張?zhí)斐?/p>

(清華大學 自動化系，北京 100084)

?

基于低頻喚醒和極限學習機的無線定位系統(tǒng)

張?zhí)斐?/p>

(清華大學 自動化系，北京 100084)

摘要:設計了一種基于低頻(LF)喚醒技術和極限學習機(ELM)分類算法的無線定位系統(tǒng)。實現了低頻喚醒、射頻應答的電路結構和通信回路，實現了有源應答器的超低待機監(jiān)聽。通過比較各類型的多種射頻定位算法，選用基于ELM分類的定位算法，對低頻喚醒接收信號強度指示(RSSI)數據進行分類并實現定位，有效降低了定位算法在線階段的計算量，在單片機系統(tǒng)中實現了實時定位計算。測試結果表明：定位系統(tǒng)在有效范圍內定位精度可達15 cm，定位正確率可達95 %以上，在定位精度和穩(wěn)定性方面明顯優(yōu)于超高頻(UHF)頻段射頻定位系統(tǒng)。

關鍵詞：無線定位； 低頻喚醒； 極限學習機； 接收信號強度指示

0引言

隨著電子信息和物聯網技術的發(fā)展，室內定位在商業(yè)、工業(yè)、服務業(yè)等眾多領域有著越來越突出的需求[1]。發(fā)展至今，射頻通信技術和接收信號強度(RSS)檢測成為了室內定位技術的主要技術手段[2～4]。多數定位系統(tǒng)使用超高頻(UHF)頻段信號的接收信號強度指示(RSSI)進行定位，UHF頻段信號強度容易受到墻體、人體和其他遮擋物影響，從而降低了定位準確性。雖然有學者提出了各種改進方法[5～8]，但未能消除信號自身性質對定位準確性的影響。與UHF頻段相比，低頻(LF)信號波長更長，近場通信更加穩(wěn)定，不易受遮擋影響，且強度隨距離衰減明顯，有利于獲得更高的定位精度。

另一方面，當前定位系統(tǒng)中的定位算法多數都由后臺計算機完成，難以在計算能力相對有限的單片機等嵌入式平臺上實現，影響了系統(tǒng)的適應性。

本文綜合分析各種定位方案，綜合考慮各頻段信號特點，比較各類算法的優(yōu)缺點，提出了基于低頻喚醒和分類算法的定位系統(tǒng)，以125 kHz低頻喚醒通信技術為硬件基礎，以極限學習機(ELM)[9～11]分類器為定位算法，在單片機平臺上實現對有源定位標簽的實時定位。

1系統(tǒng)結構

定位系統(tǒng)結構如圖1所示。系統(tǒng)包含喚醒器、應答器(即定位標簽)和接收終端。進行定位時，首先由喚醒器發(fā)送125 kHz喚醒報文，喚醒范圍內的應答器被喚醒，采集喚醒信號RSSI等相關數據，通過433 MHz頻段發(fā)送至接收終端。接收終端接收數據包，解析、收集數據，并運行定位算法獲得定位結果。

1.1喚醒器結構

喚醒器用于發(fā)射喚醒報文。喚醒器需保證報文格式正確、發(fā)射波形頻率準確、幅值穩(wěn)定，以保證有效范圍內的應答器能夠被可靠喚醒、測量到穩(wěn)定的RSSI數值、解調出正確的數據。

圖1　定位系統(tǒng)結構圖Fig 1　Structure of positioning system

喚醒器的結構如圖2所示。由串行報文信號對定時器形成的4路125 kHz同步載波信號進行調制，經H橋驅動LC串聯諧振線圈進行發(fā)射。報文包含載波頭、前導碼、喚醒識別碼和用戶數據(例如喚醒器ID等)，報文串行信號與發(fā)射線圈諧振波形的對應關系如圖3所示。

圖2　喚醒器結構Fig 2　Structure of initiator

圖3　報文信號與諧振波形對應關系Fig 3　Correspondence relationship between message signal andresonance wave form

1.2應答器結構

應答器用于接收喚醒報文并通過UHF通信做出應答。在收到正確的喚醒報文后，應答器需要驗證喚醒識別碼、測量RSSI、解調用戶數據并發(fā)送應答數據包。

應答器分為低頻喚醒部分、數據處理部分和射頻應答部分。低頻部分使用專用的三軸正交線圈組成LC并聯諧振電路接收信號，使用專用的低頻喚醒接收芯片AS3933測量3路RSSI、驗證喚醒識別碼和解調數據。使用3組方向正交的線圈可以更準確地體現RSSI，并保證至少1組線圈能夠獲得足夠的信號強度來解調數據。數據處理和應答部分使用TI公司的CC430系列單片機，通過2路SPI串口分別完成讀寫寄存器(包括RSSI)和接收解調數據；通過內嵌的CC1101射頻通信模塊，將收集的數據發(fā)送至接收終端。

本系統(tǒng)中使用主動式應答器，AS3933芯片在監(jiān)聽狀態(tài)下最低電流為2.3 μA，處理器休眠電流最低0.9 μA，實現了超低功耗待機；應答通信過程電流約15 mA，持續(xù)時間約1.6 ms，整體耗電量較少，保證了應答器電池的續(xù)航時間。

1.3接收終端結構

接收器用于接收應答器發(fā)送的數據包，解析和收集其中的數據，并執(zhí)行定位算法。接收器使用CC1101射頻芯片接收應答數據，使用RX361系列32位單片機讀取數據和執(zhí)行定位算法。定位時需要獲取應答器接收不同位置的多路喚醒信號的RSSI數據，接收終端需在確認數據齊全的條件下執(zhí)行定位算法。

2定位算法

本系統(tǒng)選用基于分類的定位算法，以低頻喚醒信號的RSSI為基礎數據，根據定位精度的需求，將空間進行若干劃分，劃分出的每一個小空間視為一類，使用樣本數據訓練分類器，再對測試數據進行分類實現定位。相比基于RSSI指紋比對的方法，基于分類的方法不需要在實際定位階段逐一比對所有數據樣本，而是在訓練過程分中利用全部訓練樣本訓練分類器；定位階段計算量不受樣本數量影響，由分類器結構決定，計算量更加可控，適用于本系統(tǒng)。

本系統(tǒng)選用ELM算法作為分類算法。ELM算法由Huang G B提出，是一種基于單隱層前饋神經網絡的學習算法[9]。相比BP算法、SVM算法等分類算法，ELM算法具有更短的訓練時間和更高的分類正確率[9]。算法結構模型如圖4所示，圖中，x和o分別為輸入數據(本系統(tǒng)中為RSSI向量)和分類輸出向量，n和m分別為輸入維度和分類數，隱層節(jié)點數L根據分類問題的實際情況選取，各隱層節(jié)點的輸入權重w和偏置系數為隨機選取，僅輸出權重β待定。輸出向量中每個輸出值的計算方法如式(1)，輸出向量中數值最大一項即對應分類結果[9～11],即

(1)

圖4　ELM算法結構Fig 4　Structure of ELM algorithm

使用N個訓練樣本〈Xi,Ti〉(i=1,2,…,N)對算法進行訓練時，可以使用矩陣的方式重寫式(1)為式(2)，并得到輸出權重矩陣的計算式(3)

(2)

β=H+T.

(3)

由式(3)計算出的輸出權重矩陣，可使分類器對訓練樣本達到最小錯誤率，同時使得輸出權重系數的標準差達到最小[10]。由于訓練過程只調整輸出權重矩陣，且通過求解廣義逆矩陣直接計算出輸出矩陣而不使用迭代，可以明顯縮短算法的訓練時間；訓練結果達到最小錯誤率和輸出權重最小標準差，保證了算法在定位階段的正確率和推廣性[9,10]。

3測試結果與分析

3.1測試方案

定位測試時使用4路喚醒天線依次發(fā)送喚醒信號，應答器測量喚醒信號RSSI并應答，由接收終端收集數據樣本。4路喚醒天線位于4.5 m×3 m定位區(qū)域四周，區(qū)域中央位置以15 cm間距劃出5×5正方形網格，形成25個測試點位，應答器在每個測試點位上以不同角度進行采樣；接收器將全部數據按照測試點位分成25組，使用樣本數據的90 %作為訓練樣本，其余10 %作為測試樣本。

定位情景分為兩種:全部25個測試位點定位;選取 2×5的測試區(qū)域，沿縱向分為兩區(qū)，進行區(qū)域的定位。

3.2實驗結果

基于ELM的定位算法在兩種定位情景中的定位正確率與隱節(jié)點數量關系如表1所示?；贓LM的定位算法在兩種定位情景下均能達到較高的正確率。

表1　ELM算法定位正確率

基于ELM的定位算法除了具有較高的定位正確率外，在算法運算量上也具有優(yōu)勢?；贓LM的定位算法和基于指紋匹配的算法在計算量相近情況下的定位正確率情況如圖5所示。由圖5可知:相比于指紋匹配算法，ELM算法在較低運算量的情況下即可達到較好的定位正確率，定位效果優(yōu)于同等計算量下的指紋匹配算法。

圖5　ELM算法與指紋匹配算法在同等運算量下的正確率比較Fig 5　Accuracy comparison between two algorithmsunder similar amount of calculation

4結論

經測試驗證，本文提出的基于125 kHz低頻喚醒和ELM分類算法的定位系統(tǒng)可實現較高的定位精度和正確率。定位系統(tǒng)在算法計算量相對較低的情況下即可實現較好的定位效果。定位系統(tǒng)可在單片機等嵌入式平臺上實現，現場實施更加靈活方便，在小范圍高精度定位方面有較好的應用前景。

參考文獻:

[1]杜鋒,田世偉,李廣俠.WLAN定位綜述[C]∥第五屆中國衛(wèi)星導航學術年會論文集,2014.

[2]Ni L M,Liu Y,Lau Y C,et al.LANDMARC: Indoor location sensing using active RFID[J].Wireless Networks,2004,10(6):701-710.

[3]武亞鵬.基于RFID雙頻段定位系統(tǒng)天線設計[D].西安：西安電子科技大學,2014.

[4]王沛.基于多頻RFID組合定位系統(tǒng)設計與應用[D].西安：西安電子科技大學,2014.

[5]王曙光.無線傳感器網絡的分區(qū)域質心定位算法[J].傳感器與微系統(tǒng),2014, 33(12):149-151.

[6]項亞南,潘豐.一種基于無線傳感器網絡的加權閾值質心定位算法[J].傳感器與微系統(tǒng),2014,33(9):104-106.

[7]徐俊俊.基于射頻指紋匹配的高精度魯棒定位技術的研究與驗證[D].北京：北京郵電大學,2013.

[8]孫中廷,華鋼,黃金城.基于進化理論的無線網絡室內定位算法[J].傳感器與微系統(tǒng),2014,33(9):132-134.

[9]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:A new learning scheme of feedforward neural networks[C]∥Proceedings of 2004 IEEE International Joint Conference on Neural Networks,IEEE,2004:985-990.

[10] Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:Theory and applications[J].Neurocomputing,2006,70(1):489-501.

[11] Huang G,Huang G B,Song S,et al.Trends in extreme learning machines:A review[J].Neural Networks,2015,61:32-48.

Wireless positioning system based on LF wake-up and ELM

ZHANG Tian-cheng

(Department of Automation,Tsinghua University,Beijing 100084,China)

Abstract:A wireless positioning system based on low-frequency(LF)wake-up and ELM classification algorithm is designed.The circuit and communication loop for LF wake-up and RF response is designed,and listening of transponder with ultra-low power consumption is achieved.By comparing numeral RF positioning algorithms,select ELM-based classification positioning algorithm,LF wake-up RSSI data is classified and located,effectively reduce amount of computations at on-line stage of algorithm, realtime positioning computation is realized on MCU systems.Test result shows that the positioning precision in effective range can reach 15 cm,correctness rate of positioning is positioning is over 95 %,it is prior to UHF RF positioning systems in positioning precision and stability.

Key words:wireless positioning; LF wake-up; ELM; RSSI

DOI:10.13873/J.1000—9787(2016)03—0102—03

收稿日期：2015—05—07

中圖分類號：TP 212.9

文獻標識碼：A

文章編號：1000—9787(2016)03—0102—03

作者簡介:

張?zhí)斐?1989- )，男，北京人，碩士，主要研究方向為嵌入式系統(tǒng)應用。