[發明專利]一種基于深度置信網絡的RFID室內定位方法

有效

• 申請號: 201810641590.4
• 申請日: 2018-06-20
• 公開（公告）號: CN108769969B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 姜宏;孫晶;董思妍;張銘航;李頌;劉美儀;龐帥軒;張琪;周美含
• 申請（專利權）人: 吉林大學
• 主分類號: H04W4/80
• 分類號: H04W4/80;H04W64/00;G06N3/08;G06N3/04;G01C21/20;H04B17/318;H04B17/391;H04W4/021;H04W4/33
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 魏征驥

1.一種基于深度置信網絡的RFID室內定位方法，其特征在于，包括以下步驟：

步驟一、在室內場景內布置RFID定位系統，在定位區域中布置M個閱讀器，M為正整數，將待定位區域劃分為N個小區域并布置N個參考標簽，N為正整數，構建RFID室內信道模型，利用對數路徑傳播損耗模型對RFID信號在傳輸過程中的消耗進行仿真，使得閱讀器獲取的參考標簽發送信號強度與參考標簽位置坐標構成初始指紋數據庫；

其中在RFID定位系統中對RFID信號室內信道模型、對數路徑傳播損耗模型及初始指紋數據庫的獲取，具體步驟如下：

(1)RFID室內信道模型和對數路徑傳播損耗模型的建立

RFID系統的工作原理是由閱讀器發送信號對標簽進行激活，標簽獲取能量后將攜帶自身信息的信號發送給閱讀器，然而由于信號在傳播過程中存在多徑效應，則RFID的信道沖激響應可表示為：

其中，c為光速；K為多徑數，A_LOS為直視路徑幅度衰減；A_i為第i條路徑的幅度衰減；δ(·)為信道沖激響應，t為信號發送初始時刻，d_LOS為直視路徑傳播距離；d_i為第i條路徑的傳播距離，根據Friis公式，可得：

其中，P_R是讀寫器接收信號功率；P_T是標簽發射信號功率，G_reader為讀寫器天線增益；G_tag為標簽天線增益；λ為無線信號的波長；Γ_i為第i條路徑的極化相關反射系數，假設讀寫器發送信號為S(t)，則經過信道傳播后讀寫器接收到的信號為：

其中，n(t)為噪聲；

室內路徑損耗遵從對數路徑傳播損耗模型，即：

其中，P_L(d)表示收發設備之間距離為d時的路徑損耗，單位是dB；P_L(d₀)表示近距離d₀，d₀＝1時的參考路徑損耗，通過實際測量獲得；q為路徑損耗指數，表示路徑損耗隨距離增長的速率，它依賴于周圍環境和建筑物的材料類型，X_σ表示標準偏差為σ的正態隨機變量，考慮環境因素，σ在3.0～14.1dB之間變化；

(2)指紋數據庫的獲取

利用對數路徑傳播損耗模型對RFID信號在空間中的傳播環境進行建模，所以位置指紋定位算法所采用的初始指紋數據庫是通過對數路徑傳播損耗模型的方式獲得的；

s_iM＝P_T-P_L(d)

針對同一個位置在不同閱讀器處所獲得的接收信號不同，可以獲得對于同一位置的接收信號強度特征s_i＝(s_i1,s_i2,s_i3,…,s_iM)，其中M為閱讀器個數；

采集訓練樣本需要同時記錄N個參考標簽的坐標以及在不同閱讀器處的接收信號強度，如果在不同位置處獲取接收信號強度，那么獲得的初始指紋數據庫可以表示為：

其中，s_i代表第i個標簽的指紋信息，pⁱ代表第i個標簽的位置坐標信息；

步驟二、為防止在訓練過程中出現不平衡性，需對指紋數據庫中數據進行歸一化預處理，得到初始指紋數據庫P；

步驟三、確定深度置信網絡模型結構，包括一個輸入層，一個輸出層以及其中l個隱藏層，將歸一化預處理得到的初始指紋數據庫P作為輸入層，對整個深度置信網絡模型進行初始化，確定權重矩陣W及偏置向量b，利用深度置信網絡模型對整個初始數據集進行訓練，對每個受限玻爾茲曼機單獨訓練，首先，將可視層向量映射到隱藏層得到隱藏層向量，然后由隱藏層向量反向映射到可視層向量，對每一層RBM進行訓練，然后隱藏層向量作為下一層受限玻爾茲曼機的可視層向量輸入，在此基礎上不斷訓練，通過不斷訓練來記錄層與層之間的權重以及每一層的偏置，并獲得頂層輸出，通過頂層輸出作為特征與位置坐標相結合構成新的指紋數據庫；

具體實現方法是：假設深度置信網絡模型(Deep Belief Networks，DBN)是一個具有l+1層的深度模型，則對于這個模型來說具備l個權重矩陣：(W¹,…,W^l)，并且偏置向量為(b⁰,…,b^l)，其中b⁰作為輸入層的偏置向量，則深度置信網絡的聯合概率分布模型為：

P_r(v,h¹,h²,h³,…,h^l)＝P_r(v|h¹)P_r(h¹|h²)P_r(h²|h³)…P_r(h^l-1|h^l)

其中v表示可視層神經元，h¹,h²,h³分別示第1，2，3層隱藏層神經元，h^l表示第l層隱藏層神經元；由于深度置信網絡每一層的神經元是相互獨立的，則P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^l-1)可以表示為：

其中，K₁表示可視層的神經元數目，K₂和K_l-1分別代表第2層、第l-1層隱藏層的神經元數目，其中，P_r(v_k|h¹)，和均可以由下式獲得：

P_r＝σ(Wv+b)

由于受限玻爾茲曼機是雙邊的無向圖，則利用對比差異法可以得出P_r(h^l-1,h^l)：

則和也同樣可以用P_r＝σ(Wv+b)計算得到，輸入數據經過DBN之后所得到的邊緣概率描述為：

初始訓練時，首先對模型初始化，隨機設置權重矩陣W和偏置向量b，然后通過以上步驟對輸入數據進行無監督訓練，從而獲得P_r(v)即為頂層特征，并與對應參考標簽的位置坐標對應構成新的指紋數據庫；

步驟四、對于室內多目標進行定位時，將待定位標簽在每個閱讀器處的接收信號強度值組成行向量r_i，這樣，多個待定位標簽在每個閱讀器處的接收信號強度值構成待定位標簽的初始數據集R，重復步驟二，對待定位標簽的初始數據集進行歸一化預處理；重復步驟三，對數據集進行相同操作，獲取針對待定位標簽的新的特征數據集，將其中的指紋特征與步驟三中新的指紋數據庫中的指紋特征利用歐式距離逐一進行相似度比較，相似程度較高的指紋特征對應的位置坐標即為待定位標簽的位置坐標，從而實現對待定位標簽的位置估計。