CN106959444B - 一种基于人工神经网络的rfid室内定位系统与方法 - Google Patents

一种基于人工神经网络的rfid室内定位系统与方法 Download PDF

Info

Publication number
CN106959444B
CN106959444B CN201710131694.6A CN201710131694A CN106959444B CN 106959444 B CN106959444 B CN 106959444B CN 201710131694 A CN201710131694 A CN 201710131694A CN 106959444 B CN106959444 B CN 106959444B
Authority
CN
China
Prior art keywords
data
rfid
rssi
rfid reader
positioning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710131694.6A
Other languages
English (en)
Other versions
CN106959444A (zh
Inventor
王昌志
史志才
吴飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201710131694.6A priority Critical patent/CN106959444B/zh
Publication of CN106959444A publication Critical patent/CN106959444A/zh
Application granted granted Critical
Publication of CN106959444B publication Critical patent/CN106959444B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种基于人工神经网络ANNs的RFID室内定位系统及方法，该方法包括以下步骤：离线阶段定位区域数据采集、原始数据预处理、训练数据库的建立以及ANNs室内位置定位模型构建，其中根据信号统计数据特点，利用高斯滤波原理对原始数据进行噪声过滤和数据归一化预处理；在线阶段实时信号获取、数据预处理并将预处理后的数据实时输入到离线阶段所构建的ANNs室内位置定位模型中，实时输出该待定位目标的位置。所述的系统包括无源RFID标签、RFID阅读器和计算机终端。与现有技术相比，本发明具有噪声滤波预处理定位精度高、高斯滤波过程计算时间短、抗噪声干扰能力强、成本低和定位实时性强等优点。

Description

一种基于人工神经网络的RFID室内定位系统与方法
技术领域
本发明涉及无线网络和无线通信定位技术领域，尤其是涉及一种基于人工神经网络的RFID室内定位系统与方法。
背景技术
继计算机网络、移动网络和互联网络浪潮之后，以“智能化”为核心的物联网成为了信息化产业发展的又一大巨浪，而作为物联网领域中的室内位置服务(Location BasedService，LBS)由于在室内导航、人员跟踪、货物定位及紧急救援等方面的优势，日益受到了人们的青睐，并呈现出广阔的市场价值及商业应用前景，如大型商场中消费者的需求导航、智慧机场行李的位置跟踪、智能监狱中犯人的位置信息实时监测和大型仓库中货物的位置跟踪等。
在空旷的环境下，GPS能实现对物体的高精度定位，是迄今应用最好的室外移动导航定位系统。然而，在室内和地下等环境，由于混凝土等障碍物对电磁波的阻挡、吸收及各种不规则物体对电磁波的削弱等，使得GPS测量存在较大的定位误差，定位精确度受到限制；另外由于GPS的耗电量巨大，使得它一般只在车载或是不缺电的场合下才会24小时使用。鉴于GPS在室内空间定位的以上缺陷及人们对定位服务的需求，加速了LBS的蓬勃发展。同其他主要的室内定位传感技术(如蓝牙、WiFi、红外和UWB等)相比，射频识别(RadioFrequency Identification，RFID)定位技术具有定位精度高、成本低廉、使用方便、物理性能优越和携带信息量大等优点，具有巨大的发展应用潜力。
目前，国内外众多学者针对室内的位置服务提出了很多不同的定位算法，主要包括指纹匹配法、几何测量法和近似法。但由于室内布局的复杂性及信号多径传输的影响，几何测量法和近似法很难适应环境的变化，定位精度较低；而指纹匹配法更大程度上依赖于构建数据库中指纹的数量，但随着指纹数量的增加，算法在进行指纹匹配的过程中需要耗费更多的时间，定位实时性较差，如中国专利CN105301558A和中国专利CN 104968045A等使用指纹匹配存在的缺陷。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人工神经网络的RFID室内定位系统与方法。其目的在于解决室内定位系统使用成本高、定位精度低、实时性差和算法对环境的抗噪声干扰能力差等问题。针对上述情况，本发明致力于将人工神经网络(Artificial Neural Networks，ANNs)同RFID定位技术相结合，以增强算法对环境的抗噪声干扰能力，提高定位实时性同时降低定位系统的使用成本。该方法首先对离线阶段采集到的数据进行噪声过滤，获得高质量的样本训练数据，从而得到优秀的定位模型；其次，将在线阶段采集到的数据再次经过高斯滤波处理，并将处理后的数据输入到已建立的定位模型中，即可实现较高精度的位置预测。
本发明的目的可以通过以下技术方案来实现：
一种基于人工神经网络的RFID室内定位方法，该方法包括以下步骤：
S1、离线阶段定位区域数据采集：RFID标签按照一定的规则布置于定位区域，RFID阅读器接收各RFID标签的信号强度值RSSI，并记录RFID标签所在位置，获得含噪声的原始训练数据集；
S2、离线阶段原始数据预处理：根据高斯滤波原理对原始数据进行噪声数据高斯过滤和数据归一化预处理；
S3、离线阶段训练数据库的建立：将离线阶段预处理后的数据重新组成新训练数据集；
S4、离线阶段ANNs室内位置定位模型构建：计算机利用新训练数据集对ANNs定位模型进行训练；
S5、在线阶段实时信号获取：当携有RFID标签的待定位目标进入到定位区域内时，RFID阅读器获取该标签的RSSI信息和ID号，并传输至计算机，计算机对接收到的信息进行处理并构建该RFID标签自身的实时信息库；
S6、在线阶段数据预处理：根据高斯滤波原理对实时信息进行噪声数据高斯过滤和数据归一化预处理；
S7、在线阶段实时位置精确预测：将在线阶段预处理后的数据实时输入到离线阶段所构建的ANNs定位模型中，实时输出该待定位目标的位置。
步骤S2和步骤S6中的噪声数据高斯过滤预处理过程具体为：
a)信号强度值RSSI与高斯函数的关系如下：
其中，
RSSIj,l k为RFID阅读器的第l个天线在某段连续时间内第k次测量第j个标签的RSSI信息；
Fl＝{RSSIj,l 1,RSSIj,l 2,…,RSSIj,l k},l＝1,2,…,m,m≥4,k≥50，为RFID阅读器的第l个天线在某段连续时间内连续k次测量第j个标签的RSSI信息；
b)根据高斯分布的2σ原则，将小概率事件内的数据作为无效数据剔除，将大概率事件内的数据作为有效数据保留；
c)对k次测量中经过滤得到的所有有效数据进行取平均值，如下：
其中，M为连续k次测量中RSSI符合大概率事件的次数；
为RFID阅读器的第l个天线在某段连续时间内第e次测量第j个标签的RSSI值；
将FoutRSSI作为噪声数据过滤后第l个天线测量到的第j个标签的一个有效RSSI值。
所述的RFID标签为无源RFID标签。
一种应用所述的基于人工神经网络的RFID室内定位方法的系统，所述的系统包括RFID标签、RFID阅读器和计算机，所述的RFID阅读器包括RFID阅读器本体和RFID阅读器天线，所述的RFID阅读器通过RFID阅读器天线读取RFID标签信息和待定位目标信息，并传输至计算机，所述的计算机根据建立的ANNs定位模型，输出待定位目标位置。
所述的RFID标签为无源RFID标签。
所述的RFID阅读器连接有第一无线收发模块，所述的计算机连接有第二无线收发模块。
所述的RFID阅读器本体和RFID阅读器天线通过有线方式连接。
与现有技术相比，本发明具有以下优点：
1、数据噪声高斯过滤预处理：该算法有效的避免了无效沉冗噪声数据对定位精度的影响，通过采用噪声高斯过滤的形式，建立了高质量的定位模型，有效的解决了算法受环境噪声因素干扰而导致定位精度低的问题；
2、高斯滤波过程计算时间短：噪声预处理采用高斯滤波，计算量较小，在提高定位精度的同时减少算法的复杂度；
3、目标节点携带方便、成本低：本发明针对室内定位系统使用成本高及定位目标节点携带不方便等缺点，提出一种基于人工神经网络的RFID室内定位系统与方法，能够有效降低定位系统的使用成本，提高目标节点携带的便利性，如RFID定位系统中标签无需电源、数据存储量大且体积小，可嵌入或内置于物体中；
4、定位精度高、抗噪声干扰能力强：在室内定位精度、算法对环境的抗噪声干扰能力方面，本发明提出的基于人工神经网络的RFID室内定位系统与方法具有很强的环境抗噪声干扰能力，能克服因信号发生多径传输、环境变化而带来的定位精度低问题；
5、系统使用成本低：本发明针对现有室内定位系统只单方面考虑定位精度或系统使用成本的问题，提出了将人工神经网络同RFID传感技术相结合并将其用于室内定位中，在提高室内定位精度的同时能够降低定位系统的使用成本；
6、定位实时性好：本发明提出的定位系统与方法能够实时的对目标进行定位，克服了主流指纹库定位方法需要大量匹配标签、实时性差的缺陷。
附图说明
图1为本发明基于人工神经网络的RFID室内定位系统与方法的定位系统结构示意图；
图2为本发明基于人工神经网络的RFID室内定位系统与方法的RFID定位系统平面分布图；
图3为本发明基于人工神经网络的RFID室内定位系统与方法的总体定位框架图；
图4为本发明基于人工神经网络的RFID室内定位系统与方法的RSSI数据高斯分布统计图；
图5为本发明基于人工神经网络的RFID室内定位系统与方法的RSSI数据高斯拟合曲线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明提出了一种基于人工神经网络的RFID室内定位系统与方法，具体为基于高斯滤波与人工神经网络ANNs相结合的RFID室内定位系统与方法，其目的在于解决室内定位系统使用成本高、定位精度低和算法对环境噪声数据敏感等问题。
本发明所提出的RFID定位系统主要包括：无源RFID标签、RFID阅读器和计算机终端。所述的RFID阅读器上设有RFID阅读器天线，RFID阅读器连接第一无线收发模块，所述的RFID阅读器天线读取无源RFID标签并记录每个标签的唯一ID号和信号强度值RSSI，经有线传输到RFID阅读器上，阅读器再通过第一无线发射模块将接受到的数据传送到计算机，所述的计算机对接收到的数据进行高斯噪声处理，并建立相应高质量的ANNs位置预测模型，最终输出待定位目标的位置。
本发明所提出的基于高斯滤波同ANNs相结合的RFID室内定位系统的方法包括两个阶段：离线阶段和在线定位阶段。在离线阶段，将RFID标签按照一定的规则布置于定位区域，通过RFID阅读器天线接收各个标签的RSSI信息并记录对应标签所在的位置Posi，从而获得定位模型所需要的含有噪声的原始训练数据集RSSI-Posi，计算机对原始训练数据集进行高斯噪声预处理，踢出无效噪声数据，从而获得高质量的有效样本训练数据集，并构建基于ANNs的室内位置预测模型；在在线阶段，当携有RFID标签的待定位目标进入到该定位区域内时，阅读器通过阅读器天线获取该标签的RSSI和ID号后，将信息通过无线的方式传输给计算机，计算机对接收到的信息再次经过高斯滤波处理，并将处理后的数据集输入到已建立的高质量的定位模型中，模型即输出该目标标签的精确位置。
图1为本发明所涉及到的定位系统结构示意图。包括第一RFID阅读器天线101，第二RFID阅读器天线102，第三RFID阅读器天线103和第四RFID阅读器天线104，RFID阅读器天线负责离线阶段定位区域的数据采集和在线阶段待定位目标信息的实时获取；RFID阅读器105，通过有线的形式来连接4个阅读器天线，并接收天线在离线和在线阶段采集到的信息；第一无线收发模块106：连接阅读器并将阅读器接收到的数据通过无线的形式发送给第二无线收发模块107；第二无线收发模块107：连接计算机并负责与第一无线收发模块进行数据传输；计算机108，负责处理第二无线收发模块接收到的数据或发送控制命令。
图2为本发明的RFID定位系统平面分布图。包括第一天线201，第二天线202，第三天线203和第四天线204；4个阅读器天线分别布置在定位区域的4个位置；RFID标签205，相邻RFID标签间的距离为1m，标签的布置个数可根据实际定位区域的大小而定；待定位物体206，该物体上携有RFID标签，当进入到定位区域内时，系统根据物体上携带的RFID标签对其进行定位。
图3为本发明基于人工神经网络的RFID室内定位系统与方法的总体定位框架图，系统具体步骤包括离线阶段和在线阶段，如下：
步骤(1)离线阶段定位区域数据采集。首先根据定位区域的实际环境情况，合理布置RFID标签节点的分布情况，如图2所示；然后阅读器通过天线采集获得各个标签的RSSI信息并记录对应标签的位置Posi，从而得到定位预测模型的含有噪声的原始训练数据集。设第j个被测量标签的位置坐标Lj＝(xj,yj),j＝1,2,…,n，阅读器的第l个天线在某段连续时间内连续k次测量第j个标签的RSSI为Fl＝{RSSIj,l 1,RSSIj,l 2,…,RSSIj,l k},l＝1,2,…,m,m≥4,k≥50，则通过将采集到所有标签的RSSI-Posi集中在一起，可构建一个含有噪声的原始训练数据集D＝(Lj|F1,F2,F3,…,Fl)。
步骤(2)离线阶段原始数据预处理。由图4和图5知，阅读器的第l个天线在某段连续时间内连续k次测量到的第j个标签的RSSI呈现高斯分布的特征，为了在提高定位精度的同时减少算法的复杂度，该发明利用阅读器在某段连续时间内采集到的某一固定点的数据服从高斯分布的特性，根据高斯分布的2σ原则，排除小概率事件，保留大概率事件(即在离线、在线阶段采集到的所有数据中，含有噪声无效的数据基本上为小概率事件，可根据高斯分布的原则进行过滤掉；有效定位数据基本上为大概率事件，可根据高斯分布的原则进行保留)，信号强度值RSSI与高斯函数的关系如下：
其中，
RSSIj,l k为RFID阅读器的第l个天线在某段连续时间内第k次测量第j个标签的RSSI信息；
Fl＝{RSSIj,l 1,RSSIj,l 2,…,RSSIj,l k},l＝1,2,…,m,m≥4,k≥50，为RFID阅读器的第l个天线在某段连续时间内连续k次测量第j个标签的RSSI信息；
为此，可根据高斯分布的2σ原则，将小概率事件内的数据作为无效数据，进行剔除，将大概率事件内的数据作为有效数据，进行保留；最后，对k次测量中经过滤得到的所有有效数据进行取平均值，如下：
其中，M为连续k次测量中RSSI符合大概率事件的次数；
将FoutRSSI作为噪声数据过滤后第l个天线测量到的第j个标签的一个RSSI值。
步骤(3)离线阶段训练数据库的建立。根据步骤(2)中高斯过滤的方法最终可得到所有标签的RSSI值数据，将这样数据重新整理并归一化后，即可构成一个新的且较高质量的训练数据样本集D'＝(Lj|F1',F2',F3',…,Fl'),Fl'＝{RSSI'j,l 1,RSSI'j,l 2,…,RSSI'j,l k},l＝1,2,…,m.
步骤(4)离线阶段基于ANNs的高质量的定位模型构建。利用步骤(3)中得到的新的质量较高的训练数据集D'对ANNs定位模型对进行训练，优化模型参数，即可得到高质量的定位模型，该模型可有效的避免定位精度受环境噪声因素干扰的影响。
步骤(5)在线阶段实时信号获取。当携有RFID标签的待定位目标进入到该定位区域内时，阅读器将会同该RFID标签建立相应的通信协议，从而实时连续多次获取该标签的RSSI值和唯一ID号，并将所有数据信息通过无线的方式实时传输给计算机，计算机根据接收到的所有数据信息来构建该RFID标签自身的实时信息库。
步骤(6)在线阶段数据预处理。对于步骤(5)中构建的RFID标签实时信息信息库，将同步骤(2)中的离线阶段一样对其进行数据预处理。
步骤(7)在线阶段实时位置精确预测。将步骤(6)中预处理后得到的高质量的完美RSSI数据信息实时输入到步骤(4)中离线阶段所构建的ANNs位置预测模型中，即可实时输出该待定位目标的精确位置。
综上所述，本发明提出一种基于人工神经网络的RFID室内定位系统与方法，具体为基于高斯滤波与人工神经网络ANNs相结合的RFID室内定位系统与方法，充分利用了信号数据自身的统计特征，采用符合该统计数据特征的高斯滤波方法，解决了目前定位算法受环境噪声因素干扰而导致定位精度较低的问题，及降低了算法对环境噪声数据的敏感程度，在提高定位精度的同时减少算法的复杂度，且RFID定位系统成本较低，因此本发明具有很好的实用价值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于人工神经网络的RFID室内定位方法，其特征在于，该方法包括以下步骤：
S1、离线阶段定位区域数据采集：RFID标签按照一定的规则布置于定位区域，RFID阅读器接收各RFID标签的信号强度值RSSI，并记录RFID标签所在位置，获得含噪声的原始训练数据集；
S2、离线阶段原始数据预处理：根据高斯滤波原理对原始数据进行噪声数据高斯过滤和数据归一化预处理；
S3、离线阶段训练数据库的建立：将离线阶段预处理后的数据重新组成新训练数据集；
S4、离线阶段ANNs室内位置定位模型构建：计算机利用新训练数据集对ANNs定位模型进行训练；
S5、在线阶段实时信号获取：当携有RFID标签的待定位目标进入到定位区域内时，RFID阅读器获取该标签的RSSI信息和ID号，并传输至计算机，计算机对接收到的信息进行处理并构建该RFID标签自身的实时信息库；
S6、在线阶段数据预处理：根据高斯滤波原理对实时信息进行噪声数据高斯过滤和数据归一化预处理；
S7、在线阶段实时位置精确预测：将在线阶段预处理后的数据实时输入到离线阶段所构建的ANNs定位模型中，实时输出该待定位目标的位置；
步骤S2和步骤S6中的噪声数据高斯过滤预处理过程具体为：
a)信号强度值RSSI与高斯函数的关系如下：
其中，
为RFID阅读器的第l个天线在某段连续时间内第k次测量第j个标签的RSSI信息；
为RFID阅读器的第l个天线在某段连续时间内连续k次测量第j个标签的RSSI信息；
b)根据高斯分布的2σ原则，将小概率事件内的数据作为无效数据剔除，将大概率事件内的数据作为有效数据保留；
c)对k次测量中经过滤得到的所有有效数据进行取平均值，如下：
其中，M为连续k次测量中RSSI符合大概率事件的次数；
为RFID阅读器的第l个天线在某段连续时间内第e次测量第j个标签的RSSI值；
将FoutRSSI作为噪声数据过滤后第l个天线测量到的第j个标签的一个有效RSSI值。
2.根据权利要求1所述的一种基于人工神经网络的RFID室内定位方法，其特征在于，所述的RFID标签为无源RFID标签。
3.一种应用权利要求1所述的基于人工神经网络的RFID室内定位方法的系统，其特征在于，所述的系统包括RFID标签、RFID阅读器和计算机，所述的RFID阅读器包括RFID阅读器本体和RFID阅读器天线，所述的RFID阅读器通过RFID阅读器天线读取RFID标签信息和待定位目标信息，并传输至计算机，所述的计算机根据建立的ANNs定位模型，输出待定位目标位置。
4.根据权利要求3所述的一种应用权利要求1所述的基于人工神经网络的RFID室内定位方法的系统，其特征在于，所述的RFID标签为无源RFID标签。
5.根据权利要求3所述的一种应用权利要求1所述的基于人工神经网络的RFID室内定位方法的系统，其特征在于，所述的RFID阅读器连接有第一无线收发模块，所述的计算机连接有第二无线收发模块。
6.根据权利要求3所述的一种应用权利要求1所述的基于人工神经网络的RFID室内定位方法的系统，其特征在于，所述的RFID阅读器本体和RFID阅读器天线通过有线方式连接。
CN201710131694.6A 2017-03-07 2017-03-07 一种基于人工神经网络的rfid室内定位系统与方法 Expired - Fee Related CN106959444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710131694.6A CN106959444B (zh) 2017-03-07 2017-03-07 一种基于人工神经网络的rfid室内定位系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710131694.6A CN106959444B (zh) 2017-03-07 2017-03-07 一种基于人工神经网络的rfid室内定位系统与方法

Publications (2)

Publication Number Publication Date
CN106959444A CN106959444A (zh) 2017-07-18
CN106959444B true CN106959444B (zh) 2019-04-26

Family

ID=59471298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710131694.6A Expired - Fee Related CN106959444B (zh) 2017-03-07 2017-03-07 一种基于人工神经网络的rfid室内定位系统与方法

Country Status (1)

Country Link
CN (1) CN106959444B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107632284A (zh) * 2017-08-28 2018-01-26 西安微电子技术研究所 一款基于wifi和rfid技术的移动式室内智能定位系统及方法
CN107770719A (zh) * 2017-09-27 2018-03-06 无锡神探电子科技有限公司 一种基于路测数据与机器学习的目标定位方法
CN108871332A (zh) * 2018-04-26 2018-11-23 广西大学 一种基于XGBoost的RFID室内定位系统及方法
CN109031202B (zh) * 2018-06-03 2022-10-04 桂林电子科技大学 基于听觉场景分析的室内环境区域定位系统及方法
CN109239661A (zh) * 2018-09-18 2019-01-18 广西大学 一种基于深度q网络的rfid室内定位系统及算法
CN109444813B (zh) * 2018-10-26 2022-10-18 南京邮电大学 一种基于bp和dnn双神经网络的rfid室内定位方法
CN109640255B (zh) * 2019-01-25 2020-12-15 电子科技大学 位置指纹室内定位系统及方法
CN111488954A (zh) * 2019-01-29 2020-08-04 中国航天系统工程有限公司 一种基于rfid的蜜蜂动态远程监测系统
CN110493708A (zh) * 2019-07-08 2019-11-22 珠海中科先进技术研究院有限公司 一种基于机器学习算法的ble复杂室内环境定位方法及系统
CN110568400B (zh) * 2019-08-26 2023-08-01 南京理工大学 抽屉内物品标签在读写器移动方向轴的粗定位方法
CN111767943B (zh) * 2020-05-20 2024-06-11 北京简巨科技有限公司 地膜识别方法、装置、电子设备及存储介质
CN113640740B (zh) * 2021-08-04 2023-09-29 成都诚骏科技有限公司 一种智能仓储管理系统室内高精度定位方法
CN115103299B (zh) * 2022-06-15 2024-04-09 河南工程学院 一种基于rfid的多传感器融合定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101264306B1 (ko) * 2012-01-10 2013-05-22 숭실대학교산학협력단 이동 모델 학습을 통한 실내 위치 추적 장치 및 이를 위한 기록매체
CN103997781B (zh) * 2014-04-15 2017-07-18 深圳市康英科技有限公司 区域定位基站系统及其区域定位方法
CN104931925A (zh) * 2015-06-05 2015-09-23 福建工程学院 一种基于参考标签rfid定位的自适应方法
CN105828289B (zh) * 2016-04-20 2019-09-03 浙江工业大学 一种基于信道状态信息的无源室内定位方法

Also Published As

Publication number Publication date
CN106959444A (zh) 2017-07-18

Similar Documents

Publication Publication Date Title
CN106959444B (zh) 一种基于人工神经网络的rfid室内定位系统与方法
CN109444813B (zh) 一种基于bp和dnn双神经网络的rfid室内定位方法
CN110334788B (zh) 基于深度学习的分布式多天线阅读器定位系统及其方法
EP2992355B1 (en) Scalable real-time location detection based on overlapping neural networks
CN106559749B (zh) 一种基于射频层析成像的多目标被动式定位方法
CN103997781A (zh) 区域定位基站系统及其区域定位方法
CN112748397A (zh) 一种非视距条件下基于自适应bp神经网络的uwb定位方法
WO2011033504A1 (en) Method to reduce database load in real time location systems
CN101576616A (zh) 基于rfid技术的室内定位系统
CN203376473U (zh) Rfid室内定位系统
CN113271539B (zh) 一种基于改进的cnn模型的室内目标定位方法
CN111601270A (zh) 一种无线传感器网络拓扑结构的物联网电力监测系统及方法
CN110022530B (zh) 一种用于地下空间的无线定位方法和系统
CN105718971A (zh) 一种基于rfid的多目标被动式室内活动识别方法
CN109089209A (zh) 一种基于rfid技术的室内定位大数据分析系统及方法
CN108225332B (zh) 基于监督的室内定位指纹地图降维方法
Yuan et al. Research on indoor position fingerprint location based on machine learning combined particle filter
CN111209984A (zh) 一种基于rfid物联制造的实时感知方法
CN112801241B (zh) 基于电子价签实现智能购物车室内精准定位系统及方法
CN117213650A (zh) 一种基于uhf rfid的母线温度监控系统及方法
CN108512866A (zh) 一种基于LoRa及RFID的客户端装置、远距离管制系统及方法
KR20070110169A (ko) 이동체 위치 정보를 생성하는 장치 및 방법과 이동체위치를 인식하는 장치 및 방법
CN114205741B (zh) 基于uwb的toa与位置指纹联合室内定位方法
Baha Aldin et al. Advanced boundary virtual reference algorithm for an indoor system using an active RFID interrogator and transponder
CN112149766A (zh) 一种基于射频技术的智能车库系统及室内定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190426

CF01 Termination of patent right due to non-payment of annual fee