基于深度学习的RFID指纹定位算法 计算机专业VIP专享VIP免费

图3.1仓库抽象布局图Fig3.7Warehouseabstractlayoutillustration定位系统阅读器以及标签布局完成后，需要对定位算法模块进行改进，利用深度置信网络算法，其网络结构如图3.9所示，具体实现过程如下：(1)采集信号数据：如图3.7所示，为了使阅读器接收到标签返回的信号强度更加精准，需在室内空间上方的四个顶点安放4个阅读器，4个阅读器依次安放在三维室内空间的4个顶点。依次计算每个参考标签到4个阅读器之间的距离。4个阅读器向室内发射信号，阅读器接收参考标签的返回信号强度值并记录，连续采集多次，求平均值后作为采集的信号强度数据。随后，将采集的含噪数据利用dB4小波基进行4层小波去噪,得到最终的去噪数据。将最终的去噪数据从深度置信网络的输入层输入，将信号强度值向量矩阵作为网络输入，上述步骤(1)中的三维坐标向量矩阵，作为目标输出。采集的RSSI数据经由小波去燥前后对比如图所示：图3.2小波去燥前后对比图Fig3.8Thecomparisonchartofwaveletdenoising由图3.8可以看到，由于采集的RSSI信号为非平稳信号，经过dB4小波去燥后，信号显得更加纯净真实，RSSI数据噪声消除明显。(2)数据预处理：将处理后的RSSI数据归一化到[0,1]内。从图3.8可见，由于采集到的RSSI数据幅值均较大，已经超出深度置信网络所能处理的[0,1]范围。因此要对数据样本进行归一化处理，将数据通过归一化公式映射到[0,1]区间内。归一化完成后，将归一化数据作为深度置信网络的输入数据。归一化公式为：(3.14)式中，分别对应为样本数据中的最大值和最小值。(3)初始化网络结构及参数：首先确定深度置信网络的结构，一输入层单元数即输入数据维数，本次采集的参考标签信号强度数据维度为4，故设DBN的输入层单元数为4；二输出层单元数即最终提取的特征维数，根据定位系统的实际需求，需要对应三维坐标，故输出层单元数为3；三隐含层层数，根据实验的内容设置为k=2；四隐含层节点数，第一层隐含层节点数设为100，第二层隐含层节点数设为10。网络设计结构如图3.9所示。图3.3DBN网络设计图Fig3.9DesigndiagramofDBN(4)DBN网络预训练：输入参考标签的RSSI数据，学习速率，迭代次数为200次，收敛标准。当重构层误差满足收敛标准，完成DBN网络的预训练。(5)网络全局微调：设置收敛标准为，利用深度置信网络自身的梯度下降法，当损失函数达到收敛标准，完成网络的全局微调。其中，预训练和全局微调是实现测试标签定位的关键环节。预训练是利用对比散度CD算法完成3层深度置信网络参数的训练，得到各层预训练网络权值参数和隐含层偏置参数，并获得自适应深度置信网络的预训练输出坐标矩阵，而各参考标签的实际坐标向量为，预训练后利用梯度下降法进行全局微调，修正深度置信网络参数。(6)输出预测坐标：取10组测试标签，将阅读器接收到的RSSI数据小波去燥处理，归一化后得到，，输入已经优化网络参数后的深度置信网络，得到预测的坐标矩阵，。3.3仿真实验与结果分析3.3.1仿真实验流程实验在Matlab2014仿真平台上进行，Matlab2014用于实现对样本数据仿真采集，并对采集后样本数据进行预处理，随后利用深度置信网络完成样本数据的预训练以及测试数据的预测，深度置信网络采用基于Matlab的第三方工具箱DeepLearnToolbox。实验流程如图3.10所示：图3.4基于DBN的RFID定位的实验流程图Fig3.10ExperimentalflowgraphofRFIDlocatingbasedonDBN本文对误差引用的评价指标为估计误差，下面为估计误差的介绍：估计误差是待测标签实际位置与系统预测位置之间距离的绝对差值，是最常见评价指标。大多数的定位系统都采用估计误差作为评价指标。估计误差即计算实际位置与预测结果的欧式距离，我们假定待定位目标的真实坐标为(x0,y0)，经过定位算法得到的估算坐标为(x,y)，估计误差EE的计算公式如公式3.15所示：(3.15)3.3.2实验结果分析(1)迭代次数对网络重构误差的影响由于底层网络参数得到有监督的充分学习，缓解了导数消亡问题。由图3.9可知，多层有监督的DBN与无监督的DBN网络相似，网络收敛速度加快，训练100步内已经处在平稳状态。05010015020025001234567迭代次数整体重构误差DBN图3.5DBN预训练时误差的收敛情况Fig3.11Pre-...