CN111818126B - 基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 - Google Patents
基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 Download PDFInfo
- Publication number
- CN111818126B CN111818126B CN202010513430.9A CN202010513430A CN111818126B CN 111818126 B CN111818126 B CN 111818126B CN 202010513430 A CN202010513430 A CN 202010513430A CN 111818126 B CN111818126 B CN 111818126B
- Authority
- CN
- China
- Prior art keywords
- model
- internet
- parameters
- rfid
- things
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008447 perception Effects 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 title claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000012546 transfer Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 230000005855 radiation Effects 0.000 claims description 20
- 238000005562 fading Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000005477 standard model Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 5
- 239000000243 solution Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 239000012086 standard solution Substances 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y30/00—IoT infrastructure
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，包括以下步骤：将空间‑介质‑干扰作为整体概念提出，以电磁波多径传播机制为切入点，充分考虑电磁波传输机制，结合广义时域、频域、能量域、空间域联合特性，分析和推导RFID感知全局信号传递函数，完成RFID感知主特征提取；构建多特征融合感知模型，利用多特征融合参数与实验结果之间的代数关系，给出实测数据与正演仿真数据之间的误差泛函，将新增感知信息用于环境时空多变自适应要素迭代，形成物联网环境参数自适应反演，为RFID在复杂物联网场景下的部署提供依据，高效获取状态、位置等关键信息，实现“人‑机‑物”的充分融合。
Description
技术领域
本发明涉及物联网技术领域，尤其涉及一种基于RFID多特征融合感知模型的物联网环境参数自适应反演方法。
背景技术
物联网通过多种接入手段将感知器件连接起来完成信息交互，实现智能监测、控制、识别、定位、追踪等，涵盖了信息采集、网络传输、数据存储、数据分析直至智能应用的全过程，涉及传感识别，无线通信，数据存储，云计算，纳米，智能应用等关键技术。射频识别(Radio Frequency Identification,RFID)是物联网感知层的关键技术之一，RFID的感知效率直接影响着感知层的信息交互质量。
当RFID感知具有时空性、动态性和关联性等特征时，其底层事件检测效果的优劣将直接决定高层复杂事件的定义、检测和管理。对于密集办公场所、仓库、地铁、商场等传播环境相对复杂、形状不规则的物联网场景，研究RFID感知特性可以有效的为物联网上层应用争取时间，完善物联网感知、认知与决策架构，提升信息交互质量和用户体验，促进“人-机-物”充分融合。
复杂物联网场景的空间特征、介质、电磁干扰、小尺度衰落建模与仿真对感知层的发展提供理论指导与关键技术支撑。现有针对特定环境下RFID感知模型的研究相对离散，因子比较单一，对于空间、多径、介质、干扰等基本共识因子缺乏多维度系统性研究，没有形成RFID多特征融合感知模型与物联网环境参数的反演，感知过程中的自适应要素迭代研究尚且缺乏。
发明内容
本发明要解决的技术问题在于针对现有技术中RFID感知模型的研究相对离散，因子比较单一，缺乏多维度系统性研究的缺陷，提供一种基于RFID多特征融合感知模型的物联网环境参数自适应反演方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，该方法包括以下步骤：
共识因子获取，获取物联网环境下的共识因子，包括：空间几何、多径效应、介质、电磁干扰、小尺度衰落、环境参量；
多特征融合感知模型建立，通过分析共识因子对RFID感知过程进行多特征融合感知模型的建模，包括建模仿真、射线追踪、时频测试和信道模型建立，并结合电磁波传输机制和多特征融合参数，推导得到电磁波在通过各种路径传输时的全局信号传递函数，多特征融合参数包括时域特征、能量域特征、频域特征、空间域特征；
物联网环境参数反演，通过新增RFID感知信息用于环境时空多变自适应要素迭代方法，形成物联网环境参数反演，物联网环境参数包括密度参数、几何参数、衰减参数和辐射参数；
自适应要素迭代，自适应要素迭代方法通过推导感知实测数据与正演仿真数据之间的误差泛函，给出相关的宏观统计性能函数与代价函数，确定评估模型的目标函数，利用广义非线性方法迭代求解该误差泛函的极小化问题，反推目标的状态参数得到物联网环境参数分量，形成闭环的环境参量评估；确定已建立的模型是否有标准解法；如果没有，通过进一步抽象，修正模型，使其转化成标准模型；或者修改标准模型解法。
进一步地，本发明的该方法中的共识因子具体为：
空间几何，用于揭示空间位置与移动性对路径损耗的影响；
多径效应，包括电磁波直射、折射、衍射、散射；
介质，研究多介质环境对RFID标签感知性能的影响；
电磁干扰，包括外部电磁波干扰以及密集标签导致的频率偏移和互耦效应，利用实际RFID感知性能测试数据，提取多源电磁干扰参数特征，减少大规模RFID部署时内部读写器之间的碰撞冲突问题，提高位置感知精度；
小尺度衰落，无线信号不同多径分量的相互干涉导致合成信号振幅的小尺度衰落变化，在短距离空间域或短时间时间域上，接收信号在幅度、相位以及时延上的瞬时值会呈现快速变化特征；
环境参量，包括温度、湿度、辐射、压力。
进一步地，本发明的该方法中建模仿真的具体方法为：
建模和测量动态场景，在几何特征模型里定义不同的电磁波路径，对不同的路径设置合理的物理模型参数，构建等效物理模型。
进一步地，本发明的该方法中射线追踪的具体方法为：
射线追踪考虑电磁波受直射、折射、衍射、散射、吸收和极化的影响，优化射频标签无线传感路径，对到达接收点的各条路径信息进行准确分析，接收信号表示为：
其中，s(t)是发射射线信号，αi，τi，φi分别表示第i条射线的振幅，到达时间，相位；
电磁波在通过各种路径传输时的信号传递函数G(f,d)描述为：
其中，ddd,ddr,dda,ds分别是直射、反射、衍射、散射路径的传播距离，λ表示波长，k表示路径数量，Cr表示介质表面的反射系数，G3(f,dda),G4(f,ds)分别表示衍射和散射路径的传递函数。
进一步地，本发明的该方法中时频测试的具体方法为：
时频测试考虑RFID电磁信号的时频联合统计特性，建模和测量动态场景，充分考虑传播特性，天线类型和实际场景多类参数，分析标签天线的辐射效率、天线增益和特征模式，通过对底层极坐标系射频数据的变换处理，得到电磁信号原始电平样本数据集；所述信道模型推导改进纯多普勒、瑞利、莱斯、平坦、Nakagami、对数正态、SuzuKi小尺度衰落模型，同时考虑复杂的散射机制，建模不同幅度、相位和延迟的多径分量在接收端叠加的衰落信号；基于前提假设，用数学模型对无线信道特性进行近似描述，通过改进方法分别对标签位置、空间域方向、频率、带宽和功率参数进行优化。
进一步地，本发明的该方法中的全局信号传递函数具体为：
全局传递函数确定RFID感知过程中系统信道统计模型及链路预算模型的关键参数，优化感知模型建模方法，推导出复杂物联网环境下电磁波全局信号传递函数和能量损耗模型，提升多情境感知环境下的复杂事件处理能力，深入分析复杂物联网场景下的RFID感知影响因子内在关联性。
进一步地，本发明的该方法中物联网环境参数反演的具体方法为：
物联网环境参数反演包括密度参数、几何参数、衰减参数、辐射参数，物联网环境参数反演被看成是以下形式的非线性最小二乘问题：
x∈Sn,m≥n
其中，f(x)表示目标函数；si(x)为残量函数，表示射频感知测量数据与正演模型计算数据之间的差别；x为待反演的物联网环境参数；n为环境参数的数量；m为提取的感知特征参数数量；对密度、辐射、衰减、几何参数单位不一致参量，引入对角比例矩阵进行坐标转换，使得奇异值分解结果与单位无关。
进一步地，本发明的该方法中自适应要素迭代的具体方法为：
自适应要素迭代结合实际测试和评估结果，对物联网环境感知参数提取方法、理论模型和评估方法进行改进和完善。
进一步地，本发明的该方法中自适应要素迭代的具体方法为：
初始化多特征融合感知模型参数，经测量方程yk＝h(xk)+μk和全局传递函数，通过最小均方误差估计量
计算判别后形成物联网环境参数xi＝[ρ,γ,δ,ξ]i反演，ρ,γ,δ,ξ分别表示密度参数、几何参数、衰减参数、辐射参数。
进一步地，本发明的该方法中自适应要素迭代的具体方法为：
环境参数反演数据模型已知但存在误差时，反演参数经状态方程xk＝f(xk-1)+ηk、z变换和目标函数f(x)与多特征融合感知模型完成一次自适应要素迭代，并结合多特征融合感知模型不断更新测量数据。
本发明产生的有益效果是：本发明的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，率先将空间-介质-干扰作为整体概念提出，充分考虑电磁波传输机制，结合广义时域、频域、能量域、空间域联合特性，完成RFID感知主特征提取；在理论研究的基础上，结合实际测量验证，实现复杂物联网环境下RFID多特征融合感知模型建立。围绕复杂物联网环境RFID感知模型，形成不同物联网场景环境参数、复杂等级、数据扰动反演；优化多径电磁波传感路径，为RFID在复杂物联网场景下的部署提供依据，高效获取状态、位置等关键信息，实现“人-机-物”的充分融合；最终构建基于多特征融合感知模型的环境物联网参数反演新方法。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法流程图；
图2是本发明实施例的环境参数反演数据模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，包括：共识因子U1、多特征融合感知模型U2、物联网环境参数反演U3、自适应要素迭代U4。
所述共识因子U1涵盖空间几何U11、多径效应U12、介质U13、电磁干扰U14、小尺度衰落U15、环境参量U16；通过分析空间几何U11、多径效应U12、介质U13、电磁干扰U14、小尺度衰落U15、环境参量U16对射频标签感知过程的影响，研究工作频率、接收功率、辐射功率、射线路径、时延扩展、路径损耗感知参数。
所述空间几何U11拟揭示空间位置与移动性对路径损耗的影响；所述多径效应U12包括电磁波直射、折射、衍射、散射；所述介质U13研究多介质环境对RFID标签感知性能的影响；所述电磁干扰U14包括外部电磁波干扰以及密集标签导致的频率偏移和互耦效应，利用实际RFID感知性能测试数据，提取多源电磁干扰参数特征，减少大规模RFID部署时内部读写器之间的碰撞冲突问题，提高位置感知精度；无线信号不同多径分量的相互干涉导致合成信号振幅的小尺度衰落U15变化，在短距离空间域或短时间时间域上，接收信号在幅度、相位以及时延上的瞬时值会呈现快速变化特征；所述环境参量U16包括温度、湿度、辐射、压力
所述多特征融合感知模型U2建立过程包括建模仿真U21、射线追踪U22、时频测试U23、信道模型U24；全局传递函数U25推导；时域特征U26、能量域特征U27、频域特征U28、空间域特征U29。从多特征融合的角度实现深层次时域特征U26、能量域特征U27、频域特征U28、空间域特征U29提取，揭示物联网环境下RFID主特征参数之间的内在联系，建立多特征融合感知模型U2。
所述建模仿真U21拟建模和测量动态场景，在几何特征模型里定义不同的电磁波路径，对不同的路径设置合理的物理模型参数，构建等效物理模型；
所述射线追踪U22考虑电磁波受直射、折射、衍射、散射、吸收和极化的影响，优化射频标签无线传感路径，对到达接收点的各条路径信息进行准确分析，接收信号表示为：
其中，s(t)是发射射线信号，αi，τi，φi分别表示第i条射线的振幅，到达时间，相位；
电磁波在通过各种路径传输时的信号传递函数G(f,d)描述为：
其中，ddd,ddr,dda,ds分别是直射、反射、衍射、散射路径的传播距离，λ表示波长，k表示路径数量，Cr表示介质表面的反射系数，G3(f,dda),G4(f,ds)分别表示衍射和散射路径的传递函数。
所述时频测试U23考虑RFID电磁信号的时频联合统计特性，建模和测量动态场景，充分考虑传播特性，天线类型和实际场景等多类参数，分析标签天线的辐射效率、天线增益和特征模式，通过对底层极坐标系射频数据的变换处理，得到电磁信号原始电平样本数据集；所述信道模型U24推导改进纯多普勒、瑞利、莱斯、平坦、Nakagami、对数正态、SuzuKi等小尺度衰落模型，同时考虑复杂的散射机制，建模不同幅度、相位和延迟的多径分量在接收端叠加的衰落信号。基于前提假设，用数学模型对无线信道特性进行近似描述，通过改进方法分别对标签位置、空间域方向、频率、带宽和功率参数进行优化。
所述全局传递函数U25确定RFID感知过程中系统信道统计模型及链路预算模型的关键参数，优化感知模型建模方法，推导出复杂物联网环境下电磁波全局信号传递函数和能量损耗模型，提升多情境感知环境下的复杂事件处理能力，深入分析复杂物联网场景下的RFID感知影响因子内在关联性，建立物理世界与标签之间的桥梁。
所述多特征融合感知模型U2将新增感知信息有效地用于环境时空多变自适应要素迭代U4，形成物联网环境参数反演U3。
所述物联网环境参数反演U3包括密度U31参数、几何U32参数、衰减U33参数、辐射U34参数。
所述物联网环境参数反演U3可看成是以下形式的非线性最小二乘问题：
x∈Sn,m≥n
其中，f(x)表示目标函数；si(x)为残量函数，表示射频感知测量数据与正演模型计算数据之间的差别；x为待反演的物联网环境参数；n为环境参数的数量；m为提取的感知特征参数数量；对密度、辐射、衰减、几何参数单位不一致参量，引入对角比例矩阵进行坐标转换，使得奇异值分解结果与单位无关。
所述自适应要素迭代U4推导感知实测数据与正演仿真数据之间的误差泛函，给出相关的宏观统计性能函数与代价函数，确定评估模型的目标函数，利用广义非线性方法迭代求解该误差泛函的极小化问题，反推目标的状态参数得到物联网环境参数分量，形成闭环的环境参量评估。确定已建立的模型是否有标准解法。如果没有，通过进一步抽象，修正模型，使其转化成标准模型；或者修改标准模型解法。
所述自适应要素迭代U4结合实际测试和评估结果，对物联网环境感知参数提取方法、理论模型和评估方法进行改进和完善；自适应追踪参数变化情况，检验模型的合理性和实用性，给出提升多特征融合感知模型与物联网环境实际情况的契合度。
所述环境参数反演数据模型如图2所示，多特征融合感知模型U2参数初始化后经测量方程yk＝h(xk)+μk和全局传递函数U25，通过最小均方误差估计量
计算判别后形成物联网环境参数xi＝[ρ,γ,δ,ξ]i反演，ρ,γ,δ,ξ分别表示密度U31参数、几何U32参数、衰减U33参数、辐射U34参数。
所述环境参数反演数据模型已知但存在误差时，反演参数经状态方程xk＝f(xk-1)+ηk、z变换和目标函数f(x)与多特征融合感知模型U2完成一次自适应要素迭代U4，并结合多特征融合感知模型不断更新的测量数据。
综上，本发明基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，以电磁波多径传播机制为切入点，分析和推导RFID感知全局信号传递函数，构建了多特征融合感知模型，利用已具备的实验条件建立多特征融合参数与实验结果之间的代数关系，给出相关的宏观统计性能函数与代价函数，将新增感知信息用于环境时空多变自适应要素迭代，形成物联网环境参数反演。本发明拟率先将空间-介质-干扰作为整体概念提出，充分考虑电磁波传输机制，结合广义时域、频域、能量域、空间域联合特性，完成RFID感知主特征提取；在理论研究的基础上，结合实际测量验证，实现复杂物联网环境下RFID多特征融合感知模型建立。围绕复杂物联网环境RFID感知模型，形成不同物联网场景环境参数、复杂等级、数据扰动反演；优化多径电磁波传感路径，为RFID在复杂物联网场景下的部署提供依据，高效获取状态、位置等关键信息，实现“人-机-物”的充分融合；最终构建基于多特征融合感知模型的环境物联网参数反演新方法。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，其特征在于，该方法包括以下步骤：
共识因子获取，获取物联网环境下的共识因子，包括：空间几何、多径效应、介质、电磁干扰、小尺度衰落、环境参量；
多特征融合感知模型建立，通过分析共识因子对RFID感知过程进行多特征融合感知模型的建模，包括建模仿真、射线追踪、时频测试和信道模型建立，并结合电磁波传输机制和多特征融合参数，推导得到电磁波在通过各种路径传输时的全局信号传递函数，多特征融合参数包括时域特征、能量域特征、频域特征、空间域特征；
物联网环境参数反演，通过新增RFID感知信息用于环境时空多变自适应要素迭代方法，形成物联网环境参数反演，物联网环境参数包括密度参数、几何参数、衰减参数和辐射参数；
自适应要素迭代，自适应要素迭代方法通过推导感知实测数据与正演仿真数据之间的误差泛函，给出相关的宏观统计性能函数与代价函数，确定评估模型的目标函数，利用广义非线性方法迭代求解该误差泛函的极小化问题，反推目标的状态参数得到物联网环境参数分量，形成闭环的环境参量评估；确定已建立的模型是否有标准解法；如果没有，通过进一步抽象，修正模型，使其转化成标准模型；或者修改标准模型解法；
该方法中自适应要素迭代的具体方法为：
自适应要素迭代结合实际测试和评估结果，对物联网环境感知参数提取方法、理论模型和评估方法进行改进和完善；
初始化多特征融合感知模型参数，经测量方程和全局信号传递函数，通过最小均方误差估计量计算判别后形成物联网环境参数反演，物联网环境参数反演的具体方法为：
物联网环境参数反演被看成是以下形式的非线性最小二乘问题：
x∈Sn,m≥n
其中，sT为残量函数转置，Sn为残量函数集合；f(x)表示目标函数；si(x)为残量函数，表示射频感知测量数据与正演模型计算数据之间的差别；x为待反演的物联网环境参数；n为环境参数的数量；m为提取的感知特征参数数量；对密度、辐射、衰减、几何参数单位不一致参量，引入对角比例矩阵进行坐标转换，使得奇异值分解结果与单位无关；
环境参数反演数据模型已知但存在误差时，反演参数经状态方程、z变换和目标函数f(x)与多特征融合感知模型完成一次自适应要素迭代，并结合多特征融合感知模型不断更新测量数据。
2.根据权利要求1所述的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，其特征在于，该方法中的共识因子具体为：
空间几何，用于揭示空间位置与移动性对路径损耗的影响；
多径效应，包括电磁波直射、折射、衍射、散射；
介质，研究多介质环境对RFID标签感知性能的影响；
电磁干扰，包括外部电磁波干扰以及密集标签导致的频率偏移和互耦效应，利用实际RFID感知性能测试数据，提取多源电磁干扰参数特征，减少大规模RFID部署时内部读写器之间的碰撞冲突问题，提高位置感知精度；
小尺度衰落，无线信号不同多径分量的相互干涉导致合成信号振幅的小尺度衰落变化，在短距离空间域或短时间时间域上，接收信号在幅度、相位以及时延上的瞬时值会呈现快速变化特征；
环境参量，包括温度、湿度、辐射、压力。
3.根据权利要求1所述的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，其特征在于，该方法中建模仿真的具体方法为：
建模和测量动态场景，在几何特征模型里定义不同的电磁波路径，对不同的路径设置合理的物理模型参数，构建等效物理模型。
4.根据权利要求1所述的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，其特征在于，该方法中时频测试的具体方法为：
时频测试考虑RFID电磁信号的时频联合统计特性，建模和测量动态场景，充分考虑传播特性，天线类型和实际场景多类参数，分析标签天线的辐射效率、天线增益和特征模式，通过对底层极坐标系射频数据的变换处理，得到电磁信号原始电平样本数据集；所述信道模型推导改进纯多普勒、瑞利、莱斯、平坦、Nakagami、对数正态、SuzuKi小尺度衰落模型，同时考虑复杂的散射机制，建模不同幅度、相位和延迟的多径分量在接收端叠加的衰落信号；基于前提假设，用数学模型对无线信道特性进行近似描述，通过改进方法分别对标签位置、空间域方向、频率、带宽和功率参数进行优化。
5.根据权利要求1所述的基于RFID多特征融合感知模型的物联网环境参数自适应反演方法，其特征在于，该方法中的全局信号传递函数具体为：
全局信号传递函数确定RFID感知过程中系统信道统计模型及链路预算模型的关键参数，优化感知模型建模方法，推导出复杂物联网环境下电磁波全局信号传递函数和能量损耗模型，提升多情境感知环境下的复杂事件处理能力，深入分析复杂物联网场景下的RFID感知影响因子内在关联性。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513430.9A CN111818126B (zh) | 2020-06-08 | 2020-06-08 | 基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 |
| US17/161,690 US20210383175A1 (en) | 2020-06-08 | 2021-01-29 | Adaptive inversion method of internet-of-things environmental parameters based on rfid multi-feature fusion sensing model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513430.9A CN111818126B (zh) | 2020-06-08 | 2020-06-08 | 基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111818126A CN111818126A (zh) | 2020-10-23 |
| CN111818126B true CN111818126B (zh) | 2022-03-11 |
Family
ID=72844708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010513430.9A Active CN111818126B (zh) | 2020-06-08 | 2020-06-08 | 基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210383175A1 (zh) |
| CN (1) | CN111818126B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202039B (zh) * | 2022-02-17 | 2022-06-14 | 深圳消安科技有限公司 | 一种基于cim模型的城市信息多源数据融合方法 |
| CN114417677B (zh) * | 2022-02-23 | 2024-04-09 | 陕西交通职业技术学院 | 一种开关类设备操作强电磁骚扰特性分析方法 |
| CN114928419B (zh) * | 2022-05-23 | 2023-08-29 | 南京捷希科技有限公司 | 一种基于射线追踪的太赫兹频段mimo信道建模方法 |
| CN114841179B (zh) * | 2022-05-31 | 2023-05-26 | 电子科技大学 | 基于rfid和时间反演电磁学的传感系统 |
| CN115096954B (zh) * | 2022-06-17 | 2023-07-21 | 安徽农业大学 | 介质干扰环境下基于无芯片射频识别的检测系统标定方法及系统 |
| CN115190418B (zh) * | 2022-06-27 | 2024-04-19 | 南京森林警察学院 | 一种警用无线局域网高精度的定位方法 |
| CN114841221B (zh) * | 2022-06-30 | 2022-09-09 | 南京航空航天大学 | 一种管道超声螺旋导波特征路径信号提取方法 |
| CN115270447B (zh) * | 2022-07-19 | 2023-03-31 | 北京交通大学 | 基于特征模理论的短波超高压输电铁塔电磁散射分析方法 |
| CN116073928B (zh) * | 2023-03-07 | 2023-06-20 | 南京邮电大学 | 一种物联网边缘环境下通感一体化智能传输与调控方法 |
| CN115980298B (zh) * | 2023-03-20 | 2023-07-21 | 山东思睿环境设备科技有限公司 | 一种基于多参数适应性水质检测分析方法及装置 |
| CN117240380B (zh) * | 2023-11-10 | 2024-01-09 | 广东技术师范大学 | 基于无线信息质量评估的电磁波调控方法及系统 |
| CN117250161B (zh) * | 2023-11-17 | 2024-02-13 | 黑龙江省农业科学院黑河分院 | 一种大豆耐盐碱鉴定池的实时监测系统 |
| CN117279139B (zh) * | 2023-11-22 | 2024-02-23 | 深圳市胜天光电技术有限公司 | 基于数据感知的led智能控制方法、装置及设备 |
| CN117473877B (zh) * | 2023-12-27 | 2024-03-22 | 青岛市生态与农业气象中心(青岛市气候变化中心) | 一种基于静止卫星数据的闪电三维辐射源位置反演方法 |
| CN118114570B (zh) * | 2024-03-20 | 2024-07-30 | 西安电子科技大学 | 一种面向实际复杂地表环境的电磁散射精细化仿真方法、系统、设备及介质 |
| CN118233944B (zh) * | 2024-05-22 | 2024-08-30 | 新疆金牛能源物联网科技股份有限公司 | 基于物联网标签的感知层仪表动态管理系统和方法 |
| CN118509103A (zh) * | 2024-07-10 | 2024-08-16 | 中国电信股份有限公司 | 通信系统、通信方法、装置、通信设备、存储介质和产品 |
| CN118585899A (zh) * | 2024-08-06 | 2024-09-03 | 中国科学院西安光学精密机械研究所 | 一种基于微弱目标的抗干扰型空中智能感知方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200076815A1 (en) * | 2017-05-12 | 2020-03-05 | Intel Corporation | Dynamic access policy provisioning in a device fog |
| CN111025388A (zh) * | 2019-12-19 | 2020-04-17 | 河海大学 | 一种多波联合的叠前波形反演方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110207748A (zh) * | 2019-06-05 | 2019-09-06 | 榆林学院 | 一种物联网环境监测系统 |
| CN110376615A (zh) * | 2019-07-04 | 2019-10-25 | 东南大学 | 一种基于统计模型的室内伪卫星信号多径微观参数分析系统 |
-
2020
- 2020-06-08 CN CN202010513430.9A patent/CN111818126B/zh active Active
-
2021
- 2021-01-29 US US17/161,690 patent/US20210383175A1/en not_active Abandoned
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200076815A1 (en) * | 2017-05-12 | 2020-03-05 | Intel Corporation | Dynamic access policy provisioning in a device fog |
| CN111025388A (zh) * | 2019-12-19 | 2020-04-17 | 河海大学 | 一种多波联合的叠前波形反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| Analysis of Mutual Couple Effect of UHF RFID Antenna for the Internet of Things Environment;GUOLONG SHI等;《IEEE Access》;20190619;全文 * |
| Metric of the Application Environment Impact to the Passive UHF RFID System;Bing Li等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20141010;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210383175A1 (en) | 2021-12-09 |
| CN111818126A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111818126B (zh) | 基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 | |
| Bisio et al. | Smart probabilistic fingerprinting for WiFi-based indoor positioning with mobile devices | |
| Karanam et al. | Tracking from one side: Multi-person passive tracking with WiFi magnitude measurements | |
| Saeed et al. | Underwater optical sensor networks localization with limited connectivity | |
| CN102565762B (zh) | 基于目标认知和发射功率分配的波形优化方法 | |
| CN107241797B (zh) | Nlos环境下基于散射体信息的单站定位方法 | |
| Amjad et al. | Radio SLAM: A review on radio-based simultaneous localization and mapping | |
| HajiAkhondi-Meybodi et al. | Bluetooth low energy and CNN-based angle of arrival localization in presence of Rayleigh fading | |
| CN105939299A (zh) | 一种基于改进后的sage算法的信道参数估计方法 | |
| Hao et al. | A hybrid localization algorithm based on Doppler shift and AOA for an underwater mobile node | |
| Li et al. | Wireless sensing with deep spectrogram network and primitive based autoregressive hybrid channel model | |
| CN111107626A (zh) | 一种基于时间反演的doa定位方法 | |
| Liu et al. | A shared cluster-based stochastic channel model for joint communication and sensing systems | |
| Tian et al. | Cooperative localization for passive RFID backscatter networks and theoretical analysis of performance limit | |
| Amiri et al. | Efficient algebraic solution for elliptic target localisation and antenna position refinement in multiple‐input–multiple‐output radars | |
| Li et al. | Joint localization and environment sensing of rigid body with 5G millimeter wave MIMO | |
| De Bast et al. | Expert-knowledge-based data-driven approach for distributed localization in cell-free massive MIMO networks | |
| Li et al. | Automatic indoor radio map construction and localization via multipath fingerprint extrapolation | |
| Hausmair et al. | SAGE algorithm for UWB channel parameter estimation | |
| Gunathillake et al. | Topology mapping algorithm for 2D and 3D wireless sensor networks based on maximum likelihood estimation | |
| Tountas et al. | Tensor data conformity evaluation for interference-resistant localization | |
| CN114924224A (zh) | 一种基于多频载波相位的隧道内高精度定位方法 | |
| Wang et al. | Signal and array processing techniques for RFID readers | |
| Rayar et al. | A Survey on DoA Measurement using ULA and UCA for Wireless Sensor Network Applications | |
| Yang et al. | Quasi-deterministic modeling for Industrial IoT channels based on millimeter wave measurements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |