一种RFID阅读器故障自适应定位方法与流程

本发明涉及rfid、机器学习、定位算法领域，尤其涉及一种rfid阅读器故障自适应定位方法。

背景技术：

随着物联网技术的发展，人们对物联网应用的需求快速增长，而在这些技术当中，无线定位技术在军用以及民用方面都表现出巨大的活跃度，无线定位技术以及基于无线定位服务在人们生活中发挥的作用越来越大。在室外定位技术中，全球定位系统是最著名以及最有代表性的定位技术，被广泛地应用于军事以及民用当中。而人们对室内定位应用的需求越来越大，室内长时间的定位需求有极大的潜力。

由于rfid具有非视距、非接触以及能够快速识别物体的特点，它在室内定位上具有一定优势。基本的rfid系统由标签、天线和阅读器组成，它的基本工作原理是：rfid阅读器通过天线产生磁场，标签进入磁场，接收读写器发出的射频信号，凭借电磁感应获得的能量发送存储在芯片中的产品信息(无源标签或被动标签)，或者主动发送某一频率的射频信号(有源标签或主动标签)。

目前rfid定位方法主要分为基于距离以及基于场景分析两种。基于距离的rfid定位方法有很多种，例如接收信号强度指示法、到达角度法、到达时间法和到达时间差法等，但该类方法对环境的敏感度较高，准确度较低(nilm,zhangd,souryalmr.rfid-basedlocalizationandtrackingtechnologies[j].ieeewirelesscommunications,2011,18(2):45-51.)。同时，另一类基于场景分析的rfid定位方法，由于其对环境适应性较高，成本相对较低等优点，受到研究者的青睐。其中，landmarc是一种经典的rfid定位算法(nilm,liuy,lauyc,etal.landmarc:indoorlocationsensingusingactiverfid[c]//proceedingsofthefirstieeeinternationalconferenceonpervasivecomputingandcommunications,2003.(percom2003).ieee,2003:407-415.)，该算法引入参考标签的概念，将信号强度指示值相似度高的部分标签列为备选参考标签，通过计算得出目标标签的位置。在基于场景分析的方法中，部分学者使用人工神经网络等方法进行rfid定位，提出了一种将landmarc方案跟bp神经网络结合的被动rfid室内定位方案(kunghy,chaisits,phuongntm.optimizationofanrfidlocationidentificationschemebasedontheneuralnetwork[j].internationaljournalofcommunicationsystems,2015,28(4):625-644.)，该方案在进行landmarc定位之后，进一步使用bp神经网络对定位结果进行处理，以得到更精确的定位结果。此外，部分研究者将模糊神经网络用于rfid室内定位，使用模糊神经网络分析参考标签的实际坐标与环境误差的关系，从而对rfid定位系统中的环境参数进行调整(huangyj,chency,hongbw,etal.fuzzyneuralnetworkbasedrfidindoorlocationsensingtechnique[c]//the2010internationaljointconferenceonneuralnetworks(ijcnn).ieee,2010:1-5.)。

但在实际rfid室内定位场景中，定位系统需要长时间工作，因此可能会出现故障。为解决rfid标签故障的问题，部分研究人员提出了处理独立永久性标签故障以及区域永久性标签故障的解决方法，但无法处理rfid阅读器故障的问题(zhuw,caoj,xuy,etal.fault-tolerantrfidreaderlocalizationbasedonpassiverfidtags[j].ieeetransactionsonparallelanddistributedsystems,2013,25(8):2065-2076.)。在rfid阅读器出现故障无法及时得到维修时，现有的定位算法往往无法维持原有定位系统的精度，因此需要对现有方法进行改进，提出一种适应rfid阅读器故障的定位方法，以达到长时间稳定定位的目标。

技术实现要素：

本发明提供了一种rfid阅读器故障自适应定位方法。本发明基本思想在于提出一种在线顺序模糊宽度学习系统，对模糊宽度学习系统进行改进，使之拥有在线顺序学习的能力，给出了模型的更新矩阵伪逆更新公式以及参数矩阵的更新公式，能够对环境中持续到达的数据流进行处理；同时提出一种rfid阅读器故障自适应策略，在部分阅读器出现故障时，提出转换矩阵对初始化模糊子系统中随机生成的系数及隶属度函数中心进行处理，生成新的系数及隶属度函数中心，对后续的数据流进行处理。

本发明的目的至少通过如下技术方案之一实现。

一种rfid阅读器故障自适应定位方法，包括如下步骤：

s1、构建rfid阅读器故障自适应定位系统；

s2、根据rfid阅读器故障自适应定位系统提出在线顺序模糊宽度学习系统；

s3、基于在线顺序模糊宽度学习系统提出rfid阅读器故障自适应策略；

s4、基于rfid阅读器故障自适应策略完成rfid阅读器故障自适应定位。

进一步地，步骤s1中，所述rfid阅读器故障自适应定位系统包括m个rfid阅读器，q个rfid参考标签，待定位目标标签；其中，已知坐标位置的参考标签按等边三角形的方式部署在待定位目标标签所在的平面中，阅读器部署在平面的四条边上。

进一步地，步骤s2中，所述在线顺序模糊宽度学习系统包含输入层、模糊子系统、增强层以及输出层，其中模糊子系统为ts模糊模型，在第i个模糊子系统中，权重其中xsm为输入数据，s＝1,2,...,n，n为输入数据数量，m为输入数据维度，ki为模糊规则数目，为随机生成的系数，隶属度函数为高斯函数其中分别为隶属度函数的中心及宽度，模糊规则的加权输出为其中增强层为非线性变换层；

模糊子系统数目为n，增强节点组数目为m，其中第i个模糊子系统的模糊规则数为ki，第j组增强节点的节点数为lj，第个rfid阅读器在第s次读到参考标签的信号强度为产生的n0条输入数据为输出数据为其中为第n0条输入数据的信号强度数组，为第n0条输入数据的坐标，c为输出数据的特征维度；

将n0条输入数据作为在线顺序模糊宽度学习系统中模糊子系统的输入，通过计算得到模糊子系统中间输出以及模糊子系统输出，其中模糊子系统中间输出作为增强节点的输入，进一步计算得到增强层输出，模糊子系统输出及增强层输出跟输出层进行连接，待计算权重通过伪逆得出。

进一步地，步骤s3中，所述rfid阅读器故障自适应策略如下：

当部分rfid阅读器出现故障时，rfid阅读器的数量变成了m′个，0<m′≤m，则后续产生的na条输入数据为rssis＝(rssis1,rssis2,...,rssism′),s＝1,2,...,na，输出数据为其中为第na条输入数据的信号强度数组，rssism′为第m′个阅读器在第s次读到参考标签的信号强度，为第na条输入数据的坐标；

由于部分rfid阅读器发生故障后，输入数据的特征维度由m变成m′，需要引入转换矩阵t对初始化模糊子系统中函数随机生成的系数及隶属度函数中心进行处理，生成及

其中所述转换矩阵t的规则如下：

(1)矩阵t中每一行至多有一个元素的值为1，其余元素的值均为0；

(2)矩阵t中每一列有且仅有一个元素的值为1，其余元素的值均为0；

(3)若矩阵t中第i行的元素全部均为0，则表明原rfid阅读器故障自适应定位系统中的第i个阅读器发生故障；

由于转换矩阵t是一个稀疏逻辑矩阵，创建一个大小为1×m′的数组来存储行号i，i＝1,2,...,m，当数组的第j个行号为i时，tij＝1。

进一步地，步骤s4具体包括以下步骤：

s4.1、实时获取rfid参考标签信号强度以及位置数据集；

s4.2、离线阶段中对在线顺序模糊宽度学习系统进行初始化；

s4.3、在线阶段中对离线阶段得到的初始在线顺序模糊宽度学习系统进行更新及完成定位。

进一步地，步骤s4.1中，通过控制rfid阅读器的读写状态实时获取rfid参考标签的信号强度，以及通过rfid阅读器故障自适应定位系统获取系统中参考标签的对应位置信息。

进一步地，步骤s4.2包括以下步骤：

s4.2.1、对步骤s4.1中得到的数据进行预处理；

s4.2.2、在[0,1]范围内，根据均匀分布随机生成模糊子系统中函数的系数

s4.2.3、在第i个模糊子系统中计算模糊子系统中所有输入样本的中间输出及输出

s4.2.4、根据公式计算所有n个模糊子系统的中间输出以作为增强节点的输入；

s4.2.5、根据公式及公式计算第j组增强节点的输出及增强层的总输出其中跟为模糊子系统中间输出跟增强节点组之间的连接权重及偏置，在[0,1]范围内随机生成，m为增强节点的组数；

s4.2.6、根据公式计算所有n个模糊子系统的总输出其中ω＝(ω¹,...,ωⁿ)，δ＝((δ¹)^t,...,(δⁿ)^t)^t，及为输入数据，为模糊规则的加权输出，为引入的参数，可将初始的转化为在后续步骤通过伪逆进行求解时，求解的权重个数由变为

s4.2.7、根据公式计算矩阵a0及参数矩阵w0，其中we为增强层到输出层的连接权重，为a0的伪逆，计算公式为

进一步地，步骤s4.2.1包括以下步骤：

s4.2.1.1、第个阅读器重复读取同一个标签的信号强度，共n次，记第k次读取到的信号强度为

s4.2.1.2、计算rssi值的方差δ²：

其中

s4.2.1.3、对于第k个信号强度如果则进行剔除，最后得到大小为n′的rssi集合，计算该集合的平均值作为平均信号强度：

s4.2.1.4、得到n0条输入数据

步骤s4.2.3包括以下步骤：

s4.2.3.1、使用k-means聚类对输入数据x0进行聚类，得到ki个聚类中心；

s4.2.3.2、使用步骤s4.2.3.1中得到的ki个聚类中心对高斯隶属度函数的中心进行初始化，隶属度函数的宽度

s4.2.3.3、根据公式及公式计算模糊子系统中第s个输入样本的中间输出及输出

s4.2.3.4、根据公式及公式计算模糊子系统中所有输入样本的中间输出及输出

进一步地，步骤s4.3中，所述在线阶段包括在线顺序学习阶段和在线工作阶段，所述在线顺序学习阶段用于完成对初始在线顺序模糊宽度学习系统的更新，所述在线工作阶段用于完成定位，在线顺序学习阶段和在线工作阶段可并行运行；

所述在线顺序学习阶段中，阅读器的数量由m变成了m′，0<m′≤m，新增数据为具体包括如下步骤：

s4.3.1.1、使用步骤s4.2.1对数据进行预处理；

s4.3.1.2、根据转换矩阵t的规则生成转换矩阵t；

s4.3.1.3、根据公式及公式计算转换后的系数及隶属度函数中心

s4.3.1.4、根据公式计算新增数据的运算输出矩阵aa，其中以及为新增输入数据，为模糊子系统中所有新增输入样本的中间输出；

s4.3.1.5、根据公式及计算更新矩阵^xa及伪逆^xa⁺，其中

s4.3.1.6、根据公式计算更新后的参数矩阵^xw。

进一步地，所述在线工作阶段具体包括以下步骤：

s4.3.2.1、将目标标签的信号强度rssi信息发送至经过在线顺序学习阶段更新后在线顺序模糊宽度学习系统中；

s4.3.2.2、将发送过来的rssi信息作为经过在线顺序学习阶段更新后在线顺序模糊宽度学习系统的输入，估计出目标标签的位置。

与现有技术相比，本发明具有如下优点和技术效果：

本发明核心在于离线阶段首先获取参考标签的信号强度及位置，在进行数据预处理后，对模糊宽度系统的模糊子系统及增强层进行初始化，最后训练得到初始定位模型；在线顺序学习阶段首先对rfid阅读器个数变化后的新数据进行预处理，然后根据转换矩阵对系数及隶属度中心进行转换，最后根据更新函数对离线阶段训练得到的初始定位模型进行更新；在线工作阶段首先对用户发送定位请求的数据进行预处理，然后输入到更新后的模型，计算出定位结果并发送给客户。通过一种rfid阅读器故障自适应定位方法能够对环境中持续到达的数据流进行处理，并在部分阅读器出现故障时能够对后续的数据流进行处理，以达到长时间稳定定位的目标。

附图说明

图1本发明实施例中rfid阅读器故障自适应定位系统的部署示意图；

图2本发明实施例中模糊宽度学习系统模型结构示意图；

图3本发明实施例中模糊宽度学习系统模糊子系统展开结构示意图；

图4本发明实施例中在线顺序模糊宽度学习系统网络更新示意图；

图5本发明实施例中rfid阅读器故障示意图；

图6本发明实施例中rfid阅读器故障自适应策略示意图；

图7本发明实施例中rfid阅读器故障自适应定位方法流程图。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明的具体实施进行进一步的详细说明，但本发明的实施和保护不限于此。

实施例：

一种rfid阅读器故障自适应定位方法，包括如下步骤：

s1、构建rfid阅读器故障自适应定位系统；

如图1所示，所述rfid阅读器故障自适应定位系统包括m个rfid阅读器，q个rfid参考标签，待定位目标标签；其中，已知坐标位置的参考标签按等边三角形的方式部署在待定位目标标签所在的平面中，阅读器部署在平面的四条边上。

s2、根据rfid阅读器故障自适应定位系统提出在线顺序模糊宽度学习系统；

模糊宽度学习系统的模型结构如图2所示，其中模糊子系统展开结构如图3所示，通过改进模糊宽度学习系统，提出在线顺序模糊宽度学习系统，如图4所示，所述在线顺序模糊宽度学习系统包含输入层、模糊子系统、增强层以及输出层，其中模糊子系统为ts模糊模型，在第i个模糊子系统中，权重其中xsm为输入数据，s＝1,2,...,n，n为输入数据数量，m为输入数据维度，ki为模糊规则数目，为随机生成的系数，隶属度函数为高斯函数其中分别为隶属度函数的中心及宽度，模糊规则的加权输出为其中增强层为非线性变换层；

模糊子系统数目为n，增强节点组数目为m，其中第i个模糊子系统的模糊规则数为ki，第j组增强节点的节点数为lj，第个rfid阅读器在第s次读到参考标签的信号强度为产生的n0条输入数据为输出数据为其中为第n0条输入数据的信号强度数组，为第n0条输入数据的坐标，c为输出数据的特征维度；

将n0条输入数据作为在线顺序模糊宽度学习系统中模糊子系统的输入，通过计算得到模糊子系统中间输出以及模糊子系统输出，其中模糊子系统中间输出作为增强节点的输入，进一步计算得到增强层输出，模糊子系统输出及增强层输出跟输出层进行连接，待计算权重通过伪逆得出。

s3、基于在线顺序模糊宽度学习系统提出rfid阅读器故障自适应策略；

如图5所示，当部分rfid阅读器出现故障时，rfid阅读器的数量变成了m′个，0<m′≤m，则后续产生的na条输入数据为rssis＝(rssis1,rssis2,...,rssism′),s＝1,2,...,na，输出数据为其中为第na条输入数据的信号强度数组，rssism′为第m′个阅读器在第s次读到参考标签的信号强度，为第na条输入数据的坐标；

由于部分rfid阅读器发生故障后，输入数据的特征维度由m变成m′，需要引入转换矩阵t对初始化模糊子系统中函数随机生成的系数及隶属度函数中心进行处理，生成及

其中所述转换矩阵t的规则如下：

(1)矩阵t中每一行至多有一个元素的值为1，其余元素的值均为0；

(2)矩阵t中每一列有且仅有一个元素的值为1，其余元素的值均为0；

(3)若矩阵t中第i行的元素全部均为0，则表明原rfid阅读器故障自适应定位系统中的第i个阅读器发生故障；

由于转换矩阵t是一个稀疏逻辑矩阵，创建一个大小为1×m′的数组来存储行号i，i＝1,2,...,m，当数组的第j个行号为i时，tij＝1。

s4、基于rfid阅读器故障自适应策略完成rfid阅读器故障自适应定位；如图7所示，具体包括以下步骤：

s4.1、实时获取rfid参考标签信号强度以及位置数据集；包括以下步骤：

通过控制rfid阅读器的读写状态实时获取rfid参考标签的信号强度，以及通过rfid阅读器故障自适应定位系统获取系统中参考标签的对应位置信息。

s4.2、离线阶段中对在线顺序模糊宽度学习系统进行初始化；包括以下步骤：

s4.2.1、对步骤s4.1中得到的数据进行预处理；包括以下步骤：

s4.2.1.1、第个阅读器重复读取同一个标签的信号强度，共n次，记第k次读取到的信号强度为

s4.2.1.2、计算rssi值的方差δ²：

其中

s4.2.1.3、对于第k个信号强度如果则进行剔除，最后得到大小为n^′的rssi集合，计算该集合的平均值作为平均信号强度：

s4.2.1.4、得到n0条输入数据

s4.2.2、在[0,1]范围内，根据均匀分布随机生成模糊子系统中函数的系数

s4.2.3、在第i个模糊子系统中计算模糊子系统中所有输入样本的中间输出及输出包括以下步骤：

s4.2.3.1、使用k-means聚类对输入数据x0进行聚类，得到ki个聚类中心；

s4.2.3.2、使用步骤s4.2.3.1中得到的ki个聚类中心对高斯隶属度函数的中心进行初始化，隶属度函数的宽度

s4.2.3.3、根据公式及公式计算模糊子系统中第s个输入样本的中间输出及输出

s4.2.3.4、根据公式及公式计算模糊子系统中所有输入样本的中间输出及输出

s4.2.4、根据公式计算所有n个模糊子系统的中间输出以作为增强节点的输入；

s4.2.5、根据公式及公式计算第j组增强节点的输出及增强层的总输出其中跟为模糊子系统中间输出跟增强节点组之间的连接权重及偏置，在[0,1]范围内随机生成，m为增强节点的组数；

s4.2.6、根据公式计算所有n个模糊子系统的总输出其中ω＝(ω¹,...,ωⁿ)，δ＝((δ¹)^t,...,(δⁿ)^t)^t，及为输入数据，为模糊规则的加权输出，为引入的参数，可将初始的转化为在后续步骤通过伪逆进行求解时，求解的权重个数由变为

s4.2.7、根据公式计算矩阵a0及参数矩阵w0，其中we为增强层到输出层的连接权重，为a0的伪逆，计算公式为

s4.3、在线阶段中对离线阶段得到的初始在线顺序模糊宽度学习系统进行更新及完成定位；

所述在线阶段包括在线顺序学习阶段和在线工作阶段，所述在线顺序学习阶段用于完成对初始在线顺序模糊宽度学习系统的更新，所述在线工作阶段用于完成定位，在线顺序学习阶段和在线工作阶段可并行运行；

所述在线顺序学习阶段中，阅读器的数量由m变成了m^′，0<m^′≤m，新增数据为具体包括如下步骤：

s4.3.1.1、使用步骤s4.2.1对数据进行预处理；

s4.3.1.2、根据转换矩阵t的规则生成转换矩阵t；

s4.3.1.3、根据公式及公式计算转换后的系数及隶属度函数中心

s4.3.1.4、根据公式计算新增数据的运算输出矩阵aa，其中以及为新增输入数据，为模糊子系统中所有新增输入样本的中间输出；

s4.3.1.5、根据公式及计算更新矩阵^xa及伪逆^xa⁺，其中

s4.3.1.6、根据公式计算更新后的参数矩阵^xw。

所述在线工作阶段具体包括以下步骤：

s4.3.2.1、将目标标签的信号强度rssi信息发送至经过在线顺序学习阶段更新后在线顺序模糊宽度学习系统中；

s4.3.2.2、将发送过来的rssi信息作为经过在线顺序学习阶段更新后在线顺序模糊宽度学习系统的输入，估计出目标标签的位置。