[发明专利]一种基于深度置信网络的RFID室内定位方法

摘要

本发明涉及一种基于深度置信网络的RFID室内定位方法，属于室内定位技术领域。构建RFID信号室内传播模型；获取参考标签在不同阅读器处的接收信号强度值，构建指纹数据库；利用DBN对指纹数据进行特征提取，提取后的深度特征与位置坐标一一对应形成新的指纹数据库；将待定位标签在不同阅读器处的接收信号强度值经过DBN提取特征，并与指纹数据库中的特征进行相似度比对，实现对待定位标签的位置估计。优点在于：通过将RFID待定位标签的特征与指纹数据库中的特征进行相似度比对，能够使得RFID室内定位更加准确；对于指纹数据集的采集，参考标签可以循环使用，相较于实时定位系统，能够时刻保证定位系统的有效性，使得系统具备稳定性。

主权项

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；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；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ri，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。