[发明专利]一种基于自适应深度置信网络的RFID定位方法

说明书

本发明涉及一种基于自适应深度置信网络的RFID定位方法，包括：布局阅读器和参考标签的位置，计算参考标签到阅读器的距离；阅读器向参考标签发送电磁波信号并接收到信号强度RSSI值，构建训练样本向量矩阵；构建自适应深度置信网络，将每个参考标签的RSSI值作为输入值，距离d作为输出值；利用对比散度算法，完成网络参数的预训练；利用自适应矩估计方法对深度学习网络各层权值进行调整；阅读器向待测标签发送信号并接收RSSI值，利用深度置信网络预测出待测标签的位置。本发明利用自适应深度置信网络，构建信号强度值与距离的非线性关系，利用交叉熵代价函数，缓解了学习速率缓慢的问题。

技术领域

本发明涉及无线射频识别技术的目标定位技术领域，尤其是一种基于自适应深度置信网络的RFID定位方法。

背景技术

目前，RFID技术应用广泛，运用于多种场合，对于RFID标签，需要技术对其精准定位。标签定位主要基于信号强度(RSSI)与距离的非线性映射模型，RSSI定位技术的基本原理为射频信号的衰减量与距离的平方成反,通过检测接收信号的功率强度即可得到信号传输的距离。但是在实际应用过程中，由于环境的干扰，这种映射关系会存在波动。因此，研究真实环境下，RSSI与距离的量化关系成为解决RFID标签定位技术的关键问题。

人工神经网络能够处理非线性的关系，但由于是浅层学习，对数据的处理往往不够精准。而深度学习有着更强的非线性适应性信息的处理能力，已经在诸多机器学习领域都取得了成功的应用。由于其模型具有深度非线性结构特性，深度学习模型具有较强的深层信息抽取和非线性建模能力。因此，深度学习理论同样适用于定位标签的特征提取。与普通人工神经网络算法相比，由多层非线性结构组成的深度置信网络结构更加精准高效。

在深度置信网络中，网络中的权值和偏置通常利用反向传播算法的诸多变种来训练，其中一种典型的方法就是梯度下降法。虽然利用反向传播算法训练通常是有效的，但对于多层的深度置信网络时也会存在一些问题，反向传播通过最初的几层，误差变小后，梯度下降会变得很慢，训练也随之变得无效。梯度下降方法只适合于局部最优，对常出现的特征更新会慢一些，选择合适的学习速率较为困难。

发明内容

本发明的目的在于提供一种保证RFID系统中的标签能够快速、精准的定位，解决了RFID定位中所面临的误差大、运行速度慢等典型问题，适用 于有较高精度要求的RFID定位系统的基于自适应深度置信网络的RFID定位方法。

为实现上述目的，本发明采用了以下技术方案：一种基于自适应深度置信网络的RFID定位方法，该方法包括下列顺序的步骤：

(1)布局阅读器和参考标签的位置，计算参考标签到阅读器的距离；

(2)阅读器向参考标签发送电磁波信号并接收到信号强度RSSI值，构建训练样本向量矩阵；

(3)构建自适应深度置信网络，将每个参考标签的RSSI值作为输入值，距离d作为输出值；

(4)利用对比散度算法，完成网络参数的预训练；

(5)利用自适应矩估计方法对深度学习网络各层权值进行调整；

(6)阅读器向待测标签发送信号并接收RSSI值，利用深度置信网络预测出待测标签的位置。

所述步骤(1)具体是指：由定位空间布局模块、训练样本获取模块、自适应深度置信网络模块、自适应深度置信网络初始化与预训练模块、自适应深度置信网络参数修正模块、待测标签定位模块构成定位系统；