0 引言

    隨著科技的不斷進(jìn)步，定位技術(shù)也在迅速發(fā)展^[1]。目前常用的定位技術(shù)包括紅外線、超聲波、全球定位、無線局域網(wǎng)、超寬帶、射頻識別（Radio Frequency Identification，RFID）和視覺等技術(shù)，其中，RFID技術(shù)由于具有非視距傳播、識別速度快和成本較低等優(yōu)點日益受到關(guān)注^[4-5]。

    射頻識別技術(shù)是一種非接觸式識別技術(shù)，根據(jù)工作頻率的高低可以分為低頻、高頻、超高頻和微波，頻率越高讀取范圍越大，同時又可以根據(jù)所采用標(biāo)簽的不同，分為無源、半有源、有源三種。無源標(biāo)簽自身沒有電源，而有源標(biāo)簽自身帶電源，半有源標(biāo)簽自身帶電源但是只有接收到信號后才對外發(fā)射信號，無源標(biāo)簽相比于有源標(biāo)簽的優(yōu)點是不需要安裝電池，成本低。

    射頻識別技術(shù)最早的應(yīng)用可以追溯到2003年沃爾瑪公司，該公司在其供應(yīng)鏈中采用了射頻識別技術(shù)，提高了生產(chǎn)效率^[6]；之后美國福特公司也在其北美和歐洲的物流管理過程中采用了視頻識別技術(shù)，用于管理配件，結(jié)果表明也可以有效提升管理效率^[7]；現(xiàn)在的不停車收費系統(tǒng)其可以采用該技術(shù)實現(xiàn)，車輛在經(jīng)過收費站時無需停車就可以實現(xiàn)車輛收費^[8]；同樣該技術(shù)也可以應(yīng)用到醫(yī)療設(shè)備的定位、防盜監(jiān)控中，已有的實踐結(jié)果表明，采用射頻識別技術(shù)可以提高醫(yī)院的效率，方便快捷地查找醫(yī)療設(shè)備^[9]。

    但是采用射頻技術(shù)用于室內(nèi)環(huán)境的定位，由于存在信號干擾，并且對于精度的要求較高，因此一直存在問題。

    人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，可以實現(xiàn)自適應(yīng)功能，已有的研究表明采用神經(jīng)網(wǎng)絡(luò)方法可以顯著提高精確性^[9]，并且不需要知道接收到信號強度值的分布規(guī)律^[10]，即使是利用有干擾的信號用于與實際坐標(biāo)位置的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)也能夠通過補償來獲取準(zhǔn)確位置。

    為此，本文對如何利用神經(jīng)網(wǎng)絡(luò)提高基于無源標(biāo)簽的RFID定位技術(shù)進(jìn)行了研究。

1 實驗布局

    所采用的RFID系統(tǒng)由標(biāo)簽、讀取器、天線、接口和計算機五部分組成，其示意圖如圖1。其中，標(biāo)簽采用無源標(biāo)簽，無源標(biāo)簽貼到小車上表示實際工件，且每個標(biāo)簽被分配了唯一的電子產(chǎn)品代碼以實現(xiàn)跟蹤和識別，不僅可以讀取存儲在通過天線的標(biāo)簽信息，而且可將數(shù)據(jù)寫入標(biāo)簽；天線負(fù)責(zé)無線電傳輸，既輸出無線電波又接收無線電波信號，在本研究中結(jié)合實際情況采用了超高頻段；所有的天線連接到讀取器，讀取器可以直接與標(biāo)記相互作用并讀取存儲在標(biāo)簽信息或?qū)懭霐?shù)據(jù)到標(biāo)簽；接口軟件起到過濾及從讀取器讀取數(shù)據(jù)的作用，接口軟件的信息可以傳遞給計算機。各種設(shè)備的參數(shù)見表1。

2 實驗方法

    通過移動小車到不同的正方形區(qū)域，可以改變與四個天線之間的距離，而接收信號強度與所述距離相關(guān)，從而會得到不同位置時所對應(yīng)的信號強度值與小車距離之間的對應(yīng)關(guān)系。因此在實驗過程中，根據(jù)接收信號的強弱(Received Signal Strength Indicator，RSSI)來實現(xiàn)定位。人工神經(jīng)網(wǎng)絡(luò)作為定位算法訓(xùn)練RSSI值以得到RSSI值和物體的物理坐標(biāo)之間的關(guān)系。

    所采用的校準(zhǔn)板如圖2所示，長度為60 cm，寬度為50 cm，對于校準(zhǔn)電路板的每個小正方形，每邊長3 cm，每個小正方形將被分配一對坐標(biāo)（X，Y），坐標(biāo)原點被設(shè)置在左下角。

    實驗將分為兩個階段。首先，在離線狀態(tài)，利用位置已知點來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，之后通過接收到的RSSI值實現(xiàn)定位。

    天線的布局如圖3所示，采用四角安裝的方式。

3 神經(jīng)網(wǎng)絡(luò)的設(shè)計

3.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    本次采用的是BP（BackproPagation，BP）神經(jīng)網(wǎng)絡(luò)，此類型的網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小^[11]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層。因為實驗過程中采用了4個天線，每一個天線會得到不同的信號強度，因此輸入層的輸入量為4個。在實驗過程中將利用神經(jīng)網(wǎng)絡(luò)預(yù)測一個二維平面，輸出量包含x和y坐標(biāo)值，輸出量為2個。經(jīng)過多次試驗，并通過改變在每個隱含層和神經(jīng)元的數(shù)目，最終確定該神經(jīng)網(wǎng)絡(luò)包含2個隱藏層，第一隱含層有9個神經(jīng)元，第二隱含層有5個神經(jīng)元。圖4給出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

3.2 神經(jīng)網(wǎng)絡(luò)參數(shù)配置

    需要說明的是在小車移動過程中，標(biāo)簽的方向不變，因為標(biāo)簽方向的改變可以影響與天線之間的通信，從而影響接收到的信號強度^[11]。

    在MATLAB中，訓(xùn)練多層網(wǎng)絡(luò)時，一般的做法是將數(shù)據(jù)分成三個子集。第一子集是訓(xùn)練集，用于計算梯度和更新網(wǎng)絡(luò)權(quán)重值和偏差值；第二子集是驗證集，避免出現(xiàn)過度擬合現(xiàn)象；第三個子集是測試集，用于測試所訓(xùn)練神經(jīng)網(wǎng)絡(luò)的效果。

    所采用的數(shù)據(jù)點在整個標(biāo)準(zhǔn)板內(nèi)類似隨機分布，從而使得神經(jīng)網(wǎng)絡(luò)能夠充分地學(xué)習(xí)數(shù)據(jù)并進(jìn)行精確的預(yù)測。訓(xùn)練樣本總共有76個，測試樣本10個，驗證樣本10個，具體位置如圖5所示。

    網(wǎng)格訓(xùn)練采用trainlm函數(shù)進(jìn)行訓(xùn)練，此函數(shù)基于Levenberg-Marquardt反向傳播原理，通過不斷更新權(quán)重和偏差值來實現(xiàn)。

    BP神經(jīng)網(wǎng)絡(luò)性能評價方法一般采用目標(biāo)值和輸出值均方差函數(shù)來表示：

    其中，t_i表示第i^th個目標(biāo)值，o_i為第i^th的輸出值。

    圖6所示為迭代次數(shù)為14次時的均方差曲線，在第8次迭代時，驗證集的均方誤差達(dá)到3.115 9，之后均方誤差連續(xù)6次沒有繼續(xù)降低，程序就停止迭代，以免出現(xiàn)過度擬合現(xiàn)象，導(dǎo)致訓(xùn)練數(shù)據(jù)誤差很小，但是測試數(shù)據(jù)誤差很大。

4 結(jié)果及討論

    需要說明的是由于標(biāo)簽本身有一定的尺寸(10×50)，其實際坐標(biāo)確定為其中心點坐標(biāo)。

    圖7給出了訓(xùn)練后所得到的實際坐標(biāo)和預(yù)測坐標(biāo)之間的關(guān)系，用橫坐標(biāo)表示目標(biāo)值（不區(qū)分X坐標(biāo)或Y坐標(biāo)），縱坐標(biāo)表示預(yù)測值，給出了預(yù)測值的擬合曲線。

    如果預(yù)測值和目標(biāo)值完全一致，則預(yù)測值應(yīng)該全部落到45°線上，但是從圖中可以發(fā)現(xiàn)，該擬合曲線與45°線存在偏差，擬合曲線的擬合方程為：

    Output=0.99Target+0.024

    其中，Output 表示預(yù)測值，Target表示目標(biāo)值，可見得到的預(yù)測數(shù)據(jù)和目標(biāo)值非常接近，這表明了該網(wǎng)絡(luò)的良好預(yù)測性能。

    為了更為清楚地說明實驗結(jié)果，圖8給出了目標(biāo)值和預(yù)測值在二維坐標(biāo)內(nèi)的對比圖。由圖8知，所有的預(yù)測值和實際值之間的差距都比較小，都在2 cm以內(nèi)。由于標(biāo)簽自身存在一定的體積，由此可見，目標(biāo)值和預(yù)測值之間的重合度較好。

    圖9為預(yù)測值的歐幾里得誤差圖。歐幾里得誤差的描述方法為：

    其中，TargetX為X坐標(biāo)目標(biāo)值，TargetY為Y坐標(biāo)目標(biāo)值，EstimateX為預(yù)測X坐標(biāo)值，EstimateY為預(yù)測Y坐標(biāo)值。

    可見最大歐幾里得誤差為2.54，最小歐幾里德誤差為0.13，平均誤差為0.996 6，小于1。

5 結(jié)論

    將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到射頻識別定位技術(shù)中，通過實驗驗證可以得到以下結(jié)論：

    (1)通過驗證集數(shù)據(jù)驗證是否存在過度擬合的現(xiàn)象，有助于改善神經(jīng)網(wǎng)絡(luò)；(2)在一個60 cm×50 cm的區(qū)域內(nèi)通過四角布置4個天線，采用BP神經(jīng)網(wǎng)絡(luò)可以將定位誤差控制在2 cm以內(nèi)；(3)利用BP神經(jīng)網(wǎng)絡(luò)改善射頻識別定位技術(shù)的精度是可行的。

參考文獻(xiàn)

[1] 曹世華.室內(nèi)定位技術(shù)和系統(tǒng)的研究進(jìn)展[J].計算機系統(tǒng)應(yīng)用，2013(9)：1-5.

[2] REEDER S.Radio frequency identification device(RFID) and real time location systems(RTLS) enhance nursing care delivery[C].Sigma Theta Tau：International′s 25th International Nursing Research Congress，2014.

[3] JI Y.Dynamic 3-D indoor radio propagation model and applications with radios from 433 MHz to 2.4 GHz[J].International Journal of Communications，Network and System Sciences，2012，5(11)：753-766.

[4] KIM S H，PARK H，BANG H C，et al.An indoor location tracking based on mobile RFID for smart exhibition service[J].Journal of Computer Virology and  Hacking Techniques，2014，10(2)：89-96.

[5] LI N，BECERIK G B.Performance-based evaluation of RFID-based indoor location sensing solutions for the built environment[J].Advanced Engineering Informatics，2011，25(3)：535-546.

[6] MASSUOD O，HASSAN S.Improved supply chain performance through RFID technology：comparative case analysis of Metro Group and Wal-Mart.Master of Information Systems Technology-Research thesis[D].Waollongong：University of Waollongong，2012.

[7] LI Z K，GADH R，PRABHU B.Applications of RFID technology and smart parts in manufacturing[C].San Diego：International Design Engineering Technical Conferences and Computers and Information in Engineering Conference，2004.

[8] SALUNKE P.Automated toll collection system using RFID[J].IOSR Journal of Computer Engineering(IOSRJCE)，2013，9(2)：61-66.

[9] GHOLAMI M，CAI N，BRENNAN R W.An artificial neural network approach to the problem of wireless sensors network localization[J].Robotics and Computer-Integrated Manufacturing，2013，29(1)：96-109.

[10] HECHT N R.Theory of the backpropagation neural network[C].Michigan：International Joint Conference on.1989.

[11] 康東，石喜勤，李勇鵬．射頻識別(RFID)核心技術(shù)與典型應(yīng)用開發(fā)案例[M]．北京：人民郵電出版社，2008．