基于深度学习的仓库危化品RFID自动定位系统及方法与流程

基于深度学习的仓库危化品rfid自动定位系统及方法
技术领域
1.本发明涉及危险化学品贮存仓库的安全管理领域，具体地涉及一种基于深度学习的仓库危化品rfid自动定位系统及一种基于深度学习的仓库危化品rfid自动定位方法。


背景技术：

2.仓库存储是危险化学品常见的储存环境，其能量集中度高，极易发生泄漏、火灾、爆炸等事故，危化品仓库存储环节历来是危险化学品安全管控的重点关注对象。
3.rfid技术已在危化品监管上有所应用，通过在危化品包装上粘贴写有危化品信息标识的电子标签，实现危化品全生命周期的过程跟踪和数据追溯。但传统的rfid电子标签阅读器多基于收发一体架构，阅读器同时承担着对标签下行充电激励和标签上行通信两个功能，读写器发出的激励信号对标签反射信号存在很强的自发自收干扰，因此其通信距离较短，且读写器成本高，无法实现危化品仓库区域内的连续覆盖，因此无法依靠传统rfid电子标签系统实现仓库范围内危化品的实时识别和定位。
4.目前，其它对于危化品仓库存储的位置管理手段还包括视频监控、uwb定位、vr建模等手段，但其定位精度、实时性和经济性等方面均有待提高。


技术实现要素：

5.为解决上述问题，本发明实施方式提供一种基于深度学习的仓库危化品rfid自动定位系统及方法。
6.为了实现上述目的，本发明第一方面提供一种基于深度学习的仓库危化品rfid自动定位系统，所述仓库划分有多个区块，每一区块存储有多个危化品，且每一区块具有对应的区块编号，所述系统包括：
7.多个rfid激励器，每一区块内对应设置有一个rfid激励器，所述rfid激励器用于受控向所述多个区块发送激励信号；
8.多个rfid电子标签，每一危化品设置有一个rfid电子标签，所述rfid电子标签用于在接收到每一激励信号的情况下发送一标签信号，所述标签信号包含对应危化品的危化品信息；
9.射频接收器，用于接收标签信号，并根据每一标签信号获取对应危化品的危化品信息和标签信号rssi功率数值，并受控将获取的信息上传至数据处理平台；
10.所述数据处理平台，存储有每一区块的区块编号，用于根据接收到的危化品信息和标签信号rssi功率数值集合，采用基于深度学习的智能定位算法对危化品信息对应的危化品进行定位，得到该危化品的定位结果，所述定位结果包括该危化品所在区块的区块编号。
11.可选的，所述数据处理平台包括：
12.输入模块，用于选定待定位的危化品；
13.控制模块，用于控制所述rfid激励器和所述射频接收器的信号收发，以及所述射
频接收器和所述数据处理平台的数据传输；
14.数据库模块，用于存储区块编号、危化品信息、危化品的标签信号rssi功率数值集合和定位结果；
15.定位计算模块，内置有基于深度学习的智能定位算法，用于根据接收到的危化品信息和标签信号rssi功率数值集合，对危化品信息对应的危化品进行定位，得到该危化品的定位结果；
16.输出模块，用于输出并显示所述定位结果。
17.可选的，所述危化品信息包括该危化品的代码标识，所述代码标识为该危化品的唯一身份标识。
18.可选的，所述输入模块包括：鼠标和/或键盘，通过输入待定位的危化品的代码标识的方式和/或通过列表选择危化品的代码标识的方式选定待定位的危化品。
19.可选的，所述仓库划分有多个区域，每一区域包括多个区块；每一区域内设置有一个射频接收器；
20.所述区块的划分满足一个区块内设置的rfid激励器能激励该区块内所有的rfid电子标签发送标签信号；
21.所述区域的划分满足一个区域内设置的射频接收器能够接收到发送自该区域内所有区块的标签信号。
22.本发明第二方面提供一种基于深度学习的仓库危化品rfid自动定位方法，基于上述自动定位系统，所述仓库划分有多个区块，每一区块存储有多个危化品，且每一区块具有对应的区块编号，所述方法包括：
23.响应于用户对待定位的危化品的选定，从获取的仓库中危化品的危化品信息和标签信号rssi功率数值集合中，提取用户选定的危化品的危化品信息和标签信号rssi功率数值集合，根据提取的危化品信息和标签信号rssi功率数值集合，采用基于深度学习的智能定位算法对提取的危化品信息对应的危化品进行定位，得到用户选定的危化品的定位结果，所述定位结果包括用户选定的危化品所在区块的区块编号。
24.可选的，所述根据提取的危化品信息和标签信号rssi功率数值集合，采用基于深度学习的智能定位算法对提取的危化品信息对应的危化品进行定位，包括：
25.将提取的危化品信息和标签信号rssi功率数值集合输入训练后的智能定位模型，根据所述智能定位模型输出的危化品的区块编号作为该危化品的定位结果。
26.可选的，所述方法还包括：
27.建立基于随机森林算法的智能定位模型作为基于深度学习的智能定位算法；
28.采集多个危化品的样本数据作为智能定位模型的训练样本集，并对所述训练样本集进行预处理，所述样本数据包括危化品的标签信号rssi功率数值集合和危化品对应的区块编号；
29.使用预处理后的训练样本集对所述智能定位模型进行模型训练，训练后的智能定位模型建立有危化品的标签信号rssi功率数值与危化品的区块编号的对应关系。
30.可选的，所述对训练样本集进行预处理，包括：对训练样本集中的样本数据进行去噪处理，剔除样本集中的无效样本数据。
31.可选的，所述使用预处理后的训练样本集对所述智能定位模型进行模型训练，训
练后的智能定位模型建立有危化品的标签信号rssi功率数值与危化品的区块编号的对应关系，包括：
32.设定模型训练相关模型参数，所述模型参数包括生成随机森林决策树的数目、计算特征重要性时的重复次数和分裂属性的个数；
33.采用自助法随机有放回抽样方法从预处理后的训练样本集中抽取训练样本作为每棵决策树的训练样本子集，训练生成随机森林智能定位模型；
34.所述随机森林智能定位模型建立有危化品的标签信号rssi功率数值与危化品的区块编号之间的非线性映射关系。
35.可选的，所述将提取的危化品信息和标签信号rssi功率数值集合输入训练后的智能定位模型，根据所述智能定位模型输出的危化品的区块编号作为该危化品的定位结果，包括：
36.所述训练后的智能定位模型利用模型中的多棵决策树的预测结果进行投票分类，得到危化品的区块编号。
37.可选的，用户通过以下方式对待定位的危化品进行选定：
38.通过输入待定位的危化品的代码标识对待定位的危化品进行选定。
39.可选的，所述采集多个危化品的样本数据作为智能定位模型的训练样本集，包括：
40.将作为样本训练样本集采集的危化品在仓库的区块中进行随机放置，采集的训练样本集中的样本数据包含每一区块的多个危化品的样本数据。通过上述技术方案，在每一个危化品上设置rfid电子标签，并对仓库进行区块划分，在每个区块设置一个rfid激励器用于激励多个区块的rfid电子标签，并通过射频接收器接收rfid电子标签的标签信号，根据每一标签信号获取对应的危化品的危化品信息和标签信号rssi功率数值，所述方案能解决现有技术中传统rfid电子标签系统通信距离短，无法实现危化品仓库区域的连续覆盖的问题，且通过存储的区块编号，采用基于深度学习的智能定位算法并根据危化品信息和标签信号rssi功率数值集合，可实现对危化品的准确定位，解决现有技术中传统rfid电子标签系统无法实现仓库范围内危化品的实时识别和定位的问题。
41.本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
42.附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
43.图1是本发明一种实施方式提供的一种基于深度学习的仓库危化品自动定位系统示意图；
44.图2是本发明一种实施方式提供的一种基于深度学习的仓库危化品自动定位系统数据处理平台框图；
45.图3是本发明一种实施方式提供的一种基于深度学习的仓库危化品自动定位方法流程图。
46.附图标记说明
47.1-低频激励器；2-危化品包装；3-rfid电子标签；
48.4-射频接收器；5-数据处理平台。
具体实施方式
49.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
50.实施例一
51.本发明实施方式提供一种基于深度学习的仓库危化品自动定位系统，所述仓库划分有多个区块，每一区块存储有多个危化品，且每一区块具有对应的区块编号，所述系统包括：
52.多个rfid激励器，每一区块内对应设置有一个rfid激励器，所述rfid激励器用于受控向所述多个区块发送激励信号；
53.多个rfid电子标签，每一危化品设置有一个rfid电子标签，所述rfid电子标签用于在接收到每一激励信号的情况下发送一标签信号，所述标签信号包含对应危化品的危化品信息；
54.射频接收器，用于接收标签信号，并根据每一标签信号获取对应危化品的危化品信息和标签信号rssi功率数值集合，其中，标签信号对应的标签信号rssi功率数值集合为标签信号对应的危化品与每一rfid激励器对应的标签信号rssi功率数值的集合，并受控将获取的信息上传至数据处理平台；
55.所述数据处理平台，存储有每一区块的区块编号，用于根据接收到的危化品信息和标签信号rssi功率数值集合，采用基于深度学习的智能定位算法对危化品信息对应的危化品进行定位，得到该危化品的定位结果，所述定位结果包括该危化品所在区块的区块编号。
56.上述仓库危化品自动定位系统，为一种上下行解耦架构的rfid电子标签系统。通过对并仓库进行区块划分，在仓库贮存的每一个危化品上设置rfid电子标签，并在每个区块设置一个rfid激励器用于激励多个区块的rfid电子标签，再通过射频接收器接收rfid电子标签的标签信号。通过该上下行解耦架构的rfid电子标签系统，能实现对仓库的连续覆盖，解决现有技术中传统rfid电子标签系统通信距离短，无法实现危化品仓库区域连续覆盖的问题。
57.图1是本发明一种实施方式提供的一种基于深度学习的仓库危化品自动定位系统示意图。如图1所示，一种基于深度学习的仓库危化品自动定位系统，属于一种上下行解耦架构的rfid电子标签系统。所述系统包括低频激励器1、设置在危化品包装2上的rfid电子标签3、射频接收器4和数据处理平台5。
58.如图1所示，在仓库某8m*8m的区域内。按距步为4m，将该区域划分为四个4m*4m的区块，并对每个区块进行区块编号，并将区块编号存储到数据处理平台5。在每个区块中设置一个低频激励器1作为rfid激励器，并在每一个区块的危化品包装2上设置一个rfid电子标签3，在仓库区域中设置一个射频接收器4。四个区块内的低频激励器1受控发出激励信号，区块内每一个危化品包装2上的rfid电子标签3接收到四个区块低频激励器1的信号激励，发出四个标签信号rssi功率数值。射频接收器4接收每一个rfid电子标签的四个标签信号，并根据每一标签信号获取对应的危化品的危化品信息和标签信号rssi功率数值，并将
获取的信息传送给数据处理平台5。
59.如图1所示，由于每一个rfid电子标签3受四个区块内的低频激励器1的激励，每一个rfid电子标签3会接收到四个激励信号的激励，从而会发出四个标签信号，每一标签信号的信号强度对应一个标签信号rssi功率数值，所以每一个rfid电子标签3对应的危化品的标签信号rssi功率数值集合由四个标签信号rssi功率数值组成。
60.具体的，由于每一标签信号的信号强度与激励该标签信号的激励信号的信号强度有关，rfid电子标签接收到的激励信号的信号强度与rfid激励器与该rfid电子标签的距离有关，所以危化品的每一标签信号rssi功率数值与激励该危化品上rfid电子标签的对应rfid激励器的放置位置有关。
61.优选的，所述rfid电子标签为半主动rfid电子标签，所述的半主动rfid电子标签封装于防爆外壳内，设置于危化品包装上。
62.图2是本发明一种实施方式提供的一种基于深度学习的仓库危化品自动定位系统数据处理平台框图。
63.如图2所示，所述数据处理平台包括：
64.输入模块，用于选定待定位的危化品；
65.控制模块，用于控制所述rfid激励器和所述射频接收器的信号收发，以及所述射频接收器和所述数据处理平台的数据传输；
66.数据库模块，用于存储区块编号、危化品信息、危化品的标签信号rssi功率数值集合和定位结果；
67.定位计算模块，内置有基于深度学习的智能定位算法，用于根据接收到的危化品信息和标签信号rssi功率数值集合，对危化品信息对应的危化品进行定位，得到该危化品的定位结果；
68.输出模块，用于输出并显示所述定位结果。
69.优选的，所述输出模块包括显示屏，能够接收定位计算模块输出的危化品的定位结果，并在显示屏上显示该定位结果。
70.如图2所示，控制模块用于发出定位请求，控制信号的收发和数据传输，具体为控制低频激励器和射频接收器的信号收发，以及射频接收器和数据处理平台的数据传输。
71.输入模块与数据库模块相连，用于输入或选择查找数据库模块存储的危化品信息。
72.定位计算模块内置基于深度学习的智能定位算法，根据射频接收器输入到数据处理平台的危化品的标签信号rssi功率数值的集合计算得到标签对应的危化品的定位结果。定位计算模块与数据库模块连接用于获取数据库中存储的区块编号、危化品信息和危化品的标签信号rssi功率数值集合，并将定位计算模块计算的定位结果保存到数据库模块中。
73.输出模块连接定位计算模块，用于接收定位计算模块计算的定位结果并进行显示。
74.进一步的，危化品标签信号中包含存储在危化品rfid标签中的该危化品的危化品信息，所述危化品信息包括该危化品的代码标识，所述代码标识为该危化品的唯一身份标识。所述危化品信息还包括该危化品的登记号、生产或进口企业、生产或进口日期等监管关键信息。
75.进一步的，所述数据输入平台的输入模块包括鼠标和/或键盘，通过键盘输入待定位的危化品的代码标识的方式和/或通过鼠标列表选择危化品的代码标识的方式选定待定位的危化品。
76.进一步的，可将仓库划分为多个区域，每一区域包括多个区块。每一区域内设置有一个射频接收器。
77.所述区块的划分满足一个区块内设置的rfid激励器能激励该区块内所有的rfid电子标签发送标签信号；
78.所述区域的划分满足一个区域内设置的射频接收器能够接收到发送自该区域内所有区块的标签信号。
79.具体的，根据仓库的实际大小、采用的rfid激励器和射频接收器的最大作用范围等因素，将仓库根据实际情况进行区域划分，在划分的区域内再进行区块划分。
80.在每个区块内设置一个rfid激励器，使其满足区块内设置的rfid激励器能激励该区块内所有rfid电子标签发送标签信号。
81.在每个区域内设置一个射频接收器，区域内设置的射频接收器能够接收该区域内所有区块的标签信号。
82.通过此方法，可以实现仓库危化品自动定位系统对仓库区域的连续覆盖，进一步实现对仓库的连续覆盖。
83.优选的，由于仓库危化品的定位结果包括该危化品所在区块的区块编号，所以仓库区块划分越小，危化品的定位越准确。
84.实施例二
85.本发明一种实施方式提供一种基于深度学习的仓库危化品自动定位方法。基于上述实施例一的自动定位系统，所述仓库划分为多个区块，每一区块存储有多个危化品，且每一区块具有对应的区块编号，所述方法包括：
86.响应于用户对待定位的危化品的选定，从获取的仓库中危化品的危化品信息和标签信号rssi功率数值集合中，提取用户选定的危化品的危化品信息和标签信号rssi功率数值集合，根据提取的危化品信息和标签信号rssi功率数值集合，采用基于深度学习的智能定位算法对提取的危化品信息对应的危化品进行定位，得到用户选定的危化品的定位结果，所述定位结果包括用户选定的危化品所在区块的区块编号。
87.具体的，当用户在数据处理平台输入模块输入或选定待定位危化品后，数据处理平台控制模块发送定位请求，控制仓库内所有rfid激励器发出激励信号，激励仓库中危化品的rfid电子标签发送标签信号，并通过射频接收器接收所有标签信号。射频接收器将根据标签信号获取的危化品信息和标签信号rssi功率数值集合发送给数据处理平台进行存储。
88.数据处理平台的定位计算模块进行危化品的危化品信息和标签信号rssi功率数值集合提取，获取待定位危化品的危化品信息和标签信号rssi功率数值集合，并采用基于深度学习的智能定位算法，进行危化品的定位计算。每个区块设置有一个rfid激励器，所以每一个rfid激励器都对应有一个区块编号。根据选定的危化品的标签信号rssi功率数值集合中的每一标签信号rssi功率数值的大小，即可建立危化品与每一rfid激励器的对应关系。根据每一rfid激励器对应的区块编号即可建立危化品与每一区块的关系。最后即可确
定危化品的在仓库中的位置信息。
89.进一步的，提取选定的待定位危化品的危化品信息和标签信号rssi功率数值集合，采用基于深度学习的智能定位算法对危化品信息对应的危化品进行定位，包括：
90.将提取的危化品信息和标签信号rssi功率数值集合输入训练后的智能定位模型，根据所述智能定位模型输出的危化品的区块编号作为该危化品的定位结果。
91.进一步的，建立基于随机森林算法的智能定位模型作为基于深度学习的智能定位算法；
92.采集多个危化品的样本数据作为智能定位模型的训练样本集，并对所述训练样本集进行预处理，所述样本数据包括危化品的标签信号rssi功率数值集合和危化品对应的区块编号；
93.使用预处理后的训练样本集对所述智能定位模型进行模型训练，训练后的智能定位模型建立有危化品的标签信号rssi功率数值与危化品的区块编号的对应关系。
94.进一步的，所述对训练样本集进行预处理，包括：对训练样本集中的样本数据进行去噪处理，剔除样本集中的无效样本数据。
95.进一步的，所述使用预处理后的训练样本集对所述智能定位模型进行模型训练，训练后的智能定位模型建立有危化品的标签信号rssi功率数值与危化品的区块编号的对应关系，包括：
96.设定模型训练相关的模型参数，所述模型参数包括生成随机森林决策树的数目、计算特征重要性时的重复次数和分裂属性的个数；
97.采用自助法随机有放回抽样方法从预处理后的训练样本集中抽取训练样本作为每棵决策树的训练样本子集，训练生成随机森林智能定位模型；
98.所述随机森林智能定位模型建立有危化品的标签信号rssi功率数值与危化品的区块编号之间的非线性映射关系。
99.具体的，采集多个危化品的样本数据作为智能定位模型的训练样本集，包括：在危化品仓库每一个区块的不同空间位置随机放置多个rfid电子标签，并记录每一个rfid电子标签实际存放的区块编号。通过数据处理平台的控制模块发送定位请求，控制每一个区块中的rfid激励器发送激励信号，并控制射频接收器接收rfid电子标签的标签信号，并将根据标签信号获取的危化品信息和标签信号rssi功率数值输入给数据处理平台，由数据库模块进行存储。
100.从数据处理平台的数据库模块中获取接收的所有危化品的标签信号rssi功率数值集合，获取每个危化品的标签信号rssi功率数值集合。将一个危化品的标签信号rssi功率数值集合和该危化品实际放置的区块编号作为一个样本数据。如，仓库有n个区块，则有n个rfid激励器，则对应每一rfid电子标签应接收到n个激励信号，则rfid电子标签对应的危化品的标签信号rssi功率数值集合为(rssi1，rssi2，
……
，rssin)数组，假设rfid电子标签对应的危化品实际存放的区块编号为l，则该rfid电子标签对应的危化品的一个样本数据为(rssi1，rssi2，
……
，rssin，l)。获取多个危化品的样本数据作为训练样本集。
101.在获取训练样本集时，对所述训练样本集进行预处理，所述预处理包括对获取的样本数据中的标签信号rssi功率数值进行去噪处理，以及剔除样本数据中无效的标签信号rssi功率数值，再将处理后的样本数据作为训练样本集的样本数据。
102.优选的，为保证智能定位模型训练样本的质量，rfid电子标签放置时秉承随机原则。即，将作为训练样本集采集的危化品在仓库的区块中进行随机放置，采集的训练样本集中的样本数据包含每一区块的多个危化品的样本数据。
103.具体的，建立基于随机森林算法的智能定位模型，并根据采集的训练样本集对模型进行训练，包括：
104.采用bootstrap(自助法)随机有放回抽样，从训练样本集中抽取训练样本，形成多个用于决策树生成的训练样本子集。
105.对每个训练样本子集用分类回归树算法生成分类树(即，决策树)，建立随机森林模型。设定模型训练相关的模型参数，所述模型参数包括生成随机森林决策树的数目、计算特征重要性时的重复次数和分裂属性的个数。
106.以r语言为例，调用randomforest()函数，设置生成决策树的数目，计算特征重要性时的重复次数，选择的分裂属性的个数。将训练样本集中的样本数据(rssi1，rssi2，
……
，rssin，l)输入模型，进行模型训练，建立标签对应的危化品存放的区块编号l与标签对应的危化品的标签信号rssi功率数值的非线性映射关系，即l＝function(rssi1，rssi2，
……
，rssin)。将训练好的模型嵌入数据处理平台的定位计算模块。
107.进一步的，将危化品信息和标签信号rssi功率数值集合输入训练后的智能定位模型，根据所述智能定位模型输出的危化品的区块编号作为该危化品的定位结果，包括：所述训练后的智能定位模型利用模型中的多棵决策树的预测结果进行投票分类，得到危化品的区块编号。
108.具体的，将危化品信息和标签信号rssi功率数值集合输入训练后的智能定位模型，将危化品的标签信号rssi功率数值集合，即(rssi1，rssi2，
……
，rssin)数组作为训练后的智能定位模型的输入，训练后的智能定位模型将利用随机森林模型中的多颗棵决策树的预测结果进行投票分类，判断该危化品的标签信号rssi功率数值所属的区块编号，根据该区块编号即可确定该危化品在仓库中的位置，从而完成目标危化品的定位。
109.进一步的，用户通过以下方式对待定位的危化品进行选定：通过输入待定位的危化品的代码标识对待定位的危化品进行选定。
110.具体的，数据处理平台的输入模块通过键盘输入或鼠标选择待定位危化品的代码标识，进行待定位危化品的选定。选定待定位危化品后，由数据处理平台的控制模块发送定位请求，控制仓库中rfid激励器发送激励信号，控制射频接收器接收标签信号。数据处理平台将射频接收器接收到的各个危化品的危化品信息和标签信号rssi功率数值进行存储。数据处理平台的定位计算模块获取各个危化品的危化品信息和标签信号rssi功率数值集合，并从危化品信息中提取危化品的代码标识，并与输入模块选择的待定位危化品的代码标识进行比较。从而完成待定位危化品的危化品信息和标签信号rssi功率数值集合的选定，将选定的危化品的标签信号rssi功率数值集合标签信号rssi功率数值输入定位模型，即可计算出该选定的危化品的定位结果。
111.实施例三
112.图3是本发明一种实施方式提供的一种基于深度学习的仓库危化品自动定位方法流程图。其流程主要包括：步骤s1-1和s1-2获取训练样本集，步骤s2-1和s2-2完成模型训练，步骤s3完成危化品定位计算，步骤s4输出危化品定位结果。
113.如图3所示，仓库危化品自动定位方法详细流程，包括：
114.步骤s1-1：在危化品仓库各个区块随机放置多个rfid电子标签，数据处理平台发送定位请求。具体为，在危化品仓库n个区块的不同空间位置放置多个rfid电子标签，为保证智能定位模型训练样本的质量，rfid电子标签放置时秉承随机原则。通过数据处理平台控制模块向区域发送的定位请求，控制n个区块中的rfid激励器发送激励信号，并控制区域内射频接收器接收rfid电子标签的标签信号，并将根据标签信号获取的危化品信息和标签信号rssi功率数值输入给数据处理平台，由数据库模块进行存储。
115.步骤s1-2：获取标签的标签信号rssi功率数值和标签的实际区块编号作为样本数据，并对样本数据进行预处理，得到训练样本集。从数据处理平台的数据库模块中获取接收的所有危化品的危化品信息和标签信号rssi功率数值集合，并从中提取中每一危化品的标签信号rssi功率数值集合。如有n个rfid激励器，则对应每个rfid电子标签应接收到n个激励信号，标签接收的每个激励信号对应一个标签信号rssi功率数值。则危化品的标签信号rssi功率数值集合标签信号rssi功率数值为(rssi1，rssi2，
……
，rssin)数组，标注每个rfid电子标签对应的危化品实际存放的区块编号l，将rfid电子标签对应的危化品的标签信号rssi功率数值集合和rfid电子标签对应的危化品实际存放的区块编号l作为一个样本数据(rssi1，rssi2，
……
，rssin，l)。
116.对样本数据进行预处理，包括对标签信号rssi功率数值进行去噪处理和无效rssi数据剔除处理。理论上，射频接收器对于每一个rfid电子标签都应读取到n个通信信号，但在实际情况中可能会发生漏读现象，如果有缺失，则将其对应的rssii值记为0，为避免对模型训练产生影响，在进行模型训练前提前将漏读的无效样本数据进行删除。采集m个有效样本数据作为模型的训练样本集。
117.其中，m的取值根据实际需求决定，m的取值越大训练样本集中的样本数据越多，模型训练越精准。
118.步骤s2-1：采用bootstrap随机有放回抽样，从训练样本集中抽取样本数据，形成k个训练样本子集。
119.其中，k的数值根据实际需求的模型训练精度确认，k取值越大用于决策树生成的训练样本子集越多，进一步可以生成越多的决策树，随机森林模型中的决策树越多模型训练越精准。
120.步骤s2-2：对每个训练样本子集用分类回归树算法生成分类树(即，决策树)，建立随机森林模型，嵌入数据处理平台。
121.对每个训练样本子集用分类回归树算法生成分类树(即，决策树)，建立随机森林模型。并设定模型训练相关的模型参数，所述模型参数包括生成随机森林决策树的数目、计算特征重要性时的重复次数和分裂属性的个数等。
122.如以r语言为例，调用randomforest()函数，设置生成决策树的数目为20，计算特征重要性时的重复次数为10，选择的分裂属性的个数为2。将样本数据(rssi1，rssi2，
……
，rssin，l)中，(rssi1，rssi2，
……
，rssin)数组作为训练模型的输入，rfid电子标签放置的实际区块编号l作为训练模型的输出，训练获得区块编号l与危化品的标签信号rssi功率数值的非线性映射关系，即l＝function(rssi1，rssi2，
……
，rssin)，得到训练后的定位计算模型。并将训练好的模型嵌入数据处理平台的定位计算模块。
123.步骤s3：实际危化品定位时，输入危化品的标签信号rssi功率数值，调用定位计算模块，利用k课树的预测结果进行投票分类。具体的，数据处理平台数据模块输入或选择待定位危化品的代码标识。由控制模块发送定位请求，控制仓库中rfid激励器发送激励信号，控制射频接收器接收标签信号。数据处理平台接收到各危化品的危化品信息和标签信号rssi功率数值集合，并从中筛选待定位危化品的危化品信息和标签信号rssi功率数值集合。调用定位计算模块，将选定的待定位危化品的(rssi1，rssi2，
……
，rssin)数组作为模型输入，定位模型将利用随机森林模型中的k棵决策树的预测结果进行投票分类，判断该危化品的标签信号rssi功率数值所属的区块编号，进一步确定该危化品的区块编号。
124.s4：输出危化品贮存区块编号，完成目标危化品定位。将定位模型计算出的危化品的区块编号输出到输出模块进行显示，得到危化品在仓库中的贮存位置。
125.本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
126.以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
127.此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。