基于支持向量回归机的rfid室内定位研究-尹强.pdf

《基于支持向量回归机的rfid室内定位研究-尹强.pdf》由会员分享，可在线阅读，更多相关《基于支持向量回归机的rfid室内定位研究-尹强.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、CN 4312j8TPISSN 1007一130X计算机工程与科学Computer Engineering&Science第39卷第12期2017年12月Voi39No12Dec2017文章编号：1007130X(2017)12234005基于支持向量回归机的RFID室内定位研究尹 强，佐 磊，何怡刚，刘东洋，李 亚(合肥工业大学电气与自动化工程学院，安徽合肥230009)摘 要：基于接收信号强度的射频识别(RFID)定位是一种低成本、便于实现的室内定位方法，针对在RFID室内定位系统中使用参考标签法存在的小样本问题，提出一种基于支持向量回归机(SVR)的RFID室内定位算法。结合无源超高频R

2、FID系统工作原理，在Matlab环境下，对比经典的LANDMARC方法，测试了基于支持向量回归机的定位算法性能，以及互耦效应、多径效应对该算法定位结果的影响。仿真结果表明，相较于LANDMARC方法，所提方法在不增加参考标签数量的情况下定位精度至少提高了25。关键词：RFID；支持向量回归机；互耦效应；多径效应；室内定位中图分类号：TP202 文献标志码：Adoi：103969iissn1007130X201712025RFID indoor localization based onsupport vector regressionYIN Qiang，ZUO Lei，HE Yigang，L

3、IU Dongyang，LI Ya(School of Electrical Engineering and Automation，Hefei University of Technology，Hefei 230009，China)Abstract：Radio frequency identification(RFID)location based on received signsl strength is a lowCOSt，easy to implement indoor positioning methodIn view of the small sample problem exis

4、ting in theRFID indoor positioning system when using reference tags，we propose a RFID indoor localization algorithm based on support vector regression(SVR)Combined with the principle of passive ultra high frequency RFID system，the performance of the proposed algorithm is tested in MATLAB and then CO

5、rnpared with that Of the classicsl LANDMARC methodAnd the influence of mutual cOUpling effect andmuhipath effect on the positioning results of the algorithm is also testedSimulation results show thatthe proposed method can improve positioning accuracy by at least 25in comparison with the LANDMARC me

6、thod while not increasing the number of reference tagsKey words：radio frequency identificaiton(RFID)；support vector regression(SVR)：mutual couplingeffect；multipath effect；indoor 10calization引言近年来，随着无线技术与射频识别RFID(Radio Frequency Identification)技术的快速发展，室内定位技术一直是研究的热点领域口1。基于RFID的室内定位在理论上可以通过测量射频信号的强度、传

7、播时间、相位来计算标签的位置阻6|。RFID阅读器在获取标签识别信息的同时可以得到标签的功率值，因而基于接收信号强度RSSI(Received Signal Strength Indication)的RFID室内定位技术不需要额外的设备即可实现。*收稿日期：201 6-04 05；修回日期：20160701萎金项目：国家宴缝p缫(，61401139,51577046,旦j?娈野7；熬育部科学技术研究重大项目(313018)；安徽省自然科学基金(1508085MFll 2)；博士后基金(2014M561820)；国家重点研发计划(2016YFF0102200) 。一一通信地址：230009安徽省

8、合肥市合肥工业大学电气与自动化工程学院Address：School of Electrical Engineering and Automation，Hefei University of Technology，Hefei 230009，Anhui，PRChina万方数据尹强等：基于支持向量回归机的RFID室内定位研究 2341基于RSSI的RFID定位技术主要分为直接测距法和参考标签法。直接测距法通过阅读器读取标签的RSSI来建立标签到阅读器天线的距离关系，然后通过三边定位或多边定位的方式得到目标标签的位置。SpotON系统口1是应用这种方法的典型代表，该方法计算简单，易于实现，但容易受到多

9、径效应的影响，抗于扰能力差。作为首次使用参考标签法的系统，LANDMARC通过对比阅读器接收到的参考标签和目标标签的信号强度，使用最近邻居算法得到目标标签的位置峨9。相比于直接测距法，LANDMARC系统更加可靠，但需要大量布置参考标签来提高定位精度，然而在标签密集的环境下，标签天线之间的互耦效应会引起RSSI的波动，影响定位效果。针对LANDMARC系统的缺点，本文提出一种基于支持向量回归机SVR(Support Vector Regression)的RFID定位算法。SVR具有优越的泛化性能、全局收敛、样本维数不敏感等特点m，因而SVR适合用来建立距离与RSSI的映射关系。目前的RFID室

10、内定位方法都缺少深度探讨标签天线之间的互耦效应、室内多径效应对定位精度的影响，本文在Matlab环境下测试了这两个因素对基于SVR定位算法的影响，结果显示本文使用的算法相对于LANDMARC系统具有更优异的性能。2无源超高频RFID系统RFID技术是一种非接触的自动识别技术，其系统是由阅读器、标签和天线三部分组成，典型的无源超高频RFID系统模型如图1所示。其中，ZaR。+歹X。为标签的天线阻抗，ZlR。+JX。为标签的负载阻抗。标签等效电路一Figu re l 1)iagramm；lti cskelch of atypical passive UHF RFID system图l 典型无源超高

11、频RFID系统示意图在单一天线模式下，若Pm。表示阅读器接收标签的功率，则：p PtGz。b，LA4X2A PL p h”“划(47rd)4 yz 7其中，Pf为阅读器天线的发射功率，Gr、Gt分别为阅读器天线增益和标签天线增益，d为阅读器天线至标签天线的距离A表示系统工作频率波长，X为极化匹配系数，7为标签贴附物功率损耗系数，p为标签的调制因子，Lp表示多径效应导致的路径损耗系数。当标签处于密集环境时，标签天线之间通过电磁场相互作用，发生电磁耦合效应，称为互耦效应。基于RFID的基本工作原理并结合二端口网络分析方法，得出标签密集环境下标签i的调制因子如式(2)所示11却i一4 J象粉l 2其

12、中，乙为标签i天线的总阻抗，乙，为标签i天线的共轭自阻抗。当阅读器天线辐射的电磁波遇到远大于波长的障碍物时，会发生反射现象，设阅读器天线到标签的直射路径长度为d曲，反射路径长度为d。r，此时的系统路径损耗如式(3)所示m。L，一l 1+亟三型竺些挚一坠掣lsin a+一j602dCOS2口d rcf(3)其中，e为障碍物的相对介电常数，艿为介质电导率，a为电磁波反射传播机制的掠射角。由式(1)式(3)可以看出，阅读器接收的标签的功率会受到互耦效应、多径效应以及其它因素的影响，而基于RSSI的定位技术主要是利用阅读器接收标签的功率来估计标签的实际位置，因而标签的定位精度定会受到这些因素的影响。3

13、 SVR定位算法支持向量机SVM(Support Vector Machine)是由Vapnik等人根据统计学习理论中的结构风险最小化的原则提出的，是一种专门研究小样本情况下机器学习的理论。SVR是SVM在回归学习中的应用，给定样本训练集：丁一(Hl，u1)，(Hu，)(R“R)(4)通过对样本集的训练，得到一个回归函数，使得样本的输出值与目标值之差小于要求的期望误差e。对于非线性回归问题，引入变换p，将样本映射到高维空间，再引入Lagrange函数，将凸二次规划问题转化为下面的对偶问题：1、，min，寺(a?d，)(乜，a，)K(ui，Uj)+万方数据2342 Computer Engine

14、ering&Science计算机工程与科学2017，39(12)eE(口?+a。)一EVi(口j一口i) (5)i=l i=1fst(a?一口。)一0 (6)i=10a；“C，i一1，l (7)其中，K(H。，H，)为核函数，C为惩罚参数，口一(a1，口?，口f，口，)T为Langrange乘子向量，口i和口?是向量中的元素，为标量。于是可以得到Lagrange乘子向量的解云为：五一(五。，41，云，云，)7 (8)最终可以得到决策函数：b=d；一d：一z；+z；一Y：+Y!d；一d；一z；+z；一Y；+Y；d：一d：一z；+X：一Y；+Y：(13)由上述过程可知，x一z，y3T，A为(行一1

15、)2的矩阵，b为(n一1)1的矩阵。当3时，式(11)属于超定方程组，用最小二乘法求解得到：X一(A1A)1A1b (14)为使x有解，A1A需为非奇异，从而要求rank(A)一2。u一蚤(云j一云t)K(蚧H)+云 (9) 4 仿真结果与分析在特定的室内环境中，布置咒个阅读器天线和m个参考标签，每个阅读器就会得到m个参考标签的RSSI，又因为参考标签到每个阅读器的距离d已知，因而可以得到m九组样本数据，将样本数据中的RSSI和对应的d分别作为SVR的输入和期望输出，通过SVR的训练，得到决策函数。现假设n个阅读器读取到待测标签的值分别为RSSI，RSSI：，RSSI。，输入训练好的决策函数，

16、得到待测标签到阅读器天线的距离分别为d。，d：，d。假设这n个阅读器天线的坐标分别为(z。，Y。)，(z：，Y：)，(z。，Y。)，待测标签的坐标为(z，了)，则可以导出方程组：(z1一z)2+(了1一y)2一d；(z2一z)2+(y2一y)2一d；：(z。一z)2+(y。一y)2一d： (10)将方程组展开，并用第一个方程减去余下的门一1个方程可以去除z和Y的平方项，得到关于(z，y)的线性方程组：2(z2一z1)z+2(y2一Y1)y=d：一d；一z；+z：一Y：+Y：2(z3一z1)z+2(y3一Y1)yd；一d；一z；+z；一Y：+Y：2(z。一z1)z+2(弘一Y1)3，一d；一d：

17、一27；+z：一Y：+Y： (11)整理成矩阵方程AXb，其中，A=2(z2一z1)2(z3一z1)2(z。一z1)2(yzy1)2(Y3一Y1)2(y。一Y1)(12)假设实验场景布置如图2所示，在4 m4 m的室内环境中，布置4个阅读器天线、16个参考标签和10个待测标签，待测标签的位置是随机产生的。阅读器天线 j 参考标签。待测标签04 03。一 崤9 _8 1 1 1 ：r”Figu FC! IocaliOll SCCIC图2定位场景图设无源超高频RFID的工作频率为915 M，波长A一0328 m，P。一33 dBm，G：G：一1，y一1，不考虑天线的极化失配，则将式(1)两边取对数

18、得：P，。d(dBm)一一30+1019(,)+1019(L。)一4019(d)(15)将式(5)式(7)中的惩罚参数C设置为1，设为01，核函数选择为径向基函数：K(ui，HJ)一exp(一盯I，一H，I 2) (16)其中，d为属性数目的倒数。将图2中四个阅读器天线的坐标代入式(12)，解出rank(A)一2，可以满足式(14)有解的要求。设仿真次数为hum，待测标签的定位精度用：RMSE一以ii万q了产弓了础mi=l(17)来衡量，其中(z，y)为待测标签的真实坐标，(五，万方数据尹强等：基于支持向量回归机的RFID室内定位研究 2343Yi)是通过定位算法第i次仿真时计算出来的坐标。4

19、1 SVR定位算法性能由于不同标签到达阅读器的距离不同以及每个标签受到的环境噪声不同，阅读器读取标签的RSSI就不相同，假设阅读器读取标签RSSI时加入分布为N(0，05)的噪声，则使用SVR定位算法做500次的仿真实验得到10个待测标签的定位精度如图3所示，为方便比较，同时给出了LANDMARC方法的定位精度。0403E裔塞o 20 l0匡国Jf目瑟疆IANDMARc H： 4 ) n ， H V lI)待测标签编ljFigtl rc：Positioning aCCtiracy of the t。t tag图3 待测标签的定f征精度由图3可知，对于图2所示的10个待测标签，LANDMARC方

20、法的平均误差为0230 8 m，而基于SVR定位算法的平均误差为0097 1 m，因此较LANDMARC方法，定位精度提高了579。SVR具有很好的泛化性能，在样本训练集较少且有噪声干扰的情况下依然能够得到满意的结果，而LANDMARC方法在参考标签较少的情况下，定位结果精度不高，因此在不增加参考标签数量的情况下SVR算法定位精度更高。42互耦效应对定位精度的影响设d。=d2表示相邻参考标签之间距离的波长数，图2中相邻参考标签之间的距离为l m，此时d。一305。为研究互耦效应对SVR方法定位精度的影响，将d。逐渐缩小，图2中的定位场景也按相应的比例进行缩小，并设阅读器读取每个标签的RSSl只

21、受标签到阅读器的距离和标签天线间互耦效应的影响，则待测标签1的定位精度随西(o3，305)的变化如图4所示。其中，H表示考虑参考标签天线之间的互耦效应，N表示不考虑。由图4可以看出，不考虑参考标签之间的互耦效应时，待测标签1在两种方法下的定位误差与d。都呈现出线性关系，且随d。的减小而减小。这是由于定位场景按d。的变化幅度缩小时，参考标05广二二二二二二二二二二二二二fo-1HSVRFigure 4 Positioning error of test tag 1 variers with d图4待测标签1的定位误差随西的变化签的数量保持不变，待测标签周围相同范围内的样本数量增多，由SVR训练的

22、决策函数就越准确，因而定位精度就越高。由式(15)可知，此时不考虑其它环境噪声的情况下，P。d和lg(d)始终保持线性关系且与d。的变化幅度相同，因此定位误差d。呈现出线性关系，对于LANDMARC方法亦是如此。当考虑参考标签之间的互耦效应时，定位误差与d。呈现出波动变化，当d。05时波动幅度增大。这是因为式(2)中调制因子pi随d。的变化在1附近波动变化，P。和lg(d)不再保持线性关系，因此两种方法得出的待测标签的定位误差随d。变化在直线附近波动变化。当d。05时，互耦效应对P。的影响变大，因而定位误差的波动幅度变大，此时LANDMARC方法的定位精度优于SVR方法。43 多径效应对定位精

23、度的影响假设在图2下方的两个阅读器天线之间153 ITI的位置放一个障碍物，设障碍物的材质分别为玻璃(相对介电常数e一4，电导率艿一0005)和石灰石(相对介电常数一751，电导率艿一0028)时，10个待测标签的定位结果如图5所示。由图5a和图5b可知，SVR算法的平均误差分别为0147 8 m和0190 7 m，LANDMARC方法的平均误差分别为0251 5 rn和0338 8 m。由待测标签和障碍物位置以及电磁波反射原理可知，待测标签2、4、6不存在反射路径，两种材质下阅读器得到这三个待测标签的RSSI相同，但由式(3)可知，不同材质下路径损耗L。不同，阅读器读取参考标签的P，。i。甜

24、不同，造成SVR的样本输入数据不同，决策函数就不相同，因此待测标签2、4、6虽然不受多径效应的影响，但SVR定位算法得到的结果并不相同。对于LANDMARC方法，障碍物材质的不同不仅会造成P一，。d不同，而且可能导致邻近标签的选取不一样，因而定位结果不同。对夕一MMJoDD飞一RNN州队筻m罡一啊且图圉m旧咀万方数据2344 Computer EngineeringScience计算机工程与科学2017，39(12)0 5_ 1 2 3 4 5 6 7 8 9 10待测标签编号a玻璃o厂记亏磊习2 4 ) 6 1 H 9 Io待测标签编号t，石灰石Figu九，j Positioning res

25、ults of the testtag under different material obstacles图5 不同材质障碍物下待测标签的定位结果比41节，在没有其它噪声干扰的情况下，SVR算法的定位精度低于图3的结果，可见SVR定位结果会受到多径效应的影响，但相比于LANDMARC方法，定位精度依然提高了25。5 结束语本文根据SVR理论，提出了一种RFID室内定位算法，对比经典的I。ANDMARC算法，测试了基于SVR定位算法的性能，结果显示在相同信噪比的条件下，本文使用的方法在精度上提高了579。由无源超高频RFID系统工作原理，推导出了阅读器接收标签功率的对数表达形式，并测试了互耦效

26、应、多径效应对本文算法的影响，结果表明当波长数小于05时，标签天线之间的互耦效应对定位结果影响较大，不同的障碍物材质对定位结果产生不同的影响，但SVR算法的定位结果优于LANDMARC方法。综合上述结果表明，本文提出的基于SVR的算法适合用于RFID室内定位。参考文献：123Liu H，Darabi H，Banerjee P，et a1Survey of wireless indoorpositioning techniques and systemsJIEEE Transactions onSystems2007，37(6)：10671080Chen Y。Rapajic PUltrawide

27、band cognitive interrogator3network：Adaptive illumination with active sensors for targetlocalisationJ31ET Communications，2010，4(5)：573584Zhang Z，Lu ZSaakian V，et a1Itemlevel indoor localizationwith passive UHF RFID based on tag interaction analysisJIEEE Transactions on Industrial Electronics，2014，61

28、(4)：21222135r4 Sarkka S，Viikari V V，Huusko M，et a1Phasebased UHFRFID tracking with nonlinear Kalman filtering and smoothingJIEEE Sensors Journal，2012，12(5)：90491053 Azzouzi S。Cremer MDettmar U，et a1New measurement resuhs for the 10calization of UHF RFID transponders using anangle of arrival(AOA)appr

29、oachCff Proc of IEEE International Conference on RFID，201l：9l一9763 Shen Guo-hao，Ma Yongtao，Liu Kaihua，el a1An indoorRFID tag localization algorithm in NI。OS environmentJComputer Engineering 8L Science，2016，38(3)：454459(inChinese)7Hightoewr J，Want R，Borriello GSpotON：An indoor 3d 10cation sensing tec

30、hnology based on RF signal strengthJUWCSE Technical Report，2000，18(2)：l168Ni L M，Liu Y H。Lau Y C，et a1I。ANDMARC：Indoor location sensing using active RFIDJWireless Networks，2004，10(6)：70171093 Cao lie，Niu Liho，Wang JinhuaAn improved LANDMARCRFID indoor location algorithmJComputer Engineering&Science，

31、2015，37(9)：167卜1675(in Chinese)10 Wang X Q，Gao JApplication of particle swarm optimization for tuning the SVR parametersC-Proc of IEEE International Conference on AIM，2015：1173-1177113 Zuo Lei，He Yigang，Li Binget a1Theory and measurement for mutual coupling effect of ultra high frequency radio-frequ

32、eney identification in dense environmentsJActaPhysica Sinica，2013，62(4)：04410219(in Chinese)12 Zuo LeiHe Yigang，Li Bing，et a1Analysis and measurments of path loss effects for ultra high frequency radio-fiequency identification in real environmentsJActa PhysicaSinica，29013，6Z(14)：14410卜卜8，(in Chinese

33、)附中文参考文献：6沈郭浩，马永涛，刘开华，等非视距环境下室内RFlD标签定位算法研究J计算机工程与科学，2016，38(3)：4544599曹洁，牛丽波，王进花一种改进LANDMARC射频识别室内定位算法J计算机工程与科学，2015，37(9)：167卜167511佐磊何怡刚，李兵，等标签密集环境下天线互偶效应研究J物理学报，2013，62(4)：0441021912佐磊，何怡刚，李兵，等无源超高频射频识别系统路径损耗研究J物理学报，2013，62(14)：14410118二毹”II鬻尹强(1989一)，男，安徽六安人，硕士生，研究方向为射频识别和智能电网。E-mail：1033567332qqcomYIN Qiang，born in 1989，MS candidate，his research interests include radiofrequency identification，and smart grid磊旧圜万方数据