一种基于蝗虫算法和极限学习机的RFID室内定位方法与流程

本发明涉及无线射频定位技术领域，具体地说是一种基于蝗虫算法和极限学习机的rfid室内定位方法。

背景技术：

物联网是在互联网的基础上，将其用户端延伸和扩展到任何物品，进行信息交换和通信的一种网络。物联网的关键技术，射频识别(radiofrequencyidentification，rfid)技术是一种通过射频信号进行非接触式识别的自动识别技术，可对被识别物体进行识别。而其领域中的室内定位由于在室内导航，人员货物定位和应急救援等方面的优势，受到了各方的关注，并呈现出广阔的市场前景和广泛的产品应用。

常用的定位技术包括gps，红外，wifi，蓝牙等。gps(globalpositioningsystem)即全球定位系统，是由美国建立的一个卫星导航定位系统，利用该系统，用户可以在全球范围内实现户外的全天候、连续、实时的三维导航定位和测速；另外，利用该系统，用户还能够进行高精度的时间传递和高精度的精密定位。但在室内，由于房屋墙体等复杂场景下障碍物对于电磁波的阻拦，削弱和吸收，导致gps定位精度受限，并且gps耗电量巨大，有时不利于人们使用。而红外线，wifi等技术相比于rfid射频技术而言，rfid在室内定位中所具有的定位精度高，抗干扰能力强，成本低廉，使用方便等一系列优点，使其具有更为巨大的优势和发展潜力。

通过文献检索，我们检索到了以下相关文献，这些文献所采用的室内定位算法可以实现一定精度的室内定位，但都没有使用蝗虫算法-极限学习机方法，如：

中国专利cn201710735262.6，一种基于rfid的室内定位方法、装置及系统，专利权人：广东工业大学。该专利公开了一种基于rfid的室内定位方法、装置及系统，控制rfid天线以预设角度进行旋转，对标签进行扫描，获取对旋转角度对应的信号强度值。依据旋转角度，信号强度值和旋转天线定位算法进行定位。该发明实施例仅采用了一个rfid天线，具有系统结构简单、成本低、部署难度低及硬件利用率高的优点。但其应对复杂环境，常常导致定位精度不高，容易收到障碍物的干扰。并且实施例仅仅使用一个rfid天线，若需要增加定位的准确度，则相应的成本又会增加。

中国专利cn201710050791.2，一种基于bp-landmarc神经网络的室内定位装置和控制方法，专利权人：吉林大学。该专利公开了一种基于bp和landmarc算法的室内定位装置及方法，rfid读写器读取rfid电子标签的rssi值，构建了bp-landmarc人工神经网络，通过对参考标签rssi数据的学习，得到各层之间互连的权值，从而在参考标签和位置之间建立了特定非线性映射模型，实现了输出对应的动态标签运动轨迹或静态目标位置分布图的目标。但其应对复杂多变环境，常常导致定位精度不高，鲁棒性不强。

技术实现要素：

本发明的一种基于蝗虫算法和极限学习机的室内定位方法技术方案如下：一种基于蝗虫算法和极限学习机的室内定位方法，包括：

rfid标签，其分布在室内，用于发射原始rssi信号强度值数据；

多个阅读器天线和一个阅读器终端，其分布在室内，用于读取rfid标签信息和rssi值；

wifi无线收发模块：用于接收和传输阅读器的数据；

pc上位机：用于读取标签信息、蝗虫算法-极限学习机定位模型的训练和输出rfid标签位置。

本发明的一种基于蝗虫算法和极限学习机的rfid室内定位方法，包括以下步骤：

步骤1)离线阶段参考标签信号强度值rssi数据的采集：在定位区域内部署阅读器、阅读器天线和参考标签，记录参考标签位置和不同位置阅读器接收到的rssi信号强度值，获得原始训练数据；

步骤2)离线阶段原始数据预处理：对阅读器所获取到的rssi信号强度值进行预处理，去除因各种因素所造成的异常值；并将预处理之后的原始数据整合成训练数据；

步骤3)离线阶段定位模型的构建：将整合好的训练数据作为输入，通过蝗虫算法对极限学习机的隐含层神经元权值和阈值进行优化，构建蝗虫算法-极限学习机定位模型；

步骤4)在线阶段rfid目标标签信息的获取：当携带有rfid标签的待定位目标进入检测区域时，阅读器获取标签信息及rssi值，通过wifi无线收发模块传输至pc上位机，去除异常值之后pc上位机对接受到的信息进行处理并构建关于此标签的实时信息数据库；

步骤5)在线阶段位置精确预测：将在线阶段得到的目标标签的数据输入到已经训练好的蝗虫算法-极限学习机定位模型中，输出待测标签的具体位置坐标。

作为本发明的进一步改进，所述步骤2)中的离线阶段原始数据预处理的具体方法为：离线阶段首先根据定位区域的实际环境情况，合理分布rfid参考标签，然后部署n个阅读器天线分布在检测区域四周，通过天线收集各个标签的信号强度值rssi和所对应的坐标；第i个阅读器重复读取同一参考标签的信号强度共j次，并将第k次读取到的信号强度记录为rssiik，i＝1，2，…，n；计算j次测量获取到的平均强度值r_avg，标准差r_std：

去除测量值与平均值之差的绝对值大于标准差的样本，即假定某个样本的信号强度值为rssiik，若|rssiik-r_avg|＞r_std，则删除对应的样本；最后处理完成后得到了一个大小为m的rssi集合，并将rssi集合的平均值计算记为平均信号强度对于定位区域内具有n个阅读器，m个参考标签进行上述预处理，会得到一个大小为m×n的rssi训练样本集记为rssimn：

同时得到一个对应的大小为m×2的参考标签的位置标记集pi，其中包含有参考标签的坐标信息(x，y)：

为了使本发明公开充分，所述步骤3)离线阶段定位模型的构建的具体步骤为：

a)设计解空间内食物源：在所有解空间内，每一个食物源都包含以下信息：

[wi，j，bj]^ti＝1，2，…，mj＝1，2，…，l(5)

每个食物源的信息随机生成，wi，j为连接第j个隐含层神经元和第i个输入层节点的权值，取值为[-1，1]之间的随机数；bj为第j个隐含层神经元阈值，取值为[0，1]之间的随机数；m和l分别为输入层节点数(即参考标签样本的个数)和隐含层神经元个数；

b)设计食物源适应度：为反应预测结果的精确性，采用均方根误差：

上式中xi，yi为参考标签真实位置值，xi′，yi′为定位预测值；均方根误差较小的解对应较大的适应度，因此取均方根误差的倒数作为适应度值：

c)在解空间内随机产生k个食物源，初始化蝗虫群个体xi，i＝1，2，…，k，随机分布在解空间内所有食物源；设置tmax为最大迭代次数(tmax＞1)，t为当前迭代次数；

d)根据每个蝗虫个体所在的食物源，获取该食物源的信息也就是输入层神经元和隐含层神经元的权值wi，j和隐含层神经元阈值bj；将预处理之后的训练样本集rssimn进一步线性归一化处理后得到r：

根据ri，wi，j和bj，则具有l个隐含层神经元的蝗虫算法-极限学习机定位模型可表示为：

其中g(wi，j·ri+bj)为第i个参考标签样本在隐含层第j个神经元的输出；wi，j·ri为向量的内积；βi为隐含层神经元和输出层之间的连接权值；将参考标签的位置标记集pi进行归一化处理后得到p：

在具有g(x)为激活函数的神经网络中，定位预测值ti能以零误差接近标签真实位置pi，即

其中可以表述为：hβ＝t，其中h为隐含层输出矩阵，β为输出权重，t为期望输出；h可表示如下：

根据hβ＝t，求解β；其解为：β＝h⁺t；其中h⁺为隐含层输出矩阵的逆；根据求解出的β，反归一化处理ti就可以得到定位预测值xi′，yi′；根据式(6)、式(7)分别计算k个食物源的适应度，从中选择得到k个食物源中的当前最佳适应度食物源

e)对蝗虫群个体根据食物源进行位置更新：

其中dij＝|xj-xi|表示第i只蝗虫与第j只蝗虫的距离；表示第i只蝗虫到第j只蝗虫的单位向量；s函数定义了蝗虫受到种群作用力的影响函数，表达式如下：

其中r为种群个体之间的距离；为了更好地获得全局最优解，使整个种群收敛到唯一食物源，在位置更新公式中加入自适应系数它平衡了整个种群在解空间对于食物源的搜算能力；因此，蝗虫的个体位置更新函数可被替换为：

其中ud，ld表示第k只蝗虫第d维变量的上界和下界；为蝗虫群移动的目标食物源，也就是上一次迭代计算出的最佳适应度食物源；将更新位置后的每个蝗虫个体彼此的距离r限制在[1，4]；并重新计算更新位置后蝗虫个体所在食物源的适应度，更新迭代次数t＝t+1；

f)查看当前迭代次数t是否大于最大迭代次数tmax；若未达到，重复执行步骤d)-e)直至最大迭代次数；若迭代次数到达设定tmax，从最佳适应度食物源提取出极限学习机所需的连接权值wi，j和阈值bj，完成定位模型的构建。

本发明的有益效果是：

1、标签rssi值向量的预处理，去除了测量过程中发生的异常值，有效避免了异常数据对于定位精度的影响；建立了高质量的定位模型，有效的解决了算法受异常环境状况而导致的准确度低的问题。

2、蝗虫算法优化的极限学习机，其基本原理是利用蝗虫算法对极限学习机的隐含层权值ω和阈值b进行优化，再利用阅读器接收到的rssi值向量作为训练样本，任意参考标签都有一个rssi值向量rssii，j，去除异常值后，以rssii，j和它对应的(x，y)值作为特征和标记，训练蝗虫算法-极限学习机定位模型。定位时，待检测目标进入待检测区域，也会得到一个rssi值向量rssii，j，将其作为模型输入，就会得到待定位目标的精确坐标。实验数据表明，该方法相较于传统算法，泛化能力更好，精确度更高，并且能在提高精度的前提下降低定位系统使用成本，有效的减少定位时间，克服因信号发生多径效应、环境变化而带来的定位精度低的问题。

附图说明

图1.本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的总体框架图；

图2.本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的系统结构示意图；

图3.本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的实例示意图；

图4.本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的算法流程图。

具体实施方式

以下结合图1～4和实施例描述本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法。

实施例：

图1为本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的总体框架图，主要涉及两个阶段：离线阶段和在线阶段。离线阶段将rfid参考标签按照一定的规则布置在定位区域，通过rfid天线和rfid阅读器终端接收各个标签的信号强度值rssi和具体位置坐标，从而获取蝗虫算法-极限学习机定位模型所需的含有异常值的原始训练数据集，pc上位机接收到原始数据之后，去除异常值，利用蝗虫算法对极限学习机的隐含层权值ω和阈值b进行优化并构建蝗虫算法-极限学习机定位模型。在线阶段将目标标签携带进入检测区域，阅读器接收到目标标签的信息(rssi值)，将信息通过wifi无线收发模块传输到pc上位机终端，再次去除异常值，输入到已经训练好的蝗虫算法-极限学习机模型，进行在线预测，输出结果就是待测标签的具体位置坐标。

图2为本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的系统结构示意图，包括八个阅读器天线1，2，3，4，5，6，7，8。阅读器天线离线阶段获取定位区域参考标签信息数据采集和在线阶段待测目标标签信息的获取。rfid阅读器通过有线将8个天线与其相连，再通过wifi无线收发模块将接收到的数据传送给pc上位机，pc上位机负责接收传输数据、构建蝗虫算法-极限学习机定位模型、发送控制命令和输出目标信息。

图3为本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的实例示意图，包括8个阅读器天线放置于检测区域的四周，参考标签按一定规则部署，标签个数根据待测区域面积的大小而定，相邻相隔大于0.5m。待定位物体携带rfid标签进去检测区域，系统根据物体携带的标签信息(rssi信号强度值)对其进行定位。

图4为本发明一种基于蝗虫算法和极限学习机的rfid室内定位方法的算法流程图，具体步骤如下：

步骤1.离线阶段定位区域数据收集，首先根据定位区域的实际环境情况，合理分布rfid参考标签，然后部署8个阅读器天线分布在检测区域四周，通过天线收集各个标签的信号强度值rssi和所对应的坐标，从而获得蝗虫算法-极限学习机定位模型的原始训练数据集。对于部署的某个参考标签，假设标签标号为j(其中j＝1，2，3，...，100)，测量k次rssi值向量，得到k次样本数据，与所对应的(x，y)构成8行、k+2列的数据，结构如下：

其中，8个阅读器对1个参考标签测量5次rssi值向量：

步骤2.离线阶段原始数据预处理的具体方法为：计算每一个阅读器5次测量获取到的平均强度值r_avgi，标准差r_stdi，其中去除测量值与平均值之差的绝对值大于标准差的样本，即假定某个样本的信号强度值为rssiik，若|rssiik-r_avgi|＞r_stdi，则删除对应的样本；最后处理完成后得到了一个大小为m的rssi集合，并将rssi集合的平均值计算记为平均信号强度对于上述集合r的第一列rssi值数据，它反映了第一个读取器对于1个标签读取的结果；它的r_avgi＝1.36，r_stdi＝0.305，根据上述方法，处理后的结果将1.9作为异常值删除。将上述r的每列都做这样的处理回得到8个阅读器的对于定位区域内具有8个阅读器，100个参考标签进行上述预处理，会得到一个大小为100×8的rssi训练样本集记为rssi100×8：

将每一个标签的坐标(x，y)提取出来单独形成一个100×2大小的参考标签的位置标记集pi，其中包含有参考标签的位置信息：

步骤3.离线阶段基于蝗虫算法-极限学习机的定位模型构建，利用前2步测得的数据作为训练数据，其中rssi值向量rssi100×8作为特征数据集，对应的位置坐标(x，y)形成的集合pi作为样本的位置标记集。通过蝗虫算法对定位模型极限学习机的隐含层神经元权值和阈值进行优化。将整合好的训练数据作为输入完成对于蝗虫算法-极限学习机定位模型的构建。

步骤4.在线阶段实时信号获取，当携带有rfid标签的物体进入定位区域，阅读器天线多次获取标签的rssi值向量，并通过阅读器终端和wifi无线收发模块传输到pc上位机，pc上位机根据所获得的数据构建自身标签的信息库。

步骤5.在线阶段数据预处理，检测5次的待检测标签的rssi值向量test：

根据步骤2方法去除异常值，假设剩下3个样本，取3次测量的平均rssi值向量：

r_test＝(r1，1，r1，2，...，r1，3)/3

将8个阅读器的r_test进行整合归一化处理后的r作为蝗虫算法-极限学习机定位模型的输入。

步骤6.在线阶段实时位置精确定位，将步骤5中处理后的高质量的r输入到训练好的蝗虫算法-极限学习机定位模型，进行在线预测，模型的输出结果就是待测标签的具体位置坐标。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求内。本发明是经过多位rfid室内定位算法技术人员长期科学研究经验积累，并通过创造性劳动创作而出，将参考标签的rssi值向量作为特征数据进行检测和收集，其相对应的位置坐标(x，y)作为样本的监督位，通过蝗虫算法对定位模型极限学习机的隐含层神经元权值和阈值进行优化，训练蝗虫算法-极限学习机模型，然后pc上位机输入目标标签的rssi值进行在线预测，获得具体位置坐标。本发明解决了室内定位定位精度低和算法对环境噪声敏感等问题，且算法模型简单，定位时间快，系统成本较低，具有很强的实用价值。