CN107247260A - 一种基于自适应深度置信网络的rfid定位方法 - Google Patents
一种基于自适应深度置信网络的rfid定位方法 Download PDFInfo
- Publication number
- CN107247260A CN107247260A CN201710547215.9A CN201710547215A CN107247260A CN 107247260 A CN107247260 A CN 107247260A CN 201710547215 A CN201710547215 A CN 201710547215A CN 107247260 A CN107247260 A CN 107247260A
- Authority
- CN
- China
- Prior art keywords
- network
- rssi
- reader
- reference label
- label
- 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.)
- Granted
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004807 localization Effects 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 15
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 97
- 230000000007 visual effect Effects 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于自适应深度置信网络的RFID定位方法，包括：布局阅读器和参考标签的位置，计算参考标签到阅读器的距离；阅读器向参考标签发送电磁波信号并接收到信号强度RSSI值，构建训练样本向量矩阵；构建自适应深度置信网络，将每个参考标签的RSSI值作为输入值，距离d作为输出值；利用对比散度算法，完成网络参数的预训练；利用自适应矩估计方法对深度学习网络各层权值进行调整；阅读器向待测标签发送信号并接收RSSI值，利用深度置信网络预测出待测标签的位置。本发明利用自适应深度置信网络，构建信号强度值与距离的非线性关系，利用交叉熵代价函数，缓解了学习速率缓慢的问题。
Description
技术领域
本发明涉及无线射频识别技术的目标定位技术领域，尤其是一种基于自适应深度置信网络的RFID定位方法。
背景技术
目前，RFID技术应用广泛，运用于多种场合，对于RFID标签，需要技术对其精准定位。标签定位主要基于信号强度(RSSI)与距离的非线性映射模型，RSSI定位技术的基本原理为射频信号的衰减量与距离的平方成反,通过检测接收信号的功率强度即可得到信号传输的距离。但是在实际应用过程中，由于环境的干扰，这种映射关系会存在波动。因此，研究真实环境下，RSSI与距离的量化关系成为解决RFID标签定位技术的关键问题。
人工神经网络能够处理非线性的关系，但由于是浅层学习，对数据的处理往往不够精准。而深度学习有着更强的非线性适应性信息的处理能力，已经在诸多机器学习领域都取得了成功的应用。由于其模型具有深度非线性结构特性，深度学习模型具有较强的深层信息抽取和非线性建模能力。因此，深度学习理论同样适用于定位标签的特征提取。与普通人工神经网络算法相比，由多层非线性结构组成的深度置信网络结构更加精准高效。
在深度置信网络中，网络中的权值和偏置通常利用反向传播算法的诸多变种来训练，其中一种典型的方法就是梯度下降法。虽然利用反向传播算法训练通常是有效的，但对于多层的深度置信网络时也会存在一些问题，反向传播通过最初的几层，误差变小后，梯度下降会变得很慢，训练也随之变得无效。梯度下降方法只适合于局部最优，对常出现的特征更新会慢一些，选择合适的学习速率较为困难。
发明内容
本发明的目的在于提供一种保证RFID系统中的标签能够快速、精准的定位，解决了RFID定位中所面临的误差大、运行速度慢等典型问题，适用 于有较高精度要求的RFID定位系统的基于自适应深度置信网络的RFID定位方法。
为实现上述目的，本发明采用了以下技术方案：一种基于自适应深度置信网络的RFID定位方法，该方法包括下列顺序的步骤：
(1)布局阅读器和参考标签的位置，计算参考标签到阅读器的距离；
(2)阅读器向参考标签发送电磁波信号并接收到信号强度RSSI值，构建训练样本向量矩阵；
(3)构建自适应深度置信网络，将每个参考标签的RSSI值作为输入值，距离d作为输出值；
(4)利用对比散度算法，完成网络参数的预训练；
(5)利用自适应矩估计方法对深度学习网络各层权值进行调整；
(6)阅读器向待测标签发送信号并接收RSSI值，利用深度置信网络预测出待测标签的位置。
所述步骤(1)具体是指：由定位空间布局模块、训练样本获取模块、自适应深度置信网络模块、自适应深度置信网络初始化与预训练模块、自适应深度置信网络参数修正模块、待测标签定位模块构成定位系统；
在室内三维空间内,均匀放置N个参考标签，N为任意自然数，并在三维空间顶部的四个顶点各安放一个阅读器，根据参考标签坐标计算参考标签到阅读器的距离计算公式为 其中第RT个参考标签坐标为参考标签RT＝1，2，···,N，第R个阅读器坐标为(xR,yR,zR)，阅读器R＝1,2,3,4，则各参考标签与第R个阅读器之间的距离向量为dR＝[dR,1 dR,2 … dR,N]，构建四个阅读器与各参考标签的距离向量矩阵D＝[d1 d2 d3 d4]T,其中[·]T代表求转置。
所述步骤(2)具体是指：
四个阅读器向参考标签发送辐射电磁波信号，记第R个阅读器接收到N个参考标签反射回的信号强度值向量为RSSI(dR)＝[RSSI(dR,1) RSSI(dR,2) … RSSI(dR,N)]，其中，代表第RT个参考标签到第R个阅读器的反射信号强度值，参考标签RT＝1，2，···,N，阅读器R＝1,2,3,4；构建4个阅读器接收到的信号强度值向量矩阵E＝[RSSI(d1) RSSI(d2) RSSI(d3) RSSI(d4)]T，其中，[·]T代表求转置。
所述步骤(3)具体是指：网络隐含层数K＝4，由4个受限玻尔兹曼机RBM连接,每一个受限玻尔兹曼机RBM都包含一个可视层和一个隐含层，各个隐含层节点数分别为40，100，40，10，隐含层与输出层间由线性受限玻尔兹曼机即线性RBM连接，输入维度是4维，输出维度是4维。
所述步骤(4)具体是指：
设置第k个受限玻尔兹曼机的网络权值参数初始值其为J×I维服从均值为0、方差为的高斯分布的矩阵；可视层偏置参数初始值其为I×1维0向量矩阵；隐含层偏置参数初始值其为J×1维0向量矩阵，k＝1,2,3,4，其中，I和J分别为第k个受限玻尔兹曼机的可视层节点总数和隐含层节点总数，可视层节点i＝1,2,…,I,隐含层节点j＝1,2,…,J,设置学习率η＝0.1，将上述步骤(2)中的信号强度值向量矩阵E＝[RSSI(d1)RSSI(d2) RSSI(d3) RSSI(d4)]T作为网络输入，上述步骤(1)中的距离向量矩阵D＝[d1 d2d3 d4]T作为目标输出，利用对比散度CD算法完成4层深度置信网络参数的预训练，得到各层预训练网络权值参数隐含层偏置参数并获得自适应深度置信网络的预训练输出距离向量矩阵预训练后的各参考标签与第R个阅读器之间的距离向量为
所述步骤(5)具体是指：
对于每个参考标签，利用交叉熵误差函数构造各层的代价函数Lk,层数k＝1,2,3,4,其中，和 分别表示第k层第i个节点的实际输出和网络训练输出，表示第k+1层第j个节点的实际输出，和分别表示第k+1层第j个节点的权值和偏置，I表示第k层节点总数，J表示第k+1层节点总数，sigm为激活函数，arg表示反函数，利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整，完成网络训练。
所述步骤(6)具体是指：
四个阅读器依次向待测标签T发送信号，接收待测标签返回的信号强度值向量,构建待测标签信号强度值向量RSSI(dR,T)＝[RSSI(d1,T) RSSI(d2,T) RSSI(d3,T) RSSI(d4,T)]T，其中，[·]T代表求转置，将RSSI(dR,T)输入利用训练好的自适应深度置信网络，得到待测标签到各阅读器的距离输出值，以此预测待测标签的坐标位置。
在步骤(5)中，所述利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整包括以下步骤：
(5a)设定参数初值：学习率η＝0.1，动量因子μ＝0.9，动量因子λ＝0.99，循环控制变量t＝1，当t＝1时，交叉熵误差函数的梯度g1的一阶矩估计m1＝0，二阶矩估计n1＝0，层数初始值k＝4，保证分母非零参数ε＝10-8,输出层的实际值与网络输出值分别为
和表示第RT个参考标签到4个阅读器的实际距离，表示第RT个参考标签到4个阅读器的网络输出距离，参考标签RT＝1，2，···,N；
(5b)计算第k层的代价函数Lk，
(5c)计算Lk的第t次的梯度gt，其中，▽为梯度运算符号，表示连接第k层中第j个节点与上一层第j个节点的第t次更新权值参数，表示第k层中第j个节点的第t次更新偏置参数，表示对Lk的权值参数w求偏导，表示对Lk的偏置参数b求偏导；
(5d)计算Lk的第t次梯度gt的一阶矩估计mt＝μ*mt-1+(1-μ)*gt，和二阶矩估计其中，μ，λ是动量因子， mt-1表示Lk的第t-1次梯度gt-1的一阶矩估计，nt-1表示Lk的第t-1次梯度gt-1的二阶矩估计；
(5e)计算其中是对mt，nt的校正；
(5f)权值参数迭代公式为偏置参数迭代公式其中，“←”表示赋值；
(5g)判断是否gt＞10-6，若是，则循环控制变量t←t+1，返回步骤(6.3)，否则，停止迭代，得到第k层的网络参数
(5h)执行k←k-1，判断k是否为0，若不为0，则返回步骤(5b)，否则，退出迭代。
在步骤(6)中，所述利用网络输出预测待测标签的坐标位置包括以下步骤：
(6a)第R个阅读器坐标表示为(xR,yR,zR)，待测标签T到第R个阅读器的距离输出值表示为dR,T，阅读器R＝1,2,3,4；
(6b)计算矩阵
(6c)计算待测标签的坐标向量
由上述技术方案可知，本发明的优点在于：第一，本发明利用自适应深度置信网络，构建信号强度值与距离的非线性关系，利用交叉熵代价函数，缓解了学习速率缓慢的问题；第二，自适应矩估计对处理稀疏梯度的速度更快、效果更好，能够使庞大深度置信网络数据处理起来更精准高效，
附图说明
图1为本发明的方法流程图；
图2是自适应深度置信网络结构示意图。
具体实施方式
如图1所示，一种基于自适应深度置信网络的RFID定位方法，该方法包括下列顺序的步骤：
(1)布局阅读器和参考标签的位置，计算参考标签到阅读器的距离；
(2)阅读器向参考标签发送电磁波信号并接收到信号强度RSSI值，构建训练样本向量矩阵；
(3)构建自适应深度置信网络，将每个参考标签的RSSI值作为输入值，距离d作为输出值；
(4)利用对比散度算法，完成网络参数的预训练；
(5)利用自适应矩估计方法对深度学习网络各层权值进行调整；
(6)阅读器向待测标签发送信号并接收RSSI值，利用深度置信网络预测出待测标签的位置。
所述步骤(1)具体是指：由定位空间布局模块、训练样本获取模块、自适应深度置信网络模块、自适应深度置信网络初始化与预训练模块、自适应深度置信网络参数修正模块、待测标签定位模块构成定位系统；
定位空间布局模块的作用为：在室内三维空间内,均匀放置N个参考标签，N为任意自然数，并在三维空间顶部的四个顶点各安放一个阅读器，根据参考标签坐标计算参考标签到阅读器的距离计算公式为其中第RT个参考标签坐标为参考标签RT＝1，2，···,N，第R个阅读器坐标为(xR,yR,zR)，阅读器R＝1,2,3,4，则各参考标签与第R个阅读器之间的距离向量为dR＝[dR,1 dR,2… dR,N]，构建四个阅读器与各参考标签的距离向量矩阵D＝[d1 d2 d3 d4]T,其中[·]T代表求转置。
所述步骤(2)具体是指：
四个阅读器向参考标签发送辐射电磁波信号，记第R个阅读器接收到N个参考标签反射回的信号强度值向量为RSSI(dR)＝[RSSI(dR,1) RSSI(dR,2) … RSSI(dR,N)]，其中，代表第RT个参考标签到第R个阅读器的反射信号强度值，参考标签RT＝1，2，···,N，阅读器R＝1,2,3,4；构建4个阅读器接收到的信号强度值向量矩阵E＝[RSSI(d1) RSSI(d2) RSSI(d3) RSSI(d4)]T，其中，[·]T代表求转置。这一段也是训练样本获取模块的作用体现。
所述步骤(3)具体是指：网络隐含层数K＝4，由4个受限玻尔兹曼机RBM连接,每一个受限玻尔兹曼机RBM都包含一个可视层和一个隐含层，各个隐含层节点数分别为40，100，40，10，隐含层与输出层间由线性受限玻尔兹曼机即线性RBM连接，输入维度是4维，输出维度是4维。这一段也是自适应深度置信网络模块的作用体现。
所述步骤(4)具体是指：
设置第k个受限玻尔兹曼机的网络权值参数初始值其为J×I维服从均值为0、方差为的高斯分布的矩阵；可视层偏置参数初始值其为I×1维0向量矩阵；隐含层偏置参数初始值其为J×1维0向量矩阵，k＝1,2,3,4，其中，I和J分别为第k个受限玻尔兹曼机的可视层节点总数和隐含层节点总数，可视层节点i＝1,2,…,I,隐含层节点j＝1,2,…,J,设置学习率η＝0.1，将上述步骤(2)中的信号强度值向量矩阵E＝[RSSI(d1)RSSI(d2) RSSI(d3) RSSI(d4)]T作为网络输入，上述步骤(1)中的距离向量矩阵D＝[d1 d2d3 d4]T作为目标输出，利用对比散度CD算法完成4层深度置信网络参数的预训练，得到各层预训练网络权值参数隐含层偏置参数并获得自适应深度置信网络的预训练输出距离向量矩阵预训练后的各参考标签与第R个阅读器之间的距离向量为网络权值参数初始值隐含层偏置参数初始值二者的参数初始值的上标记为0，预训练后的上标记为1，后面是从t＝1时开始迭代的。这一段也是自适应深度置信网络初始化与预训练模块的作用体现。
所述步骤(5)具体是指：
对于每个参考标签，利用交叉熵误差函数构造各层的代价函数Lk,层数k＝1,2,3,4,其中，和 分别表示第k层第i个节点的实际输出和网络训练输出，表示第k+1层第j个节点的实际输出，和分别表示第k+1层第j个节点的权值和偏置，I表示第k层节点总数，J表示第k+1层节点总数，sigm为激活函数，arg表示反函数，利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整，完成网络训练。这一段也是自适应深度置信网络参数修正模块的作用体现。
在步骤(5)中，所述利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整包括以下步骤：
(5a)设定参数初值：学习率η＝0.1，动量因子μ＝0.9，动量因子λ＝0.99，循环控制变量t＝1，当t＝1时，交叉熵误差函数的梯度g1的一阶矩估计m1＝0，二阶矩估计n1＝0，层数初始值k＝4，保证分母非零参 数ε＝10-8,输出层的实际值与网络输出值分别为和表示第RT个参考标签到4个阅读器的实际距离，表示第RT个参考标签到4个阅读器的网络输出距离，参考标签RT＝1，2，···,N；
(5b)计算第k层的代价函数Lk，
(5c)计算Lk的第t次的梯度gt，其中，▽为梯度运算符号，表示连接第k层中第j个节点与上一层第j个节点的第t次更新权值参数，表示第k层中第j个节点的第t次更新偏置参数，表示对Lk的权值参数w求偏导，表示对Lk的偏置参数b求偏导；
(5d)计算Lk的第t次梯度gt的一阶矩估计mt＝μ*mt-1+(1-μ)*gt，和二阶矩估计其中，μ，λ是动量因子， mt-1表示Lk的第t-1次梯度gt-1的一阶矩估计，nt-1表示Lk的第t-1次梯度gt-1的二阶矩估计；
(5e)计算其中是对mt，nt的校正；
(5f)权值参数迭代公式为偏置参数迭代公式其中，“←”表示赋值；
(5g)判断是否gt＞10-6，若是，则循环控制变量t←t+1，返回步骤(6.3)，否则，停止迭代，得到第k层的网络参数
(5h)执行k←k-1，判断k是否为0，若不为0，则返回步骤(5b)，否则，退出迭代。
所述步骤(6)具体是指：
四个阅读器依次向待测标签T发送信号，接收待测标签返回的信号强度值向量,构建待测标签信号强度值向量RSSI(dR,T)＝[RSSI(d1,T) RSSI(d2,T) RSSI(d3,T) RSSI(d4,T)]T，其中，[·]T代表求转置，将RSSI(dR,T)输入利用训练好的自适应深度置信网络，得到待测标签到各阅读器的距离输出值，以此预测待测标签的坐标位置。这一段也是待测标签定位模块的作用体现。
在步骤(6)中，所述利用网络输出预测待测标签的坐标位置包括以下步骤：
(6a)第R个阅读器坐标表示为(xR,yR,zR)，待测标签T到第R个阅读器的距离输出值表示为dR,T，阅读器R＝1,2,3,4；
(6b)计算矩阵
(6c)计算待测标签的坐标向量
如图2所示，所述自适应深度置信网络结构为：输入和输出维度均为4维，网络包含4个可视层vk和4个隐含层hk，输入层记为v1，vk+1＝hk，4个隐含层hk依次为40，100，40，10个节点，可视层vk与隐含层hk间由RBMk连接，RBMk为四个受限波尔兹曼机，k＝1,2,3,4,第四个隐含层h4与输出层之间由线性RBM连接。
综上所述，本发明利用自适应深度置信网络构建信号强度与距离的非线性关系，并采用自适应带动量的矩估计动态更新深度置信网络各层的权值，提高了代价函数的收敛速度，提高了整个RFID定位系统的精准性。
Claims (9)
1.一种基于自适应深度置信网络的RFID定位方法，该方法包括下列顺序的步骤：
(1)布局阅读器和参考标签的位置，计算参考标签到阅读器的距离；
(2)阅读器向参考标签发送电磁波信号并接收到信号强度RSSI值，构建训练样本向量矩阵；
(3)构建自适应深度置信网络，将每个参考标签的RSSI值作为输入值，距离d作为输出值；
(4)利用对比散度算法，完成网络参数的预训练；
(5)利用自适应矩估计方法对深度学习网络各层权值进行调整；
(6)阅读器向待测标签发送信号并接收RSSI值，利用深度置信网络预测出待测标签的位置。
2.根据权利要求1所述的基于自适应深度置信网络的RFID定位方法，其特征在于：所述步骤(1)具体是指：由定位空间布局模块、训练样本获取模块、自适应深度置信网络模块、自适应深度置信网络初始化与预训练模块、自适应深度置信网络参数修正模块、待测标签定位模块构成定位系统；
在室内三维空间内,均匀放置N个参考标签，N为任意自然数，并在三维空间顶部的四个顶点各安放一个阅读器，根据参考标签坐标计算参考标签到阅读器的距离计算公式为其中第RT个参考标签坐标为参考标签RT＝1，2，···,N，第R个阅读器坐标为(xR,yR,zR)，阅读器R＝1,2,3,4，则各参考标签与第R个阅读器之间的距离向量为dR＝[dR,1 dR,2 … dR,N]，构建四个阅读器与各参考标签的距离向量矩阵D＝[d1 d2 d3 d4]T,其中[·]T代表求转置。
3.根据权利要求1所述的基于自适应深度置信网络的RFID定位方法，其特征在于：所述步骤(2)具体是指：
四个阅读器向参考标签发送辐射电磁波信号，记第R个阅读器接收到N个参考标签反射回的信号强度值向量为RSSI(dR)＝[RSSI(dR,1) RSSI(dR,2) … RSSI(dR,N)]，其中，代表第RT个参考标签到第R个阅读器的反射信号强度值，参考标签RT＝1，2，···,N，阅读器R＝1,2,3,4；构建4个阅读器接收到的信号强度值向量矩阵E＝[RSSI(d1) RSSI(d2) RSSI(d3) RSSI(d4)]T，其中，[·]T代表求转置。
4.根据权利要求1所述的基于自适应深度置信网络的RFID定位方法，其特征在于：所述步骤(3)具体是指：网络隐含层数K＝4，由4个受限玻尔兹曼机RBM连接,每一个受限玻尔兹曼机RBM都包含一个可视层和一个隐含层，各个隐含层节点数分别为40，100，40，10，隐含层与输出层间由线性受限玻尔兹曼机即线性RBM连接，输入维度是4维，输出维度是4维。
5.根据权利要求1所述的基于自适应深度置信网络的RFID定位方法，其特征在于：所述步骤(4)具体是指：
设置第k个受限玻尔兹曼机的网络权值参数初始值其为J×I维服从均值为0、方差为的高斯分布的矩阵；可视层偏置参数初始值其为I×1维0向量矩阵；隐含层偏置参数初始值其为J×1维0向量矩阵，k＝1,2,3,4，其中，I和J分别为第k个受限玻尔兹曼机的可视层节点总数和隐含层节点总数，可视层节点i＝1,2,…,I,隐含层节点j＝1,2,…,J,设置学习率η＝0.1，将上述步骤(2)中的信号强度值向量矩阵E＝[RSSI(d1) RSSI(d2) RSSI(d3) RSSI(d4)]T作为网络输入，上述步骤(1)中的距离向量矩阵D＝[d1 d2 d3 d4]T作为目标输出，利用对比散度CD算法完成4层深度置信网络参数的预训练，得到各层预训练网络权值参数隐含层偏置参数并获得自适应深度置信网络的预训练输出距离向量矩阵预训练后的各参考标签与第R个阅读器之间的距离向量为
6.根据权利要求1所述的基于自适应深度置信网络的RFID定位方法，其特征在于：所述步骤(5)具体是指：
对于每个参考标签，利用交叉熵误差函数构造各层的代价函数Lk,层数k＝1,2,3,4,其中，和分别表示第k层第i个节点的实际输出和网络训练输出，表示第k+1层第j个节点的实际输出，和分别表示第k+1层第j个节点的权值和偏置，I表示第k层节点总数，J表示第k+1层节点总数，sigm为激活函数，arg表示反函数，利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整，完成网络训练。
7.根据权利要求1所述的基于自适应深度置信网络的RFID定位方法，其特征在于：所述步骤(6)具体是指：
四个阅读器依次向待测标签T发送信号，接收待测标签返回的信号强度值向量,构建待测标签信号强度值向量RSSI(dR,T)＝[RSSI(d1,T) RSSI(d2,T) RSSI(d3,T) RSSI(d4,T)]T，其中，[·]T代表求转置，将RSSI(dR,T)输入利用训练好的自适应深度置信网络，得到待测标签到各阅读器的距离输出值，以此预测待测标签的坐标位置。
8.根据权利要求6所述的基于自适应深度置信网络的RFID定位方法，其特征在于：在步骤(5)中，所述利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整包括以下步骤：
(5a)设定参数初值：学习率η＝0.1，动量因子μ＝0.9，动量因子λ＝0.99，循环控制变量t＝1，当t＝1时，交叉熵误差函数的梯度g1的一阶矩估计m1＝0，二阶矩估计n1＝0，层数初始值k＝4，保证分母非零参数ε＝10-8,输出层的实际值与网络输出值分别为和 表示第RT个参考标签到4个阅读器的实际距离，表示第RT个参考标签到4个阅读器的网络输出距离，参考标签RT＝1，2，···,N；
(5b)计算第k层的代价函数Lk，
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mi>L</mi>
<mi>k</mi>
</msup>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>I</mi>
</mfrac>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</munderover>
</mstyle>
<mo>&lsqb;</mo>
<msubsup>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mi>ln</mi>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mi>arg</mi>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>m</mi>
<mo>(</mo>
<mstyle>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<mrow>
<msubsup>
<mi>w</mi>
<mi>j</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mstyle>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
(5c)计算Lk的第t次的梯度gt，其中，▽为梯度运算符号，表示连接第k层中第j个节点与上一层第j个节点的第t次更新权值参数，表示第k层中第j个节点的第t次更新偏置参数，表示对Lk的权值参数w求偏导，表示对Lk的偏置参数b求偏导；
(5d)计算Lk的第t次梯度gt的一阶矩估计和二阶矩估计其中，μ，λ是动量因子，mt-1表示Lk的第t-1次梯度gt-1的一阶矩估计，nt-1表示Lk的第t-1次梯度gt-1的二阶矩估计；
(5e)计算其中 是对mt，nt的校正；
(5f)权值参数迭代公式为偏置参数迭代公式其中，“←”表示赋值；
(5g)判断是否gt＞10-6，若是，则循环控制变量t←t+1，返回步骤(6.3)，否则，停止迭代，得到第k层的网络参数
(5h)执行k←k-1，判断k是否为0，若不为0，则返回步骤(5b)，否则，退出迭代。
9.根据权利要求7所述的基于自适应深度置信网络的RFID定位方法，其特征在于：在步骤(6)中，所述利用网络输出预测待测标签的坐标位置包括以下步骤：
(6a)第R个阅读器坐标表示为(xR,yR,zR)，待测标签T到第R个阅读器的距离输出值表示为dR,T，阅读器R＝1,2,3,4；
(6b)计算矩阵
(6c)计算待测标签的坐标向量
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547215.9A CN107247260B (zh) | 2017-07-06 | 2017-07-06 | 一种基于自适应深度置信网络的rfid定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547215.9A CN107247260B (zh) | 2017-07-06 | 2017-07-06 | 一种基于自适应深度置信网络的rfid定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247260A true CN107247260A (zh) | 2017-10-13 |
| CN107247260B CN107247260B (zh) | 2019-12-03 |
Family
ID=60014392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710547215.9A Active CN107247260B (zh) | 2017-07-06 | 2017-07-06 | 一种基于自适应深度置信网络的rfid定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247260B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108426518A (zh) * | 2018-04-26 | 2018-08-21 | 华南理工大学 | 一种基于干涉原理的无芯片rfid测距方法 |
| CN108600230A (zh) * | 2018-04-26 | 2018-09-28 | 深圳市盛路物联通讯技术有限公司 | 一种射频识别方法及系统 |
| CN108769969A (zh) * | 2018-06-20 | 2018-11-06 | 吉林大学 | 一种基于深度置信网络的rfid室内定位方法 |
| CN108802678A (zh) * | 2018-07-23 | 2018-11-13 | 深圳市欧辰技术有限公司 | 一种设备定位的方法和装置 |
| 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 |
| CN109146007A (zh) * | 2018-07-13 | 2019-01-04 | 江南大学 | 一种基于动态深度置信网络的固体废弃物智能处理方法 |
| CN109188410A (zh) * | 2018-08-27 | 2019-01-11 | 清华大学 | 一种非视距场景下的距离校准方法、装置及设备 |
| CN109214513A (zh) * | 2018-10-23 | 2019-01-15 | 江南大学 | 一种基于自适应深度置信网络的固液废弃物智能耦合处理方法 |
| CN109212476A (zh) * | 2018-09-18 | 2019-01-15 | 广西大学 | 一种基于ddpg的rfid室内定位算法 |
| CN109284799A (zh) * | 2018-10-17 | 2019-01-29 | 南京邮电大学 | 一种基于深度学习的rfid标签相对位置定位方法 |
| CN109444813A (zh) * | 2018-10-26 | 2019-03-08 | 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 |
| CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| CN110503354A (zh) * | 2019-07-02 | 2019-11-26 | 北京交通大学 | 一种基于深度学习的rfid标签位置估计方法 |
| CN111523667A (zh) * | 2020-04-30 | 2020-08-11 | 天津大学 | 一种基于神经网络的rfid定位方法 |
| CN114040347A (zh) * | 2021-10-29 | 2022-02-11 | 中国石油大学(华东) | 一种基于深度置信网络的信号指纹定位方法 |
| CN116828596B (zh) * | 2023-08-28 | 2023-11-10 | 四川思凌科微电子有限公司 | 一种使用rssi的高精度定位方法 |
| WO2024047378A1 (en) * | 2022-08-30 | 2024-03-07 | Wiliot, LTD. | Determining collective location of low energy wireless tags |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104199023A (zh) * | 2014-09-15 | 2014-12-10 | 南京大学 | 一种基于深度感知的rfid室内定位系统及其工作方法 |
| CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
| WO2016077127A1 (en) * | 2014-11-11 | 2016-05-19 | Massachusetts Institute Of Technology | A distributed, multi-model, self-learning platform for machine learning |
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN106886819A (zh) * | 2017-01-11 | 2017-06-23 | 大连大学 | 一种关于限制性玻尔兹曼机的改进方法 |
-
2017
- 2017-07-06 CN CN201710547215.9A patent/CN107247260B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104199023A (zh) * | 2014-09-15 | 2014-12-10 | 南京大学 | 一种基于深度感知的rfid室内定位系统及其工作方法 |
| WO2016077127A1 (en) * | 2014-11-11 | 2016-05-19 | Massachusetts Institute Of Technology | A distributed, multi-model, self-learning platform for machine learning |
| CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN106886819A (zh) * | 2017-01-11 | 2017-06-23 | 大连大学 | 一种关于限制性玻尔兹曼机的改进方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108600230A (zh) * | 2018-04-26 | 2018-09-28 | 深圳市盛路物联通讯技术有限公司 | 一种射频识别方法及系统 |
| 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 |
| CN108426518A (zh) * | 2018-04-26 | 2018-08-21 | 华南理工大学 | 一种基于干涉原理的无芯片rfid测距方法 |
| CN108769969A (zh) * | 2018-06-20 | 2018-11-06 | 吉林大学 | 一种基于深度置信网络的rfid室内定位方法 |
| CN108769969B (zh) * | 2018-06-20 | 2021-10-15 | 吉林大学 | 一种基于深度置信网络的rfid室内定位方法 |
| CN109146007A (zh) * | 2018-07-13 | 2019-01-04 | 江南大学 | 一种基于动态深度置信网络的固体废弃物智能处理方法 |
| CN108802678A (zh) * | 2018-07-23 | 2018-11-13 | 深圳市欧辰技术有限公司 | 一种设备定位的方法和装置 |
| CN109188410B (zh) * | 2018-08-27 | 2020-12-25 | 清华大学 | 一种非视距场景下的距离校准方法、装置及设备 |
| CN109188410A (zh) * | 2018-08-27 | 2019-01-11 | 清华大学 | 一种非视距场景下的距离校准方法、装置及设备 |
| CN109212476B (zh) * | 2018-09-18 | 2023-03-14 | 广西大学 | 一种基于ddpg的rfid室内定位算法 |
| CN109212476A (zh) * | 2018-09-18 | 2019-01-15 | 广西大学 | 一种基于ddpg的rfid室内定位算法 |
| CN109284799A (zh) * | 2018-10-17 | 2019-01-29 | 南京邮电大学 | 一种基于深度学习的rfid标签相对位置定位方法 |
| CN109214513B (zh) * | 2018-10-23 | 2021-08-13 | 江南大学 | 一种基于自适应深度置信网络的固液废弃物智能耦合处理方法 |
| CN109214513A (zh) * | 2018-10-23 | 2019-01-15 | 江南大学 | 一种基于自适应深度置信网络的固液废弃物智能耦合处理方法 |
| CN109444813A (zh) * | 2018-10-26 | 2019-03-08 | 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 |
| CN110503354A (zh) * | 2019-07-02 | 2019-11-26 | 北京交通大学 | 一种基于深度学习的rfid标签位置估计方法 |
| CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| CN110334788B (zh) * | 2019-07-08 | 2023-10-27 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| CN111523667A (zh) * | 2020-04-30 | 2020-08-11 | 天津大学 | 一种基于神经网络的rfid定位方法 |
| CN111523667B (zh) * | 2020-04-30 | 2023-06-27 | 天津大学 | 一种基于神经网络的rfid定位方法 |
| CN114040347A (zh) * | 2021-10-29 | 2022-02-11 | 中国石油大学(华东) | 一种基于深度置信网络的信号指纹定位方法 |
| WO2024047378A1 (en) * | 2022-08-30 | 2024-03-07 | Wiliot, LTD. | Determining collective location of low energy wireless tags |
| CN116828596B (zh) * | 2023-08-28 | 2023-11-10 | 四川思凌科微电子有限公司 | 一种使用rssi的高精度定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247260B (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247260A (zh) | 一种基于自适应深度置信网络的rfid定位方法 | |
| CN107247989A (zh) | 一种神经网络训练方法及装置 | |
| CN105142177B (zh) | 复数神经网络信道预测方法 | |
| CN102682345B (zh) | 基于双最优学习率快速学习神经网络的交通流预测方法 | |
| CN107463966A (zh) | 基于双深度神经网络的雷达一维距离像目标识别方法 | |
| CN106503802A (zh) | 一种利用遗传算法优化bp神经网络系统的方法 | |
| CN108664687A (zh) | 一种基于深度学习的工控系统时空数据预测方法 | |
| CN107396322A (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
| CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
| CN107330514A (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
| CN107103397A (zh) | 一种基于蝙蝠算法的交通流预测方法、装置及系统 | |
| CN103824291B (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
| CN103971163B (zh) | 一种基于归一化最小均方自适应滤波的自适应学习率小波神经网络控制方法 | |
| CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| Xing et al. | Monthly mean streamflow prediction based on bat algorithm-support vector machine | |
| CN109146162A (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN108346293A (zh) | 一种实时交通流短时预测方法 | |
| CN108596251A (zh) | 一种基于委员会机器利用测井数据进行储层流体识别方法 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| CN106096723B (zh) | 一种基于混合神经网络算法的用于复杂工业产品性能评估方法 | |
| CN109711883A (zh) | 基于U-Net网络的互联网广告点击率预估方法 | |
| CN107766893A (zh) | 基于标签多级编码神经网络的目标识别方法 | |
| CN108665109A (zh) | 一种基于回归委员会机器的储层参数测井解释方法 | |
| Chen et al. | Modeling RFID signal distribution based on neural network combined with continuous ant colony optimization | |
| CN106327357A (zh) | 一种基于改进概率神经网络的负载识别方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220120 Address after: 230001 floor 6, block B, blue diamond Shangjie, No. 335, Suixi Road, Bozhou road street, Luyang District, Hefei City, Anhui Province Patentee after: Hefei Luyang Technology Innovation Group Co.,Ltd. Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009 Patentee before: Hefei University of Technology |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240314 Address after: 230001 Gujing Baihua mansion, 156 Shou Chun Road, Hefei, Anhui Patentee after: HEFEI HUIZHONG INTELLECTUAL PROPERTY MANAGEMENT Co.,Ltd. Country or region after: China Address before: 230001 floor 6, block B, blue diamond Shangjie, No. 335, Suixi Road, Bozhou road street, Luyang District, Hefei City, Anhui Province Patentee before: Hefei Luyang Technology Innovation Group Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240408 Address after: 230000 second floor, building 8, big data Industrial Park, Luyang District, Hefei City, Anhui Province Patentee after: ANHUI DINGLI NETWORK TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 230001 Gujing Baihua mansion, 156 Shou Chun Road, Hefei, Anhui Patentee before: HEFEI HUIZHONG INTELLECTUAL PROPERTY MANAGEMENT Co.,Ltd. Country or region before: China |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A RFID localization method based on adaptive deep confidence network Granted publication date: 20191203 Pledgee: China Co. truction Bank Corp Hefei Luyang branch Pledgor: ANHUI DINGLI NETWORK TECHNOLOGY Co.,Ltd. Registration number: Y2024980014561 |