zjdzt，沙从术，sdjzg
(河南工程学院土木工程学院，河南郑州451191 )。
摘要：为了提高射频识别技术定位的精度，研究了无源标签射频识别技术和BP神经网络改善定位精度。 首先建立了基于无源标签的射频识别定位系统，然后建立了相应的BP神经网络，并通过实验进行了验证。 实验结果表明，在60 cm50 cm的区域内，在四个角配置4个天线，利用信号强度作为输入信号，采用BP神经网络可以将定位误差抑制在2 cm以内，将平均繁荣的未来误差抑制在1以内。 说明采用BP神经网络可以改善射频识别定位技术的精度。
0引言
随着科学技术的进步，定位技术也在迅速发展[1]。 目前常用的定位技术包括红外、超声波、全球定位、无线局域网、超宽带、射频识别(RFID )和视觉等技术，其中RFID技术具有非视距传播、识别速度快、成本低等优点
射频识别技术是一种非接触式识别技术，根据工作频率的高低可以分为低频、高频、超高频和微波，频率越高读取范围越大，同时根据使用的标签可以分为被动、半主动、主动三种。 被动标签本身没有电源，主动标签本身有电源，半主动标签本身有电源，但只有接收后才发出信号。 无源标签与有源标签相比，不需要安装电池，具有成本低的优点。
射频识别技术的最初应用可以追溯到2003年沃尔玛公司，该公司在供应链中采用了射频识别技术，提高了生产率[6]； 之后，美国福特公司也在北美和欧洲的物流管理过程中采用了视频识别技术，用于零部件的管理，结果表明可以有效地提高管理效率[7]； 目前的不停车收费系统可以利用该技术实现，车辆通过收费站时无需停车即可实现车辆收费[8]； 该技术还可以应用于医疗设备的定位、防盗监控，现有实践结果表明，采用射频识别技术可以提高医院的效率，轻松快速地寻找医疗设备[9]。
但是，采用射频技术用于室内环境定位，由于存在信号干扰，对精度要求高，因此一直存在问题。
人工神经网络具有自学习功能，可以实现自适应功能。 现有研究表明，采用神经网络方法精度明显提高[9] 另外，不需要知道接收信号强度值的分布规律[10]，即使利用与实际坐标位置的训练中存在干扰的信号，神经网络也可以通过补偿得到正确的位置。
为此，本文讨论了利用神经网络提高基于无源标签的RFID定位技术的方法。
1实验布局
采用的RFID系统由标签、读取器、天线、接口和计算机五部分组成，其示意图如图1所示。 这里，标签使用表示粘贴在购物车上实际工件的被动标签，对各标签分配为了跟踪识别而固有的电子产品代码，不仅能够读取经由天线存储的标签信息，还能够向标签写入数据； 天线负责无线传输，既输出电波又输出电波信号，本研究根据实际情况采用了超高频段； 所有天线都连接到读取器，读取器可以直接与标签交互，读取标签中存储的信息，并将数据写入标签中。 接口软件起到过滤和从读取器读取数据的作用，接口软件的信息可以传递到计算机上。 各种机器的参数如表1所示。
2实验方法
通过将推车移动到不同的正方形区域，可以改变与四个天线的距离。 接收信号强度与该距离相关，位于不同位置时可以得到对应的信号强度值和小车距离的对应关系。 因此，在实验过程中，根据接收信号的强度(receivedsignalstrengthindicator，RSSI )进行定位。 人工神经网络作为定位算法训练RSSI值，得到RSSI值和物体的物理坐标的关系。
采用的校准板如图2所示，长度为60 cm，宽度为50 cm，相对于校准板的各小正方形，各边的长度为3 cm，各小正方形被分配有一对坐标(x，y )，坐标原点设定在左下角。
实验分为两个阶段。 首先，在离线状态下，利用位置已知点训练神经网络，然后利用接收到的RSSI值实现定位。
天线的布局如图3所示，采用了安装在四角的方式。
3神经网络的设计
3.1神经网络结构
这次采用了BP (后传播，BP )神经网络。 这种类型的网络是前馈网络，通过反向传播不断调整网络的权重和阈值，以使网络的误差平方和最小[11]。 BP神经网络模型的拓扑结构包括输入层、抑制层和输出层。 因为实验中采用了4个天线，所以每个天线可以得到不同的信号强度，所以对输入层的输入量为4个。 实验过程中利用神经网络预测一个二维平面，输出量包括x和y的坐标值，输出量为两个。 经过多次实验，通过改变各抑制层和神经元的数量，最终确实
定该神经网络包含2个隐藏层，第一隐含层有9个神经元，第二隐含层有5个神经元。图4给出了神经网络结构。3.2 神经网络参数配置
需要说明的是在小车移动过程中，标签的方向不变，因为标签方向的改变可以影响与天线之间的通信，从而影响接收到的信号强度[11]。
在MATLAB中，训练多层网络时，一般的做法是将数据分成三个子集。第一子集是训练集，用于计算梯度和更新网络权重值和偏差值；第二子集是验证集，避免出现过度拟合现象；第三个子集是测试集，用于测试所训练神经网络的效果。
所采用的数据点在整个标准板内类似随机分布，从而使得神经网络能够充分地学习数据并进行精确的预测。训练样本总共有76个，测试样本10个，验证样本10个，具体位置如图5所示。
网格训练采用trainlm函数进行训练，此函数基于Levenberg-Marquardt反向传播原理，通过不断更新权重和偏差值来实现。
BP神经网络性能评价方法一般采用目标值和输出值均方差函数来表示：
其中，ti表示第ith个目标值，oi为第ith的输出值。
图6所示为迭代次数为14次时的均方差曲线，在第8次迭代时，验证集的均方误差达到3.115 9，之后均方误差连续6次没有继续降低，程序就停止迭代，以免出现过度拟合现象，导致训练数据误差很小，但是测试数据误差很大。
4 结果及讨论
需要说明的是由于标签本身有一定的尺寸(10×50)，其实际坐标确定为其中心点坐标。
图7给出了训练后所得到的实际坐标和预测坐标之间的关系，用横坐标表示目标值（不区分X坐标或Y坐标），纵坐标表示预测值，给出了预测值的拟合曲线。
如果预测值和目标值完全一致，则预测值应该全部落到45°线上，但是从图中可以发现，该拟合曲线与45°线存在偏差，拟合曲线的拟合方程为：
Output=0.99Target+0.024
其中，Output 表示预测值，Target表示目标值，可见得到的预测数据和目标值非常接近，这表明了该网络的良好预测性能。
为了更为清楚地说明实验结果，图8给出了目标值和预测值在二维坐标内的对比图。由图8知，所有的预测值和实际值之间的差距都比较小，都在2 cm以内。由于标签自身存在一定的体积，由此可见，目标值和预测值之间的重合度较好。
图9为预测值的繁荣的未来误差图。繁荣的未来误差的描述方法为：
其中，TargetX为X坐标目标值，TargetY为Y坐标目标值，EstimateX为预测X坐标值，EstimateY为预测Y坐标值。
可见最大繁荣的未来误差为2.54，最小欧几里德误差为0.13，平均误差为0.996 6，小于1。
5 结论
将BP神经网络应用到射频识别定位技术中，通过实验验证可以得到以下结论：
(1)通过验证集数据验证是否存在过度拟合的现象，有助于改善神经网络；(2)在一个60 cm×50 cm的区域内通过四角布置4个天线，采用BP神经网络可以将定位误差控制在2 cm以内；(3)利用BP神经网络改善射频识别定位技术的精度是可行的。
参考文献
[1] 快乐的大山.室内定位技术和系统的研究进展[J].计算机系统应用，2013(9)：1-5.
[2] REEDER S.Radio frequency identification device(RFID) and real time location systems(RTLS) enhance nursing care delivery[C].Sigma Theta Tau：International′s 25th International Nursing Research Congress，2014.
[3] JI Y.Dynamic 3-D indoor radio propagation model and applications with radios from 433 MHz to 2.4 GHz[J].International Journal of Communications，Network and System Sciences，2012，5(11)：753-766.
[4] KIM S H，PARK H，超帅的河马 H C，et al.An indoor location tracking based on mobile RFID for smart exhibition service[J].Journal of Computer Virology and Hacking Techniques，2014，10(2)：89-96.
[5] LI N，BECERIK G B.Performance-based evaluation of RFID-based indoor location sensing solutions for the built environment[J].Advanced Engineering Informatics，2011，25(3)：535-546.
[6] MASSUOD O，HASSAN S.Improved supply chain performance through RFID technology：comparative case analysis of Metro Group and Wal-Mart.Master of Information Systems Technology-Research thesis[D].Waollongong：University of Waollongong，2012.
[7] LI Z K，GADH R，PRABHU B.Applications of RFID technology and smart parts in manufacturing[C].San Diego：International Design Engineering Technical Conferences and Computers and Information in Engineering Conference，2004.
[8] SALUNKE P.Automated toll collection system using RFID[J].IOSR Journal of Computer Engineering(IOSRJCE)，2013，9(2)：61-66.
[9] GHOLAMI M，CAI N，BRENNAN R W.An artificial neural network approach to the problem of wireless sensors network localization[J].Robotics and Computer-Integrated Manufacturing，2013，29(1)：96-109.
[10] HECHT N R.Theory of the backpropagation neural network[C].Michigan：International Joint Conference on.1989.
[11] 康东，wjdzx，犹豫的大山．射频识别(RFID)核心技术与典型应用开发案例[M]．北京：人民邮电出版社，2008．