0 引言

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

    射頻識別技術是一種非接觸式識別技術，根據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，同時又可以根據所采用標簽的不同，分為無源、半有源、有源三種。無源標簽自身沒有電源，而有源標簽自身帶電源，半有源標簽自身帶電源但是只有接收到信號后才對外發射信號，無源標簽相比于有源標簽的優點是不需要安裝電池，成本低。

    射頻識別技術最早的應用可以追溯到2003年沃爾瑪公司，該公司在其供應鏈中采用了射頻識別技術，提高了生產效率^[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，用于管理配件，結果表明也可以有效提升管理效率^[7]；現在的不停車收費系統其可以采用該技術實現，車輛在經過收費站時無需停車就可以實現車輛收費^[8]；同樣該技術也可以應用到醫療設備的定位、防盜監控中，已有的實踐結果表明，采用射頻識別技術可以提高醫院的效率，方便快捷地查找醫療設備^[9]。

    但是采用射頻技術用于室內環境的定位，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。

    人工神經網絡具有自學習功能，可以實現自適應功能，已有的研究表明采用神經網絡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律^[10]，即使是利用有干擾的信號用于與實際坐標位置的訓練，神經網絡也能夠通過補償來獲取準確位置。

    為此，本文對如何利用神經網絡提高基于無源標簽的RFID定位技術進行了研究。

1 實驗布局

    所采用的RFID系統由標簽、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，標簽采用無源標簽，無源標簽貼到小車上表示實際工件，且每個標簽被分配了唯一的電子產品代碼以實現跟蹤和識別，不僅可以讀取存儲在通過天線的標簽信息，而且可將數據寫入標簽；天線負責無線電傳輸，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記相互作用并讀取存儲在標簽信息或寫入數據到標簽；接口軟件起到過濾及從讀取器讀取數據的作用，接口軟件的信息可以傳遞給計算機。各種設備的參數見表1。

2 實驗方法

    通過移動小車到不同的正方形區域，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，從而會得到不同位置時所對應的信號強度值與小車距離之間的對應關系。因此在實驗過程中，根據接收信號的強弱(Received Signal Strength Indicator，RSSI)來實現定位。人工神經網絡作為定位算法訓練RSSI值以得到RSSI值和物體的物理坐標之間的關系。

    所采用的校準板如圖2所示，長度為60 cm，寬度為50 cm，對于校準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（X，Y），坐標原點被設置在左下角。

    實驗將分為兩個階段。首先，在離線狀態，利用位置已知點來訓練神經網絡，之后通過接收到的RSSI值實現定位。

    天線的布局如圖3所示，采用四角安裝的方式。

3 神經網絡的設計

3.1 神經網絡結構

    本次采用的是BP（BackproPagation，BP）神經網絡，此類型的網絡是前饋網絡，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小^[11]。BP神經網絡模型拓撲結構包括輸入層、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網絡預測一個二維平面，輸出量包含x和y坐標值，輸出量為2個。經過多次試驗，并通過改變在每個隱含層和神經元的數目，最終確定該神經網絡包含2個隱藏層，第一隱含層有9個神經元，第二隱含層有5個神經元。圖4給出了神經網絡結構。

3.2 神經網絡參數配置

    需要說明的是在小車移動過程中，標簽的方向不變，因為標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，訓練多層網絡時，一般的做法是將數據分成三個子集。第一子集是訓練集，用于計算梯度和更新網絡權重值和偏差值；第二子集是驗證集，避免出現過度擬合現象；第三個子集是測試集，用于測試所訓練神經網絡的效果。

    所采用的數據點在整個標準板內類似隨機分布，從而使得神經網絡能夠充分地學習數據并進行精確的預測。訓練樣本總共有76個，測試樣本10個，驗證樣本10個，具體位置如圖5所示。

    網格訓練采用trainlm函數進行訓練，此函數基于Levenberg-Marquardt反向傳播原理，通過不斷更新權重和偏差值來實現。

    BP神經網絡性能評價方法一般采用目標值和輸出值均方差函數來表示：

    其中，t_i表示第i^th個目標值，o_i為第i^th的輸出值。

    圖6所示為迭代次數為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到3.115 9，之后均方誤差連續6次沒有繼續降低，程序就停止迭代，以免出現過度擬合現象，導致訓練數據誤差很小，但是測試數據誤差很大。

4 結果及討論

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

    圖7給出了訓練后所得到的實際坐標和預測坐標之間的關系，用橫坐標表示目標值（不區分X坐標或Y坐標），縱坐標表示預測值，給出了預測值的擬合曲線。

    如果預測值和目標值完全一致，則預測值應該全部落到45°線上，但是從圖中可以發現，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 表示預測值，Target表示目標值，可見得到的預測數據和目標值非常接近，這表明了該網絡的良好預測性能。

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

    圖9為預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坐標目標值，TargetY為Y坐標目標值，EstimateX為預測X坐標值，EstimateY為預測Y坐標值。

    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 結論

    將BP神經網絡應用到射頻識別定位技術中，通過實驗驗證可以得到以下結論：

    (1)通過驗證集數據驗證是否存在過度擬合的現象，有助于改善神經網絡；(2)在一個60 cm×50 cm的區域內通過四角布置4個天線，采用BP神經網絡可以將定位誤差控制在2 cm以內；(3)利用BP神經網絡改善射頻識別定位技術的精度是可行的。

參考文獻

[1] 曹世華.室內定位技術和系統的研究進展[J].計算機系統應用，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)核心技術與典型應用開發案例[M]．北京：人民郵電出版社，2008．