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(shí)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(shí)別速度快和成本較低等優(yōu)點(diǎn)日益受到關(guān)注^[4-5]。

    射頻識(shí)別技術(shù)是一種非接觸式識(shí)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(shí)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(hào)后才對(duì)外發(fā)射信號(hào)，無源標(biāo)簽相比于有源標(biāo)簽的優(yōu)點(diǎn)是不需要安裝電池，成本低。

    射頻識(shí)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(shí)別技術(shù)，提高了生產(chǎn)效率^[6]；之后美國(guó)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(shí)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(fèi)系統(tǒng)其可以采用該技術(shù)實(shí)現(xiàn)，車輛在經(jīng)過收費(fèi)站時(shí)無需停車就可以實(shí)現(xiàn)車輛收費(fèi)^[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(shí)踐結(jié)果表明，采用射頻識(shí)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(hào)干擾，并且對(duì)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(shí)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(hào)強(qiáng)度值的分布規(guī)律^[10]，即使是利用有干擾的信號(hào)用于與實(shí)際坐標(biāo)位置的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)也能夠通過補(bǔ)償來獲取準(zhǔn)確位置。

    為此，本文對(duì)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(shí)驗(yàn)布局

    所采用的RFID系統(tǒng)由標(biāo)簽、讀取器、天線、接口和計(jì)算機(jī)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(shí)際工件，且每個(gè)標(biāo)簽被分配了唯一的電子產(chǎn)品代碼以實(shí)現(xiàn)跟蹤和識(shí)別，不僅可以讀取存儲(chǔ)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(hào)，在本研究中結(jié)合實(shí)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(chǔ)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(jì)算機(jī)。各種設(shè)備的參數(shù)見表1。

2 實(shí)驗(yàn)方法

    通過移動(dòng)小車到不同的正方形區(qū)域，可以改變與四個(gè)天線之間的距離，而接收信號(hào)強(qiáng)度與所述距離相關(guān)，從而會(huì)得到不同位置時(shí)所對(duì)應(yīng)的信號(hào)強(qiáng)度值與小車距離之間的對(duì)應(yīng)關(guān)系。因此在實(shí)驗(yàn)過程中，根據(jù)接收信號(hào)的強(qiáng)弱(Received Signal Strength Indicator，RSSI)來實(shí)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(zhǎng)度為60 cm，寬度為50 cm，對(duì)于校準(zhǔn)電路板的每個(gè)小正方形，每邊長(zhǎng)3 cm，每個(gè)小正方形將被分配一對(duì)坐標(biāo)（X，Y），坐標(biāo)原點(diǎn)被設(shè)置在左下角。

    實(shí)驗(yàn)將分為兩個(gè)階段。首先，在離線狀態(tài)，利用位置已知點(diǎn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，之后通過接收到的RSSI值實(shí)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(jì)

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?yàn)閷?shí)驗(yàn)過程中采用了4個(gè)天線，每一個(gè)天線會(huì)得到不同的信號(hào)強(qiáng)度，因此輸入層的輸入量為4個(gè)。在實(shí)驗(yàn)過程中將利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)一個(gè)二維平面，輸出量包含x和y坐標(biāo)值，輸出量為2個(gè)。經(jīng)過多次試驗(yàn)，并通過改變?cè)诿總€(gè)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(gè)隱藏層，第一隱含層有9個(gè)神經(jīng)元，第二隱含層有5個(gè)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(dòng)過程中，標(biāo)簽的方向不變，因?yàn)闃?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(hào)強(qiáng)度^[11]。

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

    所采用的數(shù)據(jù)點(diǎn)在整個(gè)標(biāo)準(zhǔn)板內(nèi)類似隨機(jī)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(cè)。訓(xùn)練樣本總共有76個(gè)，測(cè)試樣本10個(gè)，驗(yàn)證樣本10個(gè)，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(shí)現(xiàn)。

    BP神經(jīng)網(wǎng)絡(luò)性能評(píng)價(jià)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(gè)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(shí)的均方差曲線，在第8次迭代時(shí)，驗(yàn)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(cè)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(shí)際坐標(biāo)確定為其中心點(diǎn)坐標(biāo)。

    圖7給出了訓(xùn)練后所得到的實(shí)際坐標(biāo)和預(yù)測(cè)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(cè)值，給出了預(yù)測(cè)值的擬合曲線。

    如果預(yù)測(cè)值和目標(biāo)值完全一致，則預(yù)測(cè)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(cè)值，Target表示目標(biāo)值，可見得到的預(yù)測(cè)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(cè)性能。

    為了更為清楚地說明實(shí)驗(yàn)結(jié)果，圖8給出了目標(biāo)值和預(yù)測(cè)值在二維坐標(biāo)內(nèi)的對(duì)比圖。由圖8知，所有的預(yù)測(cè)值和實(shí)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(cè)值之間的重合度較好。

    圖9為預(yù)測(cè)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(cè)X坐標(biāo)值，EstimateY為預(yù)測(cè)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(shí)別定位技術(shù)中，通過實(shí)驗(yàn)驗(yàn)證可以得到以下結(jié)論：

    (1)通過驗(yàn)證集數(shù)據(jù)驗(yàn)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(gè)60 cm×50 cm的區(qū)域內(nèi)通過四角布置4個(gè)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(shí)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(jì)算機(jī)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(shí)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．