馬永濤，高?鑫

?

基于Adaboost的無(wú)源RFID射頻層析成像偽目標(biāo)識(shí)別

馬永濤，高?鑫

(天津大學(xué)微電子學(xué)院，天津 300072)

被動(dòng)式定位(DFL)中的射頻層析成像(RTI)算法主要運(yùn)用在無(wú)線傳感器網(wǎng)絡(luò)(WSN)中．而物聯(lián)網(wǎng)的快速普及使得無(wú)線射頻識(shí)別(RFID)網(wǎng)絡(luò)隨處可見，所以本文提出了在無(wú)源RFID網(wǎng)絡(luò)下實(shí)現(xiàn)RTI的被動(dòng)式定位算法．針對(duì)多目標(biāo)情況下的偽目標(biāo)問題，提出了一種基于Adaboost的機(jī)器學(xué)習(xí)算法來(lái)去除偽目標(biāo)，最終在目標(biāo)數(shù)目未知的前提下實(shí)現(xiàn)至少3個(gè)目標(biāo)的準(zhǔn)確識(shí)別．實(shí)驗(yàn)結(jié)果表明提出的方法可行性很高，在定位誤差為0.7,m時(shí)目標(biāo)識(shí)別準(zhǔn)確度達(dá)到86%,．

被動(dòng)式定位；射頻層析成像；無(wú)線射頻識(shí)別；機(jī)器學(xué)習(xí)

在今天無(wú)處不在的智能技術(shù)研究中，一個(gè)巨大的挑戰(zhàn)就是獲取用戶在室內(nèi)環(huán)境的位置估計(jì)．目前室外的定位方式主要是依靠衛(wèi)星定位，如美國(guó)的GPS全球定位系統(tǒng)，俄羅斯的GLONASS定位系統(tǒng)，歐盟的GALILEO計(jì)劃，當(dāng)然還有我國(guó)的北斗衛(wèi)星導(dǎo)航系統(tǒng)．目前衛(wèi)星定位在室外的定位精度基本上可以達(dá)到10,m以內(nèi)．但是這種定位方式有2個(gè)缺陷：①在室內(nèi)GPS的定位精度急劇下降；②這種定位方式需要被定位目標(biāo)攜帶信號(hào)發(fā)射器，如手機(jī)、智能手表等．而在某些情景下目標(biāo)不會(huì)主動(dòng)攜帶這些設(shè)備，比如敵人入侵的時(shí)候．這時(shí)就需要一種不以待定位目標(biāo)的意志所轉(zhuǎn)移的方式來(lái)實(shí)現(xiàn)定位，這就是被動(dòng)式定位[1]，被動(dòng)式定位(device-freelocalization，DFL)的概念一經(jīng)提出就迅速吸引了很多學(xué)者的注意，并相繼發(fā)表了大量高水平論文[2-10]，可以預(yù)見在未來(lái)很長(zhǎng)一段時(shí)間都是一個(gè)研究的熱點(diǎn)．DFL的另一個(gè)優(yōu)點(diǎn)是在得到目標(biāo)位置的同時(shí)又實(shí)現(xiàn)了對(duì)目標(biāo)隱私的保護(hù)功能，不同于攝像頭直接把目標(biāo)的一舉一動(dòng)都放在了眼前，而且攝像頭還對(duì)光照敏感[11]．

DFL不需要目標(biāo)攜帶任何無(wú)線設(shè)備．當(dāng)目標(biāo)進(jìn)入到定位區(qū)域后，不可避免地會(huì)遮擋一部分無(wú)線通信鏈路，從而造成這些鏈路信號(hào)強(qiáng)度上的變化．而目標(biāo)處在不同的位置遮擋的鏈路是不同的，造成的鏈路的改變也是不同的．因此，基于鏈路的測(cè)量信息來(lái)推測(cè)目標(biāo)的位置是合理可行的．

實(shí)現(xiàn)DFL的方法有很多，其中射頻層析成像(radio tomographic imaging，RTI)是一種新穎的解決方式[12-13]．射頻層析成像的基本思想是把定位區(qū)域劃分成大小相等的網(wǎng)格(像素點(diǎn))，網(wǎng)絡(luò)中每條鏈路的衰減等效成該條鏈路穿過的所有網(wǎng)格的衰減值之和．然后建立數(shù)學(xué)模型，通過求解矩陣方程組，反解出每個(gè)像素點(diǎn)衰減的像素值．最后以圖像的方式把這些像素值成像出來(lái)，在圖像中最亮的區(qū)域即為最終的目標(biāo)位置．該算法因其具有計(jì)算復(fù)雜度低、定位精度高、不需要訓(xùn)練數(shù)據(jù)、實(shí)時(shí)性好的優(yōu)點(diǎn)而受到了關(guān)注，其中尤以美國(guó)的猶他大學(xué)對(duì)此研究得最為深刻. Zhao等[14-15]先后提出用子空間分解法(SubVRT)和方差最小二乘法(LSVRT)來(lái)減少基于方差的被動(dòng)式定位中的噪聲來(lái)實(shí)現(xiàn)目標(biāo)的精確定位與跟蹤．另一個(gè)研究重點(diǎn)是RTI的權(quán)重模型．Inverse Area Elliptical模型[16]，基于衰落水平的空間權(quán)重模型[17]和基于幾何學(xué)的橢圓權(quán)重模型[18]的提出，使得RTI算法更加實(shí)用．中山大學(xué)的Huang等[19]提出一種數(shù)據(jù)高效的RTI方案，旨在利用鏈路的衰減水平信息以及貝葉斯壓縮感知算法來(lái)實(shí)現(xiàn)自適應(yīng)的鏈路選擇．該方案的優(yōu)點(diǎn)是排除了信息量少而且衰落不確定度很高的鏈路，從而高效地利用測(cè)量數(shù)據(jù)并提高了定位性能．

然而上述文獻(xiàn)中所提到的RTI算法幾乎都是以傳統(tǒng)的WSN為基礎(chǔ)來(lái)實(shí)現(xiàn)DFL．本文提出在無(wú)源RFID網(wǎng)絡(luò)下實(shí)現(xiàn)RTI被動(dòng)式定位算法．RFID技術(shù)是物聯(lián)網(wǎng)領(lǐng)域的一項(xiàng)關(guān)鍵性技術(shù)，近年來(lái)受到了廣泛關(guān)注，并發(fā)展迅速．由于RFID技術(shù)也是一種無(wú)線通信技術(shù)，并且容易得到標(biāo)簽和閱讀器天線通信時(shí)的接收信號(hào)強(qiáng)度(RSS)．由此可以想到，RFID系統(tǒng)也可用于實(shí)現(xiàn)被動(dòng)式定位．與無(wú)線傳感器網(wǎng)絡(luò)相比，該系統(tǒng)主要有兩方面的優(yōu)勢(shì)：① 成本更低：物聯(lián)網(wǎng)的飛速發(fā)展使得RFID的成本不斷降低，特別是無(wú)源標(biāo)簽的成本越來(lái)越小，同時(shí)定位系統(tǒng)只需要少量的閱讀器天線；② 維護(hù)費(fèi)用低：無(wú)源標(biāo)簽無(wú)需電池供能，不怕油漬、灰塵污染等惡劣的環(huán)境，使用壽命長(zhǎng)，而且易于布置．

本文研究了在無(wú)源RFID場(chǎng)景下的RTI被動(dòng)式定位方法，并針對(duì)在定位區(qū)域出現(xiàn)多個(gè)目標(biāo)時(shí)RTI算法定位性能急劇下降問題提出了一種新的解決方案，充分利用成像后圖片的特點(diǎn)，并與機(jī)器學(xué)習(xí)算法相結(jié)合，排除偽目標(biāo)點(diǎn)，精確識(shí)別目標(biāo)的位置和個(gè)數(shù)．并對(duì)所提出的算法做了實(shí)驗(yàn)驗(yàn)證．本文的結(jié)構(gòu)如下：第1節(jié)介紹如何在無(wú)源RFID場(chǎng)景下實(shí)現(xiàn)RTI算法；第2節(jié)提出多個(gè)目標(biāo)出現(xiàn)時(shí)的問題模型；第3節(jié)給出多目標(biāo)問題解決方案；第4節(jié)進(jìn)行實(shí)驗(yàn)驗(yàn)證和結(jié)果分析；第5節(jié)作出總結(jié)并展望未來(lái)．

1?無(wú)源RFID場(chǎng)景下的RTI

1.1?RTI

RTI算法源于人們所熟悉的雷達(dá)掃描和CT成?像[13]．以往對(duì)RTI算法的研究都是基于無(wú)線傳感器網(wǎng)絡(luò)，進(jìn)入監(jiān)控區(qū)域的目標(biāo)會(huì)引起區(qū)域中無(wú)線鏈路RSS的改變，而被影響的鏈路攜帶了目標(biāo)的位置信息．射頻層析成像算法就是對(duì)這種相互關(guān)系進(jìn)行數(shù)學(xué)建模，最后用成像的方式顯示定位結(jié)果．假設(shè)定位區(qū)域被分成個(gè)相同大小的網(wǎng)格．當(dāng)目標(biāo)進(jìn)入網(wǎng)格區(qū)域后，某些鏈路因被遮擋而產(chǎn)生了衰減，把該條鏈路的衰減等效成這條鏈路穿過的網(wǎng)格的衰減．用數(shù)學(xué)公式表示為[13]

???(1)

式(1)求解的經(jīng)典方法是最小二乘估計(jì)，但這里涉及到矩陣的求逆，從而形成了數(shù)學(xué)上的不適定問題．常用的方法是在最小二乘的基礎(chǔ)上使用正則化技術(shù)，最后可得[13]

???(2)

???(3)

1.2?無(wú)源RFID場(chǎng)景下實(shí)現(xiàn)RTI-DFL

RFID系統(tǒng)由閱讀器、標(biāo)簽、閱讀器天線以及對(duì)應(yīng)的軟件所組成．這里的無(wú)源指的是無(wú)源標(biāo)簽，當(dāng)然還有有源標(biāo)簽．但無(wú)源標(biāo)簽體積小，成本低，可以實(shí)現(xiàn)大規(guī)模地布置在室內(nèi)各處，比如貼在墻上或放在地毯下面．隨著物聯(lián)網(wǎng)的加速發(fā)展，其核心的RFID技術(shù)將會(huì)有更大的應(yīng)用范圍，所以本文研究了如何在無(wú)源RFID場(chǎng)景下實(shí)現(xiàn)RTI被動(dòng)式定位．

首先模仿無(wú)線傳感器網(wǎng)絡(luò)下的定位場(chǎng)景，無(wú)源RFID系統(tǒng)的定位場(chǎng)景設(shè)置如圖1 所示．本文中把閱讀器天線放置在每條邊的中點(diǎn)，主要是為了使通信鏈路盡量覆蓋全部的定位區(qū)域，并且讓每個(gè)網(wǎng)格的鏈路密度最大限度地均勻分布．這里的鏈路密度定義為穿過一個(gè)網(wǎng)格的鏈路的總條數(shù)．另一種分布是將閱讀器天線放在4個(gè)角落，但仿真結(jié)果表明定位效果不如前一種布置方式好．這里需要說(shuō)明的一點(diǎn)是，在固定大小的定位區(qū)域中應(yīng)該存在最優(yōu)的布置方式以及最優(yōu)的標(biāo)簽、閱讀器數(shù)量．這也是今后的一個(gè)研究?方向．

圖1?無(wú)源RFID場(chǎng)景下的RTI被動(dòng)式定位示意

在RFID系統(tǒng)中應(yīng)用RTI算法，首先需要得到定位區(qū)域中每條通信鏈路的RSS變化量．在RFID系統(tǒng)中，一條完整的通信鏈路包括兩部分：由閱讀器天線發(fā)射無(wú)線信號(hào)到標(biāo)簽稱為前向鏈路；由標(biāo)簽把無(wú)線信號(hào)反射回閱讀器天線稱為后向鏈路．每條鏈路返回的RSS值可以在閱讀器終端直接獲得．那么當(dāng)目標(biāo)遮擋了某條鏈路時(shí)，RSS會(huì)如何變化呢?有學(xué)者提出了一種模型來(lái)模擬這種變化[20]．

???(4)

???(5)

???(6)

???(7)

2?多目標(biāo)問題

RTI算法基于兩個(gè)前提：①目標(biāo)的出現(xiàn)會(huì)引起定位區(qū)域中特定的無(wú)線通信鏈路的RSS衰減；②受影響的鏈路的RSS衰減可以等效為該條鏈路穿過的像素點(diǎn)的衰減之和．那么直觀上的感覺就是多條受影響鏈路的交點(diǎn)形成了最終目標(biāo)的位置．定位區(qū)域中如果只出現(xiàn)一個(gè)目標(biāo)時(shí)，把上述交點(diǎn)作為目標(biāo)的位置可信度很高．但是當(dāng)出現(xiàn)兩個(gè)以上的目標(biāo)時(shí)，僅僅把不同鏈路的交點(diǎn)當(dāng)做目標(biāo)位置就不再可行．因?yàn)楫?dāng)出現(xiàn)多個(gè)目標(biāo)時(shí)，會(huì)隨之出現(xiàn)偽位置點(diǎn)，而這些點(diǎn)也是受影響鏈路的交點(diǎn)，如圖3所示．

RTI算法最終的結(jié)果是一幅二維圖像，在圖像中最亮的區(qū)域?yàn)槟繕?biāo)所在區(qū)域，而這些最亮的區(qū)域是由多條受影響的鏈路相交而成．從圖3中可以發(fā)現(xiàn)，當(dāng)出現(xiàn)兩個(gè)以上的目標(biāo)時(shí)，受影響的鏈路的交點(diǎn)隨之變多，反應(yīng)到成像結(jié)果圖像上就是局部最亮區(qū)域變多．這里把那些多余的交點(diǎn)稱為偽目標(biāo)點(diǎn)．而在預(yù)先不知道目標(biāo)數(shù)目的情況下，這時(shí)的定位結(jié)果就顯得毫無(wú)意義．那也就意味著RTI算法在無(wú)源RFID場(chǎng)景下只能實(shí)現(xiàn)單個(gè)目標(biāo)的定位．

圖3?多個(gè)目標(biāo)出現(xiàn)時(shí)的RTI算法成像結(jié)果

在這種情況下只有2種選擇．①在定位之前想辦法得到目標(biāo)的個(gè)數(shù)，然后再設(shè)法排除偽位置．比如用閾值法直接把前幾個(gè)最亮的區(qū)域作為真實(shí)目標(biāo)．②直接去除偽目標(biāo)，在確定目標(biāo)位置的同時(shí)確定目標(biāo)的個(gè)數(shù)．在實(shí)際情況下，第2種情形更為常見．

3?基于Adaboost算法的多目標(biāo)識(shí)別

本文的思路是既然RTI算法的結(jié)果是一幅圖像，那么就可以直接在圖像上尋求解決問題的方法．那么如何把圖像中的真實(shí)目標(biāo)點(diǎn)和偽目標(biāo)點(diǎn)分開，即去除偽目標(biāo)點(diǎn)．定位問題已轉(zhuǎn)變?yōu)橐粋€(gè)二分類問題．需要做的就是想辦法尋找或提取待分類問題的特征，最后用合適的分類算法實(shí)現(xiàn)自動(dòng)分類.

3.1?“熱點(diǎn)”區(qū)域

如圖 4所示，無(wú)論是真實(shí)目標(biāo)點(diǎn)還是偽目標(biāo)點(diǎn)在成像結(jié)果上都以局部最亮區(qū)域出現(xiàn)．這些局部最亮區(qū)域被形象地稱為“熱點(diǎn)”區(qū)域．首先需要把成像結(jié)果中的所有熱點(diǎn)都找出來(lái)．這些熱點(diǎn)也就是本分類問題中的樣本．在圖像中，熱點(diǎn)即在一定范圍內(nèi)像素值最大的像素點(diǎn)．在數(shù)字圖像處理中有許多方法可以實(shí)現(xiàn)區(qū)域提取，本文采取的是最簡(jiǎn)單的方法．想要得到局部最亮區(qū)域可以先找到局部最大值點(diǎn)，通過比較每一個(gè)像素點(diǎn)與其周圍相鄰的8個(gè)或16個(gè)像素點(diǎn)的像素值大小來(lái)作出判斷．如果該像素點(diǎn)的值最大，則認(rèn)為其為一個(gè)局部最大值點(diǎn)．遍歷圖像中所有的像素點(diǎn)，找出并記錄所有的局部最大值點(diǎn)的坐標(biāo)．找到了局部最大值點(diǎn)，即找到了局部最大區(qū)域．在本文中局部最大區(qū)域指以局部最大值為中心的24個(gè)像素點(diǎn)組成的區(qū)域．

圖4?無(wú)源RFID場(chǎng)景下的RTI算法仿真結(jié)果

3.2?特征計(jì)算

???(8)

3.3?Adaboost分類器

機(jī)器學(xué)習(xí)(machine learning，ML)現(xiàn)在已成為各個(gè)領(lǐng)域的學(xué)者們爭(zhēng)先研究的一門學(xué)問．機(jī)器學(xué)習(xí)算法是一類從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法．而Adaboost元算法就是其中的一種[21]．

Adaboost是adaptive boosting的縮寫．其核心思想是利用弱分類器和多個(gè)實(shí)例來(lái)構(gòu)建一個(gè)強(qiáng)分類器．這里的弱指的是分類器的性能比隨機(jī)猜測(cè)稍好，但不會(huì)好很多．在本文中筆者使用簡(jiǎn)單的單層決策樹作為弱分類器．單層決策樹就是一種最簡(jiǎn)單的決策樹，僅基于單個(gè)特征來(lái)做決策．

???(9)

??(10)

本文之所以采用Adaboost算法來(lái)進(jìn)行偽目標(biāo)的識(shí)別，有兩點(diǎn)原因：①Adaboost算法適用于大部分的分類問題，尤其在數(shù)據(jù)集的特征類別不多的情況下也能實(shí)現(xiàn)很好的分類性能，并且不需要手動(dòng)調(diào)整參數(shù)；②在訓(xùn)練的時(shí)候只需要少量的樣本就可以達(dá)到訓(xùn)練效果，因?yàn)樗梢灾貜?fù)利用樣本，算法原理相對(duì)簡(jiǎn)單，易編程實(shí)現(xiàn)．Adaboost算法的示意如圖5所示.

圖5?Adaboost算法示意

圖5中，左邊是輸入的樣本數(shù)據(jù)，直方圖的不同長(zhǎng)度代表不同樣本的權(quán)重大小，每迭代一次各個(gè)樣本的權(quán)重都要重新計(jì)算，迭代次后把個(gè)弱分類器加權(quán)相加，經(jīng)判決函數(shù)判決后輸出類別結(jié)果．

圖6?無(wú)源RFID場(chǎng)景下的RTI被動(dòng)式定位流程

4?實(shí)驗(yàn)仿真

4.1?實(shí)驗(yàn)設(shè)置

為了對(duì)本文所提出的方法進(jìn)行驗(yàn)證，筆者在真實(shí)場(chǎng)景下做了實(shí)驗(yàn)，并用MATLAB對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了仿真．本實(shí)驗(yàn)室從美國(guó)英頻杰公司引進(jìn)了一套完整的無(wú)源超高頻RFID系統(tǒng)，包括閱讀器R420，4個(gè)閱讀器天線以及大量的無(wú)源標(biāo)簽，如圖7所示．

圖7中，實(shí)驗(yàn)區(qū)域大小為4.8,m×4.8,m．每個(gè)標(biāo)簽相距0.3,m，共40個(gè)標(biāo)簽．定位區(qū)域劃分為40×40個(gè)正方形網(wǎng)格，每個(gè)網(wǎng)格邊長(zhǎng)為0.1,m．實(shí)驗(yàn)開始時(shí)，需要先選擇樣本點(diǎn)進(jìn)行訓(xùn)練．該方法不需要輸入大量的樣本，本實(shí)驗(yàn)只是讓目標(biāo)站在幾個(gè)預(yù)先設(shè)定好的位置來(lái)測(cè)量數(shù)據(jù)，而且把不同數(shù)量的目標(biāo)出現(xiàn)時(shí)的數(shù)據(jù)一起進(jìn)行訓(xùn)練．由于RSS值比較容易受周圍環(huán)境的干擾，所以在每次記錄時(shí)至少測(cè)10組數(shù)據(jù)求其均值作為后續(xù)的數(shù)據(jù)使用．分類器訓(xùn)練好之后，隨機(jī)地讓不同數(shù)目的目標(biāo)隨機(jī)站在定位區(qū)域中進(jìn)行定位驗(yàn)證．這里有一個(gè)要求是，多個(gè)目標(biāo)出現(xiàn)時(shí)，彼此的距離不能小于1,m．因?yàn)槿绻粷M足這個(gè)條件，在成像結(jié)果中兩個(gè)目標(biāo)只有一個(gè)熱點(diǎn)，這種情況就變成了另一個(gè)需要研究的問題，即在多個(gè)目標(biāo)離得很近時(shí)如何判斷目標(biāo)的數(shù)目．

圖7?無(wú)源RFID場(chǎng)景下的具體實(shí)驗(yàn)布置

4.2?實(shí)驗(yàn)結(jié)果

正如第2節(jié)所述一樣，直接在無(wú)源RFID系統(tǒng)中應(yīng)用RTI算法會(huì)出現(xiàn)很大的問題，當(dāng)兩個(gè)以上的目標(biāo)出現(xiàn)在定位區(qū)域中后，會(huì)在定位結(jié)果中出現(xiàn)偽目標(biāo)，如圖8所示．在事先不知道目標(biāo)數(shù)目的情況下，定位就變得更加困難．而在經(jīng)過本文所提方法的處理后，可以準(zhǔn)確輕易地獲得目標(biāo)的數(shù)目和位置．

圖8 無(wú)源RFID場(chǎng)景下3個(gè)目標(biāo)的RTI與本文算法的定位結(jié)果

4.3?結(jié)果分析

大量數(shù)據(jù)仿真后的定位誤差累積分布函數(shù)(cu-mulative distribution function，CDF)曲線如圖9所示.

從圖9中可以看出，在1個(gè)目標(biāo)、2個(gè)目標(biāo)和3個(gè)目標(biāo)場(chǎng)景下，本文所提出的方法可以分別以97%,、87%,和86%,的概率使得定位誤差小于1,m．將本文算法與Wagner等[22]提出的PDE(polygon distance estimation)方法作出比較．PDE算法的思想是構(gòu)造一個(gè)虛擬的多邊形，這個(gè)多邊形的頂點(diǎn)由成像結(jié)果中的熱點(diǎn)組成．首先計(jì)算每對(duì)頂點(diǎn)的歐式距離，然后把距離最大的兩個(gè)頂點(diǎn)作為真實(shí)目標(biāo)點(diǎn)．原文中該方法其實(shí)只適用于2個(gè)目標(biāo)情況，而且對(duì)2個(gè)目標(biāo)的相對(duì)位置依賴性很大，如果是3個(gè)目標(biāo)情況則基本失去了識(shí)別能力．本文在仿真過程中筆者根據(jù)上述算法的思路，在3個(gè)目標(biāo)情形下，先按照上述方法確定距離最大的兩個(gè)目標(biāo)，然后把與前2個(gè)目標(biāo)距離最大的熱點(diǎn)作為第3個(gè)目標(biāo)．實(shí)驗(yàn)結(jié)果如圖9所示，相比于PDE方法，本文所提出的方法即使在3個(gè)目標(biāo)情況下也能保持相對(duì)高的定位精度．

圖9?無(wú)源RFID場(chǎng)景下的RTI定位性能曲線

此外，在本實(shí)驗(yàn)場(chǎng)景下經(jīng)過多次重復(fù)實(shí)驗(yàn)后，經(jīng)過統(tǒng)計(jì)計(jì)算分別得到本算法在本實(shí)驗(yàn)條件下1個(gè)目標(biāo)的平均定位誤差為0.57,m，2個(gè)目標(biāo)為0.72,m，3個(gè)目標(biāo)時(shí)為0.78,m．對(duì)于本文所提出的方法來(lái)說(shuō)，定位性能固然重要，但更重要的是分類器的性能，因?yàn)楣P者需要先準(zhǔn)確分類真實(shí)目標(biāo)和偽目標(biāo)，才能確定真實(shí)目標(biāo)的位置和個(gè)數(shù)．所以還需要對(duì)分類器的性能作出評(píng)價(jià)．在一個(gè)二分類問題中，如果一個(gè)正例被判為正例，就認(rèn)為產(chǎn)生了一個(gè)真正例(TP)；如果一個(gè)反例正確判為反例，就認(rèn)為產(chǎn)生一個(gè)真反例(TN)，相應(yīng)地，另外兩種情況分別稱為偽反例(FN)和偽正例(FP)．圖10直接給出本方法下的ROC曲線[23]．

圖10利用20個(gè)單層決策樹的Adaboost-RTI定位系統(tǒng)的ROC曲線

在圖10的ROC曲線中，橫軸是偽正率(偽正率＝FP/(FP＋TN))，縱軸是真正率(真正率＝TP/(TP＋FN))．圖中的曲線是隨機(jī)猜測(cè)的結(jié)果曲線，左下角對(duì)應(yīng)著把所有樣例判為反例的情形，右上角則是都判為正例的情況．在理想情況下，最佳的分類器應(yīng)盡可能的位于左上角，這就意味著在偽正率很低的同時(shí)得到了很高的真正率．本文的問題中就是把偽目標(biāo)全部排除而剩下了真實(shí)目標(biāo).

對(duì)不同的ROC曲線進(jìn)行比較的一個(gè)指標(biāo)是曲線下的面積AUC(area unser the curve)，表示分類器的平均性能值．完美分類器的AUC值為1，隨機(jī)猜測(cè)為0.5．圖10中從上往下分別是1個(gè)目標(biāo)、2個(gè)目標(biāo)和3個(gè)目標(biāo)時(shí)的ROC曲線，對(duì)應(yīng)的AUC值分別為0.97、0.92、0.86．

5?結(jié)?語(yǔ)

本文提出了在無(wú)源RFID場(chǎng)景下實(shí)現(xiàn)RTI被動(dòng)式定位，并針對(duì)RFID場(chǎng)景下多個(gè)目標(biāo)出現(xiàn)時(shí)的偽目標(biāo)問題，提出了基于Adaboost分類器的一套完整方法來(lái)實(shí)現(xiàn)偽目標(biāo)的識(shí)別，最終在目標(biāo)數(shù)目未知前提下準(zhǔn)確識(shí)別真實(shí)目標(biāo)的數(shù)目與位置，并做了大量的仿真實(shí)驗(yàn)來(lái)驗(yàn)證所提方法的可行性．結(jié)果表明該方法有一定的研究應(yīng)用價(jià)值．由于實(shí)驗(yàn)場(chǎng)地以及實(shí)驗(yàn)設(shè)備的局限性，只做到了3個(gè)目標(biāo)的識(shí)別．但隨著物聯(lián)網(wǎng)技術(shù)的進(jìn)一步發(fā)展，RFID系統(tǒng)的通信距離和抗干擾能力必定會(huì)大大提升，到時(shí)就可以實(shí)現(xiàn)更大范圍更多目標(biāo)的被動(dòng)式定位，比如在大型商場(chǎng)布置大量的無(wú)源RFID標(biāo)簽實(shí)現(xiàn)定位．

［1］ Youssef M，Mah M，Agrawala A. Challenges：Device-free passive localization for wireless environments[C]//. New York，USA，2007：222-229.

［2］ Zhou Zimu，Yang Zheng，Wu Chenshu，et al. Omnidirectional coverage for device-free passive human detection[J].，2014，25(7)：1819-1829.

［3］ Wang Jie，Gao Qinhua，Pan Miao，et al. Towards accurate device-free wireless localization with a saddle surface model[J].，2016，65(8)：6665-6677.

［4］ Hong J，Ohtsuki T. Signal eigenvector-based device-free passive localization using srray sensor[J].，2015，64(4)：1354-1363.

［5］ Brad M，Philip L，Neal P. Fingerprint-based device-free localization performance in changing environments [J].，2015，33(11)：2429-2438.

［6］ Wang Ju，Chen Xiaojiang，F(xiàn)ang Dingyi，et al. Transferring compressive sensing based device-free localization across target diversity[J].，2015，62(4)：2397-2409.

［7］ Wang Jie，Gao Qinghua，Wang Hongyu，et al. Device-free localization with multidimensional wireless link information[J].，2015，64(1)：356-366.

［8］ 劉?凱，夏?然，柴?柯. 結(jié)合菲涅爾理論的免攜帶設(shè)備定位研究[J]. 傳感技術(shù)學(xué)報(bào)，2015，28(2)：297-302.

Liu Kai，Xia Ran，Chai Ke. The study of device free localization with wireless networks based on fresnel theory[J].，2015，28(2)：297-302(in Chinese).

［9］ Wang Jie，Gao Qinghua，Yu Yan，et al. Time and energy efficient TOF-based device-free wireless localization[J].，2016，12(1)：158-168.

［10］ Talampas M C R，Low K S. A geometric filter algorithm for robust device-free localization in wireless networks [J].，2016，12(5)：1670-1678.

［11］ Wang Jie，Zhang Xiao，Gao Qinghua，et al. Device-free wireless localization and activity recognition：A deep learning approach[J].，2017，66(7)：6258-6267.

［12］ Neal Patwari，Piyush Agrawal. Effects of correlated shadowing：Connectivity，localization，and RF tomo-graphy[C]//New York，USA，2008：82-93.

［13］ Joey Wilson，Neal Patwari. Radio tomographic imaging with wireless networks[J].，2010，9(5)：621-632.

［14］ Zhao Yang，Neal Patwari. Noise reduction for variance-based device-free localization and tracking[C]//，Salt Lake City，USA，2011：179-187.

［15］ Zhao Yang，Neal Patwari. Robust estimators for variance-based device-free localization and tracking[J].，2015，14(10)：2116-2129.

［16］ Hamilton B R，Ma X L，Baxley R J，et al. Propagation modeling for radio frequency tomography in wireless networks[J].，2014，8(1)：55-65.

［17］ Ossi K，Maurizio B，Neal P. A fade level-based spatial model for radio tomographic imaging[J].，2014，13(6)：1159-1172.

［18］ Lei Qian，Zhang Haijian，Sun Hong，et al. A new elliptical model for device-free localization[J].，2016，16(4)：577.

［19］ Huang Kaide，Luo Yubin，Guo Xuemei，et al. Data-efficient radio tomographic imaging with adaptive bayesian compressive sensing[C]//. Lijiang，

China，2015：1859-1864.

［20］ Lieckfeldt Dominik，You Jiaxi，Timmermann Dirk. Characterizing the Influence of human presence on bistatic passive RFID-System[C]//，. Marrakech，Morocco，2009：338-343.

［21］ Canovas O，Lopez-De-Teruel P E，Ruiz A. Detecting indoor/outdoor places using WiFi signals and adaBoost [J].，2017，17(5)：1443-1453.

［22］ Wagner B，Timmermann D. Approaches for device-free multi-user localization with passive RFID[C]//New York，USA，2013：1-6.

［23］ Wunderlich A，Goossens B，Abbey C K. Optimal joint detection and estimation that maximizes ROC-type curves[J].，2016，35(9)：2164-2173.

(責(zé)任編輯：王曉燕)

Adaboost-Based Radio Frequency Tomography for False Target Recognition in Passive RFID

Ma Yongtao，Gao Xin

(School of Microelectronics，Tianjin University，Tianjin 300072，China)

The radio tomographic imaging(RTI)algorithm in device-free localization(DFL)was mainly used in wireless sensor network(WSN)．While with the rapid development of the internet of things，the wireless radio frequency identification devices(RFID)network can be seen everywhere．So the idea of realizing the RTI algorithm in passive RFID network is proposed．The Adaboost-based machine learning algorithm was presented to remove the false goal for multiple target situations．Finally，the accurate identification of at least three targets was realized on the premise that the target number was unknown．Experimental results show the feasibility of the proposed method is very high，and the target recognition accuracy reaches 86%, when the position error is 0.7,m.

device-free localization；radio tomographic imaging；wireless radio frequency identification devices；machine learning

10.11784/tdxbz201703015

TN911.7

A

0493-2137(2018)02-0135-08

2017-03-09；

2017-05-02.

馬永濤（1979—??），男，博士，副教授.

馬永濤，mayongtao@tju.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61671318).

the National Natural Science Foundation of China(No.,61671318).