基于雙神經(jīng)網(wǎng)絡(luò)的RFID室內(nèi)定位方法①

陳龍鵬 ，葉 寧，4，王汝傳，4

1(南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，南京 210023)

2(南京郵電大學(xué) 軟件學(xué)院，南京 210023)

3(南京郵電大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，南京 210023)

4(南京郵電大學(xué) 江蘇省無線傳感網(wǎng)高技術(shù)重點(diǎn)實(shí)驗(yàn)室，南京 210023)

近年來，隨著科技的進(jìn)步和人們生活水平的不斷提高，社會(huì)各行業(yè)對(duì)基于用戶的位置信息，尤其是室內(nèi)定位的需求日益增長.在室內(nèi)定位的需求的推動(dòng)下，室內(nèi)定位技術(shù)發(fā)展十分迅速，目前室內(nèi)定位技術(shù)被廣泛應(yīng)用于醫(yī)院，超市，工廠，博物館等場(chǎng)所[1].根據(jù)獲得環(huán)境參數(shù)與數(shù)據(jù)采集方式的不同，目前常用的室內(nèi)定位方法主要有基于WiFi、藍(lán)牙、ZigBee、超帶寬、超聲波、紅外線以及 RFID 技術(shù)等7 種[2].射頻識(shí)別(Radio Frequency Identification，RFID)是一種利用射頻信號(hào)自動(dòng)識(shí)別目標(biāo)信號(hào)對(duì)象并獲取相關(guān)信息的技術(shù).由于RFID 技術(shù)可以在非接觸，非測(cè)距的情況下自動(dòng)識(shí)別標(biāo)簽以及可以同時(shí)識(shí)別多個(gè)標(biāo)簽，同時(shí)具有低廉的設(shè)備成本，操作方便，定位精度相比其他方法要高等優(yōu)點(diǎn)，使其成為最常用的室內(nèi)定位技術(shù)[3].

目前常用的室內(nèi)定位方法根據(jù)是否需要測(cè)量節(jié)點(diǎn)間距分為兩類，分別是基于測(cè)距的定位方法和非測(cè)距的定位方法[4].基于測(cè)距的定位方法主要有信號(hào)到達(dá)時(shí)間(TOA)、到達(dá)時(shí)間差(TDOA)、到達(dá)角(AOA)和接收信號(hào)強(qiáng)度(RSSI)四種方法，基于非測(cè)距的定位有兩種，分別是場(chǎng)景分析定位方法和近似度定位方法.由于基于RSSI 的室內(nèi)定位方法具有布置簡單，復(fù)雜度低等特點(diǎn)，已成為目前最常用的室內(nèi)定位方法，但存在定位精度不高，受環(huán)境影響較大等問題[5].

為了解決以上問題，本文提出一種結(jié)合BP 和DNN 模型的雙神經(jīng)網(wǎng)絡(luò)的RFID 室內(nèi)定位算法，通過引入雙神經(jīng)網(wǎng)絡(luò)模型解決現(xiàn)有的基于RFID 的室內(nèi)定位技術(shù)中復(fù)雜的室內(nèi)環(huán)境對(duì)路徑損耗系數(shù)n的影響，以及如何提高定位精度、克服傳統(tǒng)定位算法實(shí)時(shí)性差的問題.

1 RFID 室內(nèi)定位技術(shù)

1.1 RFID 定位方法分類

根據(jù)定位方法是否需要測(cè)距來分類可以將RFID室內(nèi)定位方法分為2 種，分別是測(cè)距方法和非測(cè)距方法.基于測(cè)距的RFID 室內(nèi)定位方法通過測(cè)量未知節(jié)點(diǎn)與錨點(diǎn)間的距離、角度等信息，結(jié)合三角測(cè)量、最大似然估計(jì)等算法來實(shí)現(xiàn)定位；基于非測(cè)距的RFID 室內(nèi)定位方法通過網(wǎng)絡(luò)連通性和場(chǎng)景分析等特征實(shí)現(xiàn)定位.與基于測(cè)距的定位方法相比，非測(cè)距方法的定位更容易受到外界因素的影響，很少應(yīng)用到實(shí)際場(chǎng)景中.RFID 室內(nèi)定位方法分類如圖1所示.

圖1 RFID 室內(nèi)定位方法分類

在考慮室內(nèi)環(huán)境的影響、成本、復(fù)雜度等因素后，由于基于RSSI 的定位方法測(cè)距簡單，成本較小，易于實(shí)現(xiàn)，已成為目前最常用的室內(nèi)定位方法，但有定位誤差大，實(shí)時(shí)性差，受室內(nèi)環(huán)境影響較大等缺陷.

1.2 基于RSSI 的RFID 定位算法原理

接收信號(hào)強(qiáng)度的衰減和距離有一定的指數(shù)關(guān)系，隨著距離的增加，接收信號(hào)強(qiáng)度越來越弱，同時(shí)接收信號(hào)強(qiáng)度也受環(huán)境影響，室內(nèi)傳播環(huán)境不同，路徑損耗也不同.常用的基于RSSI 定位算法通常采用經(jīng)典信號(hào)傳播模型(路徑-損耗模型)[6]，如式(1) 所示：

其中，n代表路徑損耗系數(shù)[7]，d為待測(cè)標(biāo)簽與讀寫器的距離，d0表示與地面的參考距離，通常取1 m，RSSI(d)和RSSI(d0)分別表示讀寫器讀取到的與讀寫器距離為d和d0的目標(biāo)標(biāo)簽的接收信號(hào)強(qiáng)度，X為噪聲干擾，X服從正態(tài)分布N(0，σ2)，通?？珊雎栽肼暩蓴_，取d0=1 m，可將(1) 式簡化為：

根據(jù)測(cè)量得到的RSSI(d)，RSSI(d0)值，再結(jié)合路徑損耗系數(shù)n，由式(2)即可得到待測(cè)標(biāo)簽到讀寫器的距離d，再根據(jù)性能指標(biāo)式(3) 就可得到待測(cè)標(biāo)簽的坐標(biāo).

其中，(xi，yi)表示m個(gè)讀寫器的坐標(biāo).

由于神經(jīng)網(wǎng)絡(luò)可以擬合任意連續(xù)的函數(shù)，由傳統(tǒng)的路徑-損耗模型可知，接收信號(hào)強(qiáng)度值RSSI與路徑損耗系數(shù)n之間存在函數(shù)關(guān)系，由性能指標(biāo)式(3)可知標(biāo)簽到讀寫器的距離d與實(shí)際的坐標(biāo)值之間也存在函數(shù)關(guān)系，所以可以將傳統(tǒng)的室內(nèi)定位技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，實(shí)現(xiàn)實(shí)時(shí)高精度定位.

2 基于雙神經(jīng)網(wǎng)絡(luò)的RFID 室內(nèi)定位算法

2.1 算法分析

由于室內(nèi)環(huán)境復(fù)雜多變[8]，路徑損耗系數(shù)n隨著室內(nèi)傳播環(huán)境的變化而變化，而傳統(tǒng)的基于RSSI 的室內(nèi)定位算法通常取固定值，導(dǎo)致系統(tǒng)定位精度較差[9].本文將傳統(tǒng)基于RSSI 的室內(nèi)定位方法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，利用神經(jīng)網(wǎng)絡(luò)可以擬合任意一個(gè)連續(xù)的函數(shù)關(guān)系的特點(diǎn)，擬合接收信號(hào)強(qiáng)度RSSI與路徑損耗系數(shù)n以及待測(cè)標(biāo)簽坐標(biāo)之間的函數(shù)關(guān)系.本文設(shè)計(jì)基于BP 網(wǎng)絡(luò)和DNN 網(wǎng)絡(luò)的雙神經(jīng)網(wǎng)絡(luò)模型來輸出待測(cè)標(biāo)簽坐標(biāo).第一步用BP 網(wǎng)絡(luò)來預(yù)測(cè)路徑損耗系數(shù)n，所以BP 網(wǎng)絡(luò)的輸入為濾波后的RSSI值，輸出為路徑損耗系數(shù)n，第二步將BP 網(wǎng)絡(luò)的輸出路徑損耗系數(shù)n和濾波后的RSSI作為DNN 網(wǎng)絡(luò)模型的輸入，輸出待測(cè)標(biāo)簽的坐標(biāo).算法流程圖如圖2所示.

圖2 基于雙神經(jīng)網(wǎng)絡(luò)的RFID 室內(nèi)定位算法流程圖

2.2 數(shù)據(jù)預(yù)處理

對(duì)同一個(gè)閱讀器接收到的多個(gè)RSSI值中，由于存在各種因素的干擾，收集到的數(shù)據(jù)有部分由誤差引起的小概率無效數(shù)據(jù)，為了減少誤差，剔除無效數(shù)據(jù)的干擾，本文采取高斯濾波對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，通過高斯模型[10]選取大概率發(fā)生區(qū)間的RSSI值作為有效值，再計(jì)算算術(shù)平均值作為濾波后的輸出，從而減少小概率、強(qiáng)干擾對(duì)整體測(cè)量數(shù)據(jù)的影響，提高定位的準(zhǔn)確性.

接收信號(hào)強(qiáng)度值服從(0，σ2)的高斯分布，其概率密度函數(shù)如式(4) 所示：

其中，

則區(qū)間( μ-σ ＜RS S Ik＜μ+σ)的概率公式如式(7)所示：

計(jì)算這些RSSI值的算術(shù)平均值：

2.3 設(shè)計(jì)雙神經(jīng)網(wǎng)絡(luò)模型

由萬能近似(universal approximation theorem)定理可以證明，神經(jīng)網(wǎng)絡(luò)能夠擬合連續(xù)函數(shù)，而根據(jù)傳統(tǒng)的路徑-損耗模型可知接收信號(hào)強(qiáng)度RSSI和路徑損耗系數(shù)n、待測(cè)標(biāo)簽坐標(biāo)(x，y)之間存在函數(shù)關(guān)系，所以本文設(shè)計(jì)BP 網(wǎng)絡(luò)模型來預(yù)測(cè)路徑損耗系數(shù)n，DNN網(wǎng)絡(luò)模型預(yù)測(cè)待測(cè)標(biāo)簽的實(shí)際坐標(biāo).

本文采用Adam 算法降低雙神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間和復(fù)雜度，Adam 算法即自適應(yīng)時(shí)刻估計(jì)方法(adaptive moment estimation)，能計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率.這個(gè)方法不僅存儲(chǔ)了AdaDelta 先前平方梯度的指數(shù)衰減平均值，而且保持了先前梯度M(t)的指數(shù)衰減平均值，從而加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練，優(yōu)化網(wǎng)絡(luò)訓(xùn)練時(shí)間，同時(shí)降低模型的復(fù)雜度.

我們確定BP 網(wǎng)絡(luò)的輸入為濾波后的RSSI 值，輸出為路徑損耗系數(shù)n，由于在本文實(shí)驗(yàn)中設(shè)置的閱讀器個(gè)數(shù)為4，而相同環(huán)境下同一房間內(nèi)的路徑損耗系數(shù)n只需取一個(gè)值，所以設(shè)定BP 神經(jīng)網(wǎng)絡(luò)的輸入層為4，輸出層為1.BP 網(wǎng)絡(luò)模型中的隱含層層數(shù)和節(jié)點(diǎn)個(gè)數(shù)的設(shè)置，以及激活函數(shù)的選擇通常根據(jù)經(jīng)驗(yàn)確定.首先假設(shè)隱含層的節(jié)點(diǎn)數(shù)，根據(jù)經(jīng)驗(yàn)本仿真固定隱含層節(jié)點(diǎn)個(gè)數(shù)為18 個(gè).通過調(diào)節(jié)隱含層層數(shù)，觀察隱含層的擬合效果，發(fā)現(xiàn)當(dāng)隱含層為1 時(shí)就可以達(dá)到良好的擬合效果，而且一層網(wǎng)絡(luò)訓(xùn)練時(shí)間短，結(jié)構(gòu)簡單，易于實(shí)現(xiàn)，因此可以確定隱含層的層數(shù)為1 層.在確定隱含層節(jié)點(diǎn)數(shù)的時(shí)候，觀察隱含層節(jié)點(diǎn)數(shù)從8 逐漸增加時(shí)的擬合效果，發(fā)現(xiàn)當(dāng)節(jié)點(diǎn)數(shù)為26 時(shí)不會(huì)出現(xiàn)過擬合現(xiàn)象，同時(shí)BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間短，得到的結(jié)果最優(yōu)，所以可以得到BP 網(wǎng)絡(luò)模型的結(jié)構(gòu)為4：26：1.

由于BP 網(wǎng)絡(luò)只有3 層，輸出延遲可以忽略，得到BP 模型的輸出路徑損耗系數(shù)n后，將n與濾波后的接收信號(hào)強(qiáng)度RSSI 一起作為DNN 網(wǎng)絡(luò)模型的輸入，同理可以確定DNN 網(wǎng)絡(luò)模型的隱含層層數(shù)為5，隱含層節(jié)點(diǎn)個(gè)數(shù)分別為60，50，60，50，50.DNN 網(wǎng)絡(luò)模型的結(jié)構(gòu)為5：60：50：60：50：50：2.

基于雙神經(jīng)網(wǎng)絡(luò)模型的RSSI 定位算法能夠根據(jù)室內(nèi)環(huán)境預(yù)測(cè)當(dāng)前環(huán)境下的路徑損耗系數(shù)n，避免了因環(huán)境變化造成的定位誤差，保證了系統(tǒng)的魯棒性，同時(shí)提高了系統(tǒng)的定位精度.

3 實(shí)驗(yàn)與仿真

3.1 實(shí)驗(yàn)環(huán)境部署

為了驗(yàn)證算法的性能，需要在實(shí)驗(yàn)室進(jìn)行定位實(shí)驗(yàn)來驗(yàn)證，實(shí)驗(yàn)室的房間面積為6 m×6 m.本文所設(shè)計(jì)的定位系統(tǒng)包括4 個(gè)讀寫器，1 個(gè)待定位的RFID 標(biāo)簽，1 個(gè)用于采集數(shù)據(jù)的參考標(biāo)簽和計(jì)算機(jī)終端.首先在房間內(nèi)4 個(gè)角分別放置4 個(gè)讀寫器，讀寫器高度為1.5 m，在房間內(nèi)間隔0.5 m 設(shè)置100 個(gè)標(biāo)記點(diǎn)，在每個(gè)標(biāo)記點(diǎn)距離地面1.5 m 處采集接收信號(hào)強(qiáng)度RSSI，取房間俯視圖左下角為坐標(biāo)原點(diǎn)，記錄參考點(diǎn)的坐標(biāo)并保存數(shù)據(jù).實(shí)驗(yàn)環(huán)境俯視圖如圖3所示.

圖3 實(shí)驗(yàn)環(huán)境俯視圖

本實(shí)驗(yàn)中，我們所用的閱讀器是圖4中的IMPINJ R420 閱讀器，它的工作頻率在920-925 MHz.實(shí)驗(yàn)所用標(biāo)簽如圖5所示.

圖4 IMPINJ 閱讀器

圖5 實(shí)驗(yàn)所用RFID 標(biāo)簽

3.2 實(shí)驗(yàn)步驟

① 在房間內(nèi)設(shè)置4 個(gè)讀寫器，分別對(duì)每個(gè)參考標(biāo)簽連續(xù)采樣30 次得到第i個(gè)標(biāo)簽的信號(hào)強(qiáng)度值RSS Iik,j，記為Ri，其中i=1，2，3，…，100，j=1，2，3，4，k=1，2，3，…，30，并記錄對(duì)應(yīng)第i個(gè)標(biāo)簽的坐標(biāo)Pi(xi，yi).將每個(gè)標(biāo)簽的信號(hào)強(qiáng)度值與坐標(biāo)聯(lián)合在一起，得到含噪聲的原始訓(xùn)練數(shù)據(jù)集D={(R1，，P1)，(R2，P2)，…(Ri，Pi)}.

② 同一個(gè)閱讀器接收到的連續(xù)多個(gè)RSSI值符合高斯分布，為了減少干擾，剔除噪聲數(shù)據(jù)，需要對(duì)采集到的信號(hào)強(qiáng)度值RSSI進(jìn)行去噪預(yù)處理.通過高斯模型選取大概率區(qū)間內(nèi)的RSSI值作為有效數(shù)據(jù)，RSSI與高斯函數(shù)的關(guān)系如下：

RSSIi，jk為第j個(gè)閱讀器讀取到的第i個(gè)標(biāo)簽的第k個(gè)信號(hào)強(qiáng)度值，其中i=1，2，3，…，100，j=1，2，3，4，k=1，2，3，…，30.

取大概率區(qū)間內(nèi)的接收信號(hào)強(qiáng)度值作為有效數(shù)據(jù)保留，再對(duì)k次測(cè)量中所有的有效數(shù)據(jù)求平均值，過程如下：

其中，m為連續(xù)測(cè)量k次中符合大概率區(qū)間內(nèi)的信號(hào)強(qiáng)度值的個(gè)數(shù)，D′i，j表示第i個(gè)標(biāo)簽被第j個(gè)讀寫器所讀取到的濾波后的信號(hào)強(qiáng)度值RSSI的平均值，記為R′i={D′i，1，D′i，2，D′i，3，D′i，4}.

③ 濾波后選取10 個(gè)距離讀寫器d0=1 m 處的參考標(biāo)簽的信號(hào)強(qiáng)度值RSSI，即D′d，d=1，2，…，10，計(jì)算其平均值由式(2) 可求得路徑損耗系數(shù)ni，如下所示：

將其取平均值，得到最終的路徑損耗系數(shù)n.

④ 將濾波后得到的信號(hào)強(qiáng)度值RSSI和路徑損耗系數(shù)n放在一起，得到BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集D′1，將濾波后的信號(hào)強(qiáng)度值Ri與路徑損耗系數(shù)n和標(biāo)簽坐標(biāo)Pi聯(lián)合在一起得到新的DNN 網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集D′2，建立離線訓(xùn)練數(shù)據(jù)集.

⑤ 得到新的訓(xùn)練數(shù)據(jù)集之后，采用k-折交叉驗(yàn)證法來訓(xùn)練BP 網(wǎng)絡(luò)模型.將數(shù)據(jù)集D′1分成10 份，其中一份當(dāng)做測(cè)試集，其他9 份作為訓(xùn)練集，重復(fù)劃分并訓(xùn)練模型10 次，即可得到泛化誤差最小的模型，從而得到不同的環(huán)境下的不同的路徑損耗系數(shù)n，避免了環(huán)境對(duì)定位精度的影響.

⑥ 得到DNN 的數(shù)據(jù)集D′2之后，采用k-折交叉驗(yàn)證法來訓(xùn)練DNN 網(wǎng)絡(luò)模型，優(yōu)化模型參數(shù)，得到最優(yōu)的DNN 模型，該模型保證了定位的實(shí)時(shí)性，有效避免因復(fù)雜多變的室內(nèi)環(huán)境而產(chǎn)生的定位誤差.

⑦ 在線實(shí)時(shí)預(yù)測(cè)待測(cè)標(biāo)簽坐標(biāo).當(dāng)有RFID 標(biāo)簽進(jìn)入到閱讀器接收區(qū)域后，經(jīng)過步驟③的數(shù)據(jù)預(yù)處理得到濾波后的信號(hào)強(qiáng)度值RSSI，將其輸入到訓(xùn)練好的雙神經(jīng)網(wǎng)絡(luò)模型中，即可輸出待測(cè)標(biāo)簽的精確坐標(biāo).

3.3 實(shí)驗(yàn)結(jié)果分析

在Python2.7 環(huán)境下，分別對(duì)基于雙神經(jīng)網(wǎng)絡(luò)的RFID 定位算法和傳統(tǒng)的基于RSSI的定位算法和基于ANN 網(wǎng)絡(luò)的RSSI定位算法進(jìn)行仿真，定位結(jié)果如下圖所示.其中，在圖6中，圓點(diǎn)“○”為待測(cè)標(biāo)簽的實(shí)際坐標(biāo)，菱形“◇”為基于雙神經(jīng)網(wǎng)絡(luò)的定位算法得到的預(yù)測(cè)坐標(biāo)，三角形“Δ”為基于雙神經(jīng)網(wǎng)絡(luò)的定位算法得到的預(yù)測(cè)坐標(biāo)，十字“ + ”表示基于ANN 網(wǎng)絡(luò)的RSSI定位算法得到的坐標(biāo).由圖7可知，傳統(tǒng)的基于RSSI的定位算法平均誤差為0.9481 米，基于ANN 網(wǎng)絡(luò)的定位算法平均誤差為0.589 米，而本文提出的基于雙神經(jīng)網(wǎng)絡(luò)的RFID 定位算法平均誤差為0.4216 米，可以看出本文提出的算法定位精度有明顯提高.跟蹤定位效果如圖8所示.

圖6 實(shí)際坐標(biāo)與仿真結(jié)果

在相同的實(shí)驗(yàn)環(huán)境下，我們采用4 個(gè)方法做了4 組實(shí)驗(yàn)，每組中記錄10 次定位所花費(fèi)的時(shí)間并取其平均值，平均每次定位所需時(shí)間如表1所示.由表1可知，基于雙神經(jīng)網(wǎng)絡(luò)的RSSI定位方法平均定位所需時(shí)間要少于1 s，能夠滿足實(shí)時(shí)定位的需求，本文算法的復(fù)雜度明顯優(yōu)于BP 模型和ANN 模型，平均每次定位所需時(shí)間更短，具有更好的實(shí)時(shí)性.

從實(shí)驗(yàn)結(jié)果可以看出本文提出的算法減少了定位誤差，定位所需時(shí)間更短，雙神經(jīng)網(wǎng)絡(luò)模型的計(jì)算復(fù)雜度低于BP 模型和ANN 模型，本算法能夠根據(jù)室內(nèi)環(huán)境的變化計(jì)算出當(dāng)前環(huán)境下的路徑損耗系數(shù)n，從而減少定位誤差，系統(tǒng)的魯棒性和定位精度有明顯提高，同時(shí)定位效率有了明顯改善，在靜態(tài)物體定位和運(yùn)動(dòng)物體跟蹤定位方面都有良好的效果，能夠滿足實(shí)時(shí)定位的要求.

圖7 定位誤差

圖8 運(yùn)動(dòng)情況下跟蹤效果

表1 平均每次定位時(shí)間(s)

4 結(jié)論

針對(duì)傳統(tǒng)的基于RSSI 的定位方法存在受環(huán)境影響較大，定位精度不高等缺點(diǎn)[11]，本文結(jié)合神經(jīng)網(wǎng)絡(luò)算法，提出一種基于雙神經(jīng)網(wǎng)絡(luò)的RFID 室內(nèi)定位算法，利用雙神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)當(dāng)前環(huán)境下的路徑損耗系數(shù)的預(yù)測(cè)并精確輸出待測(cè)標(biāo)簽的實(shí)際坐標(biāo)，由實(shí)驗(yàn)結(jié)果可知，本文提出的基于雙神經(jīng)網(wǎng)絡(luò)的定位算法大幅減少了定位誤差，克服了室內(nèi)環(huán)境變化對(duì)路徑損耗系數(shù)n的影響，能夠提高定位系統(tǒng)的魯棒性，并且具有更好的實(shí)時(shí)性，能夠部署在圖書館，超市等環(huán)境，有著廣泛的應(yīng)用前景.