CN110503354A - 一种基于深度学习的rfid标签位置估计方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的RFID标签位置估计方法，包括CNN网络模型训练方法以及基于深度学习的RFID标签位置估计算法使用方法：CNN网络模型训练方法包括：S11，输入训练数据集；S12，进行数据预处理操作；S13，构建并训练CNN网络模型；S14，输出CNN网络模型的参数；基于深度学习的RFID标签位置估计算法使用方法包括：S21，输入实际采样数据；S22，对输入的实际采样数据进行预处理操作；S23，利用网络模型进行位置估计；S24，利用CNN网络模型对RFID标签位置估计结果。本发明能识别出RFID标签在传送带上的相对位置，实现对多个标签先后次序的准确估计，为自动分拣提供可靠的信息。

Description

一种基于深度学习的RFID标签位置估计方法

技术领域

本发明涉及射频识别技术领域，具体说是一种基于深度学习的RFID标签位置估计方法。

背景技术

随着国家社会经济的发展，尤其是近年来互联网经济的繁荣，现代物流业已经渗透到了人们工作、生产、生活的方方面面，成为引导生产、促进消费的先导行业。作为现代物流网络中的核心节点，先进配送中心配备现代化的自动分拣系统，可以极大提高分拣效率，打破传统人工分拣带来的成本和误差。因此，自动分拣系统是提高整个物流系统效率的一项关键因素。

目前，待分拣物品的信息主要通过扫描条形码的方式人工获取。得益于条形码自身的优点，该方法输入分拣信息的精度高、成本低。然而，该方法存在显著的缺陷，即条形码必须在扫码器的视野内清晰可见。且一旦在物流过程中造成标签的污损，则无法在后续环节中获得分拣信息。此外，由于在每次扫码环节均需引入人工，因此传统的基于光学的扫描方式极大地限制了物流系统的自动化程度和效率。

近年来，射频识别（Radio Frequency Identification，RFID）技术受到了越来越多的关注。它具有识别速度快、数据容量大、使用寿命长、应用范围广等诸多优点，因此非常适用于高效率的自动分拣场景，代表了未来物流自动分拣系统的发展方向。与传统的人工扫描方式相比，该方法不仅能够实现自动扫描，且在速度和准确度方面均有巨大的优势。然而，目前所采用的近场RFID标签要求在自动分拣过程中必须使用标准的物流箱，且需要将标签粘贴在固定的位置，这无疑增加了物流的难度和成本。因此，亟需研发一种新的精准高效的物流自动分拣方法。

发明内容

针对现有物流分拣技术存在的不足，本发明公开了一种基于深度学习的RFID标签位置自动识别方法。该方法能够有效判断传送带上贴有RFID标签的多个物品通过阅读器的先后次序，并以此作为后续自动分拣的依据，从而提高物流分拣的自动化程度。

本发明旨在解决自动分拣系统中移动RFID标签相对位置的识别问题。

典型的物流分拣场景如图1所示，贴有RFID标签的待分拣物品通过传送带向分拣点传送。距离传送带上方一定高度h处设有RFID阅读器识别点，用于对标签进行身份信息的提取。

具体而言，该阅读器周期性地发射激励信号波束。进入阅读器信号覆盖范围的RFID标签接收到激励信号之后，形成具有一定特征的射频信号波形，并凭借感应电流所获得的能量将存储在标签内部的信息发送给阅读器。一般来讲，包括标签的身份信息（EPC）以及一系列的信号参数，例如信号强度、信号角度、信号多普勒值等。依据所提取到的信息，即可通过一定的手段估计出物品在传送带上的相对位置，进而在后续的分拣点完成相应的分配任务。整个分拣过程无需人工参与，极大地提高了物流的分拣效率。

可以看出，当贴有RFID标签的多个物品同时通过阅读器时，能够准确快速地判断出不同物品的先后次序，对后续的自动分拣起着至关重要的作用。解决这一问题的难点在于，如何实现在精准识别标签位置的同时保证高效的分拣效率。若想达到高效分拣，则要求多个物品间隔较小，并采用较强的射频信号进行识别，然而这势必会造成不同标签之间的相互干扰，使得位置识别任务愈发困难。若通过降低信号强度来削弱这种多个标签间引起的干扰，则又可能造成另一种情况，即射频信号太弱而无法识别出标签。不难看出，如何能够在两者之间达到一种很好的折中是非常关键也是充满很大挑战的。因此，设计一种有效的RFID标签相对位置自动判断方法对于提高物流分拣效率显得十分必要。

为达到以上目的，本发明采取的技术方案是：

本发明的主要思想是，利用RFID信号参数变化中能够与标签位置稳定对应的信号特征，建立波形图像与位置之间的映射关系，作为RFID标签位置估计的依据。然后基于深度学习的思想设计一种卷积神经网络（Convolutional Neural Networks, CNN），完成对信号特征的提取，实现对移动RFID标签位置进行估计的目的。

为了确定信号波形与标签位置之间的对应关系，首先需要对RFID信号进行建模。一般来说，RFID阅读器的感知范围在其下方的一定范围之内。在不断对标签进行访问的过程中，阅读器能够获得与每个标签相关的一系列信号相位值。它表征了标签在角度域随时间变化的信号响应。

阅读器接收到的信号相位如公式（1）所示：

(1)

其中，参数是电磁波矢量，与频率成正比；d是阅读器天线和标签之间的距离，信号在每次通信中往返传播，即经过2d的距离。射频信号的相位值描述了接收信号与发送信号之间偏移的程度，范围从0到2π。

由（1）式可以看出，在自由空间中，射频信号的相位与标签的行进距离之间存在成比例关系。更进一步地，RFID标签每半个波长距离的移位即可造成信号2π的相位变化。

根据（1）式，在已知阅读器和标签的初始位置且传送带速度稳定的情况下，即可计算出每个标签的相位变化。进而得到RFID标签经过阅读器前后的信号角度域的标准波形图，如图2所示。该图反映了RFID信号角度值随时间的变化趋势。由图可见，在传送带上向前传送的物品所反馈回来的信号角度值呈现一定规律的变化。主要表现为，中间呈圆弧状波形，两边呈相互对称的锯齿状波形。

具体而言，当物品通过阅读器正下方时，其角度值呈现一种先增后减的趋势，表现为一个较为规则的圆弧形状。而在该区间两侧，即物品逐渐接近和远离阅读器的时间区间内，RFID标签反馈回来的信号角度值呈现一种锯齿状变化的规律。该锯齿状变化规律来自于信号相位的2π混淆，具体成因将在后文进行分析。左右两侧的锯齿状信号波形基本相互对称，每个锯齿宽度、高度均基本相当。图3进一步刻画了RFID标签距离阅读器先近后远这一过程。

如图所示，不失一般性的，规定从左向右为传送带的前进方向。贴有RFID标签的物品在传送带上向前移动的过程中，与阅读器的距离先减小后增大。根据公式（1），信号的相位值遵循相反的规律，即先增大后减小。由于任何相位值的范围均是[0,2π]，因此当该相位值减小到0时，将会跳到2π。重复该过程直到标签到达阅读器正下方的垂直点。接下来是与之对称相反的过程，即经过阅读器之后RFID信号的相位从[0,2π]内的某个值处开始逐渐增加，当相位值增加到2π时，会立即下降到0然后再次增加。相位值的这种周期性变化就形成了如图2所示的，中间呈圆弧状、两端呈对称锯齿状的角度域信号特征。然而，通过对比多个标签的信号波形图发现，当标签沿不同的轨迹移动时，尽管所得到的RFID角度域波形图仍具备此种独特的信号特征，但不同标签之间中心圆弧的高低以及两端锯齿状波形的数量均存在很大差别。如图3所示，展示了沿不同轨迹移动所得到的RFID信号波形图，可以看出其中心圆弧的顶点高低不一，两端锯齿波形数量有多有少。造成这一现象的原因一方面由于信号的相位值是以2π为周期进行变化的，另一方面是由于不同标签距离阅读器的远近不同。这两个的因素共同影响了实际环境中标签信号波形的具体形态，同时也为实现对标签的定位提供了参考。

更进一步地分析发现，圆弧区域的宽度代表了物品通过阅读器下方区域的时间区间。圆弧的中心位置正是标签通过对应RFID阅读器的时间点，也即标签定位的目标点。通过确定该时间点，即可对传送带上不同物品的先后顺序进行排序，进而达到后续自动分拣的目的。此外，通过前期对大量实际样本进行分析发现，虽然各次实验存在不同的信号缺失、畸变与失真，然而RFID信号在角度域的波形基本稳定且存在上述明显的信号特征。因此可以将其作为判断标签相对位置的理论依据。

一种基于深度学习的RFID标签位置估计方法，包括CNN网络模型训练方法以及基于深度学习的RFID标签位置估计算法使用方法：

所述CNN网络模型训练方法，包括如下步骤：

S11，输入训练数据集：

所述训练数据集为从全部RFID信号数据样本中按照一定比例随机抽取，所述训练数据集用于使CNN网络模型能够从大量RFID信号数据样本中进行学习并获得经验，进而完成对CNN网络模型的训练。

S12，数据预处理：

为了对实际采样过程中的信号干扰进行抑制，同时使得RFID信号数据能够被用于训练模型，需要对训练数据集进行数据预处理操作；所述数据预处理操作包括：数据归一化、数据采样间隔均匀化以及数据缺失补零；数据预处理过程中，逐条分析RFID信号数据并人工标注RFID标签通过阅读器的时刻值，剔除部分由于采样软件或人为因素造成的错误数据，并对数据进行清洗。

S13，构建并训练CNN网络模型：

利用深度学习方法构建相应的CNN网络模型，通过训练数据集完成对CNN网络模型的训练。

所述RFID信号数据包含RFID标签通过阅读器的时刻值；通过采用机器学习算法，对大量RFID信号数据进行学习，掌握RFID信号数据与RFID标签通过阅读器的时刻值之间的对应关系。

S14，输出CNN网络模型的参数：

在CNN网络模型的具体训练过程中，需要不断调整相关参数，迭代优化CNN网络模型；具体地，每当训练好CNN网络模型之后，需要判断该模型的估计准确率是否达到目标精度，所述目标精度可按照实际应用中目标需求不同进行设置；

若达到，则输出CNN网络模型的参数；

否则，重复模型训练的过程，直至达到目标精度为止。

在上述方案的基础上，S11所述训练数据集为全部数据样本的80%。

在上述方案的基础上，S12所述数据归一化包括：采样时间归一化、数据长度归一化、角度值归一化；

所述数据采样间隔均匀化为：

对RFID信号数据进行均匀周期的重新采样，将RFID信号表示为采样周期均匀的离散时间信号。

所述数据缺失补零为：

通过分析RFID信号数据确定合适的采样间隔值，对相邻采样点之间间隔大于该值的样点进行插零补充。

在上方案的基础上，所述的采样时间归一化具体为：将每一条RFID信号数据的时间信息的开始时间进行归一化，使得每条RFID信号数据表示为其起始时间和一系列相对于起始时间的时间偏移量。

所述的数据长度归一化具体为：根据传送带速度、阅读器信号覆盖范围等实际因素选取一个合适的RFID信号数据长度。将采样得到的数据取长补短，使得采样数据长度一致；

所述的角度值归一化具体为：将每条RFID信号数据的角度值的最大值进行归一化。

在上述方案的基础上，所述的CNN网络模型具体为:

所述CNN网络模型包括： ReLU层、卷积层、池化层、归一化层、全连接层、随机失活层、回归输出层;

ReLU层包括：ReLU层一、ReLU层二；所述池化层包括：池化层一、池化层二；所述卷积层包括：卷积层一、卷积层二；所述全连接层包括：全连接层一、全连接层二；

所述CNN网络模型的前端设有一个输入层，所述输入层与卷积层一连接，所述卷积层一与ReLU层一连接，所述ReLU层一与池化层一连接，所述池化层一与卷积层二连接，所述卷积层二与ReLU层二连接；所述ReLU层二与池化层二连接，所述池化层二与全连接层一连接；全连接层一与随机失活层连接，所述随机失活层与全连接层二连接，所述全连接层二与回归输出层连接；

所述输入层用于完成对输入数据的归一化处理；所述ReLU层是CNN 网络模型所采用的激活函数；所述池化层用于有效减少参数数量，从而降低网络复杂度；所述随机失活层用于防止训练中出现过拟合，同时加快训练收敛的速度；所述回归输出层用于完成对RFID标签位置值的估计。

将数据处理后的训练数据集输入到构建好的CNN网络模型中，所述CNN网络模型将基于训练数据集中大量数据样本不断地进行学习，完成对信号的特征提取，最终训练出一个符合要求的CNN网络模型。

在上述方案的基础上，CNN网络模型中所述输入层的维度为 200×1×1，所述卷积层一的卷积核为64 个15×1×1；所述卷积层二的卷积核为128个 9×1×64 ；所述全连接层一有64个输出，所述全连接层二有1个输出；所述随机失活层为50%概率随机失活。

在上述方案的基础上，S14所述相关参数包括，所述相关参数包括：指网络的学习率、训练轮次、迭代次数等。

所述基于深度学习的RFID标签位置估计算法使用方法，具体包括如下步骤：

S21，输入实际采样数据：

在实际的使用过程中，需要首先输入从真实应用环境中采集得到的RFID信号数据。

S22，对输入的实际采样数据进行预处理操作：

由于实际无线传播环境的复杂性，采集得到的RFID信号数据往往存在一定程度的缺失和畸变。因此，为了对采样信号中的干扰进行抑制，对信号缺失部分进行部分弥补，对S21采集到的RFID信号数据进行预处理操作；所述数据预处理操作包括：数据归一化、数据采样间隔均匀化以及数据缺失补零。

S23，利用网络模型进行位置估计：

将经S22处理后的RFID信号数据即可作为输入馈送到CNN网络模型。

S24，利用CNN网络模型对RFID标签位置的估计结果：

在实际应用过程中，当新的RFID信号数据输入时，采用CNN网络模型计算并输出一个对RFID标签通过阅读器时刻的估计值，最终完成对RFID标签位置自动识别的目的。

在上述方案的基础上，S12所述数据归一化包括：采样时间归一化、数据长度归一化、角度值归一化；

所述数据采样间隔均匀化为：

对RFID信号数据进行均匀周期的重新采样，将RFID信号表示为采样周期均匀的离散时间信号。

所述数据缺失补零为：

通过分析RFID信号数据确定合适的采样间隔值，对相邻采样点之间间隔大于该值的样点进行插零补充。

在上方案的基础上，所述的采样时间归一化具体为：将每一条RFID信号数据的时间信息的开始时间进行归一化，使得每条RFID信号数据表示为其起始时间和一系列相对于起始时间的时间偏移量。

所述的数据长度归一化具体为：根据传送带速度、阅读器信号覆盖范围等实际因素选取一个合适的RFID信号数据长度。将采样得到的数据取长补短，使得采样数据长度一致；

所述的角度值归一化具体为：将每条RFID信号数据的角度值的最大值进行归一化。

本发明技术方案带来的有益效果：

1、RFID标签定位准确

通过利用实际采集得到的RFID信号数据集对算法性能进行评估，得出所设计的RFID标签位置识别算法具有较强的可行性和鲁棒性。

如图6所示，本发明设计的算法对不同RFID标签进行位置估计的结果。通过与人工标注的标签位置进行对比可以看出，所设计的卷积神经网络能够基本无错地估计出标签位置，达到了良好的标签位置估计准确率,实现了对RFID标签的准确定位。

2、算法精度高

通过在测试集合上进行测试，所提出的算法估计误差在±10个采样间隔（等效时间约为±0.93s）之内的概率达到了98.69%。该数值结果表明，本发明所设计的RFID标签位置估计算法达到了较高的估计精度。

进一步地，在全部数据集上测试所设计的算法性能，得到的估计误差分布如图7所示。由统计数据可知，算法在全部数据样本集合上的平均估计误差为-0.624个采样间隔，说明算法估计的结果基本无偏。同时，估计误差散布的标准差为1.872，处于很低的误差水平。具体来说，估计误差在±10个采样间隔（等效时间约为±0.93s）之内的概率达到了99.78%；估计误差在±5个采样间隔（等效时间约为±0.46s）之内的概率达到了97.38%；估计误差在±3个采样间隔（等效时间约为±0.28s）之内的概率达到了93.80%。

综合以上结果并结合传送带的实际传输速度（约为0.4米/秒）可以得出，本发明所设计的基于卷积神经网络的RFID标签位置估计算法达到了较高的估计精度。能够正确识别出RFID标签在传送带上的相对位置，实现对多个标签的先后次序进行准确估计，为后续的自动分拣提供了可靠的信息。

附图说明

本发明有如下附图：

图1 典型物流自动分拣示意图。

图2 RFID标签角度域的理论信号波形。

图3 RFID标签通过阅读器前后的角度域波形变化图。

图4 CNN网络模型训练方法流程图。

图5 基于深度学习的RFID标签位置估计算法使用方法流程图。

图6 CNN网络模型结构示意图。

图7 部分标签位置估计结果示意图。

图8 本发明所设计的算法进行RFID位置估计的偏差分布图。

具体实施方式

以下结合附图1~3对本发明作进一步详细说明。

一种基于深度学习的RFID标签位置估计方法，包括CNN网络模型训练方法以及基于深度学习的RFID标签位置估计算法使用方法：

所述CNN网络模型训练方法，包括如下步骤：

S11，输入训练数据集：

训练数据集的作用是为了使得CNN网络能够从大量数据样本中进行学习并获得经验，进而完成对网络模型的训练。一般来说，训练数据集从全部数据样本中按照一定比例随机抽取。

S12，数据预处理：

为了对实际采样过程中的信号干扰进行抑制，同时使得数据能够被用于训练深度学习模型，需要对训练数据集进行数据预处理操作。所述数据预处理主要包括数据归一化、数据采样间隔均匀化以及数据缺失补零。在此过程中，逐条分析数据并人工标注参考值，剔除部分由于采样软件或人为因素造成的错误数据，并对数据进行清洗。

S13，构建并训练CNN网络模型：

基于信号建模所发现的信号特征，利用深度学习方法构建相应的CNN网络模型，通过训练数据集完成对CNN网络模型的训练。

具体而言，每条RFID信号数据（如图2所示）都包含一个标签通过阅读器的时刻值。通过采用机器学习算法，对大量数据进行学习，即可掌握RFID信号数据与RFID标签通过阅读器的时刻值之间的对应关系。这样一来，就把所面临的标签位置估计问题转化成一维图像中的特征识别问题。进一步地，设计相应的模式识别算法，实现估计标签通过阅读器时间的目的。

换言之，RFID标签的位置估计问题被刻画成一个模式识别的回归问题。本发明利用深度学习方法来解决这一回归问题。深度学习中的卷积神经网络具有强大的数据特征抽取能力，适合完成回归任务，能够使特征识别更加精准高效。

因此，本发明采用卷积神经网络实现对信号数据的特征抽取并对RFID的位置进行估计。CNN网络模型的前两个卷积层主要完成RFID信号特征的提取，回归输出层基于所提取到的特征输出标签位置估计结果值，完成回归任务。

S14，输出CNN网络模型的参数：

在CNN网络模型的具体训练过程中，需要不断调整相关参数，迭代优化CNN网络模型。具体地，每当训练好CNN网络模型之后，需要判断CNN网络模型的估计准确率是否达到目标精度，所述目标精度可按照实际应用中目标需求不同进行设置；

若是，则输出CNN网络模型的参数；

否则，重复模型训练的过程，直至达到目标精度为止。

S14的目的是期望获得一个最优的RFID标签位置估计模型。

在上述方案的基础上，S12所述的数据预处理，具体包含以下步骤：

数据归一化

所述数据归一化包括：采样时间归一化、数据长度归一化、角度值归一化；

数据采样间隔均匀化

由于实际应用环境中射频天线的端口设置不同，可能会造成采集得到的RFID信号出现采样周期非均匀的情况。除了无线传播环境造成的信号缺失之外，也可能来自于RFID阅读器的设置。例如，当支持多天线端口的RFID阅读器未连接全部的天线时，阅读器将仅从连接了天线的端口获得数据。这会造成阅读器接收到的信号采样间隔不均匀。而非均匀的采样周期意味着相邻两个点之间的时间间隔不同。若要准确表征该采样序列，则需同时用到时间、角度两个维度的信息，无疑增加了处理的难度。因此，需要对数据进行均匀周期的重新采样，将RFID信号表示为采样周期均匀的离散时间信号。一方面，能够在不损失有效信息的前提下简化信号表示；另一方面，能够有利于后续模式识别方法的运用。

数据缺失补零

采样数据由于信号的多径效应或周围环境的遮挡，往往存在较为严重的信号缺失现象。因此，在信号的离散化和重采样的过程中，需要对缺失的信号进行补充。具体而言，在实际应用过程中需要通过分析数据确定合适的采样间隔值，对相邻采样点之间间隔大于该值的样点进行插零补充。对缺失数据进行补零可以保持前后样点之间的时间关系，这对于估计标签通过阅读器的时间点尤为重要。

在上方案的基础上，所述的采样时间归一化具体为：RFID阅读器所提供的信号采样值均有与之对应的采样时间，有可能提供微秒级别的时间信息。考虑到实际的应用需求，仅需要考虑毫秒级精度的时间信息。将每一条数据的时间信息对其开始时间进行归一化，使得每条数据表示为其起始时间和一系列相对于起始时间的时间偏移量。通过此种相对时间的表示方法对采样数据进行表征有利于后续机器学习算法的训练。

所述的数据长度归一化具体为：由于实际应用场景中传送带速度基本固定，则物品通过阅读器的覆盖区域的时间也基本相当，因此数据长度存在一个上限。为了与后续机器学习方法适配，可以根据传送带速度、阅读器信号覆盖范围等实际因素选取一个合适的数据长度。将采样得到的数据取长补短，使得采样数据长度一致，以适应后续机器学习算法对输入数据的要求。

所述的角度值归一化具体为：通过理论分析及对大量数据样本进行分析发现，RFID信号在角度域具有稳定且独特的特征，可以作为RFID标签位置判断的依据。然而对标签位置进行判断无需知道角度的绝对值，仅需知道相对角度信息即可，因此将每条数据的角度值的最大值进行归一化。角度值的归一化同样有利于后续的机器学习算法训练过程的收敛。

在上述方案的基础上，本发明提出了一个可行的CNN网络模型。

所述CNN网络模型包括：两个卷积层、ReLU层、池化层、随机失活层、回归输出层和两个全连接层。

所述每一个卷积层后均设有ReLU层（Rectified Linear Unit, 修正线性单元）及池化层，所述ReLU层是CNN 网络模型所采用的激活函数，所述池化层用于有效减少参数数量，从而降低网络复杂度。卷积层和全连接层之间设有归一化层。全连接层之间设有随机失活层，以防止训练中出现过拟合，同时加快训练收敛的速度。此外，CNN网络模型前端有一个输入层完成对输入数据的归一化处理。需要注意的是，此处的数据并非采样得到的原始数据，而是经过一系列预处理操作后的维度统一的数据。经过预处理后的RFID信号序列即作为一个一维图像送入该输入层。CNN网络模型的最后一层是回归输出层，用于完成对RFID标签位置值的估计。

将预处理之后的训练集输入到构建好的CNN网络模型中，所述CNN网络模型将基于大量数据样本不断地进行学习，完成对信号的特征提取，最终即可训练出一个符合要求的CNN网络模型。

在上述方案的基础上，S14所述相关参数包括，所述相关参数包括：指网络的学习率（learning rates）、训练轮次（epochs）、迭代次数（iterations）等。

所述基于深度学习的RFID标签位置估计算法使用方法，具体包括如下步骤：

S21，输入实际采样数据：

在实际的使用过程中，需要首先输入从真实应用环境中采集得到的RFID信号数据。当把该RFID信号数据作为判断目标输入到CNN网络模型时，CNN网络模型将会通过计算输出一个与该RFID信号数据对应的RFID标签在传送带上的相对位置估计值。

S22，对输入的实际采样数据进行预处理操作：

由于实际无线传播环境的复杂性，对S21采集得到的RFID信号数据往往存在一定程度的缺失和畸变。因此，为了对采样信号中的干扰进行抑制，对信号缺失部分进行部分弥补，并适应网络的模型架构，需要对采集到的RFID信号数据进行必要的预处理操作。

主要涉及数据归一化、数据采样间隔及数据缺失补零等。

数据预处理是本发明的一个重要环节，旨在有效对抗实际应用场景下的各种不利影响，使得所提出的算法具备较强的鲁棒性。

S23，利用网络模型进行位置估计：

将经S22处理后的RFID信号序列即可作为输入馈送到构建好的CNN网络模型中，需要注意的是，CNN网络模型的整套参数已通过“CNN网络模型训练方法”离线训练预先获得。

本发明经过前期大量的学习训练和网络参数的调整，得出了一套使算法估计性能最优的网络权重参数，如表1所示。实验结果表明，基于该参数的网络模型能够达到较高的准确性和鲁棒性。

表1. 基于卷积神经网络的RFID位置自动识别方法的网络详细参数

S24，利用CNN网络模型对RFID标签位置的估计结果：

在实际应用过程中，当新的信号序列输入时，本发明所设计的算法即可利用该CNN网络模型计算并输出一个对RFID标签通过阅读器时刻的估计值，最终完成对RFID标签位置自动识别的目的。

在上述方案的基础上，S22所述的数据预处理，具体包含以下步骤：

数据归一化

所述数据归一化包括：采样时间归一化、数据长度归一化、角度值归一化；

数据采样间隔均匀化

由于实际应用环境中射频天线的端口设置不同，可能会造成采集得到的RFID信号出现采样周期非均匀的情况。除了无线传播环境造成的信号缺失之外，也可能来自于RFID阅读器的设置。例如，当支持多天线端口的RFID阅读器未连接全部的天线时，阅读器将仅从连接了天线的端口获得数据。这会造成阅读器接收到的信号采样间隔不均匀。而非均匀的采样周期意味着相邻两个点之间的时间间隔不同。若要准确表征该采样序列，则需同时用到时间、角度两个维度的信息，无疑增加了处理的难度。因此，需要对数据进行均匀周期的重新采样，将RFID信号表示为采样周期均匀的离散时间信号。一方面，能够在不损失有效信息的前提下简化信号表示；另一方面，能够有利于后续模式识别方法的运用。

数据缺失补零

采样数据由于信号的多径效应或周围环境的遮挡，往往存在较为严重的信号缺失现象。因此，在信号的离散化和重采样的过程中，需要对缺失的信号进行补充。具体而言，在实际应用过程中需要通过分析数据确定合适的采样间隔值，对相邻采样点之间间隔大于该值的样点进行插零补充。对缺失数据进行补零可以保持前后样点之间的时间关系，这对于估计标签通过阅读器的时间点尤为重要。

在上方案的基础上，所述的采样时间归一化具体为：RFID阅读器所提供的信号采样值均有与之对应的采样时间，有可能提供微秒级别的时间信息。考虑到实际的应用需求，仅需要考虑毫秒级精度的时间信息。将每一条数据的时间信息对其开始时间进行归一化，使得每条数据表示为其起始时间和一系列相对于起始时间的时间偏移量。通过此种相对时间的表示方法对采样数据进行表征有利于后续机器学习算法的训练。

所述的数据长度归一化具体为：由于实际应用场景中传送带速度基本固定，则物品通过阅读器的覆盖区域的时间也基本相当，因此数据长度存在一个上限。为了与后续机器学习方法适配，可以根据传送带速度、阅读器信号覆盖范围等实际因素选取一个合适的数据长度。将采样得到的数据取长补短，使得采样数据长度一致，以适应后续机器学习算法对输入数据的要求。

所述的角度值归一化具体为：通过理论分析及对大量数据样本进行分析发现，RFID信号在角度域具有稳定且独特的特征，可以作为RFID标签位置判断的依据。然而对标签位置进行判断无需知道角度的绝对值，仅需知道相对角度信息即可，因此将每条数据的角度值的最大值进行归一化。角度值的归一化同样有利于后续的机器学习算法训练过程的收敛。

在上述方案的基础上，S11所述训练数据集为全部数据样本的80%。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种基于深度学习的RFID标签位置估计方法，其特征在于，包括CNN网络模型训练方法以及基于深度学习的RFID标签位置估计算法使用方法：

所述CNN网络模型训练方法，包括如下步骤：

S11，输入训练数据集：

所述训练数据集为从全部RFID信号数据样本中按照一定比例随机抽取，所述训练数据集用于使CNN网络模型能够从大量RFID信号数据样本中进行学习并获得经验，进而完成对CNN网络模型的训练；

S12，数据预处理：

所述数据预处理操作包括：数据归一化、数据采样间隔均匀化以及数据缺失补零；数据预处理过程中，逐条分析RFID信号数据并人工标注RFID标签通过阅读器的时刻值，剔除部分由于采样软件或人为因素造成的错误数据，并对数据进行清洗；

S13，构建并训练CNN网络模型：

利用深度学习方法构建相应的CNN网络模型，通过训练数据集完成对CNN网络模型的训练；

所述RFID信号数据包含RFID标签通过阅读器的时刻值；通过采用机器学习算法，对大量RFID信号数据进行学习，掌握RFID信号数据与RFID标签通过阅读器的时刻值之间的对应关系；

S14，输出CNN网络模型的参数：

在CNN网络模型的具体训练过程中，不断调整相关参数，迭代优化CNN网络模型；训练好CNN网络模型之后，需要判断该模型的估计准确率是否达到目标精度，所述目标精度按照实际应用中目标需求不同进行设置；

若达到，则输出CNN网络模型的参数；

否则，重复模型训练的过程，直至达到目标精度为止；

所述基于深度学习的RFID标签位置估计算法使用方法，具体包括如下步骤：

S21，输入实际采样数据：

在实际的使用过程中，输入从真实应用环境中采集得到的RFID信号数据；

S22，对输入的实际采样数据进行预处理操作：

对S21采集得到的RFID信号数据进行数据预处理操作，所述数据预处理操作包括：数据归一化、数据采样间隔均匀化以及数据缺失补零；

S23，利用网络模型进行位置估计：

将经S22处理后的RFID信号数据作为输入馈送到CNN网络模型；

S24，利用CNN网络模型对RFID标签位置的估计结果：

在实际应用过程中，当新的RFID信号数据输入时，采用CNN网络模型计算并输出一个对RFID标签通过阅读器时刻的估计值，最终完成对RFID标签位置自动识别的目的。

2.如权利要求1所述的基于深度学习的RFID标签位置估计方法，其特征在于，S11所述训练数据集为全部数据样本的80%。

3.如权利要求1所述的基于深度学习的RFID标签位置估计方法，其特征在于，S12所述数据归一化包括：采样时间归一化、数据长度归一化、角度值归一化；

所述数据采样间隔均匀化为：

对RFID信号数据进行均匀周期的重新采样，将RFID信号表示为采样周期均匀的离散时间信号；

所述数据缺失补零为：

通过分析RFID信号数据确定合适的采样间隔值，对相邻采样点之间间隔大于该值的样点进行插零补充。

4.如权利要求3所述的基于深度学习的RFID标签位置估计方法，其特征在于，所述的采样时间归一化具体为：将每一条RFID信号数据的时间信息的开始时间进行归一化，使得每条RFID信号数据表示为起始时间和相对于起始时间的时间偏移量；

所述的数据长度归一化具体为：根据传送带速度、阅读器信号覆盖范围，选取一个合适的RFID信号数据长度；将采样得到的数据取长补短，使得采样数据长度一致；

所述的角度值归一化具体为：将每条RFID信号数据的角度值的最大值进行归一化。

5.如权利要求1所述的基于深度学习的RFID标签位置估计方法，其特征在于，所述的CNN网络模型具体为：

所述CNN网络模型包括：ReLU层、卷积层、池化层、归一化层、全连接层、随机失活层、回归输出层；

ReLU层包括：ReLU层一、ReLU层二；所述池化层包括：池化层一、池化层二；所述卷积层包括：卷积层一、卷积层二；所述全连接层包括：全连接层一、全连接层二；

所述CNN网络模型的前端设有一个输入层，所述输入层与卷积层一连接，所述卷积层一与ReLU层一连接，所述ReLU层一与池化层一连接，所述池化层一与卷积层二连接，所述卷积层二与ReLU层二连接；所述ReLU层二与池化层二连接，所述池化层二与全连接层一连接；全连接层一与随机失活层连接，所述随机失活层与全连接层二连接，所述全连接层二与回归输出层连接；

所述输入层用于完成对输入数据的归一化处理；所述ReLU层是CNN 网络模型所采用的激活函数；所述池化层用于有效减少参数数量，从而降低网络复杂度；所述随机失活层用于防止训练中出现过拟合，同时加快训练收敛的速度；所述回归输出层用于完成对RFID标签位置值的估计；

将数据处理后的训练数据集输入到构建好的CNN网络模型中，所述CNN网络模型将基于训练数据集中大量数据样本不断地进行学习，完成对信号的特征提取，最终训练出一个符合要求的CNN网络模型。

6.如权利要求5所述的基于深度学习的RFID标签位置估计方法，其特征在于，CNN网络模型中所述输入层的维度为 200×1×1，所述卷积层一的卷积核为64 个15×1×1；所述卷积层二的卷积核为128个 9×1×64 ；所述全连接层一有64个输出，所述全连接层二有1个输出；所述随机失活层为50%概率随机失活。

7.如权利要求1所述的基于深度学习的RFID标签位置估计方法，其特征在于，S14所述相关参数包括：指网络的学习率、训练轮次、迭代次数。

8.如权利要求1所述的基于深度学习的RFID标签位置估计方法，其特征在于，S12所述数据归一化包括：采样时间归一化、数据长度归一化、角度值归一化；

所述数据采样间隔均匀化为：

对RFID信号数据进行均匀周期的重新采样，将RFID信号表示为采样周期均匀的离散时间信号；

所述数据缺失补零为：

通过分析RFID信号数据确定合适的采样间隔值，对相邻采样点之间间隔大于该值的样点进行插零补充。

9.如权利要求8所述的基于深度学习的RFID标签位置估计方法，其特征在于，所述的采样时间归一化具体为：将每一条RFID信号数据的时间信息的开始时间进行归一化，使得每条RFID信号数据表示为起始时间和相对于起始时间的时间偏移量；

所述的数据长度归一化具体为：根据传送带速度、阅读器信号覆盖范围，选取一个合适的RFID信号数据长度；将采样得到的数据取长补短，使得采样数据长度一致；

所述的角度值归一化具体为：将每条RFID信号数据的角度值的最大值进行归一化。