CN109284551B - 一种基于神经网络空间映射的超高频rfid天线增益建模方法 - Google Patents

Abstract

本发明属于射频通信技术领域，涉及一种基于神经网络空间映射的超高频RFID天线增益特征估计方法。该方法以获取高精度的阅读器天线的增益模型和标签天线的增益模型为目的，依据天线的结构特征，借助电磁仿真软件生成天线的增益特征数据，并依据该数据建立细模型。同时，根据已知典型天线的理论增益表达式建立粗模型，通过神经网络空间映射技术建立天线方向性参数与增益之间带有未知权重的非线性关系函数，采用典型粒子群算法搭建寻优模型，从而得到准确天线增益表达式。本发明提出的方法具有成本低、易实现、精确度高和易推广的优点，因此本发明提出的建模方法在实际应用和理论研究方面都具有极大的现实意义。

Description

一种基于神经网络空间映射的超高频RFID天线增益建模方法

技术领域

本发明属于射频通信技术领域，涉及一种基于神经网络空间映射的超高频RFID天线增益建模方法。

背景技术

近年来，超高频RFID技术凭借其非接触、非视距、高精度、寿命长以及低成本的优势被广泛应用于物流和供应链管理、动物和车辆识别、馆藏盘点、自动收费和生产制造等各个领域。截至2017年底，超高频RFID产品的全球市场规模已超过50亿美元，超高频RFID技术已被业界公认为本世纪最有前途的情景感知技术之一。

典型的超高频RFID系统由电子标签、阅读器和中间件三个部分组成。为了成功识别电子标签，需要满足两个条件：在前向链路中，标签的收信功率必须不小于标签灵敏度阈值；在后向链路中，阅读器的收信功率必须不小于阅读器灵敏度阈值。需指出，阅读器天线的增益特征和标签天线的增益特征直接影响标签的收信功率和阅读器的收信功率，并最终影响标签能够被成功识别。

随着超高频RFID技术的快速发展，阅读器天线和标签天线的结构越来越多样和复杂，致使精确评估天线的增益特征的难度不断加大。国际上通常采用三天线外推法完成天线增益特征的估计，但该方法的性能依赖于测量设备的精密度、实施成本较高，且存在众多技术壁垒。因此，业界急需一种高效、快速、精确的方法来准确估计超高频RFID天线的增益特征。

神经网络空间映射(Neuro-Space Mapping，Neuro-SM)是神经网络建模方法之一。该方法将能够提供准确数据的被建模对象定义为细模型，将已经存在的但只可粗略模拟而不能准确与细模型数据相匹配的模型定义为粗模型。通过建立粗模型和细模型的输入和输出关系达到修正粗模型的目的，进而使修正后的粗模型与细模型达到最优匹配，达到精确建模的目的。

基于Neuro-SM的技术思想，本发明提出一种基于神经网络空间映射的超高频RFID天线增益建模方法，该方法以获取高精度的阅读器天线的增益模型和标签天线的增益模型为目的，依据天线的结构特征，借助电磁仿真软件——高频结构仿真器(High FrequencyStructure Simulator，HFSS)生成天线的增益特征数据，并依据该数据建立细模型，同时，依据已知典型天线的理论增益表达式(如半波偶极子天线、半波微带天线等)建立粗模型，通过神经网络空间映射技术建立天线方向性参数与增益之间带有未知权重的非线性关系函数，以未知权重作为寻优变量，以优化目标函数最小化作为优化目标，采用典型粒子群算法搭建寻优模型，从而得到准确天线增益表达式。

本发明提出的方法具有成本低、易实现、精确度高和易推广的优点，因此本发明提出的建模方法在实际应用和理论研究方面都具有极大的现实意义。

发明内容

本发明需解决的问题是提出一种基于神经网络空间映射的超高频RFID天线增益建模方法。基于该方法，能够得到异形超高频RFID天线的精确增益方向图表达式，便于天线理论研究和实际场景应用。

一种基于神经网络空间映射的超高频RFID天线增益建模方法，包括下列步骤：

步骤1：结合超高频RFID系统的工作原理及系统组成，选取阅读器天线增益和标签天线增益作为建模对象，以精确构建基于方向性参数的天线增益表达式为建模目标，其中G表示天线增益，f表示函数关系，/>表示方向性参量，θ表示天线增益方向图的俯仰角，/>表示天线增益方向图的方位角；

步骤2：使用精确的数据进而构建细模型是神经网络空间映射算法的核心内容，鉴于采用实际测量系统获得超高频RFID天线的增益方向图数据存在较大困难，本发明使用电磁仿真软件——高频结构仿真器(High Frequency Structure Simulator，HFSS)绘制超高频RFID天线结构模型，进行仿真运算得到天线增益方向图三维数据，进行数据处理操作，并以处理后的天线增益方向图三维数据构建阅读器天线增益的细模型和标签天线增益的细模型，在细模型中建立方向性参数与天线增益值之间的列表查询关系，对于标签天线增益和阅读器天线增益，上述列表查询关系可以分别表示为和/>其中的数据处理操作可以描述为：将初始的天线增益方向图三维数据按天线增益方向图的俯仰角递增排序，并进行等间隔抽样，确保抽样数据能够代表原始数据的多样性，同时针对通过HFSS得到的初始阅读器天线增益方向图三维数据，进行两步操作，第一步：由于阅读器天线多采用微带天线，因此其天线增益方向图在尾部存在副瓣，即存在褶皱的三维图形，导致对于尾部数据的建模相对较为困难，故将数据分为头部和尾部两个部分，并增大尾部的抽样比例；第二步，由于HFSS仿真软件得到的原始数据包含微带天线底板之后的增益情况，而实际中这一部分增益数据并不起到作用，因此将其置零，便于后续建立细模型。

步骤3：基于神经网络空间映射技术的要求和超高频RFID系统的实际应用方式，以标准半波偶极子天线的增益特征为基础构建标签天线增益的粗模型，以标准微带天线的增益特征为基础构建阅读器天线增益的粗模型，依据经典电磁学理论和微积分近似求解方法，分别获得标签天线增益的粗模型表达式和阅读器天线增益的粗模型表达式分别为/> 其中α为尺度调节因子；

步骤4：以细模型中的方向性参数作为输入量以粗模型中的方向性参数作为输出量/>建立基于多层感知器的神经网络空间映射关系 其中，x₁，x₂，x₃，...x₁₇为未知权重；

步骤5：构建标签天线增益的求解模型和阅读器天线增益的求解模型/>分别有/> 即对于任意一个输入量/>可依据步骤4中的映射关系将其转化为/>进而可分别通过/>和/>获得对应的 表达式；

步骤6：设定优化向量Ω＝{x₁，x₂，x₃，...x₁₇，α}，建立优化目标函数其中n为抽样点数，/>为细模型中的列表查询值，/>为步骤5中的求解模型值，/>为细模型中第i个索引对应的方向性参量，对于标签天线增益，有/> 对于阅读器天线增益，有/>

步骤7：以优化目标函数最小化作为优化方向，建立寻优模型O_s(Ω)＝arg(min(E))，应用典型粒子群优化算法对寻优模型进行寻优，结合预设值生成初始粒子种群，定义优化向量中各元素的初始优化速度和寻优半径，进行迭代寻优，以最大迭代次数作为寻优终止条件，得到最终的优化结果Ω′＝{x₁′，x₂′，x₃′，...X₁₇′，α′}；

步骤8：依据优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₉′，α′}，得到步骤5中的标签天线增益的求解模型的最终表达式和阅读器天线增益的求解模型的最终表达式。

附图说明：

图1是本发明流程框图；

图2是异形微带天线的HFSS仿真结构模型图；

图3异形半波偶极子天线的HFSS仿真结构模型图；

具体实施方式：

本发明的主旨是提出一种基于神经网络空间映射的超高频RFID天线增益建模方法，该方法采用神经网络空间映射技术与群智能优化算法相结合的方式，获得的RFID异形天线增益模型具有很高的适用性和准确性。

首先，本发明结合超高频RFID系统的工作原理及系统组成，选取阅读器天线增益和标签天线增益作为建模对象，以精确构建基于方向性参数的天线增益表达式为建模目标，其中G表示天线增益，f表示函数关系，/>表示方向性参量，θ表示天线增益方向图的俯仰角，/>表示天线增益方向图的方位角。

由于采用精确的数据构建细模型是神经网络空间映射算法的核心内容，因此本发明使用电磁仿真软件HFSS绘制超高频RFID天线结构模型，进行仿真运算得到天线增益方向图三维数据并存于文档中，便于后期数据处理操作，并以处理后的天线增益方向图三维数据构建阅读器天线增益的细模型和标签天线增益的细模型，在细模型中建立方向性参数与天线增益值之间的列表查询关系，对于标签天线增益和阅读器天线增益，上述列表查询关系可以分别表示为和/>

为了得到求解模型，需要确定粗模型的形式。已有学者根据经典电磁学理论和微积分近似求解方法推导得出的增益公式具有很高的精确度，因此将以标准半波偶极子天线的增益特征为基础构建标签天线增益的粗模型，以标准微带天线的增益特征为基础构建阅读器天线增益的粗模型。由于公式在推导过程中就存在计算误差，并且实际应用中天线开槽的形状、位置、尺寸、馈电点位置以及切角大小等造成的增益方向图偏差并不能得到准确反映，因此原始公式需要修正，从而得到标签天线增益的粗模型表达式和阅读器天线增益的粗模型表达式/>分别为：

其中α为尺度调节因子。

在粗模型的基础上，构建神经网络空间映射关系，该映射关系共包括两个部分。第一，在粗模型的基础上，建立和/>的映射关系。即以细模型中的方向性参数作为输入量/>以粗模型中的方向性参数作为输出量/>建立基于多层感知器的神经网络空间映射关系。其中映射关系如下：

其中，x₁，x₂，x₃，...x₁₇为未知权重。

第二，建立方向性参数和增益的映射关系。即构建标签天线增益的求解模型和阅读器天线增益的求解模型/>分别有 从而完成整个神经网络空间映射的对应关系。

其次，设定优化向量Ω＝{x₁，x₂，x₃，...x₁₇，α}，建立优化目标函数E，也称为平均误差：

其中n为抽样点数，为细模型中的列表查询值，/>为的求解模型的增益值，/>为细模型中第i个索引对应的方向性参量，对于标签天线增益，有 对于阅读器天线增益，有

为了求解优化向量，以优化目标函数最小化作为优化方向，建立寻优模型O_s(Ω)，应用典型粒子群优化算法对寻优模型进行寻优，结合预设值生成初始粒子种群，定义优化向量中各元素的初始优化速度和寻优半径，进行迭代寻优，以最大迭代次数作为寻优终止条件，得到最终的优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₇′，α′}，其中寻优模型表示为：

O_s(Ω)＝arg(min(E)) (6)

将优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₇′，α′}代入天线增益的求解模型中，即可得到最终的增益表达式知/>至此，整个增益模型构建完成。

本发明提出的基于神经网络空间映射的超高频RFID天线增益建模方法具有良好的适用性，故将建模方法推广到其他异形天线，例如附图2和附图3所示的异形微带天线和异形偶极子天线，下面结合实例进行说明。

针对附图2以异形微带天线为基础的阅读器天线，应用本发明所提出的超高频RFID天线增益建模方法，根据优化目标函数可以求得此时所得求解模型相对于细模型的平均误差为0.05978，在误差允许范围内，并可以得到相应的优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₇′，α′}，具体数值如表1所示。将优化结果带入求解模型得到最终的增益表达式：

针对附图3以异形半波偶极子天线为基础的阅读器天线，应用本发明所提出的超高频RFID天线增益建模方法，根据优化目标函数可以求得此时所得求解模型相对于细模型的平均误差为0.0039037，在误差允许范围内，并可以得到相应的优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₇′，α′}，具体数值如表1所示。将优化结果带入求解模型得到最终的增益表达式：

优化结果如下表所示：

表1优化结果

实例表明，本发明所提出的一种基于神经网络空间映射的超高频RFID天线增益建模方法能够实现异形RFID天线增益的准确计算，因此本发明提出的建模方法在实际应用和理论研究方面都具有极大的现实意义。

Claims (2)

1.一种基于神经网络空间映射的超高频RFID天线增益建模方法，包括下列步骤：

步骤1：结合超高频RFID系统的工作原理及系统组成，选取阅读器天线增益和标签天线增益作为建模对象，以精确构建基于方向性参数的天线增益表达式为建模目标，其中G表示天线增益，f表示函数关系，/>表示方向性参量，θ表示天线增益方向图的俯仰角，/>表示天线增益方向图的方位角；

步骤2：使用精确的数据进而构建细模型是神经网络空间映射算法的核心内容，鉴于采用实际测量系统获得超高频RFID天线的增益方向图数据存在较大困难，使用电磁仿真软件——高频结构仿真器(High Frequency Structure Simulator，HFSS)绘制超高频RFID天线结构模型，进行仿真运算得到天线增益方向图三维数据，进行数据处理操作，并以处理后的天线增益方向图三维数据构建阅读器天线增益的细模型和标签天线增益的细模型，在细模型中建立方向性参数与天线增益值之间的列表查询关系，对于标签天线增益和阅读器天线增益，上述列表查询关系可以分别表示为和/>

步骤3：基于神经网络空间映射技术的要求和超高频RFID系统的实际应用方式，以标准半波偶极子天线的增益特征为基础构建标签天线增益的粗模型，以标准微带天线的增益特征为基础构建阅读器天线增益的粗模型，依据经典电磁学理论和微积分近似求解方法，分别获得标签天线增益的粗模型表达式和阅读器天线增益的粗模型表达式分别为/> 其中α为尺度调节因子；

步骤4：以细模型中的方向性参数作为输入量以粗模型中的方向性参数作为输出量/>建立基于多层感知器的神经网络空间映射关系 其中，x₁，x₂，x₃，...x₁₇为未知权重；

步骤5：构建标签天线增益的求解模型和阅读器天线增益的求解模型/>分别有/> 即对于任意一个输入量/>可依据步骤4中的映射关系将其转化为/>进而可分别通过/>和/>获得对应的表达式；

步骤6：设定优化向量Ω＝{x₁，x₂，x₃，...x₁₇，α}，建立优化目标函数其中n为抽样点数，/>为细模型中的列表查询值，/>为步骤5中的求解模型值，/>为细模型中第i个索引对应的方向性参量，对于标签天线增益，有/>对于阅读器天线增益，有/>

步骤7：以优化目标函数最小化作为优化方向，建立寻优模型O_s(Ω)＝arg(min(E))，应用典型粒子群优化算法对寻优模型进行寻优，结合预设值生成初始粒子种群，定义优化向量中各元素的初始优化速度和寻优半径，进行迭代寻优，以最大迭代次数作为寻优终止条件，得到最终的优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₇′，α′}；

步骤8：依据优化结果Ω′＝{x₁′，x₂′，x₃′，...x₁₇′，α′}，得到步骤5中的标签天线增益的求解模型的最终表达式和阅读器天线增益的求解模型的最终表达式。

2.根据权利要求1所述的一种基于神经网络空间映射的超高频RFID天线增益建模方法，其特征在于，步骤2中，数据处理操作可以描述为：将初始的天线增益方向图三维数据按天线增益方向图的俯仰角递增排序，并进行等间隔抽样，确保抽样数据能够代表原始数据的多样性，同时针对通过HFSS得到的初始阅读器天线增益方向图三维数据，进而两步操作，第一步：由于阅读器天线多采用微带天线，因此其天线增益方向图在尾部存在副瓣，即存在褶皱的三维图形，导致对于尾部数据的建模相对较为困难，故将数据分为头部和尾部两个部分，并增大尾部的抽样比例；第二步，由于HFSS仿真软件得到的原始数据包含微带天线底板之后的增益情况，而实际中这一部分增益数据并不起到作用，因此将其置零，便于后续建立细模型。