买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津工业大学

摘要：一种基于相位修正的超高频RFID相对定位方法，具体包括以下步骤：建立基于相位修正的超高频RFID的标签相对定位系统，执行数据采集与预处理，利用神经网络空间映射技术建立相位轮廓修正模型，以神经网络空间中的权重系数作为寻优变量，利用改进鸡群优化算法对其进行寻优求解，最终得到修正的相位轮廓，并利用相位修正模型求解待测标签姿态，最后利用修正的相位轮廓中的谷点时戳来获取标签的相对位置关系从而实现相对定位方法。本发明将神经网络空间映射技术引入相位修正问题，该方法能够有效修正相位轮廓，极大提高相对定位精度。

主权项：1.一种基于相位修正的超高频RFID相对定位方法，具体步骤如下：步骤1：搭建基于相位修正的超高频RFID的标签相对定位系统，系统由阅读器、标签阵列、阅读器天线、后台处理器组成，相对定位方法主要包括四部分：数据采集与预处理、建立基于神经网络空间映射技术的相位修正模型、求解相位修正模型并修正相位轮廓、利用修正后相位轮廓进行标签姿态识别与相对定位；步骤2：利用阅读器天线采集标签相位信息，并对数据进行预处理，为了去除相位信息的异常值，使实测相位轮廓更加接近理想相位轮廓，采用滑窗函数与阈值函数对每组相位数据进行去噪处理，利用滑窗函数遍历相位信息中的相位值，通过设定滑窗函数的窗宽、步长、阈值参数计算每个窗口内相位数据的均值，并判断相邻两个窗口相位数据的均值差，若均值差大于阈值，将后者窗口内的最后一个相位值更改为前一个相位值，以此更新并去除后者窗口的异常值，获得更加平滑的数据；步骤3：评估标签姿态对相位轮廓的影响，将去噪处理后的N组训练数据进行相位轮廓对齐处理，使所有相位轮廓顶点的出现时刻一致，寻找第i组数据的相位轮廓的中间“v”区，并确定“v”区的中心点出现的位置Pi，此点为阅读器天线正对标签的位置，其中i∈[1，2，3，...，N]，求取数据量最小的样本数据的数据长度K并判断，若Pi≤0.5K，则将第i组数据的Pi，Pi+0.5K范围内的相位值作为优化矩阵，若Pi＞0.5K，则将第i组数据的Pi-0.5K，Pi范围内的相位值作为优化矩阵，然后将优化矩阵与优化矩阵进行翻转后的结果组成该组数据对齐之后的样本数据，由于阅读器与标签之间的距离、速度或标签姿态不同会使相位轮廓重合，因此对同一距离、同一速度、不同标签姿态的情况下所采集到的相位数据进行预处理；步骤4：建立神经网络空间映射技术中的细模型与粗模型，将经步骤3处理之后的数据作为细模型使用，其中表示处理后的相位数据，d表示阅读器天线与标签之间距离，v表示阅读器的移动速度，θ表示标签的姿态，将理想相位轮廓模型作为粗模型，理想相位轮廓模型为其中a为阅读器天线移动距离的12，u＝θTx+θRx+θTAG，θTx表示阅读器的发送电路导致的相位偏移，θRx表示阅读器的接收电路导致的相位偏移，θTAG表示标签的反射特性导致的相位偏移；步骤5：利用神经网络空间映射技术建立相位修正模型，采用多层感知器Multi-LayerPerception，MLP建立神经网络空间映射关系，MLP模型使用参数校正线性单元函数ParametricRectifiedLinearUnit，PRELU作为激活函数，PRELUxi＝maxaixi，xi，其中ai是一个数值小的固定值，常令ai＝0.01，定义网络的输入包括标签姿态为θI、阅读器天线与标签的距离为dI和移动速度为vI，网络的输出包括dO和vO，根据激活函数和三层MLP神经网络的映射关系可以得到dI，vI，θI和dO，vO之间的关系表达式，即dO＝f1dI，vI，θI，w*＝w1+w2·PRELUx1+PRELUx2，vO＝f2dI，vI，θI，w*＝w12+w13·PRELUx1+PRELUx2，其中x1＝w4+w5·θI+w6·dI+w7·vI，x2＝w8+w9·θI+w10·dI+w11·vI，w*＝w1，w2，w3，...w14为权重系数，将三层MLP模型的输出代入理想相位轮廓表达式中便得到相位修正模型由此对于任意一个输入量dI，vI，θI，可依据神经网络空间映射关系将其转化为dO，vO，进而可分别通过fCdO，vO获得对应的fSdI，vI，θI，w*表达式；步骤6：将相位修正模型转化为寻优问题，以粗模型与细模型中的对应相位差建立目标函数，以目标函数最小化为优化目标，建立寻优问题OSΩ＝argminF，其中优化变量Ω＝{w1，w2，w3，...，w14}，目标函数为其中n为细模型中的数据量，fFdi，vi，θi为细模型中对应di，vi，θi的相位值，fSdi，vi，θi，w*为粗模型的输出相位值，di，vi，θi为细模型中第i个索引对应的输入参数；步骤7：应用改进的鸡群算法对寻优模型进行寻优求解并修正相位轮廓，首先初始化鸡群个体值，定义优化变量的优化速度与寻优半径，利用步骤6中目标函数计算鸡群个体的适应值，并对鸡群个体进行等级划分，然后鸡群中的个体将按照各自对应的位置更新策略进行更新迭代寻优，以最大寻优次数作为鸡群搜索终止条件，得到最终的寻优结果Ω′＝{w1′，w2′，w3′，...，w14′}，最后将得到的优化结果Ω′代入标签的相位轮廓修正模型之中，得到标签的相位修正模型的最终表达式并对不同标签姿态下的相位轮廓进行修正；步骤8：利用修正后的相位轮廓进行标签姿态识别，通过搜寻θ值计算修正后相位轮廓与待测相位轮廓的相似度，得到待测相位所对应的标签姿态θ测，设定θ的起始搜寻范围0，π，并设定θ的搜寻范围端点值分别为θ始、θ末，中点值为θ中，首先根据相位轮廓修正模型得到标签姿态为θ始、θ末和θ中所对应的相位轮廓，并计算三者对应相位轮廓与待测相位轮廓的欧式距离C始、C末和C中，然后判断θ始-θ末的值θc是否小于π180，若θc不小于π180，以欧式距离为衡量标准，利用二分法确定下一步θ的搜寻范围，并更新θ始、θ末和θ中，重新执行该方法，若θc小于π180，则比较C始、C末和C中，获取三者中的值最小的所对应的相位值θ，定义该θ值就是待测相位轮廓所对应的标签姿态θ测；步骤9：利用修正后的相位轮廓进行标签相对定位，将相位修正模型与姿态识别方法进行融合，得到每个标签在同一姿态下的相位轮廓，根据相位轮廓中相位谷点出现的时间点的先后完成相对定位，首先利用步骤8所提的标签姿态识别方法，求解每个标签的姿态θ，然后将每个标签的姿态θ置零，求解每个标签在θ＝0°时的修正相位轮廓，并将修正相位轮廓作步骤3中对齐处理的逆处理，还原每个标签修正后的真实相位轮廓，最后比较此修正相位轮廓的相位谷点出现的时间点，相位谷点出现的时间越靠前，标签的位置就越靠近阅读器移动的起始点，反之标签位置越远离阅读器移动的起始点，这样便得到每个标签的相对位置关系，从而实现各个标签的相对位置关系估计。

全文数据：

权利要求：

百度查询： 天津工业大学 一种基于相位修正的超高频RFID相对定位方法