[發明專利]預制定位模板和深度神經網絡的射頻識別定位方法及系統

在審

• 申請號: 202211506159.1
• 申請日: 2022-11-28
• 公開（公告）號: CN115730620A
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 崔英花
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06K17/00
• 分類號: G06K17/00;G06K7/10;G06F16/29;G06N3/045;G06N3/084
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 張志良

1.一種預制定位模板和深度神經網絡的射頻識別定位方法，其特征在于，包括：

S1、預制特定個數的不同形狀及不同尺寸的定位子區域，通過為每個定位子區域設置各自的閱讀器及天線的布置方案，獲取定位模板；

S2、為所述每個定位模板構造深度神經網絡定位模型，從而獲取每個定位模板所對應的定位模型；

S3、將待定位區域劃分為若干個定位子區域的形式，并按照所述定位子區域所對應的定位模板設置閱讀器及天線，根據所述定位模板所對應的定位模型進行定位預測。

2.根據權利要求1所述的方法，其特征在于，所述方法進一步包括：對于所述定位區域中無法與所述定位子區域進行匹配的區域，采用最近鄰方法進行定位預測。

3.根據權利要求1所述的方法，其特征在于，所述步驟S1中為每個定位子區域設置各自的閱讀器及天線的布置方案具體包括：

在定位子區域中設置特定個數的接收天線和特定個數的發射天線，并將閱讀器放置在定位子區域的指定位置，所述接收天線和所述發射天線通過饋線與閱讀器連接。

4.根據權利要求3所述的方法，其特征在于，所述步驟S2中的深度神經網絡的定位模型的構造步驟具體包括：

S21、獲取所述定位子區域中的接收天線獲取的反射信號，對所述反射信號進行預處理后，作為深度神經網絡的輸入特征向量；

S22、建立多層全連接神經網絡模型，所述多層全連接神經網絡模型包括：輸入層、輸出層以及多個隱藏層；

S23、通過所述輸入特征向量對所述多層全連接神經網絡模型進行訓練，獲取訓練好的多層全連接神經網絡模型。

5.根據權利要求4所述的方法，其特征在于，所述步驟S21中接收天線獲取的反射信號時，每次選擇一個發射天線工作，關閉其他發射天線，所有接收天線同時接收標簽的反射信號。

6.一種預制定位模板和深度神經網絡的射頻識別定位系統，其特征在于，包括：

定位模版模塊，用于預制特定個數的不同形狀及不同尺寸的定位子區域，通過為每個定位子區域設置各自的閱讀器及天線的布置方案，獲取定位模板；

定位模型模塊，用于為所述每個定位模板構造深度神經網絡定位模型，從而獲取每個定位模板所對應的定位模型；

定位模塊，將所述定位區域劃分為特定個數的定位子區域的形式，并按照所述定位子區域所對應的定位模板的方式設置閱讀器及天線，根據所述定位模板所對應的定位模型進行定位預測。

7.根據權利要求6所述的系統，其特征在于，所述預制定位模板和深度神經網絡的射頻識別定位系統進一步包括：

模板外定位模塊，用于對于所述定位區域中無法與所述定位子區域進行匹配的區域，采用最近鄰方法進行定位預測。

8.根據權利要求6所述的系統，其特征在于，所述定位模版模塊具體用于：

在定位子區域中設置特定個數的接收天線和特定個數的發射天線，并將閱讀器放置在定位子區域的指定位置，所述接收天線和所述發射天線通過饋線與閱讀器連接。

9.根據權利要求8所述的方法，其特征在于，所述定位模型模塊具體包括：

模型樣本模塊，用于獲取所述定位子區域中的接收天線獲取的反射信號，對所述反射信號進行預處理后，作為深度神經網絡的輸入特征向量；

模型建立模塊，用于建立多層全連接神經網絡模型，所述多層全連接神經網絡模型包括：輸入層、輸出層以及多個隱藏層；

模型訓練模塊，用于通過所述輸入特征向量對所述多層全連接神經網絡模型進行訓練，獲取訓練好的多層全連接神經網絡模型。

10.根據權利要求9所述的方法，其特征在于，所述模型樣本模塊獲取的反射信號時，每次選擇一個發射天線工作，關閉其他發射天線，所有接收天線同時接收標簽的反射信號。