CN112200282A - 基于特征加权支持向量机的rfid智能图书定位方法 - Google Patents

Abstract

本发明公开了一种基于特征加权支持向量机的RFID智能图书定位方法，包含S1、在书架的特定位置布设多根RFID读写器天线；S2、在书架的每个区域内边缘位置分别放置参考标签，每个区域内的参考标签为一组；S3、利用多根RFID读写器天线发射射频信号并接收到所有标签返回的信号值组成数据集；S4、得到的多天线的信号值，同一标签不同天线的信号值组成标签的特征向量；S5、特征向量通过加权算法对各个分量进行加权；S6、得到的加权后的特征向量值代入到支持向量机多分类算法中，通过已知位置区域标签的信号强度特征向量值进行训练，对算法的参数进行调整，得到训练后的模型；S7、通过训练得到的模型，将得到的位置未知的特征向量值代入到模型中得到其位置区域。

Description

基于特征加权支持向量机的RFID智能图书定位方法

技术领域

本发明涉及图书定位方法，特别涉及一种基于特征加权支持向量机的RFID智能图书定位方法。

背景技术

随着移动通信以及室内无线技术的快速发展，室内定位技术也成为了人们探索和研究的热门课题之一。由于室内环境较室外复杂，不同的场景想要实现定位所需求的技术指标相差会较大，并且定位精度要求更高，对于定位系统的要求主要包括良好的可移植性，较高的定位精度与合适的实现成本。用于室外的定位技术如GPS等并不适合照搬到室内定位技术，而射频识别技术有低成本、非视距、非接触、定位性能好等特点，非常适合室内定位领域。现阶段已经有许多研究学者提出了许多的利用RFID实现定位的系统与算法。包括LANDMARC定位算法，基于测距的定位算法等。

在RFID的实际应用领域，图书馆书籍馆藏众多且种类复杂，在图书馆进行书籍管理时，即使从系统中查询到书籍的位置，但在实际的书架中却未必会有，可能放回时稍有差错，此时想要确定书籍的位置就需要将整个图书馆都进行寻找一遍，随着科技的发展，智能化的书籍管理实现成为可能。利用RFID对书籍进行标记管理，不仅可以实现数据的实时监控，而且还能对图书位置进行精确查询以及自助式的借还功能。

但是由于室内环境的复杂性，利用传统的定位系统并不能非常简单的移植到不同的室内定位环境中，同时射频信号之间的多径干扰等使得对高抗干扰性，对高定位精度的室内定位算法的研究提出了新的要求。

发明内容

本发明的目的是提供一种基于特征加权支持向量机的RFID智能图书定位方法，使用支持向量机并在其基础上结合RFID的信号强度值特性进行改进，在得到的信号强度值的基础上进行加权，通过提出的加权算法加权之后的信号值对系统进行训练，其定位性能更好，鲁棒性更好。相比于传统的智能定位书架，能够很方便的移植到不同的环境中，系统的鲁棒性更好。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种基于特征加权支持向量机的RFID智能图书定位方法，其特点是，包含如下步骤：

S1、在书架的特定位置布设多根RFID读写器天线，所使用的书籍贴上超高频RFID柔性标签；

S2、在书架的每个区域内边缘位置分别放置参考标签，每个区域内的参考标签为一组；

S3、利用多根RFID读写器天线发射射频信号并接收到所有标签返回的信号值组成数据集，分别包括参考标签数据集与书籍标签数据集；

S4、基于S3中得到的多天线的信号值，同一标签不同天线的信号值组成标签的特征向量；

S5、对于S4中的特征向量通过加权算法对各个分量进行加权；

S6、对于S5中得到的加权后的特征向量值代入到支持向量机多分类算法中，在训练阶段，通过已知位置区域标签的信号强度特征向量值进行训练，对算法的参数进行调整，得到训练后的模型；

S7、对于S6中通过训练得到的模型，将S5中的得到的位置未知的特征向量值代入到模型中得到其位置区域。

所述的步骤S1具体包括：

以书架中线为分割，将书架分为左右与上下4个区域，天线分别在以中线为交点及中线共同分割的四条线的中点位置。

所述的步骤S2包括：

在书架每个区域格子中的上部中心区域，下部中心区域，左面中心区域，右面中心区域。

所述的步骤S4中所组成的特征向量值为：

通过多个天线采集到的同一标签的信号强度值组成特征向量值，如式x_i＝{x_i1,x_i2,…,x_iK}，其中x_i表示第i个标签的特征向量值，x_ik表示第k个天线接收到的标签的信号强度值。

所述的步骤S5中特征加权的权值计算包括：

通过式β_il＝x_il/(x_1l+x_2l+,…,+x_il,…,x_Kl)进行权值的计算，式中β_il表示标签l的i分量的权重，x_il表示标签L的i分量。

所述的步骤S6包括：

S61、对所有的类别两两建立二分类器，最终建立(K-1)K/2个二分类器，K为天线的个数；

S62、通过天线得到位置已知的标签信号强度值与待预测的标签信号强度值特征向量；

S63、基于步骤S5将得到特征向量值进行加权；

S64、利用位置区域已知的数据集对这(K-1)K/2个分类器进行训练，得到(K-1)K/2个预测模型；

S64、利用得到的待预测数据加权后的特征向量值各个分量分别与参考标签的信号强度值大小进行对比，将参考标签更大的区域进行排除；

S65、选择一定数量的参考标签更大的区域，结合得到的区域组成待预测区域集；

S66、选择包含待预测区域集中区域的分类器，将待预测信号特征向量带入到模型中进行预测，得到多个分类器的预测结果；

S67、统计所有分类结果，出现次数最多的即为最终区域；

S68、如果出现次数最多区域出现多个，即有多个得票数相同的最多区域，根据参考标签与待预测标签信号值大小进行比对，根据欧氏距离公式，选择标签距离最近的区域。

本发明与现有技术相比，具有以下优点：

设计了一种加权算法对支持向量机进行改进，使其更加适用于RFID信号的特性，使定位算法的鲁棒性更好。

设计了一种支持向量机的多分类方案，在一对一多分类方案的基础上结合RFID的信号传播特性，在保证精度的前提下，减少了预测时间，使算法性能更高。

在所设计算法的基础上设计了一种智能化定位书架，能够保证错架书籍的正确定位，对于同一书架的错位，能够有很好的定位精度。

附图说明

图1为本发明一种基于特征加权支持向量机的RFID智能图书定位方法的流程图；

图2为智能化书架的结构图；

图3为基于特征加权的支持向量机RFID定位算法流程图；

图4为参数遍历网格图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1、3所示，一种基于特征加权支持向量机的RFID智能图书定位方法，包含如下步骤：

S1、在书架的特定位置布设多根RFID读写器天线，所使用的书籍贴上超高频RFID柔性标签；

S2、在书架的每个区域内边缘位置分别放置参考标签，每个区域内的参考标签为一组；

S3、利用多根RFID读写器天线发射射频信号并接收到所有标签返回的信号值组成数据集，分别包括参考标签数据集与书籍标签数据集；

S4、基于S3中得到的多天线的信号值，同一标签不同天线的信号值组成标签的特征向量；

S5、对于S4中的特征向量通过加权算法对各个分量进行加权；

S6、对于S5中得到的加权后的特征向量值代入到支持向量机多分类算法中，在训练阶段，通过已知位置区域标签的信号强度特征向量值进行训练，对算法的参数进行调整，得到训练后的模型；

S7、对于S6中通过训练得到的模型，将S5中的得到的位置未知的特征向量值代入到模型中得到其位置区域。

所述的步骤S1具体包括：以书架中线为分割，将书架分为左右与上下4个区域，天线分别在以中线为交点及中线共同分割的四条线的中点位置。

所述的步骤S2包括：在书架每个区域格子中的上部中心区域，下部中心区域，左面中心区域，右面中心区域。

所述的步骤S4中所组成的特征向量值为：

通过多个天线采集到的同一标签的信号强度值组成特征向量值，如式x_i＝{x_i1,x_i2,…,x_iK}，其中x_i表示第i个标签的特征向量值，x_ik表示第k个天线接收到的标签的信号强度值。

所述的步骤S5中特征加权的权值计算包括：通过式β_il＝x_il/(x_1l+x_2l+,…,+x_il,…,x_kl)进行权值的计算，式中β_il表示标签l的i分量的权重，x_il表示标签L的i分量。

所述的步骤S6包括：

S61、对所有的类别两两建立二分类器，最终建立(K-1)K/2个二分类器，K为天线的个数；

S62、通过天线得到位置已知的标签信号强度值与待预测的标签信号强度值特征向量；

S63、基于步骤S5将得到特征向量值进行加权；

S64、利用位置区域已知的数据集对这(K-1)K/2个分类器进行训练，得到(K-1)K/2个预测模型；

S65、利用得到的待预测数据加权后的特征向量值各个分量分别与参考标签的信号强度值大小进行对比，将参考标签更大的区域进行排除；

S66、选择一定数量的参考标签更大的区域，结合得到的区域组成待预测区域集；

S67、选择包含待预测区域集中区域的分类器，将待预测信号特征向量带入到模型中进行预测，得到多个分类器的预测结果；

S68、统计所有分类结果，出现次数最多的即为最终区域；

S69、如果出现次数最多区域出现多个，即有多个得票数相同的最多区域，根据参考标签与待预测标签信号值大小进行比对，根据欧氏距离公式，选择标签距离最近的区域。

图2为智能化书架的结构图，如图2所示，书架层高40cm，共6层，总高250cm，书架长度1000cm，每个格子长100cm，共10格，在书架的4个位置布置RFID读写器天线1，在每个区域中的上下左右边缘的中间区域布置参考标签2，在书籍上粘贴超高频柔性无源RFID标签3，RFID读写器发射频率为超高频，能够保证信号强度覆盖书架的整体范围。

数据采集采用轮询的方式，系统操控读写器第1根天线发射信号，将接收到的标签信息存储到数据库中，接着操作第二根天线发射信号，接收数据并存储，依次轮询4根天线；

4根天线都经过一遍之后为一轮轮询，系统需轮询6次采集足够的数据量；

系统将采集到的数据依据标签的唯一UID把属于参考标签的数据与书籍标签的信息分隔开；

系统将采集到的数据按照加权公式进行加权形成新的数据集。

进一步地，对于模型的训练具体地包括：

支持向量机采用加权后的书籍标签信息与参考标签信息结合来进行模型的训练；

支持向量机有两种参数需要训练前确定，一种核参数σ，一种惩罚系数C，参数的确定主要通过网格遍历法与k折交叉验证法来进行，网格遍历法主要遍历图4的参数组合，将每组参数都带入到模型中，选择性能最好的一组。

综上所述，本发明一种基于特征加权支持向量机的RFID智能图书定位方法，使用支持向量机并在其基础上结合RFID的信号强度值特性进行改进，在得到的信号强度值的基础上进行加权，通过提出的加权算法加权之后的信号值对系统进行训练，其定位性能更好，鲁棒性更好。相比于传统的智能定位书架，能够很方便的移植到不同的环境中，系统的鲁棒性更好。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种基于特征加权支持向量机的RFID智能图书定位方法，其特征在于，包含如下步骤：

S1、在书架的特定位置布设多根RFID读写器天线，所使用的书籍贴上超高频RFID柔性标签；

S2、在书架的每个区域内边缘位置分别放置参考标签，每个区域内的参考标签为一组；

S3、利用多根RFID读写器天线发射射频信号并接收到所有标签返回的信号值组成数据集，分别包括参考标签数据集与书籍标签数据集；

S4、基于S3中得到的多天线的信号值，同一标签不同天线的信号值组成标签的特征向量；

S5、对于S4中的特征向量通过加权算法对各个分量进行加权；

S6、对于S5中得到的加权后的特征向量值代入到支持向量机多分类算法中，在训练阶段，通过已知位置区域标签的信号强度特征向量值进行训练，对算法的参数进行调整，得到训练后的模型；

S7、对于S6中通过训练得到的模型，将S5中的得到的位置未知的特征向量值代入到模型中得到其位置区域。

2.如权利要求1所述的基于特征加权支持向量机的RFID智能图书定位方法，其特征在于，所述的步骤S1具体包括：

以书架中线为分割，将书架分为左右与上下4个区域，天线分别在以中线为交点及中线共同分割的四条线的中点位置。

3.如权利要求1所述的基于特征加权支持向量机的RFID智能图书定位方法，其特征在于，所述的步骤S2包括：

在书架每个区域格子中的上部中心区域，下部中心区域，左面中心区域，右面中心区域。

4.如权利要求1所述的基于特征加权支持向量机的RFID智能图书定位方法，其特征在于，所述的步骤S4中所组成的特征向量值为：

通过多个天线采集到的同一标签的信号强度值组成特征向量值，如式x_i＝{x_i1,x_i2,…,x_iK}，其中x_i表示第i个标签的特征向量值，x_ik表示第k个天线接收到的标签的信号强度值。

5.如权利要求4所述的基于特征加权支持向量机的RFID智能图书定位方法，其特征在于，所述的步骤S5中特征加权的权值计算包括：

通过式β_il＝x_il/(x_1i+x_2l+,…,+x_il,…,+x_Kl)进行权值的计算，式中β_il表示标签l的i分量的权重，x_il表示标签L的i分量。

6.如权利要求1所述的基于特征加权支持向量机的RFID智能图书定位方法，其特征在于，所述的步骤S6包括：

S61、对所有的类别两两建立二分类器，最终建立(K-1)K/2个二分类器；K为天线的个数；

S62、通过天线得到位置已知的标签信号强度值与待预测的标签信号强度值特征向量；

S63、基于步骤S5将得到特征向量值进行加权；

S63、利用位置区域已知的数据集对这(K-1)K/2个分类器进行训练，得到(K-1)K/2个预测模型；

S64、利用得到的待预测数据加权后的特征向量值各个分量分别与参考标签的信号强度值大小进行对比，将参考标签更大的区域进行排除；

S65、选择一定数量的参考标签更大的区域，结合得到的区域组成待预测区域集；

S66、选择包含待预测区域集中区域的分类器，将待预测信号特征向量带入到模型中进行预测，得到多个分类器的预测结果；

S67、统计所有分类结果，出现次数最多的即为最终区域；

S68、如果出现次数最多区域出现多个，即有多个得票数相同的最多区域，根据参考标签与待预测标签信号值大小进行比对，根据欧氏距离公式，选择标签距离最近的区域。

Images