本发明涉及定位识别领域，尤其是一种基于机器学习的rfid室内定位方法及系统。
背景技术：
rfid是radiofrequencyidentification的缩写，即射频识别技术。rfid射频识别是一种非接触式的自动识别技术，它通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，可工作于各种恶劣环境；rfid技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。目前rfid室内定位技术为了简便，一般采用的是与测距无关的定位算法，由于其并未进行精确的测距及数据处理，因此定位精度较低，得到的定位结果不准确的几率大大增加。技术实现要素：为了解决上述问题，本发明的目的是提供一种基于机器学习的rfid室内定位方法及系统，对目标可进行精确测距及数据处理，因此定位精度较高。为了弥补现有技术的不足，本发明采用的技术方案是：一种基于机器学习的rfid室内定位方法，包括以下步骤：对目标发送多频载波，获取相位差数据；预处理相位差数据；采用分类回归算法建立预测模型；根据预测模型得到目标的坐标。进一步，预处理相位差数据，包括以下步骤：建立正态分布模型rssi，将第i个相位差pi的密度函数表示为其中，μ和σ分别为rssi的均值和标准差，m为相位差数据总量；设定f(x)及相应x的范围，筛选得到使f(x)及相应x符合范围要求的相位差数据。进一步，所述f(x)及相应x的范围为0.6≤f(x)≤1,0.15σ+μ≤x≤3.09σ+μ。进一步，所述分类回归算法包括随机森林、多元线性回归模型、模型树和随机树中的一种或多种。进一步，在采用分类回归算法建立预测模型与根据预测模型得到目标的坐标之间，还包括步骤:采用十倍交叉验证法对所有预测模型进行检验评估，选出其中定位误差最小的作为最终的预测模型。一种基于机器学习的rfid室内定位系统，包括：采集模块，用于对目标发送多频载波，获取相位差数据；预处理模块，用于预处理相位差数据；建模模块，用于采用分类回归算法建立预测模型；获取模块，用于根据预测模型得到目标的坐标。进一步，所述预处理模块包括：条件模块，用于建立正态分布模型rssi，将第i个相位差pi的密度函数表示为其中，μ和σ分别为rssi的均值和标准差，m为相位差数据总量；筛选模块，用于设定f(x)及相应x的范围，筛选得到使f(x)及相应x符合范围要求的相位差数据。进一步，f(x)及相应x的范围为0.6≤f(x)≤1,0.15σ+μ≤x≤3.09σ+μ。进一步，所述分类回归算法包括随机森林、多元线性回归模型、模型树和随机树中的一种或多种。进一步，在建模模块与获取模块之间还设置有检验模块；所述检验模块，用于采用十倍交叉验证法对所有预测模型进行检验评估，选出其中定位误差最小的作为最终的预测模型。本发明的有益效果是：通过对目标发送不同频率载波并计算返回的相位差，根据公知常识，即可了解到目标距离；并且针对测到的数据进行处理，以提高数据的有效性和准确性；然后采用分类回归算法建立预测模型，并将测到的数据代入该模型中，即可准确了解到目标坐标。因此，本发明定位精度较高，对目标可进行精确测距、数据处理及建模分析，从而得到精确、稳定的定位结果。附图说明下面结合附图给出本发明较佳实施例，以详细说明本发明的实施方案。图1是本发明的步骤流程示意图；图2是本发明对目标发送多频载波的示意图；图3是本发明所采用的随机森林的算法原理图。具体实施方式参照图1，本发明的一种基于机器学习的rfid室内定位方法，包括以下步骤：对目标发送多频载波，获取相位差数据；预处理相位差数据；采用分类回归算法建立预测模型；根据预测模型得到目标的坐标。进一步，预处理相位差数据所采用的是高斯过滤方法，以滤除异常的相位差数据，得到符合要求的相位差数据，具体包括以下步骤：建立正态分布模型rssi，将第i个相位差pi的密度函数表示为其中，μ和σ分别为rssi的均值和标准差，m为相位差数据总量；设定f(x)及相应x的范围，筛选得到使f(x)及相应x符合范围要求的相位差数据。进一步，所述f(x)及相应x的范围为0.6≤f(x)≤1,0.15σ+μ≤x≤3.09σ+μ。进一步，所述分类回归算法包括随机森林、多元线性回归模型、模型树和随机树中的一种或多种。进一步，在采用分类回归算法建立预测模型与根据预测模型得到目标的坐标之间，还包括步骤:采用十倍交叉验证法对所有预测模型进行检验评估，选出其中定位误差最小的作为最终的预测模型。一种基于机器学习的rfid室内定位系统，包括：采集模块，用于对目标发送多频载波，获取相位差数据；预处理模块，用于预处理相位差数据；建模模块，用于采用分类回归算法建立预测模型；获取模块，用于根据预测模型得到目标的坐标。进一步，所述预处理模块包括：条件模块，用于建立正态分布模型rssi，将第i个相位差pi的密度函数表示为其中，μ和σ分别为rssi的均值和标准差，m为相位差数据总量；筛选模块，用于设定f(x)及相应x的范围，筛选得到使f(x)及相应x符合范围要求的相位差数据。进一步，f(x)及相应x的范围为0.6≤f(x)≤1,0.15σ+μ≤x≤3.09σ+μ。进一步，所述分类回归算法包括随机森林(即rf)、多元线性回归模型(即mlr)、模型树(即m5p)和随机树(即rt)中的一种或多种。进一步，在建模模块与获取模块之间还设置有检验模块；所述检验模块，用于采用十倍交叉验证法对所有预测模型进行检验评估，选出其中定位误差最小的作为最终的预测模型。具体地，参照图2，基于fd-pdoa的定位方式，即通过阅读器对同一目标发送不同频率的载波，通过将这些不同频率的载波信号的相位信息进行相减以获取相位差并计算出距离：假设发射了两个载波信号，其频率分别为f1和f2，由于光速为c，根据相位差和距离之间的关系，则有联立上面的两式，可得其中δθ＝θ1-θ2，δf＝f1-f2，θ1和θ2表示在载波频率分别为f1和f2时的相位变化量。本发明采用的阅读器的工作频率范围为865mhz-956mhz，对应有效距离的范围在15.7cm-17.3cm之间，因此采用单频载波的方法无法较好的满足室内定位的要求，于是本发明采用fd-pdoa方法获取相位差，即在不同频率下获取相位差，然后再两两相减；优选地，选取的四个阅读器的可操作频率分别是920.625mhz、921.875mhz、923.125mhz和924.375mhz。其中，随机森林(randomforest,rf)是一种组合分类器算法，其元算法由多棵决策树组成，可解决分类或者回归问题。每棵树产生各自的分类结果，对于分类问题，最终结果将通过投票法以得票数最多的分类项决定，对于回归问题，根据平均法以所有子分类结果的平均值作为最终结果。随机森林中的决策树主要是采用递归的方式实现的：首先由根节点开始，分成左右二棵子树，然后从子树继续生成相应的左右子树，如此下去，直到每棵子树递归生成新的子树并到达叶子节点。选择最佳的分支属性，将训练样本进行最优划分，是构建决策时的关键，其分支属性采用基尼指数进行分支。假设pi(＝1,2,…,|y|)表示第i类样本在当前样本i内的所占比例，样本集i的基尼值可表示为结合上式，属性x的基尼指数可表示为基尼值表示了从样本集里抽出两个不同类别的概率，基尼值越小，即基尼指数越小，说明样本集里的纯度越高。随机森林算法思想：参照图3，首先采用bootstrap抽样，从原始训练集中，抽取k个子训练集；其次，对k个子训练集，分别建立k个决策树(即cart算法)；最后，对于测试样本集中的每个待分类样本，根据k个决策树模型，将产生k种分类结果，通过对这些分类结果进行投票表决或平均值选择，决定其最终的分类。多元线性回归模型(multivariablelinearregression,mlr)是一种通过多个属性的线性组合来进行预测的算法。假定变量yt与k-1个解释变量xtj，j＝1,2,…k-1之间存在线性关系，则多元线性回归模型表示为：yt＝β0+β1xt1+β2xt2+…+βk-1xtk-1+μt其中yt是被解释变量(即因变量)，xtj，j＝1,2,…k-1,是解释变量(即自变量)，μt是随机误差项，βi，i＝0,1,2…k-1,是回归参数。当给定一个样本(yt，xt1，xt2,…xtk-1)，t＝1,2…t时，上述模型可表示为，用矩阵形式表示方程组，如下。令y＝(y1y2…yt)′(t×1)，β＝(β1β2…βk-1)′(k×1)，μ＝(μ1μ2…μt)′(t×1)则上式可写成：y＝xβ+μ在实际环境中获取相位差数据并建立预测模型，当预测模型建立后，需要对预测模型进行验证，以选出误差较小的预测模型。十倍交叉验证法是一种比残差法更好的模型评估方法，该方法的原理如下：将数据集分为10个子集，每次将9个子集作为训练集，剩下一个子集的数据作为测试集，将该方法重复10次，最后计算所有10次的平均误差。十倍交叉验证结果如表一所示，x、y分别为坐标轴的横轴、纵轴。表一十倍交叉验证的定位误差mlrrfm5prtx/m0.4600.3470.4140.492y/m0.4770.3610.4780.506从表格中可以看到，由rf建立的预测模型的定位误差最小，只有0.35m左右，其次是rt、m5p和mlr，因此将rf即基于随机森林所建立的预测模型确定为最终预测模型，基于此最终预测模型来获取目标坐标。由于根据最终的预测模型得到目标的坐标是本领域的常用技术，几乎仅涉及到相位差数据或距离数据的迭代或代入，故在此不作赘述。以上内容对本发明的较佳实施例和基本原理作了详细论述，但本发明并不局限于上述实施方式，熟悉本领域的技术人员应该了解在不违背本发明精神的前提下还会有各种等同变形和替换，这些等同变形和替换都落入要求保护的本发明范围内。当前第1页12