参数如下：

温度：21℃。

相对湿度：75％。

亮度：360lumen。

电磁辐射强度：30μW/cm²。

步骤二：读取参考标签数值。

四个RFID读写器，读取到的36个参考标签RSSI值及其对应的坐标如表四所示。

表四：神经网络训练数据样例

表四中总共有36个参考标签，RSSI-1～RSSI-4分别为4个阅读器到对应参考标签的RSSI值，X，Y分别表示参考标签X轴坐标值和Y轴坐标值。

步骤三：训练BP-Landmarc神经网络

读取到的36个参考标签RSSI值如表1所示，对BP-Landmarc神经网络进行训练，得到输入层与隐含层各节点的连接权值w₁示出在表二中，隐含层与输出层各节点的连接权值w₂示出在表三中。

保存BP-Landmarc神经网络工作参数以及场景参数。

步骤四：读取各传感器值，计算静态RFID标签的场景参数。

对不同类的多个传感器分别取平均值，参考步骤一得到的场景参数，步骤三训练好的人工神经网络。

步骤五：读取待定位RFID标签的RSSI值。

读取到的20个待定位标签RSSI值如表五所示。

表五：读取待定位RFID标签的RSSI值

编号	RSSI-1	RSSI-2	RSSI-3	RSSI-4
					1	7.42332	10.33625	10.70581	7.29570
2	1.68465	5.14639	5.80547	7.48459
					3	6.52290	2.98078	6.91758	3.82675
4	4.39139	6.76874	3.02065	6.02925
					5	6.37732	7.19731	2.41950	4.22922
6	4.72698	8.70638	0.60281	7.26303
					7	4.94674	3.26446	6.53958	5.44630
8	8.47181	6.86712	4.92823	0.27961
					9	0.46715	4.68291	7.24245	8.65768
10	7.49280	1.86489	9.13459	5.09215
					11	7.74914	8.21241	1.51629	3.19782
12	6.24641	5.33807	4.94694	3.67109
					13	5.95178	0.33871	8.09500	5.55471
14	4.06061	2.55270	7.15066	6.47538
					15	7.24269	5.16180	5.62140	2.12484
16	0.68037	7.61627	3.80211	8.45495
					17	9.13912	8.01283	4.32303	0.79748
18	8.69018	1.48960	8.92337	2.59393
					19	5.49723	2.93731	6.75730	4.99724
20	3.30759	0.56944	9.20755	8.65134

步骤六：输入本示例的待定位RFID标签到训练好的BP-Landmarc神经网络，估算待定位RFID标签的坐标值。其实际坐标值和估算坐标值如表六所示，并标示与图5。

表六静止标签定位结果

编号	实际坐标	估计坐标	均方根误差
				1	(7.400，0.700)	(7.212，0.585)	0.22
2	(2.542，2.877)	(2.534，2.803)	0.075
				3	(3.733，5.565)	(3.724，5.530)	0.036
4	(4.465，2.748)	(4.451，2.714)	0.037
				5	(5.623，3.436)	(5.609，3.302)	0.135
6	(5.312，1.216)	(5.232，1.098)	0.142
				7	(3.135，4.627)	(3.167，4.559)	0.075
8	(6.452，5.358)	(6.484，5.248)	0.115
				9	(1.249，2.724)	(1.129，2.856)	0.178
10	(2.388，7.102)	(2.542，7.029)	0.17
				11	(6.836，3.581)	(6.856，3.486)	0.098
12	(4.681，4.497)	(4.614，4.464)	0.074
				13	(2.430，5.785)	(2.362，5.728)	0.089
14	(2.349，4.467)	(2.347，4.415)	0.052
				15	(5.032，5.261)	(5.021，5.216)	0.046
16	(3.231，1.121)	(3.223，0.965)	0.156
				17	(7.435，5.171)	(7.269，4.963)	0.266
18	(3.745，7.742)	(3.685，7.392)	0.355
				19	(3.254，4.987)	(3.242，4.937)	0.051
20	(0.131，4.626)	(0.359，4.559)	0.238

步骤七：计算均方根误差

由图6和表五可知，BP-Landmarc算法均方根误差(RMSE)最大值为0.355m，最小值为0.36m，其平均误差为0.13m。

步骤八：计算累积分布函数值

计算BP-Landmarc算法的CDF分布如图7所示，由图可知CDF(0.5m)＝0.97，即97％的待定位RFID标签定位误差小于0.5m。

步骤九：绘制静态待定位RFID标签分布图7。

通过本专利的算法计算的结果如图5所示，图中“*”表示待定位RFID标签的实际位置。“＊”为估算位置。“×”为参考RFID标签。

<实施实例2>

动态单RFID标签的定位过程

步骤一：系统初始化，读取传感器数据，生成场景参数，初始化BP-Landmarc定位模型。

参考基于实施实例1的场景参数和训练好的BP-Landmarc定位模型。

步骤二：读取待定位标签的RSSI值

将一待定位RFID标签放置于移动小车上。根据定时器设定每隔30秒读取一次，总共读取17次，获得的RSSI值如表七所示。

表七动态RFID标签定位过程RSSI值

步骤三：依次将RSSI值输入定位模型，估算坐标如表八所示。

表八动态单标签定位结果

时间	编号	原坐标	估计坐标	误差
					30s	1	(0.400，0.700)	(0.415，0.706)	0.016
60s	2	(0.900，1.100)	(0.683，0.841)	0.338
					90s	3	(1.500，1.200)	(1.304，0.998)	0.281
120s	4	(2.400，1.250)	(2.426，1.279)	0.039
					150s	5	(3.500，1.240)	(3.476，1.253)	0.027
180s	6	(4.310，1.260)	(4.333，1.258)	0.023
					210s	7	(5.400，1.300)	(5.329，1.359)	0.093
240s	8	(6.450，1.350)	(6.847，1.204)	0.422
					270s	9	(7.200，1.400)	(7.285，1.069)	0.342
300s	10	(7.300，2.500)	(7.261，2.754)	0.257
					330s	11	(7.400，3.600)	(7.279，3.720)	0.17
360s	12	(7.200，4.700)	(7.128，4.674)	0.076
					390s	13	(6.900，5.850)	(7.019，5.953)	0.157
420s	14	(5.800，6.400)	(5.795，6.616)	0.216
					450s	15	(4.500，6.200)	(4.568，6.303)	0.124
480s	16	(3.230，6.160)	(3.191，6.252)	0.1
					510s	17	(2.400，6.100)	(2.468，6.175)	0.101

步骤四：依次绘制目标物体的运动轨迹。

通过本专利的算法计算的结果如图8所示，图中“*”表示单RFID标签的实际测量位置。“＊”为估算位置。“×”为参考RFID标签。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims

1.一种基于BP-Landmarc神经网络的室内定位装置，其特征在于，包括：

RFID标签，其分布在室内，用于发射数据；

多个读写器，其分布在室内，用于读取RFID标签的RSSI数据；

传感器中控，其连接传感器组，用于接收传感器组的信号；

2.如权利要求1所述的基于BP-Landmarc神经网络的室内定位装置，其特征在于，所述传感器中控通过RS485接口连接传感器组；所述无线数据传输装置通过RJ45接口连接读写器和传感器中控。

3.一种基于BP-Landmarc神经网络的室内定位方法，其特征在于，包括：

T = [\begin{matrix} {s^{'}}_{11} & {s^{'}}_{12} & ... & {s^{'}}_{1 n} \\ {s^{'}}_{21} & {s^{'}}_{22} & ... & {s^{'}}_{2 n} \\ ... & ... & ... & ... \\ {s^{'}}_{m 1} & {s^{'}}_{m 2} & ... & {s^{'}}_{m n} \end{matrix}] = (s_{1}^{'}, s_{2}^{'} ..., s_{n}^{'});

其中，s'_n为第n个待定位标签的信号强度向量；

{net}_{j} = Σ_{i = 1}^{m} (w_{i j} \times {s_{i}}^{'} - θ_{j})

h_j＝f(net_j)

步骤3：输出层输出待定位标签的直角坐标系的坐标O＝(x,y)^T

{net}_{k} = Σ_{j = 1}^{p} (w_{j k} h_{j} - θ_{k})

O_k＝f(net_k)

4.如权利要求3所述的基于BP-Landmarc神经网络的室内定位方法，其特征在于，所述f(x)取sigmoid函数：

f (x) = \frac{1}{1 + e^{- x}}

其中，x为net。

5.如权利要求3或4所述的基于BP-Landmarc神经网络的室内定位方法，其特征在于，所述训练BP-Landmarc神经网络的输出层误差函数为：

E = \frac{1}{2} Σ_{k = 1}^{p} | | {O^{'}}_{k} - O_{k} | |^{2}

其中，O'_k为输出层节点的教师信号。

6.如权利要求5所述的基于BP-Landmarc神经网络的室内定位方法，其特征在于，训练BP-Landmarc神经网络的输出层误差评估指标采用累积分布函数。

7.如权利要求6所述的基于BP-Landmarc神经网络的室内定位方法，其特征在于，还包括应用不同的温度、湿度、光度和电磁辐射训练BP-Landmarc神经网络。

8.如权利要求3或7所述的基于BP-Landmarc神经网络的室内定位方法，其特征在于，

当待定位标签为动态目标，按照一定时间间隔读取坐标，当到达计时时间，则输出待定位标签运动轨迹；

当待定位标签为静态目标，输出静态目标位置。