丁金亮，邹翔宇

（1.厦门航空有限公司福州分公司，福建 厦门 350209；2.武汉理工大学信息工程学院，湖北 武汉 430070)

0 引言

在物联网技术应用中，RFID对物体的唯一识别特性[1-2]引发了一股物联网飞速发展的浪潮。室内物品定位技术的研究[3-4]，首先要考虑的因素，就是室内环境空间较小，结构复杂难测，还有存在各种干扰，如电磁干扰，导致室内物品定位技术难于实现。

如今成熟的定位技术有：GPS、WIFI、Bluetooth和 RFID等。与前三种技术相比，RFID具有显著优势[5]，主要体现在：（1）扫描速率快，体积小型化集成度高，系统更可靠。（2）抗污染能力和耐久性强，可重复使用，成本低。（3）RFID芯片拥有较大的存储容量和较强的抗干扰能力。所以，基于室内物品定位技术的研究使用无线射频技术优势较明显。

本文提出了一种改进的面向人机交互的RFID室内定位方法。该方法是基于传统的RSS室内定位算法[6]，同时考虑室内环境多变CPF很难准确估计，室内传播信号波动较大等因数，将神经网络和加权平均运用于传统的RSS室内定位算法中，结合神经网络对非线性函数良好的拟合效果，建立了信道传播损耗模型。在神经网络中，RSS作为输入值，以参考坐标点的CPF作为输出值，准确的估计出待定位点的CPF。然后将CPF动态的传入所建立的信号模型中，计算出目标与节点天线间的距离。最后再根据三边测量算法的思想对目标范围内的坐标点进行交权平均得到最终的结果，再通过实验证明改进的有效性。

1 RFID-ILA

1.1 RFID系统组成

本文所涉及的系统硬件由RFID阅读器、电子标签、以太网网络系统三个硬件模块构成。计算机发出循环查询标签的指令后，RFID阅读器的天线发射无线电射频信号与电子标签进行数据通信，并获取电子标签的EPC值和RFID阅读器与电子标签之间信号强度（RSSI）值等目标信息，由交换机汇聚处理传送至上位机。再由相关的定位算法计算出目标的相对坐标值后，存储于数据库。

1.2 RFID-ILA的原理

RFID定位算法[7-8]有两种：一种是基于测距技术的相关定位算法；另一种是基于无需测距技术的定位算法，本文所研究的是基于信号接收强度的测距定位算法，其定位精度不高，抗干扰能力相对较弱，但是适合运用于室内物品的定位。原因在于：RFID系统容易搭建，成本低，不存在硬件在时间上要保持同步问题，不需要阵列天线来搭建系统，只需要在室内布满节点天线即可满足定位的需求，这在实际生活中是很容易实现的。

2 基于神经网络和加权平均的RFID-ILA

2.1 神经网络模型

在室内环境下，RFID-ILA常采用简化的信号传播模型如公式1所示：

其中n 表示CPF；常数A表示信号强度dbm 的绝对值，其表示的含义是信号的RSSI值通过1米距离衰减后所剩下的能量强度。下一步便是建立相应的笛卡尔坐标系，并设置相应节点天线的坐标值。最后由下公式2即可获得目标物体的坐标值(x0, y0)。

由公式1可知，RSSI与n 之间存在函数关系。在人工智能理论中Kolmogorov 定理表明BP神经网络[9-10]能拟合任意一个连续函数关系，因此可以用BP神经网络来拟合RSSI与信道传播因子n 之间的函数关系。本文根据文献[10-11]的参数设计，事先用RFID定位系统在实际的环境中测量大量的参考标签的RSSI值和对应的距离，再根据经典信号传播模型计算出参考坐标点对应的信道传播因子n。

2.2 加权平均

由2.1可知，运用BP神经网络获得待定标签的较准确的信道传播因子n,再根据n 计算出待定标签距离节点天线的距离(x,y，接着依据三边测距定位算法计算出物体的具体坐标(x, y)。在一个已经搭建好的RFID系统环境中，节点天线事先布置在规定位置作为参考节点。则对于某一个目标物体上电子标签，至多要用三台RFID阅读器就可以实现目标物体的定位。加权因子如公式3所示

其中

通过对第k 个待定标签的坐标值进行多次测量，获得多个测量点坐标值，再将多个测量值所占据的比重不同进行加权平均得到标签的最终坐标。

3 实验及算法仿真

本文所采用的算法是基于信号强度的定位算法，要准确的确定一个目标物体的具体位置，就必需要求三个节点天线同时检测到该目标物体。采用三角划分的方式，在节点天线感应的合适范围内合理的放置天线，本文假设的房间需要十个节点天线就可以满足室内物品的定位。

硬件配置：

(1) RFID阅读器： F5008-H型号分体式单通道RFID超高频读写器。

(2) 电子标签为无源电子标签，由电磁感应产生的电流驱动并进行工作。

(3)根据文献[11]中对信道传播因子n 的计算方法，改进算法的步骤为：

结合实际实验环境条件，选取20个参考目标，和RFID阅读器的距离均为di。

(4)通过人机界面获得这20个参考目标的对应的RSSI值。在计算其平均值在根据公式1，计算出路径损耗系数n 。

(5)通过改变di，di范围：(0 ＜ di＜3m)，步进为5cm,计算60个和60个n 。并将这些值和作为BP神经网络的输入，信道传播因子n 作为输出，训练BP神经网络。

(6)将待定位标签接受信号强度RSSI值输入到BP神经网络中训练得到其相应的信道传播因子n 。

(7)将n带入公式1，解出对应距离d，在根据d的值求出待定标签的坐标范围。

(8)在目标区域内，根据三边测量定位算法中所记录的RSSI值得大小不同，进行随机取点。最后对所取的坐标点进行加权平均，得到最终的结果。如下图1所示：

图1 实验结果图Fig.1 Experimental results diagram

为了进一步分析改进算法的有效性，根据上述步骤获得的数据，在MATLAB平台上进行仿真。与传统的RFID-ILA进行对比，得到两种方法的均方根误差曲线如图2所示，由图可知改进的算法的归一化均方根误差明显低于传统算法。

图2 两种定位算法的均方根误差比较Fig.2 Root mean square error comparison between two location algorithms

4 结论

本文针对传统的RFID-ILA算法的不足，结合神经网络和加权平均的思想对传统的RFID-ILA算法进行改进。通过训练好的神经网络系统，结合实际测量数据的得到较准确的信道传播因子，并对坐标区域内的点进行加权平均得到最终结果。经过仿真和实验，证明新方法具有更低的均方根误差，定位的精度明显提高。