CN109831743A - 一种适于定向辐射场景的改进kNN无源超高频RFID定位算法 - Google Patents

Abstract

本发明属于射频识别领域，涉及一种适于定向辐射场景的基于改进kNN的无源UHF RFID室内定位算法。该方法以提升kNN算法在定向辐射场景下的定位性能为目的，步骤为：建立适于定向辐射场景的UHF RFID定位系统模型，依据弗里斯方程建立RSSI估计模型，联立天线辐射增益模型完成RSSI观测值的高精度估计，根据OSFRA选取优势RSSI测量值和近邻参考标签，采用NJW聚类算法确定最近邻参考标签，采用kNN算法完成目标标签的位置估计，引入动态映射机制以加速定位进程。本发明的特点是，能够有效改善定位精度和定位耗时并降低系统成本，满足仓储、物流等定向辐射应用场景下的UHF RFID定位需求。

Description

一种适于定向辐射场景的改进kNN无源超高频RFID定位算法

技术领域

本发明属于移动无线通信技术领域，涉及一种适于定向辐射场景的改进kNN无源超高频RFID定位算法。

背景技术

随着物联网技术的迅速发展，无线室内定位技术已经成为一个日益重要的研究议题，并在医疗、建设项目、供应链等多个领域引起了广泛的关注。目前，许多新兴技术已经用于室内定位，包括红外、超声波、蓝牙、无线局域网、超宽带和无线射频识别技术(RFID)。尤其是超高频射频识别(UHF RFID)技术，凭借其非视距、低成本、低复杂性等优势，已经成为具有广阔前景的室内定位技术。

在现有基于非测距的UHF RFID室内定位系统中，k近邻参考法(kNN)被广泛用以满足低计算成本和高可扩展性的要求。在kNN中，对于目标标签，其和全部参考标签的观测值(即收信场强指示RSSI或相位)向量的欧几里得距离被计算出，系统选择k个具有最小欧式距离的参考标签作为最近邻参考标签，通过对上述k个参考标签的位置进行加权，达到估计目标标签位置的目的。

尽管如此，现有基于kNN的UHF RFID定位算法仍存在一些挑战，首先，典型弗里斯公式常用于估计阅读器收到的标签RSSI值，对算法性能进行仿真及修正，但已有研究方法通常未考虑阅读器天线和标签天线的定向辐射特性，导致算法在实际定向辐射场景下的性能大打折扣，其次，k值能否精确选取将直接决定kNN算法的性能，场景中的环境因素(如目标标签数量、设施部署情况、人员数量等)一旦变化，最优k值通常会发生改变，较大的k值通常并不能保证良好的定位精度，但却以高计算量为代价，已有学者采用典型聚类方法(如k均值——k-means)实现k值的动态选取，并取得了较好的效果，近年来，具有更优性能的聚类算法相继被提出，如最大期望算法和NJW算法，但应用上述新型聚类算法实现k值的动态选取尚未见报道。除此之外，现有基于kNN的定位算法主要以定位精度为改善目标，而较少考虑系统成本和定位耗时，导致系统的效率和性价比并不理想。

基于以上背景，本发明以实现具有更低计算复杂度、更低系统成本、更高定位精度的UHF RFID定位为目标，最终提出了一种适于定向辐射场景的改进kNN无源超高频RFID定位算法。

发明内容

本发明的目的是，提供一种适于定向辐射场景的改进kNN无源超高频RFID定位算法，实现阅读器对目标标签的高精度、低成本、低耗时定位。在以往的发明中，由于没有考虑到天线的定向辐射特性，所获得RSSI测量值通常会出现失真。本发明考虑了标签位姿对增益方向性的影响，并且在多径传播的基础上得到了标签天线和阅读器天线对直接路径和反射路径的增益表达式，提出了最佳单一固定旋转角(OSFRA)的概念，用于提取优势RSSI测量值和近邻参考标签，引入NJW聚类算法确定最近邻参考标签，进而提高定位精度，同时为了加快定位进程，引入动态映射机制，实现阅读器的扫描模式从粗粒度模式(CGS)到细粒度模式(FGS)的动态切换。

其具体步骤如下：

步骤1：以无源标签天线选用偶极子天线和阅读器天线选用贴片天线为建模条件，建立适于定向辐射场景的无源超高频RFID定位系统模型，系统包括四部分组成，分别为一个阅读器、一定数量的目标标签、一定数量的位置已知的参考标签、后台服务器，其中阅读器的天线被固定于云台上，并由步进电机控制可完成水平旋转动作以便扫描监测区域的多个标签，阅读器天线旋转一周后，对于任意一个标签，阅读器可以获得一组对应的RSSI(收信场强指示)测量值轮廓，轮廓上每个点表示阅读器天线在当前位置状态下获得的标签RSSI测量值。

步骤2：依据弗里斯传输方程，估计阅读器读取的标签RSSI测量值的初始解引入阅读器的灵敏度阈值P_thres对P_R，T′修正，获得阅读器读取的标签RSSI测量值的修正解P_R，T，即若P_R，T′＞P_thres，则P_R，T＝P_R，T′，若P_R，T′≤P_thres，P_R，T＝P_thres，式中τ为调制效率，μ_T为功率传输效率，ρ_L为极化损耗因子，P_Tx为阅读器的发射功率，和表示标签天线与阅读器天线在直达传播路径上的增益，ψ是服从均值为0，均方值为σ的高斯分布的干扰，路径损耗λ为信号波长，d₀为阅读器天线与标签的直径距离，和是表示标签天线与阅读器天线相对于第i条反射路径的增益，N表示反射路径的个数，Γ_i是指第i条反射路径的复反射系数，为θ_i是指与反射面法线的入射角，q为偏振相关因子，ε_i为复介电常数。

步骤3：以精确表达为目的，建立阅读器天线的分立辐射增益模型G_R(θ_R，φ_R)＝3.136[tan(θ_R)sin(0.5πcos(θ_R))cos(0.5πsin(θ_R)sin(φ_R))]²，阅读器天线的表面位于XOZ面上，且质心位于极点O中，表示某一电磁波的辐射方向，θ_R是指与所形成的夹角，φ_R是指与在XOY面的投影所形成的夹角。

步骤4：以精确表达为目的，建立标签天线的分立辐射增益模型G_T(θ_T，φ_T)＝1.641[cos²(0.5πcos(θ_T))]sin^-2(θ_T)，标签天线的长边位于Z轴，标签天线的短边位于X轴，θ_T是指与所形成的夹角，φ_T是指与在XOY面的投影所形成的夹角。

步骤5：将标签天线和阅读器天线放置在同一个坐标系中，(x_T，y_T，z_T)和(x_R，y_R，z_R)为标签天线和阅读器天线的坐标，和表示标签天线和阅读器天线的位姿，是指与之间的倾斜角，是指与在XOY面上的投影之间的旋转角，是指与之间的倾斜角，是指与在XOY面上的投影之间的旋转角，

步骤6：通过依据标签天线和阅读器天线的位置确定辐射方向进而将θ_R、φ_R、θ_T进行重新表示：θ_R＝arccos(Y₁/d)，

x_R，T＝x_R-x_T，y_R，T＝y_R-y_T，z_R，T＝z_R-z_T。

步骤7：将θ_R和φ_R带入到步骤2的增益表达式中，将θ_T带入到步骤3的增益表达式中，那么和可以分别由和所得到。

步骤8：以地板、障碍物等作为反射面进而精确表达和以地板为例，其反射点坐标为将(x_r，y_r，z_r)代替标签的位置坐标(x_T，y_T，z_T)，重新计算步骤6中的θ_R和并将重新计算出的θ_R和带入到步骤3的增益表达式中最终得到同样地，将(x_r，y_r，z_r)代替阅读器的位置坐标(x_R，y_R，z_R)，并且重新计算步骤4中的θ_T，并将重新计算出的θ_T带入到步骤3的增益表达式最终得到步骤9：将步骤7和步骤8所得到的带入到L(d₀)与P_R，T中，完成P_R，T的估计。

步骤10：引入最佳单一固定旋转角(OSFRA)的概念，完成RSSI轮廓上的优势值选取和近邻参考标签的选取。

步骤11：以精确描述阅读器天线的旋转工作状态为目的，定义固定旋转角(FRA)向量U为旋转角个数，假设任意两个相邻的旋转角的间隔是定值，那么FRA可以表示为 为相邻旋转角的间隔，在阅读器天线旋转一周的过程中，仅当与相等时，阅读器天线停止旋转，并对标签进行扫描，u∈[1，U]，在扫描的过程中，为了减少由于所导致的影响，控制阅读器天线保持静止状态，直到每个标签的RSSI值被记录了n次，对于目标标签，将相对于的RSSI值向量定义为式中为相对于的n次RSSI平均测量值，此时将OSFRA定义为s_T中的最大值所对应的角度，即采用相似方法可以获得每个参考标签的OSFRA，对于每一个目标标签，将近邻参考标签定义为与目标标签有相同的OSFRA的参考标签，选用近邻参考标签对目标标签的位置进行估计；步骤12：采用NJW算法完成最近邻参考标签的提取，当最近邻参考标签被确定以后，根据典型的kNN(k近邻参考法)算法来计算目标标签的位置(x，y)，即式中(x_R，h，y_R，h)表示第h个最近邻参考标签的坐标， 是在OSFRA上实现的第h个最近邻参考标签的平均RSSI测量值，H为基于NJW算法所分配给目标标签的参考标签数量。

步骤13：以精确评价阅读器天线旋转方式的工作效率为目的，定义旋转角个数U不超过8的扫描模型为粗粒度模式(CGS)，定义旋转角个数U超过8的扫描模式为细粒度模式(FGS)，相对于CGS，FGS具有更小的相邻旋转角的间隔，因此具有更高的定位精度，但却以更高的定位耗时为代价。

步骤14：将阅读器天线旋转一周完成标签定位所需时间定义为耗时评价指标T＝T_R+T_S，其中旋转耗时为T_R＝2π/ω，ω为旋转角速度，对于扫描耗时为T_S，假设在CGS和FGS中旋转角速度ω是相同的，那么在两种模型下的T_R相同，对于扫描时间T_S，其可以表示为其中T_S，u是指在阅读器天线处于时读取标签身份信息和测量RSSI的耗时，可借助时间函数t表示为T_S，u＝t(B_u，n)，B_u表示当前检测到的标签数量。

步骤15：引入动态映射机制对阅读器天线的旋转方式进行优化控制进而改善步骤14中的定位耗时，首先控制阅读器天线在CGS下旋转一周，记录每个标签的OSFRA，对于第i个目标标签，定义其CGS映射空间为 为基于CGS的OSFRA，为CGS下相邻FRA之间的间隔，进一步可得定制化的FGS映射空间整数w满足表达式和表达式式中是FGS下相邻两个FRA之间的间隔。

步骤16：然后控制阅读器天线按照步骤15中定制化的FGS旋转一周，此时，系统的扫描映射空间可以通过得到，即Q为目标标签的个数，在旋转过程中，当等于中任意一个元素时，阅读器天线停止旋转开始扫描标签。

步骤17：为了便于对比，定义基于当前动态映射机制下的耗时评价指标为T^D＝(T^C+T^F，C)/2，T^C是步骤15中的CGS下的耗时，T^F，C是步骤16中的定制化的FGS下的耗时。

需指出，在步骤12中，采用NJW算法完成提取最近邻参考标签(最近邻参考标签)的提取，其过程可以表述为，首先，采用OSFRA以及和它相邻的两个旋转角来定义测量向量，目标标签的测量向量为对于第m个近邻参考标签，其测量向量表示为m∈[1，M]，M为近邻参考标签的个数，然后定义一个用于聚类的相对测量向量S＝{S₁，S₂，...，S_M}，式中S_m＝C_T-C_R，m，之后根据S构造一个M×M阶亲和矩阵W，对于W中第i行第j列的元素w_ij，若i≠j，则w_ij＝exp(-0.5||S_i-S_j||²/σ²)，若i＝j，则w_ij＝0，σ为决定衰减速度的尺度因子，然后构造对角矩阵D，对于D中第i行第j列的元素D_ij，若i＝j，则若i＝j，则D_ij＝0，进而依据矩阵D和矩阵W构造归一化拉普拉斯矩阵L＝D^-1/2WD^1/2，从L中获得k个最大值对应的特征向量α₁，α₂，...，α_k，构成矩阵E＝[α₁，α₂，...，α_k]，根据E构造矩阵V，D中第i行第j列的元素可以表示为利用k-means聚类算法将V的所有行划分为k组，当且仅当V的第m行分配给类j时，将S_m分配给类j，最后，找到包含S最小值的类，并将此类中对应的参考标签作为目标标签的最近邻参考标签。

本发明的目的是，提出一种适于定向辐射场景的改进kNN无源超高频RFID定位算法。本发明考虑了标签天线和阅读器天线的增益方向性特性，得到了更加精确的RSSI测量估计值，并根据OSFRA的概念，提取了RSSI的优势测量值以及近邻参考标签，基于NJW算法从近邻参考标签中提取最近邻参考标签，引入于动态映射机制加快了定位进程。根据以上所述，本发明的设计相较于以前的方法具有高精度、低成本、低耗时等优势。

附图说明：

图1是本发明的流程框图

图2是定向辐射场景下的超高频RFID定位系统示意图

图3是传统微带阅读器天线增益模型示意图；

图4是偶极子标签天线增益模型示意图；

图5是适于超高频RFID系统的定向辐射增益模型示意图。

图6是基于NJW算法的最近邻参考标签选取方法流程图

具体实施方式：

本发明的设计流程如图1所示。首先选用偶极子天线作为标签天线，选用贴片天线作为阅读器天线，建立如图2所示的适于定向辐射场景的无源超高频RFID定位系统模型，该系统主要是由阅读器、目标标签、参考标签、后台服务器、云台、步进电机组成，其中步进电机控制固定在云台上的天线，由此使天线进行旋转来扫描地面上多个标签。

然后，引入阅读器的灵敏度阈值P_thres对阅读器读取到的标签RSSI测量值进行修正，其初始解为

若当阅读器读取到的RSSI测量值大于阈值时，那么其修正解等于初始解，若小于阈值时，则修正解等于阈值。阅读器读取标签时的路径损耗为

其中λ为信号波长，d₀为阅读器天线与标签的直径距离，和是表示标签天线与阅读器天线相对于第i条反射路径的增益，N表示反射路径的个数，Γ_i是指第i条反射路径的复反射系数，具体为θ_i是指与反射面法线的入射角，q为偏振相关因子，ε_i为复介电常数。

接下来，依据经典电磁场理论获取分立状态下的标签天线增益估计模型和阅读器天线增益估计模型。图3为阅读器贴片天线的坐标系示意图，假设贴片天线的尺寸满足半波长的要求，那么阅读器贴片天线的增益模型可以被表示为

G_R(θ_R，φ_R)＝3.136[tan(θ_R)sin(0.5πcos(θ_R))cos(0.5πsin(θ_R)sin(φ_R))]²

(3)

其中表示某一电磁波光束的辐射方向，θ_R为与所形成的夹角，φ_R为与在XOY面的投影所形成的夹角。

图4为偶极子标签天线的坐标示意图，标签天线的长边位于Z轴，标签天线的短边位于X轴，假设偶极子天线的尺寸也满足半波长的要求，那么偶极子天线的理想增益为

G_T(θ_T，φ_T)＝1.641[cos²(0.5πcos(θ_T))]sin^-2(θ_T) (4)

将标签天线与阅读器天线放置在同一个坐标系中，建立图5所示的适于UHF RFID系统的定向辐射增益模型，假设阅读器的天线是高于标签天线，并且阅读器天线向下辐射，那么阅读器天线和标签天线两者之间的位置关系为：(x_T，y_T，z_T)和(x_R，y_R，z_R)被定义为标签天线和阅读器天线的坐标，和为标签天线和阅读器天线的位姿，是指与之间的倾斜角，是指与在XOY面上的投影之间的旋转角，是指与之间的倾斜角，是指与在XOY面上的投影之间的旋转角。

然后对θ_R、φ_R、θ_T进行重新表达，即

θ_R＝arccos(Y₁/d) (5)

其中

且有x_R，T＝x_R-x_T，y_R，T＝y_R-y_T，z_R，T＝z_R-z_T。

将由公式(5)和公式(6)得到的θ_R与φ_R带入到公式(3)获得将由公式(7)得到的θ_T带入到公式(4)得到完成直达路径的天线增益估计。

对反射路径上的天线增益进行估计，为便于讨论，以地板、障碍物作为反射面对和进行分析，假设以地板为例，那么在地面的反射点可以表示为将反射点的坐标(x_r，y_r，z_r)代替标签的位置坐标(x_T，y_T，z_T)，并带入公式(5)和公式(6)中，将新得到的θ_R和带入到公式(3)中得到最终的同样的，将反射点坐标(x_r，y_r，z_r)代替阅读器的位置坐标(x_R，y_R，z_R)，并带入到公式(7)中，将新得到的θ_T带入到公式(4)中得到最终的

将以上所得到的带入到公式(1)和(2)中，完成P_R，T的估计。

接下来，引入最佳单一固定旋转角(OSFRA)的概念，选取RSSI轮廓上的优势值以及近邻参考标签。

定义固定旋转角FRA向量为u∈[1，U]，U为旋转角个数，在阅读器天线旋转的过程中，只有当等于时，阅读器天线停止旋转，对标签进行扫描，并记录阅读器对标签的n次扫描结果。目标标签在的RSSI测量值向量被定义为：式中为相对于的n次RSSI平均测量值，此时OSFRA为s_T中最大值对应的角度，即采用相似方法可以获得每个参考标签的OSFRA，对于每一个目标标签，将近邻参考标签定义为与目标标签有相同的OSFRA的参考标签，选用近邻参考标签对目标标签的位置进行估计。

为了进一步提高定位精度，采用NJW算法提取最近邻参考标签，实施流程如图6所示，当最近邻参考标签被确定以后，根据典型的kNN(k近邻参考法)算法可以得到每一个目标标签的位置坐标，即式中(x_R，h，y_R，h)表示第h个最近邻参考标签的坐标， 是在OSFRA上实现的第h个最近邻参考标签的平均RSSI测量值。H为NJW算法所分配给目标标签的最近邻参考标签数量。

以精确评价阅读器天线旋转方式的工作效率为目的，根据对旋转角个数U的划分，将旋转模式分为粗粒度扫描(CGS)和细粒度扫描(FGS)。当旋转角U不超过8时，定义为CGS，而大于8时，定义为FGS。由于CGS具有更小的相邻旋转角间隔，因此具有更高的定位精度，但却以定位耗时为代价。

将阅读器天线旋转一周完成标签定位所需时间定义为耗时评价指标T＝T_R+T_S，其中旋转耗时为T_R＝2π/ω，ω为旋转角速度，对于扫描耗时为T_S，假设在CGS和FGS中旋转角速度ω是相同的，那么在两种模型下的T_R相同，对于扫描时间T_S，其可以表示为其中T_S，u是指在阅读器天线处于时读取标签身份信息和测量RSSI的耗时，可借助时间函数t表示为T_S，u＝t(B_u，n)，B_u表示当前检测到的标签数量。

然后，引入动态映射机制对阅读器天线的旋转方式进行优化控制进而改善以上所述的定位耗时，首先使阅读器天线在CGS模式下旋转一周并且记录每个标签的OSFRA，定义第i个目标标签的CGS映射空间为进一步可得定制化的FGS映射空间其中整数w要满足和两个表达式。

接下来，控制阅读器在定制化FGS下旋转一周，根据的表达式可以得到系统的扫描映射空间，即Q为目标标签的个数，在阅读器天线旋转过程中，当等于中任意一个元素时，阅读器天线停止旋转开始扫描标签。

为了与T＝T_R+T_S进行对比，定义当前动态映射机制下的耗时评价指标为T^D＝(T^C+T^F，C)/2，T^C是在CGS下的耗时，T^F，C是在定制化的FGS下的耗时。

假设UHF RFID定位系统中存在21×21个参考标签以常规网格的形式均匀分布在10×10×3m的室内中，任意相邻参考标签在X轴和Y轴的间隔均为0.5m，共有32个用于测试的目标标签部署于环境中，所有标签的高度均为0.2m。对于所有的参考标签，对于所有的目标标签，其倾斜角和旋转角分别被设置为0.5π和0。对于所有的目标标签，其倾斜角和旋转角分别被设置为0和0.5π。阅读器天线被放置在室内环境的正中心，且高度为2.5m，阅读器及其天线参数设置为：P_Tx＝2W，|Γ|²＝0.1，τ＝0.5，ρ_L＝0.5，η＝1，P_thres＝-90dBm，ω＝πrad/s，环境干扰的标准差为σ＝2.4，CGS模式下有的U为8，FGS模式下的U为32。采用动态帧时隙ALOHA算法计算时间函数t，采用本发明专利所提方法对无源标签进行定位，经仿真计算可得，单次定位误差的累计分布函数以50％的概率低于0.52米，单次定位耗时的累计分布函数以50％的概率低于240秒，定位性能良好。

Claims (2)

1.一种适于定向辐射场景的改进kNN无源超高频RFID定位算法，其具体步骤如下：

步骤1：以无源标签天线选用偶极子天线和阅读器天线选用贴片天线为建模条件，建立适于定向辐射场景的无源超高频RFID定位系统模型，系统包括四部分组成，分别为一个阅读器、一定数量的目标标签、一定数量的位置已知的参考标签、后台服务器，其中阅读器的天线被固定于云台上，并由步进电机控制可完成水平旋转动作以便扫描监测区域的多个标签，阅读器天线旋转一周后，对于任意一个标签，阅读器可以获得一组对应的RSSI(收信场强指示)测量值轮廓，轮廓上每个点表示阅读器天线在当前位置状态下获得的标签RSSI测量值；

步骤2：依据弗里斯传输方程，估计阅读器读取的标签RSSI测量值的初始解引入阅读器的灵敏度阈值P_thres对P_R，T′修正，获得阅读器读取的标签RSSI测量值的修正解P_R，T，即若P_R，T′＞P_thres，则P_R，T＝P_R，T′，若P_R，T′≤P_thres，P_R，T＝P_thres，式中τ为调制效率，μ_T为功率传输效率，ρ_L为极化损耗因子，P_Tx为阅读器的发射功率，和表示标签天线与阅读器天线在直达传播路径上的增益，ψ是服从均值为0，均方值为σ的高斯分布的干扰，路径损耗λ为信号波长，d₀为阅读器天线与标签的直径距离，和是表示标签天线与阅读器天线相对于第i条反射路径的增益，N表示反射路径的个数，Γ_i是指第i条反射路径的复反射系数，为θ_i是指与反射面法线的入射角，q为偏振相关因子，ε_i为复介电常数；

步骤3：以精确表达为目的，建立阅读器天线的分立辐射增益模型G_R(θ_R，φ_R)＝3.136[tan(θ_R)sin(0.5πcos(θ_R))cos(0.5πsin(θ_R)sin(φ_R))]²，阅读器天线的表面位于XOZ面上，且质心位于极点O中，表示某一电磁波的辐射方向，θ_R是指与所形成的夹角，φ_R是指与在XOY面的投影所形成的夹角；

步骤4：以精确表达为目的，建立标签天线的分立辐射增益模型G_T(θ_T，φ_T)＝1.641[cos²(0.5πcos(θ_T))]sin^-2(θ_T)，标签天线的长边位于Z轴，标签天线的短边位于X轴，θ_T是指与所形成的夹角，φ_T是指与在XOY面的投影所形成的夹角；

步骤5：将标签天线和阅读器天线放置在同一个坐标系中，(x_T，y_T，z_T)和(x_R，y_R，z_R)为标签天线和阅读器天线的坐标，和表示标签天线和阅读器天线的位姿，是指与之间的倾斜角，是指与在XOY面上的投影之间的旋转角，是指与之间的倾斜角，是指与在XOY面上的投影之间的旋转角，

步骤6：通过依据标签天线和阅读器天线的位置确定辐射方向进而将θ_R、φ_R、θ_T进行重新表示：θ_R＝arccos(Y₁/d)， x_R，T＝x_R-x_T，y_R，T＝y_R-y_T，z_R，T＝z_R-z_T；

步骤7：将θ_R和φ_R带入到步骤2的增益表达式中，将θ_T带入到步骤3的增益表达式中，那么和可以分别由和所得到；

步骤8：以地板、障碍物等作为反射面进而精确表达和以地板为例，其反射点坐标为将(x_r，y_r，z_r)代替标签的位置坐标(x_T，y_T，z_T)，重新计算步骤6中的θ_R和并将重新计算出的θ_R和带入到步骤3的增益表达式中最终得到同样地，将(x_r，y_r，z_r)代替阅读器的位置坐标(x_R，y_R，z_R)，并且重新计算步骤4中的θ_T，并将重新计算出的θ_T带入到步骤3的增益表达式最终得到

步骤9：将步骤7和步骤8所得到的带入到L(d₀)与P_R，T中，完成P_R，T的估计；

步骤10：引入最佳单一固定旋转角(OSFRA)的概念，完成RSSI轮廓上的优势值选取和近邻参考标签的选取；

步骤11：以精确描述阅读器天线的旋转工作状态为目的，定义固定旋转角(FRA)向量U为旋转角个数，假设任意两个相邻的旋转角的间隔是定值，那么FRA可以表示为为相邻旋转角的间隔，在阅读器天线旋转一周的过程中，仅当与相等时，阅读器天线停止旋转，并对标签进行扫描，u∈[1，U]，在扫描的过程中，为了减少由于所导致的影响，控制阅读器天线保持静止状态，直到每个标签的RSSI值被记录了n次，对于目标标签，将相对于的RSSI值向量定义为式中为相对于的n次RSSI平均测量值，此时将OSFRA定义为s_T中的最大值所对应的角度，即采用相似方法可以获得每个参考标签的OSFRA，对于每一个目标标签，将近邻参考标签定义为与目标标签有相同的OSFRA的参考标签，选用近邻参考标签对目标标签的位置进行估计；

步骤12：采用NJW算法完成最近邻参考标签的提取，当最近邻参考标签被确定以后，根据典型的kNN(k近邻参考法)算法来计算目标标签的位置(x，y)，即式中(x_R，h，y_R，h)表示第h个最近邻参考标签的坐标，是在OSFRA上实现的第h个最近邻参考标签的平均RSSI测量值，H为基于NJW算法所分配给目标标签的参考标签数量；

步骤13：以精确评价阅读器天线旋转方式的工作效率为目的，定义旋转角个数U不超过8的扫描模型为粗粒度模式(CGS)，定义旋转角个数U超过8的扫描模式为细粒度模式(FGS)，相对于CGS，FGS具有更小的相邻旋转角的间隔，因此具有更高的定位精度，但却以更高的定位耗时为代价；

步骤14：将阅读器天线旋转一周完成标签定位所需时间定义为耗时评价指标T＝T_R+T_S，其中旋转耗时为T_R＝2π/ω，ω为旋转角速度，对于扫描耗时为T_S，假设在CGS和FGS中旋转角速度ω是相同的，那么在两种模型下的T_R相同，对于扫描时间T_S，其可以表示为其中T_S，u是指在阅读器天线处于时读取标签身份信息和测量RSSI的耗时，可借助时间函数t表示为T_S，u＝t(B_u，n)，B_u表示当前检测到的标签数量；

步骤15：引入动态映射机制对阅读器天线的旋转方式进行优化控制进而改善步骤14中的定位耗时，首先控制阅读器天线在CGS下旋转一周，记录每个标签的OSFRA，对于第i个目标标签，定义其CGS映射空间为为基于CGS的OSFRA，为CGS下相邻FRA之间的间隔，进一步可得定制化的FGS映射空间整数w满足表达式和表达式式中是FGS下相邻两个FRA之间的间隔；

步骤16：然后控制阅读器天线按照步骤15中定制化的FGS旋转一周，此时，系统的扫描映射空间可以通过得到，即Q为目标标签的个数，在旋转过程中，当等于中任意一个元素时，阅读器天线停止旋转开始扫描标签；

步骤17：为了便于对比，定义基于当前动态映射机制下的耗时评价指标为T^D＝(T^C+T^{F ，C})/2，T^C是步骤15中的CGS下的耗时，T^F，C是步骤16中的定制化的FGS下的耗时。

2.根据权利要求1所述的一种适于定向辐射场景的基于改进kNN的无源超高频RFID定位算法，其特征在于，步骤12中，采用NJW算法完成提取最近邻参考标签(最近邻参考标签)的提取，其过程可以表述为，首先，采用OSFRA以及和它相邻的两个旋转角来定义测量向量，目标标签的测量向量为对于第m个近邻参考标签，其测量向量表示为m∈[1，M]，M为近邻参考标签的个数，然后定义一个用于聚类的相对测量向量S＝{S₁，S₂，...，S_M}，式中S_m＝C_T-C_R，m，之后根据S构造一个M×M阶亲和矩阵W，对于W中第i行第j列的元素w_ij，若i≠j，则w_ij＝exp(-0.5||S_i-S_j||²/σ²)，若i＝j，则w_ij＝0，σ为决定衰减速度的尺度因子，然后构造对角矩阵D，对于D中第i行第j列的元素D_ij，若i＝j，则若i＝j，则D_ij＝0，进而依据矩阵D和矩阵W构造归一化拉普拉斯矩阵L＝D^-1/2WD^1/2，从L中获得k个最大值对应的特征向量α₁，α₂，...，α_k，构成矩阵E＝[α₁，α₂，...，α_k]，根据E构造矩阵V，D中第i行第j列的元素可以表示为利用k-means聚类算法将V的所有行划分为k组，当且仅当V的第m行分配给类j时，将S_m分配给类j，最后，找到包含S最小值的类，并将此类中对应的参考标签作为目标标签的最近邻参考标签。