CN114710831B - 一种基于深度学习的rfid标签定位系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的RFID标签定位系统，该系统由指纹数据库建立模块、离线训练模块以及在线测试模块三部分组成；在二维的仿真环境下通过构建RSS/PDOA联合指纹数据库对卷积神经网络(CNN)进行训练，使其具有良好的分类效果，以实现地铁内较高的定位。本发明具有优越的图像分类能力，从而在地铁内实现良好的定位效果，此外，相较于传统的定位方法，本发明更适合于复杂的室内环境，具有更高的定位精度。

Description

一种基于深度学习的RFID标签定位系统

技术领域

本发明涉及人工智能领域，尤其涉及一种基于深度学习的RFID标签定位系统。

背景技术

当前的全球卫星导航系统可以在室外环境下为人们提供准备的位置信息，极大方便了人们的出行。但是在室内环境中，建筑物的遮挡以及室内环境的复杂性导致的非视距传播及多径效应使以卫星导航为基础的人员定位技术受到了极大限制。伴随城市轨道交通的全自动驾驶技术应运而生，如何避免安全事故的发生成为一项重要任务。通过开发地铁内工作人员的定位技术，实时监测地铁内工作人员的位置信息，可以加强地铁内的安全、高效管理。目前的室内定位方法主要存在以下问题：

1、传统基于测距的定位方法对于非视距、多径效应等室内复杂环境影响不具备良好的抗干扰能力，导致定位误差较大，甚至难以定位；

2、传统基于指纹的定位方法对指纹数据库的学习能力不够，指纹数据库采集数据一般含有噪声，之类算法的对噪声的鲁棒性较差；

3、目前定位算法忽略了阅读器布局对定位精度的影响，没有以提高定位精度为目的来优化阅读器布局的研究。

伴随着技术的不断发展，深度学习已成为大数据处理领域的一项新兴技术，基于深度学习的室内定位方法解决了传统的定位方法中定位精度低、抗干扰差和多标签大数据处理问题。由此，基于深度学习的RFID标签定位算法，能够实现室内定位的高精确度、强抗干扰性。

发明内容

本发明的目的在于提供一种基于深度学习的RFID标签定位系统，为实现地铁内工作人员的高精确度定位提供有力的支撑。

实现本发明的技术解决方案为：

一种基于深度学习的RFID标签定位系统，由指纹数据库建立模块、离线训练模块、在线测试模块组成。

进一步地，指纹数据库建立模块主要通过模拟射频识别信号的室内环境传播过程完成RSS和PDOA数据的采集和处理，然后将数据发送给离线训练模块；其主要步骤如下：

步骤1)利用对数路径损耗模型来获得原始的RSS指纹数据；设定P_T为射频识别阅读器传输信号的功率，G_t和G_r分别为RFID阅读器发射天线和接收天线的增益，P_L(f,d)表示信号频率为f、RFID阅读器与标签的距离为d时的路径损耗，c为光速，n为路径损耗常数，X_σ为高斯分布噪声；其计算公式如下：

RSS[dBm]＝P_T[dBm]+G_t[dBi]+G_r[dBi]-P_L(f,d)[dB]+X_σ

其中，

步骤2)利用到达相位差模型来获得原始的PDOA指纹数据；设定为根据RFID阅读器发射和接收信号测量的相位差观测值，/>为传播延迟引起的相位误差，/>为硬件电路、多径信号、传播效应引起的相位误差，Z_σ为服从高斯分布的噪声，λ为射频信号的波长；其计算公式如下：

步骤3)对采集的指纹数据进行归一化处理；将标签j的RSS和PDOA指纹数据分别表示为和/>并利用下式将指纹数据归一化到0到1以内,从而建立训练CNN的指纹数据库；

进一步地，离线训练模块主要利用指纹数据库进行CNN模型的训练，经过多次的迭代，CNN模型就具备了对标签指纹数据分类的能力，随后通过在线测试模块进行模型的测试。

进一步地，在线测试模块主要通过收集测试标签的RSS/PDOA数据，生成测试图像，将测试图像作为CNN模型的输入，得到位置估计结果；主要步骤如下：

步骤1)将测试图像作为CNN的输入，得到概率分布p＝[p₁,p₂,p₃,…,p_M]，由于每个测试标签处采集G幅图像，最终得到的概率分布矩阵为P＝[p¹,p²,…,p^G]^T；

步骤2)选择K个最大概率的p_i并结合折扣因子δ＝[δ₁,δ₂,…,δ_K]对pⁱ进行加权求平均，然后结合参考标签对应的位置作为测试标签的估计位置，最终估计的测试标签位置由下式计算得到：

其中，表示的是第i个测试标签在第j个参考标签处的概率，/>是/>对应的参考标签的坐标。

本发明提出了一种基于深度学习的RFID标签定位系统，该系统通过布置RFID定位系统，将CNN引入到室内定位中，对标签进行分类处理，从而实现良好的定位效果。

与现有技术相比，本发明具有以下受益效果：

1、具备良好的抗干扰能力，能够更加准确的实现室内定位；

2、将深度学习领域的CNN引入到RFID室内定位领域，将RSS和PDOA数据作为联合指纹特征，改善了传统的基于指纹定位算法对数据的学习能力不够深入的问题；

3、考虑了阅读器布局对定位精度的影响，通过在线测试，对定位精度进行分析，进而优化了阅读器布局的研究。

附图说明

图1是本发明一种基于深度学习的RFID标签定位系统的流程图；

图2是离线训练模块中基于CNN的RFID定位架构图；

图3是在线测试模块中CNN在线测试图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

本发明是一种基于深度学习的RFID标签定位系统，通过指纹数据库建立模块、离线训练模块、在线测试模块，可以实现地铁内高精确度的室内定位。

如图1所示，指纹数据库建立模块可以通过模拟射频识别信号的室内环境传播过程完成数据的采集和处理；

离线训练模块可以通过CNN模型对指纹数据进行训练，具备了对标签指纹数据分类的能力；

在线测试模块通过收集测试标签的RSS/PDOA数据，生成测试图像，将测试图像作为CNN模型的输入，最终获得测试标签的位置。

如图2所示，离线训练模块采用基于CNN的RFID定位架构，最终得到地铁内的标签定位输出概率模型；

其主要步骤如下：

步骤1)从输入层输入32×32像素的图像，然后输入下一层卷积层0，用以提取特征，本发明中将卷积层0的卷积核大小设置为5×5，数量为32；

步骤2)将卷积层的输出作为激活函数ReLU函数的输入，然后将激活函数的输出作为池化层0的输入，用以在保持特征性质不变的前提下有效降低地降低图像的大小。本发明中将池化层0的操作区域大小设置为2×2。并将其输出作为下一层卷积层的输入，之后对卷积层1、卷积层2、池化层1和池化层2进行同样的操作；

步骤3)将池化层3的输出作为全连接层的输入，用以将CNN的二维数据转化为一维数据；

步骤4)采用softmax函数对全连接层的输出进行处理，最后输出概率模型。

如图3所示，在线测试模块包括测试数据的采集、CNN网络输出分类结果、定位算法计算标签估计位置和定位效果的分析；

其主要步骤如下：

步骤1)通过RFID阅读器收集测试数据；

步骤2)在CNN分类阶段，加载离线训练阶段训练好的网络参数，然后输入测试数据，通过卷积层、池化层和全连接层的运算，输出分类结果；

步骤3)利用CNN输出在参考点的概率分布p来定位测试标签，在测试时每个标签只收集一组数据，其位置计算方法如以下公式：

步骤4)对CNN的定位效果进行分析，若定位精度明显偏低，则考虑训练数据是否合理、参数是否加载、测试数据格式是否和训练数据一致等系统性问题，若定位精度并不是很高，则可以考虑考虑网络神经元的个数、网络的深度等。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于深度学习的RFID标签定位系统，其特征在于，所述系统由指纹数据库建立模块、离线训练模块、在线测试模块三个部分组成；

所述指纹数据库建立模块通过模拟射频识别信号的室内环境传播过程完成RSS和PDOA数据的采集和处理，然后将数据发送给离线训练模块；主要步骤如下：

步骤1)利用对数路径损耗模型来获得原始的RSS指纹数据；设定P_T为射频识别阅读器传输信号的功率，G_t和G_r分别为RFID阅读器发射天线和接收天线的增益，P_L(f，d)表示信号频率为f、RFID阅读器与标签的距离为d时的路径损耗，c为光速，n为路径损耗常数，X_σ为高斯分布噪声；其计算公式如下：

RSS[dBm]＝P_T[dBm]+G_t[dBi]+G_r[dBi]-P_L(f，d)[dB]+X_σ

其中，

步骤2)利用到达相位差模型来获得原始的PDOA指纹数据；设定为根据RFID阅读器发射和接收信号测量的相位差观测值，/>为传播延迟引起的相位误差，/>为硬件电路、多径信号、传播效应引起的相位误差，Z_σ为服从高斯分布的噪声，λ为射频信号的波长；其计算公式如下：

步骤3)对采集的指纹数据进行归一化处理；将标签j的RSS和PDOA指纹数据分别表示为和/>并利用下式将指纹数据归一化到0到1以内，从而建立训练CNN的指纹数据库；

2.根据权利要求1所述的一种基于深度学习的RFID标签定位系统，其特征在于，所述离线训练模块利用指纹数据库进行CNN模型的训练，经过多次的迭代，CNN模型就具备了对标签指纹数据分类的能力，随后通过在线测试模块进行模型的测试。

3.根据权利要求1所述的一种基于深度学习的RFID标签定位系统，其特征在于，所述在线测试模块通过收集测试标签的RSS/PDOA数据，生成测试图像，将测试图像作为CNN模型的输入，得到位置估计结果；主要步骤如下：

步骤1)将测试图像作为CNN的输入，得到概率分布p＝[p₁，p₂，p₃，…，p_M]，由于每个测试标签处采集G幅图像，最终得到的概率分布矩阵为P＝[p¹，p²，…，p^G]^T；

步骤2)选择K个最大概率的p_i并结合折扣因子δ＝[δ₁，δ₂，…，δ_K]对pⁱ进行加权求平均，然后结合参考标签对应的位置作为测试标签的估计位置，最终估计的测试标签位置由下式计算得到：

其中，表示的是第i个测试标签在第j个参考标签处的概率，/>是/>对应的参考标签的坐标。