[发明专利]一种基于神经网络的RFID定位方法

说明书

本发明公开了一种基于神经网络的RFID定位方法，包括读卡器、处理器，所述处理器通过程序代码实现如下步骤：定位算法模块读取读卡器坐标数据、参考标签坐标数据和待测点真实坐标数据，通过采用LANDMARC算法、BVIRE算法和VIRE算法获得待测点测量坐标和定位误差数据；误差分析模块提取待测点测量坐标和定位误差数据中的时间戳、误差主要特征构建训练集；定位修正模块对最小误差位置点坐标和最小误差位置点时间进行修正输出待测点坐标修正值和对应最大出现可能的位置坐标，该方法通过使用神经网络的方法对误差分析，减少原始噪声与数据量，降低算法误差、计算量和计算复杂度。

技术领域

本发明主要涉及基于RFID网络的室内定位技术领域,尤其涉及一种基于神经网络的RFID定位方法。

背景技术

目前在室内环境下，射频识别(Radio Frequency Identification，RFID)技术由于其具有信息携载功能和传输可靠识别等特点得到了广泛的重视和应用。RFID定位技术利用标签对物体的唯一标识特性，依据读卡器接收到的电子标签发送的信号来获得电子标签的位置信息。RFID室内定位的依据是结合RFID信号的接收信号强度、相位等参数，利用定位算法完成距离和方位的计算，即通过在室内预先放置若干读卡器，当具有电子标签的移动物体进入读卡器的识别范围后，就可以将接收的信号上传至上位机，上位机通过计算标签的信号衰减程度以及相邻已知标签的位置信息即可实现定位算法。

基于RFID的室内定位算法可分为两大类：非测距定位算法和测距定位算法。测距定位算法中的测RSSI定位法相比较于其它定位方法更易操作，测RSSI定位法的思路是通过测量信号强度值RSSI来估算物体位置，较为先进的定位算法包括LANDMARC算法、BVIRE算法和VIRE算法。

LANDMARC(Location Identification Based on Dynamic ActiveRFIDCalibration)算法因其简单且定位精度高得到了许多肯定，在LANDMARC算法的基础上用相似的方插入网格虚拟参考标签和边界参考标签得到边界虚拟标签算法(BoundaryVirtual Label Algorithm，BVIRE)。在边界虚拟标签算法中采用两个权值，比LANDMARC算法多1个，而且在邻近标签的选择上采用阈值TH来排除小概率的大误差标签，使得BVIRE算法在定位精度上大幅提高。VIRE算法在利用LANDMARC的原理的同时，引入了虚拟参考标签和邻近地图的概念，提出了虚拟参考标签的概念，利用插值法来对虚拟参考标签的信号强度值进行估算，并将这些虚拟的参考标签作为实际参考标签进行后期的计算定位，提高了精确度和定位计算可行性。

传统的方案需要将所有的测试样本存储在数据库中。这将严重影响定位效率和精度，因为在复杂的室内环境中，大部分测试样本都是有噪声的。并且需要采集大量的数据作为比对来高精度。

近年来，机器学习在rfid的处理中得到了越来越多的应用。但是，由于所采集到的RSSI信号通常是有噪声的，现有的特征的选取都是基于原始数据，需要大量的运算以及调优工作才能使得模型精度提高。因此，误差修正与定位计算有机的结合，实现减小定位误差、提高定位准确率、增加定位计算效率成为亟待解决的问题。

发明内容

本发明旨在设计一种基于神经网络的RFID定位方法，通过使用神经网络的方法对误差分析，减少原始噪声与数据量，降低算法误差、计算量和计算复杂度。

针对上述议题，本发明提供了一种基于神经网络的RFID定位方法，通过计算基于随机位置的读卡器读取某一位置的移动物体位置数据的最小误差值。根据三种定位算法的优化方案进行定位计算，对定位计算的结果数据进行数据分析得出三种算法的误差数据，以该误差数据为建模对象，利用神经网络算法进行建模，得出最大出现可能的位置坐标以及对应时间。本发明集合LANDMARC算法、BVIRE算法和VIRE算法，结合神经网络算法，得到更加高效准确的结果，从而实现对RFID定位的精度提高。

本发明的成果通过以下步骤实现来实现：