BP神經(jīng)網(wǎng)絡(luò)在射頻識別定位系統(tǒng)中的應(yīng)用研究

徐　平，沙從術(shù)，趙芳杰

（河南工程學(xué)院 土木工程學(xué)院，河南 鄭州 451191）

BP神經(jīng)網(wǎng)絡(luò)在射頻識別定位系統(tǒng)中的應(yīng)用研究

徐平，沙從術(shù)，趙芳杰

（河南工程學(xué)院 土木工程學(xué)院，河南 鄭州 451191）

為了提高采用射頻識別技術(shù)進(jìn)行定位的精度，針對無源標(biāo)簽射頻識別技術(shù)及采用BP神經(jīng)網(wǎng)絡(luò)對其定位精度的改善進(jìn)行了研究。首先建立了基于無源標(biāo)簽的射頻識別定位系統(tǒng)，之后建立了相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)，并通過實(shí)驗(yàn)進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在 60 cm×50 cm的區(qū)域內(nèi)，通過四角布置四個(gè)天線，利用信號強(qiáng)度作為輸入信號，采用BP神經(jīng)網(wǎng)絡(luò)可以將定位誤差控制在2 cm以內(nèi)，平均歐幾里得誤差控制在1以內(nèi)。說明采用BP神經(jīng)網(wǎng)絡(luò)可以改善射頻識別定位技術(shù)的精度。

神經(jīng)網(wǎng)絡(luò)；射頻識別；定位；定位精度

0　引言

隨著科技的不斷進(jìn)步，定位技術(shù)也在迅速發(fā)展[1]。目前常用的定位技術(shù)包括紅外線、超聲波、全球定位、無線局域網(wǎng)、超寬帶、射頻識別（Radio Frequency Identification，RFID）和視覺等技術(shù)，其中，RFID技術(shù)由于具有非視距傳播、識別速度快和成本較低等優(yōu)點(diǎn)日益受到關(guān)注[4-5]。

射頻識別技術(shù)是一種非接觸式識別技術(shù)，根據(jù)工作頻率的高低可以分為低頻、高頻、超高頻和微波，頻率越高讀取范圍越大，同時(shí)又可以根據(jù)所采用標(biāo)簽的不同，分為無源、半有源、有源三種。無源標(biāo)簽自身沒有電源，而有源標(biāo)簽自身帶電源，半有源標(biāo)簽自身帶電源但是只有接收到信號后才對外發(fā)射信號，無源標(biāo)簽相比于有源標(biāo)簽的優(yōu)點(diǎn)是不需要安裝電池，成本低。

射頻識別技術(shù)最早的應(yīng)用可以追溯到2003年沃爾瑪公司，該公司在其供應(yīng)鏈中采用了射頻識別技術(shù)，提高了生產(chǎn)效率[6]；之后美國福特公司也在其北美和歐洲的物流管理過程中采用了視頻識別技術(shù)，用于管理配件，結(jié)果表明也可以有效提升管理效率[7]；現(xiàn)在的不停車收費(fèi)系統(tǒng)其可以采用該技術(shù)實(shí)現(xiàn)，車輛在經(jīng)過收費(fèi)站時(shí)無需停車就可以實(shí)現(xiàn)車輛收費(fèi)[8]；同樣該技術(shù)也可以應(yīng)用到醫(yī)療設(shè)備的定位、防盜監(jiān)控中，已有的實(shí)踐結(jié)果表明，采用射頻識別技術(shù)可以提高醫(yī)院的效率，方便快捷地查找醫(yī)療設(shè)備[9]。

但是采用射頻技術(shù)用于室內(nèi)環(huán)境的定位，由于存在信號干擾，并且對于精度的要求較高，因此一直存在問題。

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，可以實(shí)現(xiàn)自適應(yīng)功能，已有的研究表明采用神經(jīng)網(wǎng)絡(luò)方法可以顯著提高精確性[9]，并且不需要知道接收到信號強(qiáng)度值的分布規(guī)律[10]，即使是利用有干擾的信號用于與實(shí)際坐標(biāo)位置的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)也能夠通過補(bǔ)償來獲取準(zhǔn)確位置。

為此，本文對如何利用神經(jīng)網(wǎng)絡(luò)提高基于無源標(biāo)簽的RFID定位技術(shù)進(jìn)行了研究。

1　實(shí)驗(yàn)布局

所采用的RFID系統(tǒng)由標(biāo)簽、讀取器、天線、接口和計(jì)算機(jī)五部分組成，其示意圖如圖1。其中，標(biāo)簽采用無源標(biāo)簽，無源標(biāo)簽貼到小車上表示實(shí)際工件，且每個(gè)標(biāo)簽被分配了唯一的電子產(chǎn)品代碼以實(shí)現(xiàn)跟蹤和識別，不僅可以讀取存儲(chǔ)在通過天線的標(biāo)簽信息，而且可將數(shù)據(jù)寫入標(biāo)簽；天線負(fù)責(zé)無線電傳輸，既輸出無線電波又接收無線電波信號，在本研究中結(jié)合實(shí)際情況采用了超高頻段；所有的天線連接到讀取器，讀取器可以直接與標(biāo)記相互作用并讀取存儲(chǔ)在標(biāo)簽信息或?qū)懭霐?shù)據(jù)到標(biāo)簽；接口軟件起到過濾及從讀取器讀取數(shù)據(jù)的作用，接口軟件的信息可以傳遞給計(jì)算機(jī)。各種設(shè)備的參數(shù)見表1。

圖1　系統(tǒng)組成圖

表1　設(shè)備參數(shù)表

2　實(shí)驗(yàn)方法

通過移動(dòng)小車到不同的正方形區(qū)域，可以改變與四個(gè)天線之間的距離，而接收信號強(qiáng)度與所述距離相關(guān)，從而會(huì)得到不同位置時(shí)所對應(yīng)的信號強(qiáng)度值與小車距離之間的對應(yīng)關(guān)系。因此在實(shí)驗(yàn)過程中，根據(jù)接收信號的強(qiáng)弱(Received Signal Strength Indicator，RSSI)來實(shí)現(xiàn)定位。人工神經(jīng)網(wǎng)絡(luò)作為定位算法訓(xùn)練RSSI值以得到RSSI值和物體的物理坐標(biāo)之間的關(guān)系。

所采用的校準(zhǔn)板如圖2所示，長度為60 cm，寬度為50 cm，對于校準(zhǔn)電路板的每個(gè)小正方形，每邊長 3 cm，每個(gè)小正方形將被分配一對坐標(biāo)（X，Y），坐標(biāo)原點(diǎn)被設(shè)置在左下角。

圖2　校準(zhǔn)板

實(shí)驗(yàn)將分為兩個(gè)階段。首先，在離線狀態(tài)，利用位置已知點(diǎn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，之后通過接收到的RSSI值實(shí)現(xiàn)定位。

天線的布局如圖3所示，采用四角安裝的方式。

圖3　實(shí)驗(yàn)布置圖

3　神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

3.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本次采用的是BP（BackproPagation，BP）神經(jīng)網(wǎng)絡(luò)，此類型的網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[11]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層。因?yàn)閷?shí)驗(yàn)過程中采用了4個(gè)天線，每一個(gè)天線會(huì)得到不同的信號強(qiáng)度，因此輸入層的輸入量為4個(gè)。在實(shí)驗(yàn)過程中將利用神經(jīng)網(wǎng)絡(luò)預(yù)測一個(gè)二維平面，輸出量包含x和y坐標(biāo)值，輸出量為2個(gè)。經(jīng)過多次試驗(yàn)，并通過改變在每個(gè)隱含層和神經(jīng)元的數(shù)目，最終確定該神經(jīng)網(wǎng)絡(luò)包含2個(gè)隱藏層，第一隱含層有9個(gè)神經(jīng)元，第二隱含層有5個(gè)神經(jīng)元。圖4給出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖4　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2神經(jīng)網(wǎng)絡(luò)參數(shù)配置

需要說明的是在小車移動(dòng)過程中，標(biāo)簽的方向不變，因?yàn)闃?biāo)簽方向的改變可以影響與天線之間的通信，從而影響接收到的信號強(qiáng)度[11]。

在MATLAB中，訓(xùn)練多層網(wǎng)絡(luò)時(shí)，一般的做法是將數(shù)據(jù)分成三個(gè)子集。第一子集是訓(xùn)練集，用于計(jì)算梯度和更新網(wǎng)絡(luò)權(quán)重值和偏差值；第二子集是驗(yàn)證集，避免出現(xiàn)過度擬合現(xiàn)象；第三個(gè)子集是測試集，用于測試所訓(xùn)練神經(jīng)網(wǎng)絡(luò)的效果。

所采用的數(shù)據(jù)點(diǎn)在整個(gè)標(biāo)準(zhǔn)板內(nèi)類似隨機(jī)分布，從而使得神經(jīng)網(wǎng)絡(luò)能夠充分地學(xué)習(xí)數(shù)據(jù)并進(jìn)行精確的預(yù)測。訓(xùn)練樣本總共有76個(gè)，測試樣本10個(gè)，驗(yàn)證樣本10個(gè)，具體位置如圖5所示。

圖5　數(shù)據(jù)采集點(diǎn)分布圖

網(wǎng)格訓(xùn)練采用 trainlm函數(shù)進(jìn)行訓(xùn)練，此函數(shù)基于Levenberg-Marquardt反向傳播原理，通過不斷更新權(quán)重和偏差值來實(shí)現(xiàn)。

BP神經(jīng)網(wǎng)絡(luò)性能評價(jià)方法一般采用目標(biāo)值和輸出值均方差函數(shù)來表示：

其中，ti表示第 ith個(gè)目標(biāo)值，oi為第 ith的輸出值。

圖6所示為迭代次數(shù)為14次時(shí)的均方差曲線，在第8次迭代時(shí)，驗(yàn)證集的均方誤差達(dá)到3.115 9，之后均方誤差連續(xù)6次沒有繼續(xù)降低，程序就停止迭代，以免出現(xiàn)過度擬合現(xiàn)象，導(dǎo)致訓(xùn)練數(shù)據(jù)誤差很小，但是測試數(shù)據(jù)誤差很大。

圖6　訓(xùn)練性能曲線

4　結(jié)果及討論

需要說明的是由于標(biāo)簽本身有一定的尺寸(10×50)，其實(shí)際坐標(biāo)確定為其中心點(diǎn)坐標(biāo)。

圖7給出了訓(xùn)練后所得到的實(shí)際坐標(biāo)和預(yù)測坐標(biāo)之間的關(guān)系，用橫坐標(biāo)表示目標(biāo)值（不區(qū)分X坐標(biāo)或Y坐標(biāo)），縱坐標(biāo)表示預(yù)測值，給出了預(yù)測值的擬合曲線。

圖7　實(shí)驗(yàn)數(shù)據(jù)和實(shí)際數(shù)據(jù)對比曲線

如果預(yù)測值和目標(biāo)值完全一致，則預(yù)測值應(yīng)該全部落到45°線上，但是從圖中可以發(fā)現(xiàn)，該擬合曲線與 45°線存在偏差，擬合曲線的擬合方程為：

Output=0.99Target+0.024

其中，Output表示預(yù)測值，Target表示目標(biāo)值，可見得到的預(yù)測數(shù)據(jù)和目標(biāo)值非常接近，這表明了該網(wǎng)絡(luò)的良好預(yù)測性能。

為了更為清楚地說明實(shí)驗(yàn)結(jié)果，圖8給出了目標(biāo)值和預(yù)測值在二維坐標(biāo)內(nèi)的對比圖。由圖8知，所有的預(yù)測值和實(shí)際值之間的差距都比較小，都在2 cm以內(nèi)。由于標(biāo)簽自身存在一定的體積，由此可見，目標(biāo)值和預(yù)測值之間的重合度較好。

圖8　測試值與實(shí)際坐標(biāo)的對比

圖9為預(yù)測值的歐幾里得誤差圖。歐幾里得誤差的描述方法為：

其中，TargetX為X坐標(biāo)目標(biāo)值，TargetY為Y坐標(biāo)目標(biāo)值，EstimateX為預(yù)測X坐標(biāo)值，EstimateY為預(yù)測Y坐標(biāo)值。

可見最大歐幾里得誤差為 2.54，最小歐幾里德誤差為0.13，平均誤差為0.996 6，小于1。

圖9　測試值的歐幾里得誤差值

5　結(jié)論

將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到射頻識別定位技術(shù)中，通過實(shí)驗(yàn)驗(yàn)證可以得到以下結(jié)論：

(1)通過驗(yàn)證集數(shù)據(jù)驗(yàn)證是否存在過度擬合的現(xiàn)象，有助于改善神經(jīng)網(wǎng)絡(luò)；(2)在一個(gè)60 cm×50 cm的區(qū)域內(nèi)通過四角布置4個(gè)天線，采用BP神經(jīng)網(wǎng)絡(luò)可以將定位誤差控制在2 cm以內(nèi)；(3)利用BP神經(jīng)網(wǎng)絡(luò)改善射頻識別定位技術(shù)的精度是可行的。

[1]曹世華.室內(nèi)定位技術(shù)和系統(tǒng)的研究進(jìn)展[J].計(jì)算機(jī)系統(tǒng)應(yīng)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，BANG H C，et al.An indoor location tracking based on mobile RFID for smart exhibition service[J]. Journal of Computer Virology andHacking 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]康東，石喜勤，李勇鵬．射頻識別(RFID)核心技術(shù)與典型應(yīng)用開發(fā)案例[M]．北京：人民郵電出版社，2008．

RFID localization application based on BP neural network

Xu Ping，Sha Congshu，Zhao Fangjie
(College of Civil Engineering，Henan University of Engineering，Zhengzhou 451191，China)

In order to increase the radio frequency identification(RFID)localization accuracy,the effects of BP neural network on localization accuracy was studied based on passive RFID tag.Firstly,the RFID localization system was established based on passive RFID tag and then the corresponding BP neural network was set.Finally the effects of BP neural network on localization accuracy were validated using the experiment test bed.The results show that for the region within 60 cm×50 cm corners arranged by four antennas,the bias is less than 2 cm and the average euclidean error is less than 1 using the BP neural network based on the signal strength as the input signal from the four antennas.It can be included that the BP neural network can improve the accuracy of RFID localization accuracy.

neural network；radio frequency identification；localization；localization accuracy

TN98

A

10.16157/j.issn.0258-7998.2016.02.017

2015-11-10)

徐平（1980-），女，助教，主要研究方向：計(jì)算機(jī)應(yīng)用。

沙從術(shù)（1964-），男，教授，主要研究方向：測量技術(shù)。

趙芳杰（1992-），女，本科在讀，主要研究方向：測量技術(shù)。

中文引用格式：徐平，沙從術(shù)，趙芳杰.BP神經(jīng)網(wǎng)絡(luò)在射頻識別定位系統(tǒng)中的應(yīng)用研究[J].電子技術(shù)應(yīng)用，2016，42 (2)：64-67.

英文引用格式：Xu Ping，Sha Congshu，Zhao Fangjie.RFID localization application based on BP neural network[J].Application of Electronic Technique，2016，42(2)：64-67.