CN107490783A - 一种基于elm的rfid定位方法 - Google Patents
一种基于elm的rfid定位方法 Download PDFInfo
- Publication number
- CN107490783A CN107490783A CN201610411149.8A CN201610411149A CN107490783A CN 107490783 A CN107490783 A CN 107490783A CN 201610411149 A CN201610411149 A CN 201610411149A CN 107490783 A CN107490783 A CN 107490783A
- Authority
- CN
- China
- Prior art keywords
- elm
- rfid
- rssi
- 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.)
- Pending
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
- 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
- G01S5/0252—Radio frequency fingerprinting
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于ELM的RFID定位方法,涉及射频识别技术领域,该基于ELM的RFID定位方法是一种基于机器学习的方法,在保证精度的前提下,减少的运算时间,可以提供比现有的更高的定位精度和鲁棒性,具有实时性好、抗干扰能力强、精度高等特点,可广泛用于各种室内定位监控系统中。
Description
技术领域
本发明涉及射频识别技术领域,特别涉及一种基于ELM的RFID定位方法。
背景技术
射频识别技术(RFID)是从20世纪80年代起逐步发展走向成熟的一项自动识别技术。它通过射频信号自动识别目标对象并获取相关数据,识别工作无需人工干预,可工作于各种恶劣环境。RFID技术可识别高速运动物体并可同时识别多个标签,操作快捷方便。射频识别技术是一种非接触式的自动识别技术。
目前在RFID定位方法研究和应用方面,主要是通过部署大量的参考标签和RFID阅读器,采集待定位标签的RSSI信息,基于传统信号传播模型以及三角定位等方法进行位置计算。但现有的基于RFID技术设计的定位系统,在系统可靠性、定位方式、定位精度、定位效率等关键问题上还存在着诸多问题,这些因素造成了现有基于RSSI的定位系统定位精度较差。此外现定位系统的规模相对较小,可扩展性较差。部分定位系统采用部署参考标签的方法来提高使用RSSI定位的精度,但是系统性能受到参考标签密度、部署布局的影响,不适合实际的应用需求。
发明内容
本发明所要解决的技术问题是提供一种基于ELM的RFID定位方法,克服了其他定位技术的缺点,充分利用RFID定位技术的优势,,满足定位系统的实时、准确定位要求,实现快速定位。
为实现上述目的,本发明提供以下的技术方案:一种基于ELM的RFID定位方法,其特征在于:所述基于ELM的RFID定位方法包括如下步骤:
A.离线阶段:
(1)摆放无源RFID参考标签、RFID远场天线以及RFID固定式阅读器,确定RFID定位系统模型;
(2)利用RFID固定式阅读器,采集参考标签和待定位标签信号强度值;
(3)在定位区域内采用VIRE方法产生仿真参考标签,根据已测得的参考标 签的信号强度值构造仿真参考标签的信号强度值;
(4)利用得到的仿真参考标签的信号强度值构建训练样本集,所述的训练样本集基于ELM法训练所述的基本前馈神经网络得到训练好的神经网络,建立历史样本数据库;
B.在线阶段:
(5)将采集好的待定位标签的信号强度值输入到训练好的神经网络,相应的输出即为带定位标签的坐标。
优选的,所述步骤(1)摆放4组收发天线,N个参考标签,一个RFID固定式阅读器,确定RFID定位系统模型。
优选的,所述步骤(4)具体包括:
1)把采集到的实体参考标签和通过计算得到的仿真参考标签的RSSI值和相对应得坐标值,即(RSSInm,(i,j)),(RSSIvm,(i,j))。这两组数据合并在一起构成ELM样本训练集,作为离线阶段的训练数据,每个RSSI样本都表示为(RSSInm,(i,j)),(RSSIvm,(i,j))。
2)ELM的输入是RSSInm和RSSIvm,相应的位置向量(i,j)是ELM的训练目标。选择hard-limit函数作为激活函数进行训练。
优选的,所述步骤(5)具体包括在线阶段将已经测得的待定位标签的信号强度值RSSItm作为已得到的ELM训练模型的输入,相应的输出就是待定位标签的坐标。
采用以上技术方案的有益效果是:该基于ELM的RFID定位方法利用参考标签RSSI值和基于测距的方式计算出仿真参考标签的RSSI值,然后构建仿真参考标签样本训练集,采用ELM算法进行训练,也可进行多目标的定位,在保证精度的前提下,减少的运算时间,可以提供比现有的更高的定位精度和鲁棒性。本方案具有实时性好、抗干扰能力强、精度高等特点,可广泛用于各种室内定位监控系统中。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的描述。
图1是本发明一种基于ELM的RFID定位方法的RFID定位系统模型图;
图2是本发明一种基于ELM的RFID定位方法的仿真参考标签模型图;
图3是本发明一种基于ELM的RFID定位方法的定位流程图。
具体实施方式
下面结合附图详细说明本发明一种基于ELM的RFID定位方法的优选实施方式。该基于ELM的RFID定位方法采用无源RFID设备,包括固定在定位区域内的适当位置的参考标签,其坐标相对容易的通过测量获得,对参考标签的信号强度,通过设定的RFID阅读器连接组天线分别读取每个参考标签的RSSI值,每隔一段时间读取一次,以便适应环境因素变化对定位误差带来的影响;而将用来定位的定位标签附着在待定位目标上,通过RFID阅读器读取RSSI值,采用ELM方法进行训练建模与定位。
图1、图2和图3出示本发明一种基于ELM的RFID定位方法的具体实施方式:该基于ELM的RFID定位方法,包括以下步骤:
离线阶段:
(1)摆放无源RFID参考标签、RFID远场天线以及RFID固定式阅读器,确定RFID定位系统模型;
如附图1所示,本RFID定位系统模型包括一个RFID固定式阅读器,摆放4组收发天线,N个参考标签,确定RFID定位系统模型。
(2)利用RFID固定式阅读器,采集参考标签和待定位标签信号强度值;
通过RFID固定式阅读器分别读取由4组天线采集的N个参考标签的信号强度值RSSInm(1<<n<<N,1<<m<<4),以及T个待定位标签信号强度值RSSItm(1<<t<<T,1<<m<<4)。
(3)在定位区域内随机产生仿真参考标签,根据已测得的参考标签的信号强度值构造仿真参考标签的信号强度值;
在该方法中,如附图2所示,将每一个被4个参考标签覆盖的小网格分成n×n个大小相同的虚拟网格单元,而每个虚拟网格单元可以看作被4个分布在单元格角上的虚拟参考标签覆盖.由于4个实体参考标签的RSSI已知,虚拟标签的RSSI就可以通过如下公式获得:
水平位置
垂直位置
式中,RSSIvm(Ti,j)代表第m个天线收到的处于(i,j)处的标签的RSSI值:0<<p=i mod n<<n-1,0<<q=j mod n<<n-1.
将整个定位区域划分成若干小区.每个小区的中心对应一个虚拟标签,且认为当虚拟标签的RSSI值与待定位标签的RSSI值越近时,前者越靠近后者.对应每一组天线。
(4)利用得到的仿真参考标签的信号强度值构建训练样本集,所述的训练样本集基于ELM法训练所述的基本前馈神经网络得到训练好的神经网络,建立历史样本数据库;
上述步骤中把采集到的实体参考标签和通过计算得到的仿真参考标签的RSSI值和相对应得坐标值,即(RSSInm,(ij)),(RSSivm,(i,j))。这两组数据合并在一起构成ELM样本训练集,就是建立一个经验数据库,如附图3所示。
ELM算法
ELM是一种机器学习算法基于一个单隐层前馈神经网络(SLFN)体系结构,它能够提供良好的泛化性能以极快的训练速度。SLFN中隐藏节点的输出可以表示为:
其中,ai是输入权重,bi是第i个隐藏节点的偏置,βi是输出权重,G(ai,bi,x) 是第i个隐藏节点的输出和输入x的激活函数。
假设有N任意不同的训练样本(xi,tj),j=1,2,...,N.我们可以每个样本的SLFN表示为:
可以矩阵表示为:
Hβ=T
其中
其中,H是隐层节点的输出,β为输出权重,T为期望输出。
传统的一些基于梯度下降法的算法,可以用来求解这样的问题,但是基本的基于梯度的学习算法需要在迭代的过程中调整所有参数。而在ELM算法中,一旦输入权重Wi和隐层的偏置bi被随机确定,隐层的输出矩阵H就被唯一确定。训练单隐层神经网络可以转化为求解一个线性系统的最优解。
求解一个线性系统
Hβ=T
并且输出权重β可以被确定
β=H+L
其中,H+是矩阵H的Moore-Penrose广义逆。
2)基于ELM的RFID定位方法
ELM方法将RFID定位归于一个回归的问题。它分离线阶段和在线阶段。在离线阶段,一些采用RFID标签参考标记为了建立一个经验数据库。此外,每个RSSI样本都表示为(RSSInm,(i,j)),(RSSIvm,(i,j))。ELM的输入是RSSInm和RSSIvm,相应的位置向量(i,j)是ELM的训练目标。选择hard-limit函数作为激活函数。训练过程在上述的ELM方法中介绍了。它可以进行以下三个主要步骤:
步骤1:随机赋值参数隐藏节点。
步骤2:计算隐层输出矩阵H.
步骤3:通过式计算输出权重β:
β=H+L
其中H+是H的Moor-Penrose广义逆.在在线阶段,我们需要做的就是把上述样本数据库中RSSInm和RSSIvm输入到ELM模型中,把相应的坐标(i,j)作为ELM的输出进行训练,得到ELM训练模型。由于在ELM这种智能算法中,大量的数据可以增加模型的准确率,如果单纯通过增加实体参考标签的数量,这样只会增加成本,而且测量过程也比较繁琐,所以我们在上述步骤中增加了仿真参考标签的使用,使得能够保证ELM训练的数据要求,增加了训练的准确度。
A.在线阶段:
(5)将采集好的待定位标签的信号强度值输入到训练好的神经网络,相应的输出即为带定位标签的坐标。
在上述步骤中已经得到的ELM训练模型,就可以用来对待定位标签的坐标预测。将已经测得的待定位标签的信号强度值RSSItm作为已得到的ELM训练模型的输入,相应的输出就是待定位标签的坐标,如附图3所示。
以上的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种基于ELM的RFID定位方法,其特征在于:所述基于ELM的RFID定位方法包括如下步骤:A.离线阶段:(1)摆放无源RFID参考标签、RFID远场天线以及RFID固定式阅读器,确定RFID定位系统模型;(2)利用RFID固定式阅读器,采集参考标签和待定位标签信号强度值;(3)在定位区域内采用VIRE方法产生仿真参考标签,根据已测得的参考标签的信号强度值构造仿真参考标签的信号强度值;(4)利用得到的仿真参考标签的信号强度值构建训练样本集,所述的训练样本集基于ELM法训练所述的基本前馈神经网络得到训练好的神经网络,建立历史样本数据库;B.在线阶段:(5)将采集好的待定位标签的信号强度值输入到训练好的神经网络,相应的输出即为带定位标签的坐标。
2.根据权利要求1所述的基于ELM的RFID定位方法,其特征在于:所述步骤(1)摆放4组收发天线,N个参考标签,一个RFID固定式阅读器,确定RFID定位系统模型。
3.根据权利要求1所述的基于ELM的RFID定位方法,其特征在于:所述步骤(4)具体包括:1)把采集到的实体参考标签和通过计算得到的仿真参考标签的RSSI值和相对应得坐标值,即(RSSInm,(i,j)),(RSSIvm,(i,j))。这两组数据合并在一起构成ELM样本训练集,作为离线阶段的训练数据,每个RSSI样本都表示为(RSSInm,(i,j)),(RSSIvm,(i,j))。2)ELM的输入是RSSInm和RSSIvm,相应的位置向量(i,j)是ELM的训练目标。选择hard-limit函数作为激活函数进行训练。
4.根据权利要求1所述的基于ELM的RFID定位方法,其特征在于:所述步骤(5)具体包括在线阶段将已经测得的待定位标签的信号强度值RSSItm作为已得到的ELM训练模型的输入,相应的输出就是待定位标签的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411149.8A CN107490783A (zh) | 2016-06-10 | 2016-06-10 | 一种基于elm的rfid定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411149.8A CN107490783A (zh) | 2016-06-10 | 2016-06-10 | 一种基于elm的rfid定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107490783A true CN107490783A (zh) | 2017-12-19 |
Family
ID=60642374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610411149.8A Pending CN107490783A (zh) | 2016-06-10 | 2016-06-10 | 一种基于elm的rfid定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107490783A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108871334A (zh) * | 2018-06-11 | 2018-11-23 | 佛山市顺德区中山大学研究院 | 一种基于机器学习的rfid室内定位方法及系统 |
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN109598320A (zh) * | 2019-01-16 | 2019-04-09 | 广西大学 | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104076323A (zh) * | 2014-07-14 | 2014-10-01 | 成都联星微电子有限公司 | 一种基于仿真标签的rfid定位方法 |
CN104535960A (zh) * | 2014-12-29 | 2015-04-22 | 华南理工大学 | 一种基于rfid的室内快速定位方法 |
CN104977561A (zh) * | 2014-04-04 | 2015-10-14 | 江苏中科泛联物联网科技股份有限公司 | 一种基于虚拟标签和循环校验的定位算法 |
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 |
-
2016
- 2016-06-10 CN CN201610411149.8A patent/CN107490783A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977561A (zh) * | 2014-04-04 | 2015-10-14 | 江苏中科泛联物联网科技股份有限公司 | 一种基于虚拟标签和循环校验的定位算法 |
CN104076323A (zh) * | 2014-07-14 | 2014-10-01 | 成都联星微电子有限公司 | 一种基于仿真标签的rfid定位方法 |
CN104535960A (zh) * | 2014-12-29 | 2015-04-22 | 华南理工大学 | 一种基于rfid的室内快速定位方法 |
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 |
Non-Patent Citations (2)
Title |
---|
俱莹等: "基于RFID的边界虚拟参考标签定位算法", 《计算机工程》 * |
冉东梅等: "基于自适应进化极端学习机的室内定位算法", 《计算机工程与设计》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108871334A (zh) * | 2018-06-11 | 2018-11-23 | 佛山市顺德区中山大学研究院 | 一种基于机器学习的rfid室内定位方法及系统 |
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
CN109598320A (zh) * | 2019-01-16 | 2019-04-09 | 广西大学 | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490783A (zh) | 一种基于elm的rfid定位方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN102524024B (zh) | 基于计算机视觉的作物灌溉系统 | |
CN109063976A (zh) | 基于模糊层次分析法的智能制造能力成熟度评价方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN108871332A (zh) | 一种基于XGBoost的RFID室内定位系统及方法 | |
CN106612495B (zh) | 一种基于传播损耗学习的室内定位方法及系统 | |
CN108647753A (zh) | 一种基于bim和rfid技术的施工现场风险预警方法 | |
CN106941663A (zh) | 一种融合凸优化与多目标粒子群的uwb定位方法 | |
CN106779151A (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN103514566A (zh) | 一种风险控制系统及方法 | |
CN104134003B (zh) | 基于知识与数据共同驱动的作物单产量预测方法 | |
CN105956702A (zh) | 一种基于数据融合的水产养殖水质溶解氧预测方法 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN105117988A (zh) | 一种电力系统中缺失数据插补的方法 | |
CN109598320A (zh) | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 | |
CN107967489A (zh) | 一种异常检测方法及系统 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN104809532A (zh) | 一种光伏系统发电量的预测方法 | |
CN107966600A (zh) | 一种基于深度学习算法的防窃电系统及其防窃电方法 | |
CN110287509A (zh) | 城市热网的柔性分析与结构缺陷诊断及定位方法和系统 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN109214591A (zh) | 一种木本植物地上生物量预测方法及系统 | |
CN109275096A (zh) | 一种基于多层融合网络动态匹配的室内定位方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171219 |
|
WD01 | Invention patent application deemed withdrawn after publication |