專利名稱：一種物聯網中的物件標簽定位方法
技術領域：
本發明涉及無線通信技術領域，特別是涉及物聯網、傳感網和無線傳輸。
背景技術：
將傳感器技術、分布式信息處理技術、無線通信技術、網絡技術和嵌入式計算技術融合為一體的物聯網，能夠通過節點間的協同性對外界環境進行實時的監控和檢測，自行采集環境信息進行相應的并行計算處理，能將處理數據傳輸給用戶端，實現環境與環境，環境與人之間的信息交互。基于傳感網技術的物聯網，其對物件的定位要求較高。現有物聯網物件標簽定位的兩類方式為基于測距的定位方法和無須測距的定位方法。較常見的測距技術有RSSI， TOA, TDOA和AOA等。RSSI技術具有低功耗，低成本的特點但測距結果常出現±50%的誤差，不能滿足需要精確距離結果的應用環境。TOA測距技術的關鍵在于如何保證節點問精確的時間同步，將該技術用于物聯網有一定的局限性。TDOA技術利用超聲波技術，該測距技術需要考慮超聲波影響的各個因素及超聲波的傳輸距離，其定位原理如圖I所示，而物聯網所選用的超聲波傳播距離較短，選用TDOA技術限制了網絡的拓撲結構。AOA技術需要其他硬件的支持，從經濟上考慮該測距技術不適用于大規模網絡。為了減少這些測距技術的不足，基于測距的定位算法采用各種手段減少測距誤差對定位的影響，如多次測量，循環定位求精，而這些手段都會產生大量的能耗，所以基于測距的定位方法在精度上有一定保證而在定位代價上還有待研究。無須測距的定位方法是一種依賴其他復雜基礎設施或大規模集中式計算實現的，其定位精度不高，但對節能方面明顯優于基于測距的定位方式，當定位誤差小于傳感器節點無線通信半徑的40%時，定位誤差對路由性能和目標跟蹤精度等相關技術的影響不大，因此粗定位精度的定位方法也能滿足物聯網的基本需求，工程上使用的 Zigbee和UWB定位模型分別如圖2和3所示。因此，為實現物聯網的物件標簽準確定位，需設計高效的定位方法。

發明內容
本發明所要解決的技術問題是解決物聯網的物件標簽定位問題，在滿足物聯網的物件標簽定位要求上，實現其高效準確定位。本發明為解決上述技術問題提供一種物聯網中的物件標簽定位方法，其特征在于
A、設置物聯網系統相關變量，并對其進行初始化，然后對SVM第一層的測量值進行更
新；
B、對物件標簽進行精確位置估計；
C、使用模糊神經網絡精確獲取物件標簽的位置。所述步驟A中，令&為觀測變量，其為所有無線射頻識別器(RFID)接收器獲得的無線射頻信號(RSSI)信號^力隱藏變量，其為使用支持向量機(SVM)分類器的block層中的粗略物件標簽估計位置，4為狀態變量，其為在fine層的精確物件標簽估計位置。SVM 的第一層用于通過觀測變量粗略估計標簽位置^，第二層用于通過隱藏變量A精確估
計標簽位置 SVM的結構如圖4所示，其總體流程圖如圖5所示。所述步驟A中，對SVM第一層的測量值進行更新。SVM分類器用于選擇物件標簽模塊，物件標簽的估計位置通過概率描述。令物件標簽的估計位置遵循高斯分布o,
.fy” S <D
其中^力均值，of為方差。采用策略爲=|^/其它更新物件標簽位置，其中5=^_v^，
D為人工設置的門限值，乂為在時刻I的物件標簽估計位置，.fLi為在上一時刻i-1的物件標簽估計位置。所述步驟A中，為提高當前物件標簽估計位置的可靠性，采用多數投票方法。其使用三個連續的標簽估計位置中的多數作為當前的估計位置，即
Jt = Gf, G為三個連續的標簽估計位置K2,中的多數。所述步驟B中，首先進行SVM第二層的測量值更新，從SVM第一層中得到的被估計模塊多位高斯分布抽樣的均值，每一個抽樣的權值根據均值和抽樣位置之間的距離進行更
M — K*1)
新，在時刻纟第^個抽樣的權值為％ =^7777T\ ;然后使用時間更新和運動概率分
Za (sM 咕)
j-i
布規則1^)粗略獲取物件標簽的估計位置。
M "1LA,所述步驟C中，設計模糊神經網絡結構用于獲取初始估計位置U的最優權值。模糊神經網絡結構包括三部分輸入層、輸出層和隱藏層，其為多輸入單輸出系統。隱藏神經
元的激活函數為，輸入神經元為啊,輸出神經元的預測為,w為時間序號。所述步驟C中，設計模糊神經網絡修正單元結構用于修正被預測的權值，其包括三部分輸入層、輸出層和隱藏層，其為多輸入單輸出系統，其結構如圖6所不。使得被
預測的權值被修正后的誤差滿足會Z鴻(JuJisjt2城In，。) <r
￡,/^ 4_
，其中”為人工設置門限值，并且取值范圍為
,
t 、 \( In-4) '
成(吳戶2:,)=1叫 I-'1............^.........lLo 公=1,
1\ a J ,
權利要求
1.一種物聯網中的物件標簽定位方法，解決物聯網的物件標簽定位問題，在滿足物聯網的物件標簽定位要求上，實現其高效準確定位，包括如下步驟 A、設置物聯網系統相關變量，并對其進行初始化，然后對SVM第一層的測量值進行更新； B、對物件標簽進行精確位置估計； C、使用模糊神經網絡精確獲取物件標簽的位置。
2.根據權利要求I的方法，對于所述步驟A其特征在于令A為觀測變量，其為所有無線射頻識別器(RFID)的接收端獲得的無線射頻信號(RSSI)信號 力隱藏變量，其為使用支持向量機(SVM)分類器的block層中的粗略物件標簽估計位置，^為狀態變量，其為在fine層的精確物件標簽估計位置，SVM的第一層用于通過觀測變量A粗略估計標簽位置Λ ,第二層用于通過隱藏變量A精確估計標簽位置~。
3.根據權利要求I的方法，對于所述步驟A其特征在于對SVM第一層的測量值進行更新，SVM分類器用于選擇物件標簽模塊，物件標簽的估計位置通過概率描述，令物件標簽j β〈 DΛ-i，其匕更新物件標簽位置，其中r力人工設置的門限值，為在時刻$的物件標簽估計位置，Λ-i為在上一時刻 -l的物件標簽估計位置。
4.根據權利要求I的方法，對于所述步驟A其特征在于為提高當前物件標簽估計位置的可靠性，采用多數投票方法，其使用三個連續的標簽估計位置(PJiQ中的多數作為當前的估計位置，即Λ =，σ為三個連續的標簽估計位置中的多數。
5.根據權利要求I的方法，對于所述步驟B其特征在于首先進行SVM第二層的測量值更新，從SVM第一層中得到的被估計模塊多位高斯分布抽樣的均值，每一個抽樣的權值根據均值和抽樣位置之間的距離進行更新，在時刻！第《 播 a(m)pJ個抽樣的權值為 < =f 3,;然后使用時間更新和運動概率分布規則 2^ Oi(S) JP I Xf) J-I粗略獲取物件標簽的估計位置，。 μ·ιΔ
6.根據權利要求I的方法，對于所述步驟C其特征在于設計模糊神經網絡結構用于獲取初始估計位置A的最優權值，模糊神經網絡結構包括三部分輸入層、輸出層和隱藏層，其為多輸入單輸出系統，隱藏神經元的激活函數為=輸入神經元為,輸出神經元的預測為w為時間序號。
7.根據權利要求I的方法，對于所述步驟C其特征在于設計模糊神經網絡修正單元結構用于修正被預測的權值，模糊神經網絡修正單元結構包括三部分輸入層、輸出層和隱藏層，其為多輸入單輸出系統，使得被預測的權值被修正后的誤差滿足
8.根據權利要求I的方法，對于所述步驟C其特征在于使用訓練機制調整模糊神經網絡系統的輸入值和輸出值，其子步驟為 a.產生輸入層； b.產生隱藏層； c.產生一個輸出神經元目標； d.使最優權值為零，并初始化周期數目； e.對染色體種群進行初始化； f.為每一條鏈路分配權值； e.獲取輸入神經兀的輸出與權值的乘積； g.獲取每個隱藏神經元的均值和偏差； h.獲取所有隱藏目標的輸出； i.為隱藏神經元和輸出神經元間的每一條鏈路分配權值； j.固定每個輸出神經元的均值和偏差； k.獲取所有輸出神經元目標的輸出； I.獲取累積誤差和最優權值，若以前的最優權值小于當前的最優權值，則存儲當前的最優權值，若以前的最優權值大于當前的最優權值，則存儲以前的最優權值；m.使用計數器進行計數；η.使用roulette wheel機制選擇兩個父類；O.對染色體使用交叉、變異以及復制步驟，產生新的權值，并將新的權值賦予每一條鏈路；P.如果周期數目大于計數器的計數，則返回值子步驟f，并重復上述子步驟，當被預測的權值被獲得時，使用檢測單元和判決器功能模塊檢測權值是否滿足要求，若滿足
9.根據權利要求I的方法，對于所述步驟C其特征在于使用遺傳算法調整神經網絡參數以及染色體最優權值函數對染色體個體進行評估，使用干擾預測系統評估測量方法為
全文摘要
本發明提供一種物聯網中的物件標簽定位方法，通過設置物聯網系統相關變量，并對其進行初始化，然后對SVM第一層的測量值進行更新，對物件標簽進行精確位置估計，使用模糊神經網絡精確獲取物件標簽的位置等步驟，解決物聯網的物件標簽定位問題，在滿足物聯網的物件標簽定位要求上，實現其高效準確定位。
文檔編號G06F3/02GK102625446SQ20121005326
公開日2012年8月1日 申請日期2012年3月2日 優先權日2012年3月2日
發明者黃東 申請人:黃東