CN108769969A - 一种基于深度置信网络的rfid室内定位方法 - Google Patents

Abstract

本发明涉及一种基于深度置信网络的RFID室内定位方法，属于室内定位技术领域。构建RFID信号室内传播模型；获取参考标签在不同阅读器处的接收信号强度值，构建指纹数据库；利用DBN对指纹数据进行特征提取，提取后的深度特征与位置坐标一一对应形成新的指纹数据库；将待定位标签在不同阅读器处的接收信号强度值经过DBN提取特征，并与指纹数据库中的特征进行相似度比对，实现对待定位标签的位置估计。优点在于：通过将RFID待定位标签的特征与指纹数据库中的特征进行相似度比对，能够使得RFID室内定位更加准确；对于指纹数据集的采集，参考标签可以循环使用，相较于实时定位系统，能够时刻保证定位系统的有效性，使得系统具备稳定性。

Description

一种基于深度置信网络的RFID室内定位方法

技术领域

本发明属于室内定位技术领域；涉及RFID室内定位系统，以及复杂室内电波传播环境下RFID室内定位，尤其是涉及基于深度置信网络和位置指纹的RFID室内定位方法。

背景技术

射频识别技术(RFID)是一种以空间电磁波为传输媒介的非接触式自动采集数据技术，具有体积小、技术成熟、速度快、防水防磁、功耗低、容量大、无机械磨损、寿命长、精度高等优点，它的发展给人们的生活、生产带来了巨大的便利。

对物品进行定位是RFID系统的重要应用之一，具有广泛的应用前景。现有的RFID定位方法在应对复杂室内环境时，在定位精度、定位时间、适应能力等关键性问题上仍存在一些亟待解决的问题，主要体现在：(1)由于RFID信号容易受到室内多径效应、阴影效应、非视距传播的影响，使得基于测距的TOA、TDOA、AOA、RSSI定位方法产生很大的定位偏差。(2)由于定位范围不断扩大及定位环境日益复杂，传统的位置指纹定位方法对于大规模指纹数据库的处理能力较差，而且当指纹数据库数据不平衡时可能会使系统在定位精度及定位实时性等性能上存在劣势。(3)目前，在定位范围较大的情况下，LANDMARC等传统定位系统所需参考标签较多，一旦参考标签失去工作能力，将导致定位系统瘫痪。而且，由于参考标签布置过于密集时，标签之间可能会产生干扰，使系统整体定位精度不高。迄今为止，在复杂电波传播环境下实现对多个RFID待定位标签的精准定位问题一直是一个难题。

基于位置指纹(Finger-Printing)的定位是一种新兴的室内定位技术，近年来在Wifi定位中得到应用。指纹定位方法的出现为解决上述问题提供了一个有效的方法。基于位置指纹的RFID标签定位是一种基于网络的定位技术。信号传播对于地理环境具有依赖性，体现很强的站点特殊性，这样的特点被当做指纹。

然而，在某些实际应用场景，例如仓库、图书馆、医院等大规模定位环境及大量标签的定位场景，小范围、少标签已经远远不能满足实际应用的需求，在实时定位之前，大量位置指纹数据的获取以及指纹数据库的建立变得十分必要。因此，本文在位置指纹RFID定位的基础上，引入深度置信网络(Deep Belief Network，DBN)这一新的工具，以解决RFID多标签定位的大数据处理问题。由于定位范围的加大，离线数据的采集也相对加大，深度学习在动态指纹数据的建立、指纹特征的提取和训练以及实时定位识别方面具有很大优势。

深度学习的概念由Hinton等人于2006年提出，是对模式(如声音，图像)进行建模的一种方法，也是一种基于统计的概率模型，已成为学术界极度关注的研究热点，在计算机视觉、目标识别、图像分类、语音识别等领域得到了广泛应用，并取得良好的效果。深度置信网络属于深度学习的一部分，其能够精确地刻画数据丰富的内在信息，对数据的刻画更接近其本质。

随着室内定位的发展，对于室内定位的要求也越来越高，因此在要求定位精准的基础上，希望能够适应各种各样复杂多变的定位环境，节约能源并且能够对产生的大量数据进行很好的处理。由于传统的RFID室内定位具有在复杂电波传播环境下定位精度差、环境适应性差、无法处理较大数据问题，所以，能否解决以上问题成为RFID室内定位算法的关键问题。目前，将深度置信网络与位置指纹算法结合运用到RFID定位系统中，国内外尚未见任何有关报道。

发明内容

本发明提供一种基于深度置信网络的RFID室内定位方法，采用深度学习算法中的深度置信网络，利用深度置信网络的无监督学习数据的特性，分别对指纹数据库及在线获取的指纹数据进行特征提取，由于深度置信网络对于每组数据的学习具有一定的唯一性，所以根据深度置信网络所获取的特征来实现对待定位标签的定位。

本发明采取的技术方案是：包括下列步骤：

步骤一、在室内场景内布置RFID定位系统，在定位区域中布置M个阅读器，M为正整数，将待定位区域划分为N个小区域并布置N个参考标签，N为正整数，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库；

步骤二、为防止在训练过程中出现不平衡性，需对指纹数据库中数据进行归一化预处理，得到初始指纹数据库P；

步骤三、确定深度置信网络模型结构，包括一个输入层，一个输出层以及其中l个隐藏层，将归一化预处理得到的初始指纹数据库P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出，通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；

步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量r_i，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计。

本发明所述步骤一中在RFID定位系统中对RFID信号室内信道模型、对数路径传播损耗模型及初始指纹数据库的获取，具体步骤如下：

(1)RFID室内信道模型和对数路径传播损耗模型的建立

RFID系统的工作原理是由阅读器发送信号对标签进行激活，标签获取能量后将携带自身信息的信号发送给阅读器，然而由于信号在传播过程中存在多径效应，则RFID的信道冲激响应可表示为：

其中，c为光速；K为多径数，A_LOS为直视路径幅度衰减；A_i为第i条路径的幅度衰减；δ(·)为信道冲激响应，t为信号发送初始时刻，d_LOS为直视路径传播距离；d_i为第i条路径的传播距离，根据Friis公式，可得：

其中，P_R是读写器接收信号功率；P_T是标签发射信号功率，G_reader为读写器天线增益；G_tag为标签天线增益；Γ_i为第i条路径的极化相关反射系数，假设读写器发送信号为S(t)，则经过信道传播后读写器接收到的信号为：

其中，n(t)为噪声；

室内路径损耗遵从对数路径传播损耗模型，即：

其中，P_L(d)表示收发设备之间距离为d时的路径损耗，单位是dB；P_L(d₀)表示近距离d₀(d₀＝1)时的参考路径损耗，一般通过实际测量获得；q为路径损耗指数，表示路径损耗随距离增长的速率，它依赖于周围环境和建筑物的材料类型，X_σ表示标准偏差为σ的正态随机变量，考虑环境因素，σ一般在3.0～14.1dB之间变化；

(2)指纹数据库的获取

利用对数路径传播损耗模型对RFID信号在空间中的传播环境进行建模，所以位置指纹定位算法所采用的初始指纹数据库是通过对数路径传播损耗模型的方式获得的；

s_iM＝P_r(d)-P_L(d)

针对同一个位置在不同阅读器处所获得的接收信号不同，可以获得对于同一位置的接收信号强度特征s_i＝(s_i1,s_i2,s_i3,…,s_iM)，其中M为阅读器个数；

采集训练样本需要同时记录N个参考标签的坐标以及在不同阅读器处的接收信号强度，如果在不同位置处获取接收信号强度，那么获得的初始指纹数据库可以表示为：

其中，s_i代表第i个标签的指纹信息，pⁱ代表第i个标签的位置坐标信息。

本发明所述步骤二中：对s_i进行近似归一化预处理获取初始指纹数据库P，即：

本发明所述步骤三具体实现方法是：假设深度置信网络模型(Deep BeliefNetworks，DBN)是一个具有l+1层的深度模型，则对于这个模型来说具备l个权重矩阵：(W¹,…,W^l)，并且偏置向量为(b⁰,…,b^l)，其中b⁰作为输入层的偏置向量，则深度置信网络的联合概率分布模型为：

P_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^l-1)可以表示为：

其中，K₁、K₂和K_l-1分别代表可见层及隐藏层的单元数目，其中，P_r(v_k|h¹)，和P_r(h_k ^l-2|h^l-1)均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出P_r(h^l-1,h^l)：

则也同样可以用P_r＝σ(Wv+b)计算得到，输入数据经过DBN之后所得到的边缘概率描述为：

初始训练时，首先对模型初始化，随机设置权重矩阵W和偏置向量b，然后通过以上步骤对输入数据进行无监督训练，从而获得P_r(v)即为顶层特征，并与对应参考标签的位置坐标对应构成新的指纹数据库。

本发明所述步骤四具体实现方法是：定位区域内有Q个待定位标签，Q为正整数，待定位标签在每个阅读器的接收信号强度值组成行向量r_i，可以表示为：

r_i＝(r_i1,r_i2,r_i3,…,r_iM)

其中，r_iM为第i个待定位标签在第M个阅读器处的接收信号强度值；

待定位标签在每个阅读器的接收信号强度值与待定位标签的位置坐标一一对应形成对于待定位标签的指纹数据集R可以表示为如下：

R＝{(r₁,p¹),(r₂,p²),…,(r_Q,p^Q)}

针对每个待定位为标签进行归一化预处理得到Y，具体表示为如下：

将Y作为深度置信网络模型的输入层向量v输入到深度置信网络模型中，则可知深度置信网络的联合概率分布模型为：

P′_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^l-1)可以表示为：

其中，K₁、K₂和K_l-1分别代表可见层及隐藏层的单元数目，其中，和均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出P_r(h^l-1,h^l)：

则也同样可以用P_r＝σ(Wv+b)计算得到，输入数据经过DBN之后所得到的边缘概率描述为：

将离线阶段获取新的指纹数据库中的指纹特征P_r(v)与在线定位阶段获取的经过深度置信网络进行特征提取的指纹特征P′_r(v)利用欧式距离进行相似度比较，选择相似度最大的指纹特征所对应的位置坐标，欧式距离公式为：

其中为指纹数据集中第c个参考标签的第b个指纹特征，为第a个待定位标签的第b个指纹特征，E_a是第a个待定位标签的指纹特征与参考标签的指纹特征之间的欧式距离：

min(E_a)→p^g＝(x_g,y_g)

其中，当E_a取最小值时，待定位标签的指纹特征与参考标签的指纹特征相似度最大，也即待定位标签与参考标签的位置最近，因此，待定位标签的位置坐标为对应参考标签的位置坐标p^g＝(x_g,y_g)，从而实现对待定位标签的位置估计。

本发明为了分析定位效果，在RFID定位系统中，通过python和Matlab仿真实验验证了在复杂电波传播背景下并受噪声干扰的情况下发明方法的有效性，并通过与LANDMARC定位系统进行比较，体现了本方法在定位性能上的优越性。

本发明的优点在于：(1)根据特征输出的唯一性，通过将RFID待定位标签的特征与指纹数据库中的特征进行相似度比对，来对待定位标签实现位置估计，能够使得RFID室内定位更加准确。(2)对于指纹数据集的采集，参考标签可以循环使用，节约了定位系统成本及资源的循环使用。(3)相较于实时定位系统，本发明能够时刻保证定位系统的有效性，并通过了仿真验证，使得系统具备稳定性。

本发明提出的方法得到吉林省自然科学基金项目“复杂场景下基于位置指纹和深度学习的RFID多标签三维定位方法(No.20180101329JC)”的资助。

附图说明

图1是本发明方法的流程图；

图2是RFID定位系统中信号电波传播模型图；

图3是深度置信网络模型结构图；

图4是阅读器及标签场景布置图；

图5是在复杂电波传播背景下基于传统LANDMARC系统的RFID室内定位结果图，选择在12m×12m的定位环境中，布置6个阅读器，619个参考标签，参考标签及阅读器的位置坐标已知，其中路径损耗因子n选取2.5；

图6是在上述条件下基于深度置信网络的RFID室内定位结果图；

图7是LANDMARC方法和深度置信网络方法在相同条件下的定位误差结果直方图。

具体实施方式

图1是在复杂电波传播背景下基于深度置信网络和位置指纹的RFID室内定位方法的流程图，其具体实施步骤如下：

步骤一、在室内场景内布置RFID定位系统，其定位区域中布置M个阅读器(其中，M为正整数)，其中将待定位区域划分为N个小区域并布置N个参考标签(N为正整数)，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库

(1)RFID室内信道模型和对数路径传播损耗模型的建立

RFID系统的工作原理是由阅读器发送信号对标签进行激活，标签获取能量后将携带自身信息的信号发送给阅读器，然而由于信号在传播过程中存在多径效应，则RFID的信道冲激响应可表示为：

其中，c为光速；K为多径数，A_LOS为直视路径幅度衰减；A_i为第i条路径的幅度衰减；δ(·)为信道冲激响应，t为信号发送初始时刻，d_LOS为直视路径传播距离；d_i为第i条路径的传播距离，根据Friis公式，可得：

其中，P_R是读写器接收信号功率；P_T是标签发射信号功率，G_reader为读写器天线增益；G_tag为标签天线增益；Γ_i为第i条路径的极化相关反射系数。假设读写器发送信号为S(t)，则经过信道传播后读写器接收到的信号为：

其中，n(t)为噪声；

室内路径损耗遵从对数路径传播损耗模型，即：

其中，P_L(d)表示收发设备之间距离为d时的路径损耗，单位是dB；P_L(d₀)表示近距离d₀(d₀＝1)时的参考路径损耗，一般通过实际测量获得；q为路径损耗指数，表示路径损耗随距离增长的速率，它依赖于周围环境和建筑物的材料类型，X_σ表示标准偏差为σ的正态随机变量，考虑环境因素，σ一般在3.0～14.1dB之间变化；

(2)指纹数据库的获取

本文利用对数路径传播损耗模型对RFID信号在空间中的传播环境进行建模，所以位置指纹定位算法所采用的初始指纹数据库是通过对数路径传播损耗模型的方式获得的：

s_iM＝P_r(d)-P_L(d)

在本文中，针对同一个位置在不同阅读器处所获得的接收信号不同，可以获得对于同一位置的接收信号强度特征s_i＝(s_i1,s_i2,s_i3,…,s_iM)，其中M为阅读器个数；

在实际应用中，采集训练样本需要同时记录N个参考标签的坐标以及在不同阅读器处的接收信号强度；如果在不同位置处获取接收信号强度，那么获得的初始指纹数据库可以表示为：

其中，s_i代表第i个标签的指纹信息，pⁱ代表第i个标签的位置坐标信息；

步骤二、为防止在训练过程中出现不平衡性，则需对指纹数据库中数据进行归一化预处理得到初始指纹数据库P；

步骤三、确定深度置信网络模型结构，其中主要包括一个输入层，一个输出层以及其中l个隐藏层。将归一化预处理得到的初始数据集P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出。通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；

假设深度置信网络模型(Deep Belief Networks，DBN)是一个具有l+1层的深度模型，则对于这个模型来说具备l个权重矩阵：(W¹,…,W^l)，并且偏置向量为(b⁰,…,b^l)，其中b⁰作为输入层的偏置向量，则深度置信网络的联合概率分布模型为：

P_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^l-1)可以表示为：

其中，K₁、K₂和K_l-1分别代表可见层及隐藏层的单元数目，其中，和均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出P_r(h^l-1,h^l)：

则也同样可以用P_r＝σ(Wv+b)计算得到。输入数据经过DBN之后所得到的边缘概率描述为：

初始训练时，首先对模型初始化，随机设置权重矩阵W和偏置向量b，然后通过以上步骤对输入数据进行无监督训练，从而获得P_r(v)即为顶层特征，并与对应参考标签的位置坐标对应构成新的指纹数据库；

步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量r_i，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计；具体实现方法是：

定位区域内有Q个待定位标签(Q为正整数)，待定位标签在每个阅读器的接收信号强度值组成行向量r_i，可以表示为：

r_i＝(r_i1,r_i2,r_i3,…,r_iM)

其中，r_iM为第i个待定位标签在第M个阅读器处的接收信号强度值；

待定位标签在每个阅读器的接收信号强度值与待定位标签的位置坐标一一对应形成对于待定位标签的指纹数据集R可以表示为如下：

R＝{(r₁,p¹),(r₂,p²),…,(r_Q,p^Q)}

针对每个待定位为标签进行归一化预处理得到Y，具体表示为如下：

将Y作为深度置信网络模型的输入层向量v输入到深度置信网络模型中，则可知深度置信网络的联合概率分布模型为：

P′_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^l-1)可以表示为：

其中，K₁、K₂和K_l-1分别代表可见层及隐藏层的单元数目。其中，和均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出P_r(h^l-1,h^l)：

则也同样可以用P_r＝σ(Wv+b)计算得到，输入数据经过DBN之后所得到的边缘概率描述为：

将离线阶段获取新的指纹数据库中的指纹特征P_r(v)与在线定位阶段获取的经过深度置信网络进行特征提取的指纹特征P′_r(v)利用欧式距离进行相似度比较，选择相似度最大的指纹特征所对应的位置坐标，欧式距离公式为：

其中为指纹数据集中第c个参考标签的第b个指纹特征，为第a个待定位标签的第b个指纹特征，E_a是第a个待定位标签的指纹特征与参考标签的指纹特征之间的欧式距离：

min(E_a)→p^g＝(x_g,y_g)

其中，当E_a取最小值时，待定位标签的指纹特征与参考标签的指纹特征相似度最大，也即待定位标签与参考标签的位置最近，因此，待定位标签的位置坐标为对应参考标签的位置坐标p^g＝(x_g,y_g)，从而实现对待定位标签的位置估计。

下面通过Matlab和python仿真实验来进一步说明本发明的优点。

在复杂电波传播环境并存在噪声的环境下，对基于深度置信网络和位置指纹的RFID室内定位方法进行了仿真，并比较了本方法与LANDMARC定位系统之间的性能，验证了本发明所提出方法的有效性。

考虑在12m×12m的定位场景中，布置6个阅读器及619个参考标签，参考标签及阅读器的位置坐标已知，场景布置采用图4所示方式，其中路径损耗因子q选取2.5。以参考标签的指纹数据作为指纹数据库，并随机选取20个点对其实现定位。图5中的星号(*)和点(·)分别代表待定位标签的真实位置和LANDMARC算法的估计位置，可以看出估计位置与真实位置之前存在很大的误差，不能实现对待定位标签的完全定位，图6中的圈号(。)和点(·)分别表示待定位标签的真实位置和估计位置可以看出部分待定位标签的真实位置与估计位置几乎是重叠的，因此本发明所提出的方法较LANDMARC定位系统具有更高的定位精度，同时由图7可以看出在相同场景下，本发明所提出的方法定位精度折线始终在LANDMARC定位方法之下，由此本发明提出方法较LANDMARC定位方法在定位精度方面更具有优越性，同时具有更好地系统稳定性。

Claims (5)

1.一种基于深度置信网络的RFID室内定位方法，其特征在于，包括以下步骤：

步骤一、在室内场景内布置RFID定位系统，在定位区域中布置M个阅读器，M为正整数，将待定位区域划分为N个小区域并布置N个参考标签，N为正整数，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库；

步骤二、为防止在训练过程中出现不平衡性，需对指纹数据库中数据进行归一化预处理，得到初始指纹数据库P；

步骤三、确定深度置信网络模型结构，包括一个输入层，一个输出层以及其中l个隐藏层，将归一化预处理得到的初始指纹数据库P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出，通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；

步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量r_i，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计。

2.根据权利要求1所述的一种基于深度置信网络的RFID室内定位方法，其特征在于：步骤一中在RFID定位系统中对RFID信号室内信道模型、对数路径传播损耗模型及初始指纹数据库的获取，具体步骤如下：

(1)RFID室内信道模型和对数路径传播损耗模型的建立

RFID系统的工作原理是由阅读器发送信号对标签进行激活，标签获取能量后将携带自身信息的信号发送给阅读器，然而由于信号在传播过程中存在多径效应，则RFID的信道冲激响应可表示为：

其中，c为光速；K为多径数，A_LOS为直视路径幅度衰减；A_i为第i条路径的幅度衰减；δ(·)为信道冲激响应，t为信号发送初始时刻，d_LOS为直视路径传播距离；d_i为第i条路径的传播距离，根据Friis公式，可得：

其中，P_R是读写器接收信号功率；P_T是标签发射信号功率，G_reader为读写器天线增益；G_tag为标签天线增益；Γ_i为第i条路径的极化相关反射系数，假设读写器发送信号为S(t)，则经过信道传播后读写器接收到的信号为：

其中，n(t)为噪声；

室内路径损耗遵从对数路径传播损耗模型，即：

其中，P_L(d)表示收发设备之间距离为d时的路径损耗，单位是dB；P_L(d₀)表示近距离d₀(d₀＝1)时的参考路径损耗，一般通过实际测量获得；q为路径损耗指数，表示路径损耗随距离增长的速率，它依赖于周围环境和建筑物的材料类型，X_σ表示标准偏差为σ的正态随机变量，考虑环境因素，σ一般在3.0～14.1dB之间变化；

(2)指纹数据库的获取

利用对数路径传播损耗模型对RFID信号在空间中的传播环境进行建模，所以位置指纹定位算法所采用的初始指纹数据库是通过对数路径传播损耗模型的方式获得的；

s_iM＝P_r(d)-P_L(d)

针对同一个位置在不同阅读器处所获得的接收信号不同，可以获得对于同一位置的接收信号强度特征s_i＝(s_i1,s_i2,s_i3,…,s_iM)，其中M为阅读器个数；

采集训练样本需要同时记录N个参考标签的坐标以及在不同阅读器处的接收信号强度，如果在不同位置处获取接收信号强度，那么获得的初始指纹数据库可以表示为：

其中，s_i代表第i个标签的指纹信息，pⁱ代表第i个标签的位置坐标信息。

3.根据权利要求2所述的一种基于深度置信网络的RFID室内定位方法，其特征在于：所述步骤二中：对s_i进行近似归一化预处理获取初始指纹数据库P，即：

4.根据权利要求1所述的一种基于深度置信网络的RFID室内定位方法，其特征在于：所述步骤三具体实现方法是：假设深度置信网络模型(Deep Belief Networks，DBN)是一个具有l+1层的深度模型，则对于这个模型来说具备l个权重矩阵：(W¹,…,W^l)，并且偏置向量为(b⁰,…,b^l)，其中b⁰作为输入层的偏置向量，则深度置信网络的联合概率分布模型为：

P_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^{l -1})可以表示为：

其中，K₁、K₂和K_l-1分别代表可见层及隐藏层的单元数目，其中，P_r(v_k|h¹)，和均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出P_r(h^l-1,h^l)：

则和也同样可以用P_r＝σ(Wv+b)计算得到，输入数据经过DBN之后所得到的边缘概率描述为：

初始训练时，首先对模型初始化，随机设置权重矩阵W和偏置向量b，然后通过以上步骤对输入数据进行无监督训练，从而获得P_r(v)即为顶层特征，并与对应参考标签的位置坐标对应构成新的指纹数据库。

5.根据权利要求1所述的一种基于深度置信网络的RFID室内定位方法，其特征在于：所述步骤四具体实现方法是：定位区域内有Q个待定位标签，Q为正整数，待定位标签在每个阅读器的接收信号强度值组成行向量r_i，可以表示为：

r_i＝(r_i1,r_i2,r_i3,…,r_iM)

其中，r_iM为第i个待定位标签在第M个阅读器处的接收信号强度值；

待定位标签在每个阅读器的接收信号强度值与待定位标签的位置坐标一一对应形成对于待定位标签的指纹数据集R可以表示为如下：

R＝{(r₁,p¹),(r₂,p²),…,(r_Q,p^Q)}

针对每个待定位为标签进行归一化预处理得到Y，具体表示为如下：

将Y作为深度置信网络模型的输入层向量v输入到深度置信网络模型中，则可知深度置信网络的联合概率分布模型为：

P′_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^{l -1})可以表示为：

其中，K₁、K₂和K_l-1分别代表可见层及隐藏层的单元数目，其中，P_r(v_k|h¹)，和均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出Pr(h^l-1,h^l)：

则和也同样可以用P_r＝σ(Wv+b)计算得到，输入数据经过DBN之后所得到的边缘概率描述为：

将离线阶段获取新的指纹数据库中的指纹特征P_r(v)与在线定位阶段获取的经过深度置信网络进行特征提取的指纹特征P′_r(v)利用欧式距离进行相似度比较，选择相似度最大的指纹特征所对应的位置坐标，欧式距离公式为：

其中为指纹数据集中第c个参考标签的第b个指纹特征，为第a个待定位标签的第b个指纹特征，E_a是第a个待定位标签的指纹特征与参考标签的指纹特征之间的欧式距离：

min(E_a)→p^g＝(x_g,y_g)

其中，当E_a取最小值时，待定位标签的指纹特征与参考标签的指纹特征相似度最大，也即待定位标签与参考标签的位置最近，因此，待定位标签的位置坐标为对应参考标签的位置坐标p^g＝(x_g,y_g)，从而实现对待定位标签的位置估计。