CN102625446B - 一种物联网中的物件标签定位方法 - Google Patents

Abstract

本发明提供一种物联网中的物件标签定位方法，通过设置物联网***相关变量，并对其进行初始化，然后对SVM第一层的测量值进行更新，对物件标签进行精确位置估计，使用模糊神经网络精确获取物件标签的位置等步骤，解决物联网的物件标签定位问题，在满足物联网的物件标签定位要求上，实现其高效准确定位。

Description

一种物联网中的物件标签定位方法

技术领域

本发明涉及无线通信技术领域，特别是涉及物联网、传感网和无线传输。

背景技术

将传感器技术、分布式信息处理技术、无线通信技术、网络技术和嵌入式计算技术融合为一体的物联网，能够通过节点间的协同性对外界环境进行实时的监控和检测，自行采集环境信息进行相应的并行计算处理，能将处理数据传输给用户端，实现环境与环境，环境与人之间的信息交互。

基于传感网技术基础的物联网，其对物件的定位要求较高。现有物联网物件标签定位的两类方式为基于测距的定位方法和无须测距的定位方法。较常见的测距技术有RSSI，TOA，TDOA和AOA等。RSSI技术具有低功耗，低成本的特点但测距结果常出现±50％的误差，不能满足需要精确距离结果的应用环境。TOA测距技术的关键在于如何保证节点问精确的时间同步，将该技术用于物联网有一定的局限性。TDOA技术利用超声波技术，该测距技术需要考虑超声波影响的各个因素及超声波的传输距离，其定位原理如图1所示，而物联网所选用的超声波传播距离较短，选用TDOA技术限制了网络的拓扑结构。AOA技术需要其他硬件的支持，从经济上考虑该测距技术不适用于大规模网络。为了减少这些测距技术的不足，基于测距的定位算法采用各种手段减少测距误差对定位的影响，如多次测量，循环定位求精，而这些手段都会产生大量的能耗，所以基于测距的定位方法在精度上有一定保证而在定位代价上还有待研究。无须测距的定位方法是一种依赖其他复杂基础设施或大规模集中式计算实现的，其定位精度不高，但对节能方面明显优于基于测距的定位方式，当定位误差小于传感器节点无线通信半径的40％时，定位误差对路由性能和目标跟踪精度等相关技术的影响不大，因此粗定位精度的定位方法也能满足物联网的基本需求，工程上使用的Zigbee和UWB定位模型分别如图2和3所示。

因此，为实现物联网的物件标签准确定位，需设计高效的定位方法。

发明内容

本发明所要解决的技术问题是：解决物联网的物件标签定位问题，在满足物联网的物件标签定位要求上，实现其高效准确定位。

本发明为解决上述技术问题提供一种物联网中的物件标签定位方法，其特征在于：

A、设置物联网***相关变量，并对其进行初始化，然后对SVM第一层的测量值进行更新；

B、对物件标签进行精确位置估计；

C、使用模糊神经网络精确获取物件标签的位置；

所述步骤A中，令z_t为观测变量，其为所有无线射频识别器(RFID)接收器获得的无线射频信号(RSSI)信号，y_t为隐藏变量，其为使用支持向量机(SVM)分类器的block层中的粗略物件标签估计位置，x_t为状态变量，其为在fine层的精确物件标签估计位置。SVM的第一层用于通过观测变量z_t粗略估计标签位置y_t，第二层用于通过隐藏变量z_t精确估计标签位置x_t，SVM的结构如图4所示，其总体流程图如图5所示。

所述步骤A中，对SVM第一层的测量值进行更新。SVM分类器用于选择物件标签模块，物件标签的估计位置通过概率描述。令物件标签的估计位置遵循高斯分布其中μt为均值，为方差。采用策略更新物件标签位置，其中δ＝|y′_t-y′_t-1|，D为人工设置的门限值，y′_t为在时刻t的物件标签估计位置，y′_t-1为在上一时刻t-1的物件标签估计位置。

所述步骤A中，为提高当前物件标签估计位置的可靠性，采用多数投票方法。其使用三个连续的标签估计位置{y″_t-2,y″_t-1,y″_t}中的多数作为当前的估计位置，即y_t＝Gof{y″_t-2,y_t-1,y″_t}，G为三个连续的标签估计位置{y″_t-2,y″_t-1,y″_t}中的多数。

所述步骤B中，首先进行SVM第二层的测量值更新，从SVM第一层中得到的被估计模块多位高斯分布抽样的均值，每一个抽样的权值根据均值和抽样位置之间的距离进行更新，在时刻t第m个抽样的权值为然后使用时间更新和运动概率分布规则粗略获取物件标签的估计位置△。

所述步骤C中，设计模糊神经网络结构用于获取初始估计位置△的最优权值。模糊神经网络结构包括三部分：输入层、输出层和隐藏层，其为多输入单输出***。隐藏神经元的激活函数为输入神经元为P(n)，输出神经元的预测为n为时间序号。

所述步骤C中，设计模糊神经网络修正单元结构用于修正被预测的权值。其包括三部分：输入层、输出层和隐藏层，其为多输入单输出***，其结构如图6所示。使得被预测的权值被修正后的误差满足 $\frac{\mathrm{\&alpha;}}{N}[\underset{X_{m,n}\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&mu;}{R}_1(X_{i,j},X_{m,n},\mathrm{\&alpha;})-\underset{X_{m,n}\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&mu;}{R}_2(X_{i,j},X_{m,n},\mathrm{\&alpha;})]<\mathrm{\&gamma;},$ 其中η为人工设置门限值，并且取值范围为[0.9,0.99]， $\mathrm{\&mu;}{R}_s(X_{i,j},X_{m,n},\mathrm{\&alpha;})=\mathrm{MAX}\{(1-\frac{|X_{i,j},X_{m,n}-\mathrm{\&alpha;}|}{2\mathrm{\&alpha;}}),0\}S=1,$

X_i,j为某一时段训练最优权值数据的均值，X_m,n为与最优权值大小最接近的值，N为与最优权值大小最接近的值的数量，α∈[0,9]为标量因子。

所述步骤C中，使用训练机制调整模糊神经网络***的输入值和输出值，其子步骤为：

a.产生输入层；

b.产生隐藏层；

c.产生一个输出神经元目标；

d.使最优权值为零，并初始化周期数目；

e.对染色体种群进行初始化；

f.为每一条链路分配权值；

e.获取输入神经元的输出与权值的乘积；

g.获取每个隐藏神经元的均值和偏差；

h.获取所有隐藏目标的输出；

i.为隐藏神经元和输出神经元间的每一条链路分配权值；

j.固定每个输出神经元的均值和偏差；

k.获取所有输出神经元目标的输出；

l.获取累积误差和最优权值，若以前的最优权值小于当前的最优权值，则存储当前的最优权值，若以前的最优权值大于当前的最优权值，则存储以前的最优权值；

m.使用计数器进行计数；

n.使用roulette wheel机制选择两个父类；

o.对染色体使用交叉、变异以及复制步骤，产生新的权值，并将新的权值赋予每一条链路；

p.如果周期数目大于计数器的计数，则返回值子步骤f，并重复上述子步骤，当被预测的权值被获得时，使用检测单元和判决器功能模块检测权值是否满足要求，若满足则被遗传算法使用，若不满足则使用模糊神经网络功能模块对被预测的权值进行修正，其中η为人工设置门限值，并且其取值范围为[0.8,0.9]。

所述步骤C中，使用遗传算法调整神经网络参数以及染色体最优权值函数对染色体个体进行评估。使用干扰预测***评估测量方法，

最优权值＝w₁*敏感度+w₂*特异性，其中被预测的正常训练数据的子集i，[1-被预测的正常训练数据的子集i]，被预测的非正常训练数据的子集i，

[1-被预测的非正常训练数据的子集i]，p和q分别为染色体使用的训练数据集中正常和非正常的数据的数量，w₁和w₂为按照每一种规则分配的权值。

本发明的有益效果为，在实现物联网的物件标签定位前提下，提高了其定位精度和物件标签位置预测的准确性。

附图说明

图1为TDOA定位原理示意图；

图2为Zigbee定位模型示意图；

图3为UWB定位模型示意图；

图4为SVM结构示意图；

图5为总的流程运行示意图；

图6为模糊神经网络修正单元结构示意图。

具体实施方式

本发明针对物联网的物件标签无法准确定位问题，在降低使用方法复杂度的前提下，提供了一种解决物联网的物件标签定位方法。

为达到上述目的，本发明的技术方案如下：

步骤1，设置物联网***相关变量，并对其进行初始化。令z_t为观测变量，其为所有RFID接收器获得的RSSI信号，y_t为隐藏变量，其为使用支持向量机(SVM)分类器的block层中的粗略标签估计位置，x_t为状态变量，其为在fine层的精确标签估计位置，第一层用于通过观测变量z_t粗略估计标签位置y_t，第二层用于通过隐藏变量z_t精确估计标签位置x_t。

步骤2，对SVM第一层的测量值进行更新。SVM分类器用于选择标签模块，标签的估计位置通过概率描述。令标签的估计位置遵循高斯分布其中μ_t为均值，为方差。采用策略更新标签位置，其中δ＝|y′_t-y′_t-1|，D为人工设置的门限值，y′_t为在时刻t的标签估计位置，y′_t-1为在上一时刻t-1的标签估计位置。

为提高当前标签估计位置的可靠性，采用多数投票方法，使用三个连续的标签估计位置{y″_t-2,y″_t-1,y″_t}中的多数作为当前的估计位置，即y_t＝Gof{y″_t-2,y″_t-1,y″_t}，G为三个连续的标签估计位置{y″_t-2,y″_t-1,y″_t}中的多数。

步骤3，对物件标签进行精确位置估计。首先进行第二层的测量值进行更新，从第一层中得到的被估计模块多位高斯分布抽样的均值，每一个抽样的权值根据均值和抽样位置之间的距离进行更新，在时刻t第m个抽样的权值为 $w_t^m=\frac{\mathrm{\&alpha;}\left(m\right)p\left(y_t^l\right|x_t^m)}{\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{\&alpha;}\left(s\right)p\left(y_t^l\right|x_t^s)};$ 然后使用时间更新和运动概率分布 $p\left(x_{t+1}\right|Y_{1:t})=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_t^{m}p\left(x_{t+1}\right|x_t^m)$ 粗略获取物件标签的估计位置△。

步骤4，设计模糊神经网络结构用于获取初始估计位置△的最优权值。模糊神经网络结构包括三部分：输入层、输出层和隐藏层，其为多输入单输出***，其结构如图1所示。隐藏神经元的激活函数为输入神经元为P(n)，输出神经元的预测为n为时间序号。

步骤5，设计模糊神经网络修正单元结构用于修正被预测的权值。其包括三部分：输入层、输出层和隐藏层，其为多输入单输出***，其结构如图2所示。使得被预测的权值被修正后的误差满足 $\frac{\mathrm{\&alpha;}}{N}[\underset{X_{m,n}\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&mu;}{R}_1(X_{i,j},X_{m,n},\mathrm{\&alpha;})-\underset{X_{m,n}\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&mu;}{R}_2(X_{i,j},X_{m,n},\mathrm{\&alpha;})]<\mathrm{\&gamma;},$ 其中η为人工设置门限值，并且取值范围为[0.9,0.99]， $\mathrm{\&mu;}{R}_s(X_{i,j},X_{m,n},\mathrm{\&alpha;})=\mathrm{MAX}\{(1-\frac{|X_{i,j},X_{m,n}-\mathrm{\&alpha;}|}{2\mathrm{\&alpha;}}),0\}S=1,$ X_i,j为某一时段训练最优权值数据的均值，X_m,n为与最优权值大小最接近的值，N为与最优权值大小最接近的值的数量，α∈[0,9]为标量因子。

步骤6，使用训练方法调整模糊神经网络***的输入值和输出值。其子步骤为：

a.产生输入层；

b.产生隐藏层；

c.产生一个输出神经元目标；

d.使最优权值为零，并初始化周期数目；

e.对染色体种群进行初始化；

f.为每一条链路分配权值；

e.获取输入神经元的输出与权值的乘积；

g.获取每个隐藏神经元的均值和偏差；

h.获取所有隐藏目标的输出；

i.为隐藏神经元和输出神经元间的每一条链路分配权值；

j.固定每个输出神经元的均值和偏差；

k.获取所有输出神经元目标的输出；

l.获取累积误差和最优权值，若以前的最优权值小于当前的最优权值，则存储当前的最优权值，若以前的最优权值大于当前的最优权值，则存储以前的最优权值；

m.使用计数器进行计数；

n.使用roulette wheel机制选择两个父类；

o.对染色体使用交叉、变异以及复制等步骤，产生新的权值，并将新的权值赋予每一条链路；

p.如果周期数目大于计数器的计数，则返回值子步骤f，并重复上述子步骤，当被预测的权值被获得时，使用检测单元和判决器功能模块检测权值是否满足要求，若满足其中η为人工设置门限值，并且取值范围为[0.8,0.9]，则被遗传算法使用，若不满足则使用模糊神经网络功能模块对被预测的权值进行修正。

步骤7，使用遗传算法调整神经网络参数。

步骤8，使用染色体最优权值函数对个体进行评估。使用干扰预测***评估测量方法，

最优权值＝w₁*敏感度+w₂*特异性，其中被预测的正常训练数据的子集i，[1-被预测的正常训练数据的子集i]，被预测的非正常训练数据的子集i，[1-被预测的非正常训练数据的子集i]，p和q分别为染色体使用的训练数据集中正常和非正常的数据的数量，w₁和w₂为按照每一种规则分配的权值。

Claims (7)

1.一种物联网中的物件标签定位方法，解决物联网的物件标签定位问题，在满足物联网的物件标签定位要求上，实现其高效准确定位，包括如下步骤：

A、设置物联网***相关变量，并对其进行初始化，然后对SVM第一层的测量值进行更新，具体为令z_t为观测变量，其为所有无线射频识别器(RFID)接收器获得的无线射频信号(RSSI)信号，y_t为隐藏变量，其为使用支持向量机(SVM)分类器的block层中的粗略物件标签估计位置，x_t为状态变量，其为在fine层的精确物件标签估计位置，SVM的第一层用于通过观测变量z_t粗略估计标签位置y_t，第二层用于通过隐藏变量y_t精确估计标签位置x_t；

B、对物件标签进行精确位置估计，具体为首先进行SVM第二层的测量值更新，从SVM第一层中得到的被估计模块多位高斯分布抽样的均值，每一个抽样的权值根据均值和抽样位置之间的距离进行更新，在时刻t第m个抽样的权值为然后使用时间更新和运动概率分布规则粗略获取物件标签的估计位置△；

C、使用模糊神经网络精确获取物件标签的位置，具体为设计模糊神经网络结构用于获取初始估计位置△的最优权值，模糊神经网络结构包括三部分：输入层、输出层和隐藏层，其为多输入单输出***，隐藏神经元的激活函数为输入神经元为P(n)，输出神经元的预测为n为时间序号。

2.根据权利要求1的方法，对于所述步骤A其特征在于：对SVM第一层的测量值进行更新，SVM分类器用于选择物件标签模块，物件标签的估计位置通过概率描述，令物件标签的估计位置遵循高斯分布其中μ_t为均值，

方差，采用策略更新物件标签位置，其中δ＝|y′_t-y′_t-1|，D为人工设置的门限值，y′_t为在时刻t的物件标签估计位置，y′_t-1为在上一时刻t-1的物件标签估计位置。

3.根据权利要求1的方法，对于所述步骤A其特征在于：为提高当前物件标签估计位置的可靠性，采用多数投票方法，其使用三个连续的标签估计位置{y″_t-2,y″_t-1,y″_t}中的多数作为当前的估计位置，即y_t＝Gof{y″_t-2,y″_t -1,y″_t}，G为三个连续的标签估计位置{y″_t-2,y″_t-1,y″_t}中的多数。

4.根据权利要求1的方法，对于所述步骤C其特征在于：设计模糊神经网络结构用于获取初始估计位置△的最优权值，模糊神经网络结构包括三部分：输入层、输出层和隐藏层，其为多输入单输出***，隐藏神经元的激活函数为输入神经元为P(n)，输出神经元的预测为n为时间序号。

5.根据权利要求1的方法，对于所述步骤C其特征在于:设计模糊神经网络修正单元结构用于修正被预测的权值，其包括三部分：输入层、输出层和隐藏层，其为多输入单输出***，使得被预测的权值被修正后的误差满足 $\frac{\mathrm{\&alpha;}}{N}[\underset{X_{m,n}\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&mu;}{R}_1(X_{i,j},X_{m,n},\mathrm{\&alpha;})-\underset{X_{m,n}\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&mu;}{R}_2(X_{i,j},X_{m,n},\mathrm{\&alpha;})]<\mathrm{\&gamma;},$ 其中γ为人工设置门限值，并且其取值范围为[0.9,0.99]， $\mathrm{\&mu;}{R}_s(X_{i,j},X_{m,n},\mathrm{\&alpha;})=\mathrm{MAX}\{(1-\frac{|X_{i,j},X_{m,n}-\mathrm{\&alpha;}|}{2\mathrm{\&alpha;}}),0\}S=1,$

X_i,j为某一时段训练最优权值数据的均值，X_m,n为与最优权值大小最接近的值，N为与最优权值大小最接近的值的数量，α∈[0,9]为标量因子。

6.根据权利要求1的方法，对于所述步骤C其特征在于:使用训练机制调整模糊神经网络***的输入值和输出值，其子步骤为：

a.产生输入层；

b.产生隐藏层；

c.产生一个输出神经元目标；

d.使最优权值为零，并初始化周期数目；

e.对染色体种群进行初始化；

f.为每一条链路分配权值；

e.获取输入神经元的输出与权值的乘积；

g.获取每个隐藏神经元的均值和偏差；

h.获取所有隐藏目标的输出；

i.为隐藏神经元和输出神经元间的每一条链路分配权值；

j.固定每个输出神经元的均值和偏差；

k.获取所有输出神经元目标的输出；

l.获取累积误差和最优权值，若以前的最优权值小于当前的最优权值，则存储当前的最优权值，若以前的最优权值大于当前的最优权值，则存储以前的最优权值；

m.使用计数器进行计数；

n.使用roulette wheel机制选择两个父类；

o.对染色体使用交叉、变异以及复制步骤，产生新的权值，并将新的权值赋予每一条链路；

p.如果周期数目大于计数器的计数，则返回值子步骤f，并重复上述子步骤，当被预测的权值被获得时，使用检测单元和判决器功能模块检测权值是否满足要求，若满足则被遗传算法使用，若不满足则使用模糊神经网络功能模块对被预测的权值进行修正，其中η为人工设置门限值，并且其取值范围为[0.8,0.9]。

7.根据权利要求1的方法，对于所述步骤C其特征在于:使用遗传算法调整神经网络参数以及染色体最优权值函数对染色体个体进行评估，使用干扰预测***评估测量方法,

最优权值＝w₁*敏感度+w₂*特异性，其中被预测的正常训练数据的子集i，[1-被预测的正常训练数据的子集i]，被预测的非正常训练数据的子集i，[1-被预测的非正常训练数据的子集i]，p和q分别为染色体使用的训练数据集中正常和非正常的数据的数量，w₁和w₂为按照每一种规则分配的权值。