一种基于自适应深度置信网络的RFID定位方法与流程

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。

技术实现要素：

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；

在室内三维空间内,均匀放置n个参考标签，n为任意自然数，并在三维空间顶部的四个顶点各安放一个阅读器，根据参考标签坐标计算参考标签到阅读器的距离计算公式为其中第rt个参考标签坐标为参考标签rt＝1，2，···,n，第r个阅读器坐标为(xr,yr,zr)，阅读器r＝1,2,3,4，则各参考标签与第r个阅读器之间的距离向量为dr＝[dr,1dr,2…dr,n]，构建四个阅读器与各参考标签的距离向量矩阵d＝[d1d2d3d4]^t,其中[·]^t代表求转置。

所述步骤(2)具体是指：

四个阅读器向参考标签发送辐射电磁波信号，记第r个阅读器接收到n个参考标签反射回的信号强度值向量为rssi(dr)＝[rssi(dr,1)rssi(dr,2)…rssi(dr,n)]，其中，代表第rt个参考标签到第r个阅读器的反射信号强度值，参考标签rt＝1，2，···,n，阅读器r＝1,2,3,4；构建4个阅读器接收到的信号强度值向量矩阵e＝[rssi(d1)rssi(d2)rssi(d3)rssi(d4)]^t，其中，[·]^t代表求转置。

所述步骤(3)具体是指：网络隐含层数k＝4，由4个受限玻尔兹曼机rbm连接,每一个受限玻尔兹曼机rbm都包含一个可视层和一个隐含层，各个隐含层节点数分别为40，100，40，10，隐含层与输出层间由线性受限玻尔兹曼机即线性rbm连接，输入维度是4维，输出维度是4维。

所述步骤(4)具体是指：

设置第k个受限玻尔兹曼机的网络权值参数初始值其为j×i维服从均值为0、方差为的高斯分布的矩阵；可视层偏置参数初始值其为i×1维0向量矩阵；隐含层偏置参数初始值其为j×1维0向量矩阵，k＝1,2,3,4，其中，i和j分别为第k个受限玻尔兹曼机的可视层节点总数和隐含层节点总数，可视层节点i＝1,2,…,i,隐含层节点j＝1,2,…,j,设置学习率η＝0.1，将上述步骤(2)中的信号强度值向量矩阵e＝[rssi(d1)rssi(d2)rssi(d3)rssi(d4)]^t作为网络输入，上述步骤(1)中的距离向量矩阵d＝[d1d2d3d4]^t作为目标输出，利用对比散度cd算法完成4层深度置信网络参数的预训练，得到各层预训练网络权值参数隐含层偏置参数并获得自适应深度置信网络的预训练输出距离向量矩阵预训练后的各参考标签与第r个阅读器之间的距离向量为

所述步骤(5)具体是指：

对于每个参考标签，利用交叉熵误差函数构造各层的代价函数l^k,层数k＝1,2,3,4,其中，和分别表示第k层第i个节点的实际输出和网络训练输出，表示第k+1层第j个节点的实际输出，和分别表示第k+1层第j个节点的权值和偏置，i表示第k层节点总数，j表示第k+1层节点总数，sigm为激活函数，arg表示反函数，利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整，完成网络训练。

所述步骤(6)具体是指：

四个阅读器依次向待测标签t发送信号，接收待测标签返回的信号强度值向量,构建待测标签信号强度值向量rssi(dr,t)＝[rssi(d1,t)rssi(d2,t)rssi(d3,t)rssi(d4,t)]^t，其中，[·]^t代表求转置，将rssi(dr,t)输入利用训练好的自适应深度置信网络，得到待测标签到各阅读器的距离输出值，以此预测待测标签的坐标位置。

在步骤(5)中，所述利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整包括以下步骤：

(5a)设定参数初值：学习率η＝0.1，动量因子μ＝0.9，动量因子λ＝0.99，循环控制变量t＝1，当t＝1时，交叉熵误差函数的梯度g1的一阶矩估计m1＝0，二阶矩估计n1＝0，层数初始值k＝4，保证分母非零参数ε＝10^-8,输出层的实际值与网络输出值分别为

和表示第rt个参考标签到4个阅读器的实际距离，表示第rt个参考标签到4个阅读器的网络输出距离，参考标签rt＝1，2，···,n；

(5b)计算第k层的代价函数l^k，

(5c)计算l^k的第t次的梯度gt，其中，▽为梯度运算符号，表示连接第k层中第j个节点与上一层第j个节点的第t次更新权值参数，表示第k层中第j个节点的第t次更新偏置参数，表示对l^k的权值参数w求偏导，表示对l^k的偏置参数b求偏导；

(5d)计算l^k的第t次梯度gt的一阶矩估计mt＝μ*mt-1+(1-μ)*gt，和二阶矩估计其中，μ，λ是动量因子，mt-1表示l^k的第t-1次梯度gt-1的一阶矩估计，nt-1表示l^k的第t-1次梯度gt-1的二阶矩估计；

(5e)计算其中是对mt，nt的校正；

(5f)权值参数迭代公式为偏置参数迭代公式其中，“←”表示赋值；

(5g)判断是否gt＞10^-6，若是，则循环控制变量t←t+1，返回步骤(6.3)，否则，停止迭代，得到第k层的网络参数

(5h)执行k←k-1，判断k是否为0，若不为0，则返回步骤(5b)，否则，退出迭代。

在步骤(6)中，所述利用网络输出预测待测标签的坐标位置包括以下步骤：

(6a)第r个阅读器坐标表示为(xr,yr,zr)，待测标签t到第r个阅读器的距离输出值表示为dr,t，阅读器r＝1,2,3,4；

(6b)计算矩阵

(6c)计算待测标签的坐标向量

由上述技术方案可知，本发明的优点在于：第一，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；第二，自适应矩估计对处理稀疏梯度的速度更快、效果更好，能够使庞大深度置信网络数据处理起来更精准高效，

附图说明

图1为本发明的方法流程图；

图2是自适应深度置信网络结构示意图。

具体实施方式

如图1所示，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；

定位空间布局模块的作用为：在室内三维空间内,均匀放置n个参考标签，n为任意自然数，并在三维空间顶部的四个顶点各安放一个阅读器，根据参考标签坐标计算参考标签到阅读器的距离计算公式为其中第rt个参考标签坐标为参考标签rt＝1，2，···,n，第r个阅读器坐标为(xr,yr,zr)，阅读器r＝1,2,3,4，则各参考标签与第r个阅读器之间的距离向量为dr＝[dr,1dr,2…dr,n]，构建四个阅读器与各参考标签的距离向量矩阵d＝[d1d2d3d4]^t,其中[·]^t代表求转置。

所述步骤(2)具体是指：

四个阅读器向参考标签发送辐射电磁波信号，记第r个阅读器接收到n个参考标签反射回的信号强度值向量为rssi(dr)＝[rssi(dr,1)rssi(dr,2)…rssi(dr,n)]，其中，代表第rt个参考标签到第r个阅读器的反射信号强度值，参考标签rt＝1，2，···,n，阅读器r＝1,2,3,4；构建4个阅读器接收到的信号强度值向量矩阵e＝[rssi(d1)rssi(d2)rssi(d3)rssi(d4)]^t，其中，[·]^t代表求转置。这一段也是训练样本获取模块的作用体现。

所述步骤(3)具体是指：网络隐含层数k＝4，由4个受限玻尔兹曼机rbm连接,每一个受限玻尔兹曼机rbm都包含一个可视层和一个隐含层，各个隐含层节点数分别为40，100，40，10，隐含层与输出层间由线性受限玻尔兹曼机即线性rbm连接，输入维度是4维，输出维度是4维。这一段也是自适应深度置信网络模块的作用体现。

所述步骤(4)具体是指：

设置第k个受限玻尔兹曼机的网络权值参数初始值其为j×i维服从均值为0、方差为的高斯分布的矩阵；可视层偏置参数初始值其为i×1维0向量矩阵；隐含层偏置参数初始值其为j×1维0向量矩阵，k＝1,2,3,4，其中，i和j分别为第k个受限玻尔兹曼机的可视层节点总数和隐含层节点总数，可视层节点i＝1,2,…,i,隐含层节点j＝1,2,…,j,设置学习率η＝0.1，将上述步骤(2)中的信号强度值向量矩阵e＝[rssi(d1)rssi(d2)rssi(d3)rssi(d4)]^t作为网络输入，上述步骤(1)中的距离向量矩阵d＝[d1d2d3d4]^t作为目标输出，利用对比散度cd算法完成4层深度置信网络参数的预训练，得到各层预训练网络权值参数隐含层偏置参数并获得自适应深度置信网络的预训练输出距离向量矩阵预训练后的各参考标签与第r个阅读器之间的距离向量为网络权值参数初始值隐含层偏置参数初始值二者的参数初始值的上标记为0，预训练后的上标记为1，后面是从t＝1时开始迭代的。这一段也是自适应深度置信网络初始化与预训练模块的作用体现。

所述步骤(5)具体是指：

对于每个参考标签，利用交叉熵误差函数构造各层的代价函数l^k,层数k＝1,2,3,4,其中，和分别表示第k层第i个节点的实际输出和网络训练输出，表示第k+1层第j个节点的实际输出，和分别表示第k+1层第j个节点的权值和偏置，i表示第k层节点总数，j表示第k+1层节点总数，sigm为激活函数，arg表示反函数，利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整，完成网络训练。这一段也是自适应深度置信网络参数修正模块的作用体现。

在步骤(5)中，所述利用自适应动态矩估计算法对深度置信网络的各层参数进行修正调整包括以下步骤：

(5a)设定参数初值：学习率η＝0.1，动量因子μ＝0.9，动量因子λ＝0.99，循环控制变量t＝1，当t＝1时，交叉熵误差函数的梯度g1的一阶矩估计m1＝0，二阶矩估计n1＝0，层数初始值k＝4，保证分母非零参数ε＝10^-8,输出层的实际值与网络输出值分别为和表示第rt个参考标签到4个阅读器的实际距离，表示第rt个参考标签到4个阅读器的网络输出距离，参考标签rt＝1，2，···,n；

(5b)计算第k层的代价函数l^k，

(5c)计算l^k的第t次的梯度gt，其中，▽为梯度运算符号，表示连接第k层中第j个节点与上一层第j个节点的第t次更新权值参数，表示第k层中第j个节点的第t次更新偏置参数，表示对l^k的权值参数w求偏导，表示对l^k的偏置参数b求偏导；

(5d)计算l^k的第t次梯度gt的一阶矩估计mt＝μ*mt-1+(1-μ)*gt，和二阶矩估计其中，μ，λ是动量因子，mt-1表示l^k的第t-1次梯度gt-1的一阶矩估计，nt-1表示l^k的第t-1次梯度gt-1的二阶矩估计；

(5e)计算其中是对mt，nt的校正；

(5f)权值参数迭代公式为偏置参数迭代公式其中，“←”表示赋值；

(5g)判断是否gt＞10^-6，若是，则循环控制变量t←t+1，返回步骤(6.3)，否则，停止迭代，得到第k层的网络参数

(5h)执行k←k-1，判断k是否为0，若不为0，则返回步骤(5b)，否则，退出迭代。

所述步骤(6)具体是指：

四个阅读器依次向待测标签t发送信号，接收待测标签返回的信号强度值向量,构建待测标签信号强度值向量rssi(dr,t)＝[rssi(d1,t)rssi(d2,t)rssi(d3,t)rssi(d4,t)]^t，其中，[·]^t代表求转置，将rssi(dr,t)输入利用训练好的自适应深度置信网络，得到待测标签到各阅读器的距离输出值，以此预测待测标签的坐标位置。这一段也是待测标签定位模块的作用体现。

在步骤(6)中，所述利用网络输出预测待测标签的坐标位置包括以下步骤：

(6a)第r个阅读器坐标表示为(xr,yr,zr)，待测标签t到第r个阅读器的距离输出值表示为dr,t，阅读器r＝1,2,3,4；

(6b)计算矩阵

(6c)计算待测标签的坐标向量

如图2所示，所述自适应深度置信网络结构为：输入和输出维度均为4维，网络包含4个可视层v^k和4个隐含层h^k，输入层记为v¹，v^k+1＝h^k，4个隐含层h^k依次为40，100，40，10个节点，可视层v^k与隐含层h^k间由rbm^k连接，rbm^k为四个受限波尔兹曼机，k＝1,2,3,4,第四个隐含层h⁴与输出层之间由线性rbm连接。

综上所述，本发明利用自适应深度置信网络构建信号强度与距离的非线性关系，并采用自适应带动量的矩估计动态更新深度置信网络各层的权值，提高了代价函数的收敛速度，提高了整个rfid定位系统的精准性。