方潛生 黃晶 王萍 張振亞 李善壽

摘? 要：針對傳統(tǒng)室內(nèi)固定資產(chǎn)定位方法存在定位時間長、定位誤差較大以及定位成本高等問題，提出一種基于射頻識別技術(shù)和機器學(xué)習(xí)的室內(nèi)固定資產(chǎn)定位方法。首先，構(gòu)建基于長短記憶神經(jīng)網(wǎng)絡(luò)的固定資產(chǎn)感知識別模型，完成對固定資產(chǎn)設(shè)備的區(qū)域級識別粗定位，實現(xiàn)對某個區(qū)域內(nèi)固定資產(chǎn)設(shè)備數(shù)量的自動清點;其次，面向粗定位結(jié)果在區(qū)域內(nèi)的固定資產(chǎn)設(shè)備，設(shè)計基于粒子群優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的定位模型，實現(xiàn)對固定資產(chǎn)設(shè)備的精準定位;最后，在高校實驗室環(huán)境下開展了實測實驗。實驗結(jié)果表明，該方法對室內(nèi)固定資產(chǎn)的識別F1值可達0.98，平均定位誤差約0.5 m，滿足建筑智能中對室內(nèi)固定資產(chǎn)的管理要求，具有資產(chǎn)管理成本低、定位精度高、抗干擾能力強等特點。

關(guān)鍵詞：射頻識別;機器學(xué)習(xí);長短期記憶神經(jīng)網(wǎng)絡(luò);粒子群優(yōu)化;前饋神經(jīng)網(wǎng)絡(luò);定位識別

中圖分類號：TP391.44;TP181? ? ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2022.03.007

0? ? 引言

加強企事業(yè)單位固定資產(chǎn)管理（含自動清點及實時跟蹤與定位），對于保證固定資產(chǎn)安全、提高經(jīng)濟效益具有重要意義。目前，對企事業(yè)單位固定資產(chǎn)的管理大多采用傳統(tǒng)手段，如手工記錄、條碼、二維碼等，存在效率低下、準確性差、無法實時查詢資產(chǎn)狀態(tài)等問題，如何對室內(nèi)固定資產(chǎn)實現(xiàn)實時、精準的定位成為目前資產(chǎn)管理領(lǐng)域亟待解決的問題。國內(nèi)外針對室內(nèi)定位的研究包括GPS、WiFi（wireless fidelity）、藍牙（bluetooth，BLE）和射頻識別（radio frequency identification，RFID）[1-3]等，其中，RFID技術(shù)具有成本低、非接觸式、延遲時間短等優(yōu)勢，使得RFID技術(shù)成為定位領(lǐng)域的研究熱點。

在國內(nèi)，徐楊杰等[4]提出一種基于牛頓插值和差分進化改進灰狼優(yōu)化支持向量回歸機的定位算法，該算法能減少布置參考標簽的工作量;周字輝等[5]提出一種基于計算機視覺的室內(nèi)定位系統(tǒng)，通過目標檢測算法檢測出特定物體并獲取其圖像坐標;楊敏等[6]利用人員行走過程中幾何位置連續(xù)的先驗信息實現(xiàn)室內(nèi)WiFi定位的方法，相較于傳統(tǒng)的無先驗信息與KNN算法的方法，其精度得到提高;楊艷芳等[7]通過實驗實測分析通信距離與接收信號強度指示（received signal strength indicator，RSSI）之間的映射關(guān)系，提出一種動態(tài)的路徑損耗參數(shù)測距方法，可用于無線傳感器網(wǎng)絡(luò)的節(jié)點定位。賴朝安等[8]提出一種基于高斯過程回歸和WiFi指紋的室內(nèi)定位方法，離線階段使用GPR擴展指紋庫，在線階段分別使用加權(quán)最近鄰法（WKNN）、最大似然估計算法（MLE）、多層神經(jīng)網(wǎng)絡(luò)（MLP）對待測點進行定位，結(jié)果表明，GPR-WKNN算法的定位精度最高。Alvin等[9]提出使用BLE指紋識別和PDR的方法來提高室內(nèi)定位系統(tǒng)的準確性。Keong等[10]提出基于RFID和ZigBee集成的室內(nèi)定位系統(tǒng)。印度科學(xué)研究所在智能工廠中使用無源RFID系統(tǒng)定位金屬部件，在3.6 m×3.6 m的區(qū)域內(nèi)，位置估計準確率為89%[11]。Afuosi等[12]設(shè)計了一種在智能手機上嵌入WiFi的指紋定位系統(tǒng)，仿真結(jié)果表明，該方法將小于2 m的誤差提高了40%，且所提算法在計算復(fù)雜度方面與其他算法相當。Guo等[13]利用CC2530芯片構(gòu)建ZigBee無線傳感器網(wǎng)絡(luò)，配合加權(quán)KNN算法構(gòu)建二維定位模型，其二維定位的標準偏差為1.15 m。

上述研究通常依賴于大量硬件設(shè)施，成本高昂，且存在定位精度低和定位速度慢等缺陷。針對這些缺陷，本文提出一種基于RFID和機器學(xué)習(xí)的室內(nèi)固定資產(chǎn)定位方法。

1? ? 基于RFID和機器學(xué)習(xí)的室內(nèi)固定資產(chǎn)定位模型

1.1? ?系統(tǒng)概述

為實現(xiàn)對室內(nèi)固定資產(chǎn)的實時精準定位，方便管理人員對固定資產(chǎn)進行快速盤點及智慧管理，將RFID標簽貼附在固定資產(chǎn)上，作為該固定資產(chǎn)的唯一身份證件。使用多個RFID信標接收RFID主動標簽發(fā)射出來的信號強度，RFID信標通過射頻通信將信號強度值傳輸?shù)交?，基站?jīng)無線局域網(wǎng)把所有采集到的信號傳輸給本地計算機，經(jīng)感知識別模塊和定位模塊完成對固定資產(chǎn)的定位估計。系統(tǒng)框架圖如圖1所示。

感知識別模塊是基于RSSI值，使用長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）對RFID信標感知到的固定資產(chǎn)進行房間級別（也稱區(qū)域級別，zone-level）的定位及計數(shù);定位識別模塊主要面向辨識為區(qū)域內(nèi)的固定資產(chǎn)，使用粒子群優(yōu)化的反向神經(jīng)網(wǎng)絡(luò)（PSO-BP）對其進行具體位置估計，實現(xiàn)定位功能。

1.2? ? RFID信號采集及預(yù)處理

通過部署在建筑空間內(nèi)的RFID感知識別裝置采集RFID信號，裝置硬件包括RFID有源標簽、RFID信標、定位基站和本地計算機。RFID信標集成RFID標簽讀寫器和數(shù)據(jù)中繼功能，用于接收2.4 G有源RFID標簽的相關(guān)數(shù)據(jù)，并通過433 M無線將數(shù)據(jù)發(fā)送給定位基站，定位基站通過TCP協(xié)議與本地計算機通信，將所有數(shù)據(jù)轉(zhuǎn)發(fā)至本地計算機。本地計算機接收到的數(shù)據(jù)為16進制的數(shù)據(jù)幀，根據(jù)數(shù)據(jù)幀格式進行解析，解析后得到信標MAC地址、有源RFID標簽ID、RSSI值等信息。

采集到的原始數(shù)據(jù)，需要經(jīng)過兩步預(yù)處理。

Step 1? 降噪處理。由于RSSI值服從式（1）所示的高斯分布，使用高斯濾波進行預(yù)處理可在一定程度上消除干擾影響較大的RSSI值。

[F（r）=1σ2πe（r-μ）22σ2] .? ? ? ? ? ? ? ? ? （1）

式中：[σ2]為方差，[μ]為期望值，[r]為RSSI值。根據(jù)高斯濾波去噪規(guī)則，先求出所有RSSI值的均值和標準差，然后將RSSI值與平均值的絕對值之差大于2倍標準差的RSSI值去除。

Step 2? 為得到便于BP神經(jīng)網(wǎng)絡(luò)處理的數(shù)據(jù)，需要對RFID信號進行歸一化處理。由于RFID信號值的變化范圍為-100～0 dBm，使用轉(zhuǎn)換公式（2）將原始的RSSI值歸一化至（0， 1）。

[r=r+1].? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：[r]表示某個時間T的RSSI均值。

1.3? ?基于LSTM的感知識別模型構(gòu)建

基于1.2所述的RSSI信號預(yù)處理，為方便構(gòu)建基于LSTM的感知識別模型，首先給出如下相關(guān)信號說明。

在建筑空間內(nèi)部署[n]個RFID信標，設(shè)置一個時間窗口[T]，在[T]時間內(nèi)，第[i]個RFID信標感知到同一個RFID標簽的RSSI值按照到達時間的先后構(gòu)成序列[Ri]，如式（3）所示：

[Ri=（r1， r2， …， rt， …， rk）]? .? ? ? ? ? ? ? （3）

式中：[Ri]表示一個由RSSI值組成的向量;[rt]表示在第[t]個時刻的RSSI值;在一段時間內(nèi)，不同RFID信標對同一RFID標簽?zāi)軌蚋兄降腞SSI值的數(shù)量不同，即不同[Ri]中[k]的大小不同。

在[T]時間內(nèi)，RFID標簽的位置狀態(tài)預(yù)測結(jié)果如式（4）所示：

[L=f1（Ri）] .? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

式中：[L]表示RFID標簽所在位置的標識。當[Ri]對應(yīng)的RFID標簽在室內(nèi)時，[L]取值為1，當[Ri]對應(yīng)的RFID標簽在室外時，[L]取值為0;[f1]表示RFID信號序列與位置狀態(tài)擬合的關(guān)系函數(shù)，使用能夠處理不同輸入維度的LSTM神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)RFID信號序列，以降低RFID信號受環(huán)境影響出現(xiàn)的抖動性與不連續(xù)性。

若第一步辨識結(jié)果[L=1]時，則進行下一步的位置坐標估計。在T時間內(nèi)，若同一RFID信標多次感知到同一RFID標簽，即[Ri=（r1， r2， …， rt， …， rk）]中[k>1]，則將多個RSSI值求平均值來代表該RFID標簽的RSSI值，如式（5）所示：

[R'i=（r1+r2+…+rk）/k] .? ? ? ? ? ? ?（5）

對于同一個RFID標簽，將同一時間內(nèi)不同RFID信標探測到的RSSI值構(gòu)成一個向量[R]，如? 式（6）：

[R=（R'1， R'2， …， R'i， …， R'k）]? .? ? ?   ? ? ? ? ?（6）

其中：[R'i]是第[i]個RFID信標感知到該RFID標簽的RSSI值的均值。由于單個RFID信標的感知范圍有限，無法感知到距離偏遠的RFID標簽的信號，因此，[k≤n]。

RFID標簽的位置坐標的預(yù)測結(jié)果如式（7）所示：

[（coordinateX， coordinateY）=F（R）] .? ? ? ? ? ?（7）

式中：[coordinateX]表示RFID標簽所在位置的[x]軸坐標，[coordinateY]表示RFID標簽所在位置的[y]軸坐標，[F（R）]表示多信標RFID信號與位置坐標擬合的關(guān)系函數(shù)。

選擇單個RFID信標感知到的信號序列[Ri]作為位置感知模型的輸入，其對應(yīng)的位置標識[L]作為模型的輸出，使用LSTM神經(jīng)網(wǎng)絡(luò)對RFID位置感知模型進行訓(xùn)練。LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的特殊形式，引入“細胞記憶”的概念，利用門控制實現(xiàn)長期記憶與短期記憶的結(jié)合。每個LSTM單元包括遺忘門、輸入門和輸出門3種門結(jié)構(gòu)。圖2為[t]時刻的LSTM單元結(jié)構(gòu)圖，輸入為當前時刻的輸入[rt]以及上一時刻的輸出[ht-1]，[Ct-1]為上一時刻的單元狀態(tài)[14]。

通過遺忘門來決定前一時刻的單元狀態(tài)[Ct-1]有多少保留到當前時刻的單元狀態(tài)，如式（8）所示：

[Ft=sigmoid（wf?ht-1， xt+bf）]? .? ? ? ?（8）

輸入門決定當前時刻的網(wǎng)絡(luò)輸入[rt]有多少能加入到當前時刻的單元狀態(tài)[Ct]，如式（9）所示：

[Nt=sigmoid（wi?ht-1， xt+bi）×]

[tanh（wc?ht-1， xt+bc）].? ? ? ? ? ?（9）

更新單元狀態(tài)由[Ct-1]轉(zhuǎn)向[Ct]，如式（10）所示：

[Ct=Ft×Ct-1+Nt] .? ? ? ? ? ? ? ? ? ? （10）

輸出門輸出結(jié)果，如式（11）所示：

[ht=tanh（Ct）×sigmoid（wo?ht-1， xt+bo）] . （11）

其學(xué)習(xí)過程如圖3所示。首先初始化網(wǎng)絡(luò)中各門結(jié)構(gòu)的權(quán)重和偏置，再初始化迭代次數(shù)以及隱層神經(jīng)元數(shù)目;然后按照式（8）—式（11）進行前向傳播，計算各層的輸出;反向傳播，計算各層的誤差;根據(jù)誤差更新權(quán)重和偏置，直至達到最大迭代次數(shù)。

1.4? ? 基于PSO-BP的定位模型構(gòu)建

向量[R]作為RFID位置辨識模型的輸入，其對應(yīng)的位置坐標[（coordinateX， coordinateY）]作為模型的輸出，選用BP神經(jīng)網(wǎng)絡(luò)對RFID位置辨識模型進行訓(xùn)練[15]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

<G：＼202203＼圖片＼7方潛生＼方潛生圖4.tif>

d1、d2、…、dn為第1個、第2個、…、第n個RFID信標接收的RSSI值。

由圖4可知，BP神經(jīng)網(wǎng)絡(luò)的輸入層是RFID信標感知的RSSI值，輸出層是位置辨識結(jié)果。對于該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中隱含層神經(jīng)元的激活函數(shù)如式（12）所示，輸出層神經(jīng)元的激活函數(shù)如式（13） 所示。

[f（x）=tansig（x）=21+e-2x-1]，? ? ? ? （12）

[f（x）=purline（x）=x]? .? ? ? ? ? ? ? （13）

模型訓(xùn)練過程中，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易陷入局部最優(yōu)的情況。PSO算法具有自組織、進化、全局搜索能力強的特點，可以通過PSO算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重與閾值[16]。對于PSO算法中每個粒子，由式（14）更新粒子的速度，由式（15）更新粒子的位置[17]。

[v（t+1）=ω×v（t）+c1×rand（）×（pbest-x（t））+]

[c2×rand（）×（gbest-x（t））]，? ? ? ? ? ? （14）

[x（t+1）=x（t）+v（t+1）].? ? ? ? ? ? ?（15）

設(shè)[t]時刻位置在[x（t）] 、速度為[v（t）]的粒子，在[t+1]時刻，其位置[x（t+1）]與速度[v（t+1）]按照式（14）、式（15）規(guī)定的策略更新。式（14）中，[ω]是慣性因子，[c1]、[c2]是學(xué)習(xí)因子，[rand（）]是（0，1）的隨機數(shù)，pbest是粒子的歷史最優(yōu)位置，而gbest為全部粒子的歷史最優(yōu)位置。

基于PSO-BP的RFID定位模型學(xué)習(xí)流程如圖5所示。

由圖5可知，PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建RFID定位模型的流程是：首先，依據(jù)圖4所示的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始化輸入層、隱含層和輸出層的神經(jīng)元個數(shù)以及各層之間的權(quán)重和閾值。再初始化粒子的位置、速度以及歷史最優(yōu)位置，計算每個粒子最優(yōu)位置，根據(jù)式（14）、式（15）更新粒子速度和位置，依據(jù)適應(yīng)度函數(shù)計算位置更新后粒子的適應(yīng)度值，若更新后的適應(yīng)度值比歷史最優(yōu)適應(yīng)度更小，將粒子歷史最優(yōu)位置設(shè)置為粒子當前的位置，直到達到最大迭代次數(shù)，得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的權(quán)重與閾值。

由于單個RFID信標感知范圍有限，在某一時刻，可能無法感知到某一個RFID標簽的RSSI值，所以[n]個RFID信標在某一段時間感知到的向量[R'i]的長度不一，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)的輸入不同。根據(jù)n個RFID信標對應(yīng)的2n-1種組合方式，數(shù)據(jù)集可分為2n-1種情況，根據(jù)不同的輸入數(shù)據(jù)，需要訓(xùn)練2n-1個模型，將不同RFID信標感知到的向量[R]輸入對應(yīng)的定位模型。

2? ? 實驗驗證與性能分析

2.1? ?實驗環(huán)境與實驗配置

在某高校實驗室開展實測實驗，室內(nèi)區(qū)域有辦公設(shè)備等物品，且人員流動性大。實驗場景如圖6所示，其中虛線區(qū)域為定位區(qū)域，面積約為6 m × 6 m。將實驗空間俯視圖左下角標記為坐標原點，如圖7所示。RFID感知識別裝置所需設(shè)備包括4個RFID信標、1個定位基站和1臺計算機，RFID信標的布設(shè)位置如圖7中綠色三角形標記所示，對不同位置的RFID信標進行標號，分別為1號、2號、3號和4號。4個RFID信標均放置在同一水平面的貨架上，距離地面1.8 m。在房間內(nèi)布設(shè)44個標記點，每個參考點布設(shè)方式如圖7中的藍色圓圈標記所示。然后在每個參考點處分別采集4個RFID信標接收到的參考標簽的RSSI值，記錄參考點的坐標及其對應(yīng)的RSSI值。

本實驗使用的實驗器材（除計算機外）全部為上海網(wǎng)頻電子科技有限公司的貨架產(chǎn)品，其中，RFID信標型號為NR-XBRD-03AB，RFID有源標簽型號為NR-TGXK-10，定位基站型號為NR-RDM60B-11。圖8（a）為RFID信標的實物圖，圖8（b）為定位基站實物圖，圖8（c）為RFID有源標簽。計算服務(wù)器選用聯(lián)想T420，CPU為：Inter（R） Core（TM） i5-2450M CPU @ 2.50 GHz，內(nèi)存為12 GB，搭載Windows10的系統(tǒng)。圖8（d）為定位服務(wù)器。

RFID信標無需任何配置，通電即可工作，其工作電壓范圍為5～12 V。定位基站需要根據(jù)服務(wù)器的網(wǎng)段修改本地IP地址和遠程IP地址，將定位基站的IP地址和服務(wù)器配置于同一個網(wǎng)段下，遠程IP地址設(shè)置為服務(wù)器IP地址，遠程端口號在出廠時已經(jīng)配置為8234，無需修改。

在本實驗中，使用4個RFID信標，對應(yīng)24-1種組合方式，數(shù)據(jù)集可分為15種情況，標記為data 1、data 2、data 3、…、data 15，具體數(shù)據(jù)集名稱和樣本數(shù)量如表1所示。

如表1所示，一共采集了45 007條樣本。將采集的樣本按照不同RFID信標的組合方法分別劃分成15個樣本集。對于每個樣本集，其中20%作為測試集用于模型性能的測試，80%作為訓(xùn)練集進行模型的訓(xùn)練。

LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)配置如表2所示。

由于序列[Ri]的維度為1，故LSTM神經(jīng)網(wǎng)絡(luò)的輸入維度為1。輸出層輸出位置標識L，故輸出維度也為1。隱含層節(jié)點數(shù)設(shè)置為100，訓(xùn)練批次量設(shè)為27，優(yōu)化器使用adam，分類器選用softmax。

BP神經(jīng)網(wǎng)絡(luò)參數(shù)配置如表3所示。

對于BP神經(jīng)網(wǎng)絡(luò)，其輸入層節(jié)點數(shù)為RFID信標的個數(shù)，例如樣本集data 15，輸入層節(jié)點數(shù)為4。輸出層節(jié)點數(shù)為2，即二維坐標，隱含層設(shè)置為1層，其節(jié)點數(shù)為6，損失函數(shù)為mean squared error。

PSO算法參數(shù)配置如表4所示。

為評估RFID感知模型性能，選用[F1]值作為評估標準。式（16）為[F1]值的計算公式，其中P為精確率，R為召回率。

[F1=2PRP+R] .? ? ? ? ? ? ? ? ? ? ? ? （16）

為評估RFID定位模型性能，選用定位誤差和平均定位誤差作為評估標準。本文構(gòu)建的RFID定位模型預(yù)測得到的待定位坐標為[（x'i， y'i）]，其對應(yīng)的真實坐標為[（xi， yi）]。距離誤差（distance error，DE）和平均距離誤差（mean distance error，MDE）的計算公式如式（17）、式（18）所示。

[D=（xi-x'i）2+（yi-y'i）2]，? ? ? ? ? ? （17）

[M=i=1n（xi-x'i）2+（yi-y'i）2/n]? .? ? ? （18）

式中：[D]為DE值，[M]為MDE值。

2.2? ? 實驗結(jié)果與分析

2.2.1? ? 基于LSTM的RFID感知模型性能

為驗證基于LSTM的RFID感知模型的性能，選用1號RFID信標感知的數(shù)據(jù)作為訓(xùn)練和測試模型的數(shù)據(jù)集。為保證數(shù)據(jù)可靠，利用訓(xùn)練集進行100次學(xué)習(xí)，在這100次學(xué)習(xí)的模型下，測試集辨識結(jié)果的[F1]值的分布如圖9所示。

圖9展示了測試集在RFID感知模型下辨識結(jié)果的[F1]值分布直方圖，橫坐標為[F1]值，縱坐標為對應(yīng)范圍[F1]值出現(xiàn)的次數(shù)。從圖中可以看出，分布在（0.99，1]內(nèi)的[F1]值出現(xiàn)的次數(shù)最多。由統(tǒng)計結(jié)果可知，在100次實驗中，[F1]值最大可達0.998 9，最小為0.898 0，平均值為0.985 3，標準差為0.015 0，驗證了基于LSTM的RFID感知模型的有效性。

2.2.2? ? 基于PSO-BP的RFID定位模型性能

為驗證基于PSO-BP的RFID定位模型的性能，從表2中的數(shù)據(jù)集中抽取80%作為訓(xùn)練集來訓(xùn)練RFID定位模型，抽取20%作為測試集用于模型性能的測試。統(tǒng)計每個測試集的平均距離誤差、距離誤差最小值、距離誤差最大值以及模型訓(xùn)練的耗時，統(tǒng)計結(jié)果如表5所示。

由表5可知，平均距離誤差最小的是data 13訓(xùn)練得到的模型，其輸入數(shù)據(jù)是1號、3號和4號RFID信標感知到的RSSI值。所有距離誤差中，最小值為9.698 3×10-4 m，對應(yīng)的數(shù)據(jù)集是data 8，其輸入數(shù)據(jù)由2號和3號RFID信標感知到的RSSI值組成。在本文實驗場景中，綜合15個RFID定位模型的平均定位距離誤差為0.512 8 m。

2.2.3? ? ?PSO-BP算法與BP算法性能對比

將本文所提PSO-BP算法與BP算法在相同配置環(huán)境下對15個訓(xùn)練集進行學(xué)習(xí)，每個訓(xùn)練集下的平均距離誤差對比如圖10所示。其中，BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)據(jù)設(shè)置為6，學(xué)習(xí)率[η]設(shè)置為0.001，迭代次數(shù)為1 000次。

由圖10可以觀察到，在15個RFID定位模型中，使用本文定位算法訓(xùn)練得到的定位模型比未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法的表現(xiàn)更加優(yōu)異。

將綜合模型的測試結(jié)果進行誤差累計分布對比，對比圖如圖11所示。

由圖11中的數(shù)據(jù)曲線可知，當距離誤差為0.62 m時，PSO-BP算法的距離誤差比率約為70%，比BP算法的距離誤差比率高32%左右，且PSO-BP算法的收斂速度更快，距離誤差在1.39 m左右的比率達到了90%。與BP算法相比，本文所提的PSO-BP算法對RFID定位模型訓(xùn)練的影響更大。

2.2.4? ? 與經(jīng)典定位算法對比

利用RFID標簽進行室內(nèi)定位，主要通過接受信號強度、測量信號的收發(fā)時間和相位等信息，然后利用特定的算法估計出待定位標簽的位置。其中，根據(jù)RSSI值進行RFID定位的方式應(yīng)用最為廣泛。常用的基于RSSI的RFID室內(nèi)定位算法包括臨近探測法、三邊測量法、指紋定位法。在上述實驗場景中隨機選取4個不同位置的待定位RFID標簽，如圖12所示。

分別選用本文定位算法、臨近探測法、三邊測量法以及指紋定位法計算出A、B、C、D 4個點的坐標，實驗結(jié)果如表6所示。

分別計算這4種定位算法在4個待定位點的定位誤差，如圖13所示。

由實驗結(jié)果可知，本文定位算法的平均定位誤差最小，精度高于其他經(jīng)典定位算法。

衡量一個定位算法的優(yōu)劣不僅要觀察其定位精度，還需要考慮其定位成本，例如定位的時間、復(fù)雜度等因素。表7列出了4種定位方法的對比。

由表7可知，臨近探測法對RFID標簽的定位粗略，適用于對定位精度要求不高的定位場景。三邊測量法在本文實驗環(huán)境中定位精度較低，主要原因是受實際室內(nèi)環(huán)境的多徑傳輸干擾。本文定位算法和指紋定位法的定位精度相對高一些，但前期采集數(shù)據(jù)以及離線訓(xùn)練階段比較繁瑣，且定位精度受參考標簽密度的影響較大。由于指紋定位法在在線定位階段對比指紋數(shù)據(jù)庫的工作量巨大，所以相對其他定位方法，其定位速度較慢。為平衡定位精度與定位速度2個指標，選用本文定位算法作為定位方法具有一定的優(yōu)越性。

2.2.5? ? 與商用RFID定位產(chǎn)品對比

隨著物聯(lián)網(wǎng)技術(shù)的興起， RFID定位系統(tǒng)如雨后春筍般在市場上涌現(xiàn)，并廣泛應(yīng)用于企業(yè)、工業(yè)、機器人等領(lǐng)域，可對人員、物資、車輛進行實時精準定位，幫助企業(yè)解決遠程監(jiān)控、風(fēng)險管理、存貨物資管理等行業(yè)痛點。經(jīng)過調(diào)研，選擇市場上4個商用RFID定位產(chǎn)品與本文定位系統(tǒng)進行性能對比，如表8所示。

如表8所示，深圳市銓順宏科技有限公司生產(chǎn)的倉儲管理系統(tǒng)的貨物定位精度可達0.5 m，其僅使用RFID作為物品身份標識技術(shù)，使用超寬帶技術(shù)采集貨物位置信息。使用超寬帶信號的抗多徑效應(yīng)能力更強，但定位技術(shù)復(fù)雜性較高。蘇州新導(dǎo)智能科技有限公司、上海優(yōu)翊信息技術(shù)有限公司、內(nèi)布拉斯加大學(xué)和上海網(wǎng)頻電子科技有限公司生產(chǎn)的實時定位系統(tǒng)的定位精度較低，前三家公司的定位精度能達到1.0 m內(nèi)，后一家公司的定位精度只能達到5.0 m內(nèi)，但涉及的定位算法簡單，可對定位系統(tǒng)進行二次開發(fā)，提供定位精度。綜上對比，本文所提的RFID實時定位方法算法復(fù)雜度低，且能提供較好的定位精度。

3? ? 結(jié)論與展望

本文設(shè)計并實現(xiàn)了一種基于RFID和機器學(xué)習(xí)的室內(nèi)固定資產(chǎn)定位方法。該方法采用LSTM神經(jīng)網(wǎng)絡(luò)來處理RFID信號序列，有效解決室內(nèi)復(fù)雜多徑環(huán)境下RFID信號在時間尺度上存在的抖動性和不連續(xù)性，克服傳統(tǒng)RFID感知模型對環(huán)境的依賴性;利用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，不僅收斂速度快，且不易陷入局部最優(yōu)，較好地降低RFID信號間歇性對RFID定位模型的影響;在建筑空間部署多個RFID信標，使用不同RFID信標組合方法構(gòu)建多個定位模型，提高了定位模型的魯棒性。實測實驗結(jié)果表明，固定資產(chǎn)位置狀態(tài)的區(qū)域級感知識別結(jié)果F1值可達0.985 3，定位精度約0.5 m，且相比傳統(tǒng)指紋定位法，能有效提高定位速度，滿足在室內(nèi)空間中快速尋找所需固定資產(chǎn)的需求。與市面上商用RFID定位產(chǎn)品對比，本文方法在定位精度和算法復(fù)雜度方面均體現(xiàn)一定的優(yōu)越性。本文研究中，RFID信標的數(shù)量和部署位置尚未優(yōu)化，模型的遷移性也未討論，未來將對這些工作開展進一步研究。

參考文獻

[1]? ? ?PU Y C，YOU P C. Indoor positioning system based on BLE location fingerprinting with classification approach[J].Applied Mathematical Modelling，2018，62：654-663.

[2]? ? ?MENESES F，MOREIRA A，COSTA A，et al.4-radio maps for fingerprinting in indoor positioning[M].CONESA J，PéREZ-NAVARRO A，TORRES-SOS-PEDRA J，et al. Geographical and fingerprinting data to create systems for indoor positioning and indoor/outdoor navigation. New York：Academic Press，2019，69-95.

[3]? ? ?WANG C Z，WU F，SHI Z C，et al. Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network[J].Optik，2016，127（17）：6839-6849.

[4]? ? ?徐楊杰，王艷，嚴大虎，等.基于Newton插值與混合灰狼優(yōu)化SVR的RFID定位算法[J].系統(tǒng)仿真學(xué)報，2017，29（9）：1921-1929.

[5]? ? ?周字輝，朱曉強，曾丹.基于計算機視覺的室內(nèi)定位系統(tǒng)設(shè)計與實現(xiàn)[J].電子測量技術(shù)，2022，45（2）：43-47.

[6]? ? ?楊敏，劉思怡.一種基于先驗信息的WiFi室內(nèi)定位方法[J].電子測量與儀器學(xué)報，2020，34（6）：163-168.

[7]? ? ?楊艷芳，王偉，王召巴.基于WSN室內(nèi)定位的路徑損耗模型參數(shù)算法研究[J].電子測量技術(shù)，2021，44（13）：54-58.

[8]? ? ?賴朝安，龍漂.基于高斯過程回歸和WiFi指紋的室內(nèi)定位方法[J].電子測量與儀器學(xué)報，2021，35（2）：186-193.

[9]? ? ?ALVIN R，GEDE P K. Indoor positioning system using hybrid method of fingerprinting and pedestrian dead reckoning[J]. Journal of King Saud University-Computer and Information Sciences，2021：1319-1578.

[10]? ?KEONG N Y，CHIEH K S，BURHAN M F，et al.RFID and ZigBee integrated environment for indoor? ? ?localization[C]//2014 4th International Conference on? ? Engineering Technology and Technopreneuship（ICE2T），2014：213-217.

[11]? ?GHADGE K，ACHAR T，BHATT A，et al. Indoor? ?positioning of metal parts by fingerprinting using passive RFID[J]. Procedia CIRP， 2020，88：60-63.

[12]? ?AFUOSI M B，ZOGHI M R.Indoor positioning based on improved weighted KNN for energy management in smart buildings[J].Energy and Buildings，2020，212（1）：109754.

[13]? ?GUO H，LI H X，XIONG J，et al.Indoor positioning system based on particle swarm optimization algorithm[J]. Measurement，2018，134：908-913.

[14]? ?秦勝君，李婷.一種基于長短記憶模型的交通軌跡異常挖掘模型[J].廣西科技大學(xué)學(xué)報，2021，32（2）：58-64.

[15]? ?盧順，李英順.基于差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鎳鎘電池壽命預(yù)測[J].廣西科技大學(xué)學(xué)報，2020，31（2）：93-98.

[16]? ?艾永冠，朱衛(wèi)東，閆冬.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的股市預(yù)測模型[J].計算機應(yīng)用，2008，28（S2）：105-108.

[17]? ?于軍琪，井文強，趙安軍，等.基于改進PSO-BP算法的冷負荷預(yù)測模型[J].系統(tǒng)仿真學(xué)報，2021，33（1）：54-61.

[18]? ?BRCHAN J L，ZHAO L L，WU J Q，et al. A real-time RFID localization experiment using propagation models[C]//IEEE International Conference on RFID.IEEE，2012：141-148.

Indoor fixed assets localization method based on RFID and

machine learning

FANG Qiansheng1，2， HUANG Jing1，2， WANG Ping*1，2， ZHANG Zhenya1，2， LI Shanshou1，2

（1. Anhui Province Key Laboratory of Intelligent Building and Building Energy Saving， Hefei 230022， China;

2. Department of Electronic and Information Engineering， Anhui Jianzhu University， Hefei 230601， China）

Abstract： An indoor fixed asset location method based on radio frequency identification technology and machine learning is proposed to deal with the shortcomings of long computing time， large localization error and high cost in traditional indoor fixed asset location methods. Firstly， a perception and recognition model based on long and short term memory neural network is constructed to achieve the rough zone-level localization of fixed asset equipment， which can realize automatic inventory of the number of fixed asset and equipment in a certain area of interest. Secondly， for the fixed asset equipment which have been determined inside the given area through the perception and recognition model， the back propagation neural network based on particle swarm optimization is used to estimate the precise location. Finally， the extensive experiments have been carried out in an university laboratory environment. The results show that the F1 value of the proposed LSTM-based recognition model for indoor fixed asset can reach 0.98， and the average localization error is about 0.5 meter， which can meet the requirements of indoor fixed asset management for intelligent building， and has the characteristics of low asset management cost， high positioning accuracy， and strong anti-interference ability.

Key words： radio frequency identification; machine learning; long and short term memory neural network; particle swarm optimization; back propagation; location recognition

（責(zé)任編輯：黎? ?婭）