CN109800786A - 一种基于opmif的uhf rfid标签室内定位方法 - Google Patents

Abstract

本发明涉及一种基于OPMIF的UHF RFID标签室内定位方法，通过相位控制实现线阵天线ULA波束扫描，估计目标标签方向的同时获取与目标标签相关的方位优选参考标签OPRT，通过ULA接收OPRT的多频多径响应，将接受到的信号转化为多种指纹构建OPMIF，基于OPMIF训练多个分类器，根据每个分类器的估计结果，利用多分类器权重融合算法实现目标定位。

Description

一种基于OPMIF的UHF RFID标签室内定位方法

技术领域

本发明属于非测距主动式指纹法UHF RFID标签室内定位技术领域。

背景技术

近年来，在室内环境中定位人和物品及追踪其轨迹的需求变得越来越重要。人们活动场所和环境越来越智能化，加上全球卫星定位系统的不断发展，导致了对户外位置感知应用的普遍化。与此同时，科学和工业社区意识到在室内环境中位置感知的应用潜力和益处。如今，室内定位应用于丰富的领域：商场里的顾客导航，公共建筑内的市民导航，超市的产品定位和医院病人的追踪等。虽然室外定位系统的性能已经变得很好，但室内的定位更加复杂。由于室内多径环境复杂，电磁波造成较大的衰落。显然，一种符合室内定位应用需求的多用途解决方案仍然缺失。目前提出了多种实现室内定位的技术：无线网络、超宽带网络、超声波、可见光、ZigBee、射频识别(RFID)等。在众多室内定位技术中，无源UHF RFID是最一种有潜力的技术之一。因为无源标签具有体积小，部署简单，无需供电，价格低廉，读取距离较远以及较快的读写速度等优势。该技术已经逐渐应用在物流管理、机器人、智能交通等领域。

室内定位的方法可以大致分为两种：测距法和非测距法。测距法主要是利用三边定位或三角定位实现的，主要有基于到达时间(TOA)，基于到达时间差(TDOA)、基于到达角度(DOA)、基于接收信号强度(RSS)和基于到达方向差(PDOA)等。非测距的方法主要有质心算法，指纹法等。指纹法对室内环境多径、噪声等影响有较强的鲁棒性。指纹法中常用的是单一指纹定位，最常用的是指纹参数是RSS。如果仅用RSS作为位置相关特征，则定位的准确性会降低，因为RSS很容易受到衰落和噪声的影响。为了克服这一缺点，结合不同种类的指纹如信道脉冲响应(CIR)，信号强度差(SSD)，功率延时分布(PDP)和其他可提高指纹定位的精度。多信息指纹库包含更多有关环境的信息，对噪声和环境的变化有更强的鲁棒性。

发明内容

针对指纹法定位中常用基于RSS构建指纹库，但RSS易受环境衰落和噪声的影响，以及指纹法定位转化为模式识别问题时冗余数据过多而使分类器性能下降的不足，本发明的目的是构建一种基于UHF RFID标签的室内定位方法。本发明是技术方案如下：

一种基于OPMIF的UHF RFID标签室内定位方法，通过相位控制实现线阵天线ULA波束扫描，估计目标标签方向的同时获取与目标标签相关的方位优选参考标签OPRT，通过ULA接收OPRT的多频多径响应，将接受到的信号转化为多种指纹构建OPMIF，基于OPMIF训练多个分类器，根据每个分类器的估计结果，利用多分类器权重融合算法实现目标定位，设ULA的阵元数是M，相邻阵元间距是d，步骤如下：

1)将待定位区域划分为网格，每个网格放置参考标签；

2)通过相位控制实现ULA波束扫描和改变发射功率，利用目标标签的可读性来估计目标标签的方向θ_tar；

3)控制ULA波束指向θ_tar，发射K个频率信号s_k(t)，此时读取到的参考标签定义为OPRT；

4)ULA接收到的OPRT和目标标签的多频多径响应：

H＝ΦA+N

其中，A＝[a₁,...,a_P]^T多径信号幅度系数，a₁表示视距路径LOS经时延τ₁后的信号幅度，a_p表示第p条非视距路径NLOS经时延τ_p后的信号幅度(p＝2,...,P)，N是噪声矩阵，Φ是方向矩阵：

其中，表示克罗内克积，α(τ_p)表示不同频率信号第p条路径上导致的相位差，β(θ_p)表示ULA接收的方向为θ_p的第p条路径信号的导向矢量；

5)将标签的多频多径响应H转化为3种不同形式的指纹：SCM、SSP和RSS，设目标标签的第q个OPRT在第i个网格中，其多频多径响应为H_q，对应的指纹存储为

①通过H_q可得:

其中E(·)表示期望，是H_q的共轭转置矩阵，SCM_q是复数矩阵，取绝对值并转化为列向量后标记为

②对SCM_q进行特征值分解得：

是信号子空间，它由K个最大特征值对应的特征向量组成的矩阵，K最大特征值即为对角矩阵的K个对角元素；是噪声子空间，它由剩余特征值对应的特征向量组成的矩阵，剩余特征值即为对角矩阵的对角元素；SSP_q是复数矩阵，取绝对值并转化为列向量后标记为

③RSS是SCM的对角元素:RSS_q＝diag{SCM_q}；

6)对OPRT和目标标签进行S次指纹采集，用获得OPRT的3种指纹训练3个分类器；

7)将目标标签的S组测试样本数据输入3个分类器后，获得目标标签的多个位置估计结果，利用多分类器权重融合算法估计目标标签最终位置。

本发明通过相位控制实现ULA波束扫描，筛选出与目标标签相关的OPRT信息来建立指纹库并进行分类器训练。与以往的引用全局定位场景的参考标签信息相比，减少了分类器训练的数据量，构建针对性的指纹库，有助于提高估计精度。本发明的指纹库包含多种信息指纹，训练多个的分类器，与以往的单指纹定位法相比对噪声和环境的变化有更强的鲁棒性。

附图说明

图1示出了是本发明的定位场景图。

图2示出了ULA不同波束指向仿真图。

图3示出了是本发明的定位流程框图。

具体实施方式

下面结合附图对本发明所述的一种基于OPMIF的UHF RFID标签室内定位方法做进一步的描述。

图1是示出了本发明定位场景图以及依据ULA波束扫描，确定用于训练分类器的OPRT。图2示出了ULA不同波束指向。图3示出了本发明的定位流程框图。将OPRT的多频多径响应进行不同形式的转换，获得信号协方差矩阵指纹(SCM)，信号子空间指纹(SSP)和接收信号能量指纹(RSS)。用这些指纹训练不同分类器。将目标标签的指纹输入对应的分类器中进行预测，最终用多分类器权重融合算法估计目标标签的最终位置。假设ULA的阵元数是M，相邻阵元间距是d。本实施例的具体应用如下：

8)将待定位区域划分为网格，每个网格放置参考标签。

9)通过相位控制实现ULA波束扫描和改变发射功率，利用目标标签的可读性来估计目标标签的方向θ_tar。

10)控制ULA波束指向θ_tar，发射K个频率信号s_k(t)＝A_scos(2πf_kt),其中k＝1,...,K，f_k＝f₀+(k-1)Δf，f₀为信号中心频率，f_k为载波频率，Δf是相邻子载波之间的间隔。此时读取到的参考标签定义为OPRT。

11)ULA接收到的OPRT和目标标签的多频多径响应

H＝ΦA+N

其中A＝[a₁,...,a_P]^T多径信号幅度系数，a₁表示视距路径(LOS)经时延τ₁后的信号幅度，a_p表示第p条非视距路径(NLOS)经时延τ_p后的信号幅度(p＝2,...,P)。N是噪声矩阵。Φ是方向矩阵

其中表示克罗内克积，α(τ_p)表示不同频率信号第p条路径上导致的相位差，β(θ_p)表示ULA接收的方向为θ_p的第p条路径信号的导向矢量。

其中c是电磁波传播速度c＝3×10⁸。

12)将标签的多频多径响应H转化为3种不同形式的指纹：SCM、SSP和RSS。假设目标标签的第q个OPRT在第i个网格中，其多频多径响应为H_q，对应的指纹存储为其中q表示第q个OPRT的位置。

①通过H_q可得:

其中E(·)表示期望，是H_q的共轭转置矩阵。SCM_q是复数矩阵，取绝对值并转化为列向量后标记为

②对SCM_q进行特征值分解得：

是信号子空间，它由K个最大特征值对应的特征向量组成的矩阵，K最大特征值即为对角矩阵的K个对角元素。是噪声子空间，它由剩余特征值对应的特征向量组成的矩阵，剩余特征值即为对角矩阵的对角元素。SSP_q是复数矩阵，取绝对值并转化为列向量后标记为

③RSS是SCM的对角元素:RSS_q＝diag{SCM_q}

13)对OPRT和目标标签进行S次指纹采集。用获得OPRT的3种指纹训练3个分类器。关于分类器的训练，可以利用机器学习的方法，如随机森林(RF)等。

14)将目标标签的S组测试样本数据输入3个分类器后，获得目标标签的多个位置估计结果，利用多分类器权重融合算法估计目标标签最终位置。

多分类器权重融合算法：

1)对S个样本数据第i个分类器预测结果集合标记为其中是第i个分类器第m种预测结果,用N_im表示预测出现的次数，则预测结果的概率为：

2)第i个分类器预测结果分配的预权重为：

3)最终目标标签的位置估计结果为：

其中

Claims (1)

1.一种基于OPMIF的UHFRFID标签室内定位方法，通过相位控制实现线阵天线ULA波束扫描，估计目标标签方向的同时获取与目标标签相关的方位优选参考标签OPRT，通过ULA接收OPRT的多频多径响应，将接受到的信号转化为多种指纹构建OPMIF，基于OPMIF训练多个分类器，根据每个分类器的估计结果，利用多分类器权重融合算法实现目标定位，设ULA的阵元数是M，相邻阵元间距是d，步骤如下：

1)将待定位区域划分为网格，每个网格放置参考标签；

2)通过相位控制实现ULA波束扫描和改变发射功率，利用目标标签的可读性来估计目标标签的方向θ_tar；

3)控制ULA波束指向θ_tar，发射K个频率信号s_k(t)，此时读取到的参考标签定义为OPRT；

4)ULA接收到的OPRT和目标标签的多频多径响应：

H＝ΦA+N

其中，A＝[a₁,...,a_P]^T多径信号幅度系数，a₁表示视距路径LOS经时延τ₁后的信号幅度，a_p表示第p条非视距路径NLOS经时延τ_p后的信号幅度(p＝2,...,P)，N是噪声矩阵，Φ是方向矩阵：

其中，表示克罗内克积，α(τ_p)表示不同频率信号第p条路径上导致的相位差，β(θ_p)表示ULA接收的方向为θ_p的第p条路径信号的导向矢量；

5)将标签的多频多径响应H转化为3种不同形式的指纹：SCM、SSP和RSS，设目标标签的第q个OPRT在第i个网格中，其多频多径响应为H_q，对应的指纹存储为

①通过H_q可得:

其中E(·)表示期望，是H_q的共轭转置矩阵，SCM_q是复数矩阵，取绝对值并转化为列向量后标记为

②对SCM_q进行特征值分解得：

是信号子空间，它由K个最大特征值对应的特征向量组成的矩阵，K最大特征值即为对角矩阵的K个对角元素；是噪声子空间，它由剩余特征值对应的特征向量组成的矩阵，剩余特征值即为对角矩阵的对角元素；SSP_q是复数矩阵，取绝对值并转化为列向量后标记为

③RSS是SCM的对角元素:RSS_q＝diag{SCM_q}；

6)对OPRT和目标标签进行S次指纹采集，用获得OPRT的3种指纹训练3个分类器；

7)将目标标签的S组测试样本数据输入3个分类器后，获得目标标签的多个位置估计结果，利用多分类器权重融合算法估计目标标签最终位置。