[发明专利]一种基于深度置信网络的RFID室内定位方法

权利要求书

1.一种基于深度置信网络的RFID室内定位方法，其特征在于，包括以下步骤：

步骤一、在室内场景内布置RFID定位系统，在定位区域中布置M个阅读器，M为正整数，将待定位区域划分为N个小区域并布置N个参考标签，N为正整数，构建RFID室内信道模型，利用对数路径传播损耗模型对RFID信号在传输过程中的消耗进行仿真，使得阅读器获取的参考标签发送信号强度与参考标签位置坐标构成初始指纹数据库；

其中在RFID定位系统中对RFID信号室内信道模型、对数路径传播损耗模型及初始指纹数据库的获取，具体步骤如下：

(1)RFID室内信道模型和对数路径传播损耗模型的建立

RFID系统的工作原理是由阅读器发送信号对标签进行激活，标签获取能量后将携带自身信息的信号发送给阅读器，然而由于信号在传播过程中存在多径效应，则RFID的信道冲激响应可表示为：

其中，c为光速；K为多径数，A_LOS为直视路径幅度衰减；A_i为第i条路径的幅度衰减；δ(·)为信道冲激响应，t为信号发送初始时刻，d_LOS为直视路径传播距离；d_i为第i条路径的传播距离，根据Friis公式，可得：

其中，P_R是读写器接收信号功率；P_T是标签发射信号功率，G_reader为读写器天线增益；G_tag为标签天线增益；λ为无线信号的波长；Γ_i为第i条路径的极化相关反射系数，假设读写器发送信号为S(t)，则经过信道传播后读写器接收到的信号为：

其中，n(t)为噪声；

室内路径损耗遵从对数路径传播损耗模型，即：

其中，P_L(d)表示收发设备之间距离为d时的路径损耗，单位是dB；P_L(d₀)表示近距离d₀，d₀＝1时的参考路径损耗，通过实际测量获得；q为路径损耗指数，表示路径损耗随距离增长的速率，它依赖于周围环境和建筑物的材料类型，X_σ表示标准偏差为σ的正态随机变量，考虑环境因素，σ在3.0～14.1dB之间变化；

(2)指纹数据库的获取

利用对数路径传播损耗模型对RFID信号在空间中的传播环境进行建模，所以位置指纹定位算法所采用的初始指纹数据库是通过对数路径传播损耗模型的方式获得的；

s_iM＝P_T-P_L(d)

针对同一个位置在不同阅读器处所获得的接收信号不同，可以获得对于同一位置的接收信号强度特征s_i＝(s_i1,s_i2,s_i3,…,s_iM)，其中M为阅读器个数；

采集训练样本需要同时记录N个参考标签的坐标以及在不同阅读器处的接收信号强度，如果在不同位置处获取接收信号强度，那么获得的初始指纹数据库可以表示为：

其中，s_i代表第i个标签的指纹信息，pⁱ代表第i个标签的位置坐标信息；

步骤二、为防止在训练过程中出现不平衡性，需对指纹数据库中数据进行归一化预处理，得到初始指纹数据库P；

步骤三、确定深度置信网络模型结构，包括一个输入层，一个输出层以及其中l个隐藏层，将归一化预处理得到的初始指纹数据库P作为输入层，对整个深度置信网络模型进行初始化，确定权重矩阵W及偏置向量b，利用深度置信网络模型对整个初始数据集进行训练，对每个受限玻尔兹曼机单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层向量，对每一层RBM进行训练，然后隐藏层向量作为下一层受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来记录层与层之间的权重以及每一层的偏置，并获得顶层输出，通过顶层输出作为特征与位置坐标相结合构成新的指纹数据库；

具体实现方法是：假设深度置信网络模型(Deep Belief Networks，DBN)是一个具有l+1层的深度模型，则对于这个模型来说具备l个权重矩阵：(W¹,…,W^l)，并且偏置向量为(b⁰,…,b^l)，其中b⁰作为输入层的偏置向量，则深度置信网络的联合概率分布模型为：

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表示可视层神经元，h¹,h²,h³分别示第1，2，3层隐藏层神经元，h^l表示第l层隐藏层神经元；由于深度置信网络每一层的神经元是相互独立的，则P_r(v|h¹)，P_r(h¹|h²)及P_r(h^l-2|h^l-1)可以表示为：

其中，K₁表示可视层的神经元数目，K₂和K_l-1分别代表第2层、第l-1层隐藏层的神经元数目，其中，P_r(v_k|h¹)，和均可以由下式获得：

P_r＝σ(Wv+b)

由于受限玻尔兹曼机是双边的无向图，则利用对比差异法可以得出P_r(h^l-1,h^l)：

则和也同样可以用P_r＝σ(Wv+b)计算得到，输入数据经过DBN之后所得到的边缘概率描述为：

初始训练时，首先对模型初始化，随机设置权重矩阵W和偏置向量b，然后通过以上步骤对输入数据进行无监督训练，从而获得P_r(v)即为顶层特征，并与对应参考标签的位置坐标对应构成新的指纹数据库；

步骤四、对于室内多目标进行定位时，将待定位标签在每个阅读器处的接收信号强度值组成行向量r_i，这样，多个待定位标签在每个阅读器处的接收信号强度值构成待定位标签的初始数据集R，重复步骤二，对待定位标签的初始数据集进行归一化预处理；重复步骤三，对数据集进行相同操作，获取针对待定位标签的新的特征数据集，将其中的指纹特征与步骤三中新的指纹数据库中的指纹特征利用欧式距离逐一进行相似度比较，相似程度较高的指纹特征对应的位置坐标即为待定位标签的位置坐标，从而实现对待定位标签的位置估计。