楊麗 劉沁舒 徐潔 胡靜 宋鐵成 蔣宗清

【摘? 要】提出了一種基于非線性支持向量機回歸SVR、粒子群優(yōu)化PSO和卡爾曼濾波KF的室內定位算法。對室內運動的物體，采用SVR訓練RSSI和距離，構建RSSI和距離的非線性關系，提高RSSI測距精度;再根據(jù)待定位標簽到各個閱讀器的距離，利用PSO優(yōu)化算法來確定待定位物體各時間點的位置坐標;最后通過卡爾曼濾波對運動軌跡進行濾波。實驗結果表明，該算法提升了室內運動物體的定位精度，減小了定位誤差。

【關鍵詞】RFID;定位;非線性SVR;PSO;KF

1? ?引言

RFID（Radio Frequency Identification）定位技術[1]利用讀寫器和電子標簽之間的雙向數(shù)據(jù)交換[2-4]，對物體進行定位，該技術成本低，環(huán)境適應能力強，可以在很短的時間內達到較高的定位精度[5-6]。本文提出基于非線性支持向量機回歸（SVR，Support Vector Regression）[7]、粒子群優(yōu)化（PSO，Particle Swarm Optimization）[8]和卡爾曼濾波（KF，Kalman Filter）[9]的定位算法SVRPSO-KF。對于運動的物體，先通過非線性SVR構建接收信號強度指示（RSSI，Received Signal Strength Indication）與距離的非線性映射關系，提高RSSI測距的精度，再利用粒子群優(yōu)化算法通過迭代搜索估計待定位標簽各時間點的位置，最后通過卡爾曼濾波對運動軌跡進行濾波[10]以提高定位精度。

2? ?SVRPSO-KF定位算法

在SVRPSO-KF算法中，有兩個階段：更新階段和預測階段。一方面，根據(jù)待定位目標前一時刻的狀態(tài)信息預測出目標當前時刻的狀態(tài)信息;另一方面，根據(jù)預測信息更新目標當前時刻的狀態(tài)信息和后驗分布以及相關參數(shù)，由此對目標狀態(tài)進行持續(xù)跟蹤，結果即為待定位標簽的運動軌跡。算法詳細步驟如下：

（1）系統(tǒng)的動態(tài)模型為：

Xk是系統(tǒng)的狀態(tài)向量，Zk是系統(tǒng)的觀測向量，F(xiàn)是狀態(tài)轉移矩陣，H為觀測矩陣，Wk為零均值、協(xié)方差矩陣為Q的過程噪聲，Vk為零均值、協(xié)方差矩陣為R的觀測噪聲。

（2）通過將參考標簽的RSSI矩陣與參考標簽的距離矩陣作為非線性SVR的訓練集，構建RSSI與距離的非線性映射關系，估算出待定位標簽與閱讀器之間的距離，再利用PSO優(yōu)化方法通過迭代尋求目標函數(shù)的最優(yōu)解，從而可以獲取系統(tǒng)的觀測向量Zk，具體步驟如下：

◆建立參考標簽的RSSI矩陣和距離矩陣。

◆將參考標簽的RSSI矩陣作為樣本的輸入值，將其距離矩陣作為樣本的期待輸出值，對其進行非線性SVR訓練，得到?jīng)Q策函數(shù)，構建RSSI與距離的非線性映射關系。

◆閱讀器獲取待定位標簽的信號強度值，建立待定位標簽的RSSI矩陣。將待定位標簽的RSSI矩陣作為決策函數(shù)的輸入，則可估算待定位標簽與閱讀器之間的距離。

◆根據(jù)待定位標簽的距離矩陣以及閱讀器的位置坐標，構建出待定位標簽位置的非線性方程組。將非線性方程組求解問題轉化為目標函數(shù)的優(yōu)化問題。

◆利用PSO優(yōu)化方法，通過迭代尋求目標函數(shù)的最優(yōu)解，計算并比較所有粒子的適應度值，根據(jù)全局最優(yōu)值和個體最優(yōu)值使粒子的位置和速度向最優(yōu)解靠攏，得到的最優(yōu)解為待定位標簽的位置坐標也就是系統(tǒng)的觀測向量Zk。

（3）對算法中的參數(shù)進行更新

（4）重復步驟（2）和步驟（3）即可對目標狀態(tài)進行持續(xù)跟蹤，結果即為待定位標簽的運動軌跡。

3? ?算法仿真與結果分析

本文使用Python對算法進行了一系列仿真實驗來評估SVRPSO-KF算法的性能。在仿真實驗中，定位系統(tǒng)仿真布局如圖1所示。待定位區(qū)域為8 m×8 m的室內區(qū)域，在這個區(qū)域中的每個角落放置一個閱讀器，在整個區(qū)域中均勻放置4×4個參考標簽，并生成待定位標簽的運動軌跡。

為了驗證本文提出算法的定位性能，同時對未進行濾波的VIRE算法[4]和SVR-PSO算法進行仿真。定位算法誤差圖如圖2所示。在定位精度方面，本文提出的SVRPSO-KF算法比VIRE算法有很大的提升;在定位誤差方面，本文提出的SVRPSO-KF算法比SVR-PSO算法有一定的改善，這說明利用KF對運動軌跡進行濾波可以降低定位誤差，并且使系統(tǒng)的定位結果更穩(wěn)定，這主要是因為SVR對RSSI和距離非線性回歸比較準確，并且采用了PSO優(yōu)化算法，通過迭代提高了定位精度，并且通過KF對軌跡進行濾波，進一步降低了定位誤差。

4? ?結束語

本文在RFID環(huán)境下，通過閱讀器對運動的標簽進行定位，提出了一種SVRPSO-KF定位算法。該算法首先通過非線性SVR對RSSI和距離進行訓練，構建RSSI與距離的非線性映射關系，提高RSSI的測距精度;然后再利用PSO優(yōu)化算法通過迭代尋求待定位標簽的位置坐標;最后利用KF對運動軌跡進行濾波。仿真結果表明，本文提出的SVRPSO-KF算法能夠有效地提高定位精度，降低定位誤差。

參考文獻：

[1] M K Bek， E M Shaheen， S A Elgamel. Analysis of the global position system acquisition process in the presence of interference[J]. IET Radar， Sonar & Navigation， 2016，10（5）： 850-861.

[2] Scherh?ufl M， Pichler M， Stelzer A. UHF RFID Localization Based on Evaluation of Backscattered Tag Signals[J]. IEEE Transactions on Instrumentation and Measurement， 2015，64（11）： 2889-2899.

[3] Khan M M， Tahir F A， Cheema H M. Frequency Band Utilization Enhancement For Chipless RFID Tag Through Place Value Encoding[C]//2016 IEEE International Symposium on Antennas and Propagation （APSURSI 2016）. Fajardo ， Puerto Rico， 2016： 1477-1478.

[4] X Liu， M Wen， G C Qin， et al. LANDMARC with improved k-nearest algorithm for RFID location system[C]//2016 2nd IEEE International Conference on Computer and Communications （ICCC）. Chengdu， 2016： 2569-2572.

[5] Dian Z， Kezhong L， Rui M. A precise RFID indoor localization system with sensor network assistance[J]. China Communications， 2015，12（4）： 13-22.

[6] Zhang X， Peng， Cao X. RFID Indoor Localization Algorithm Based on Dynamic Netting[C]//2010 International Conference on Computational and Information Sciences. Chengdu， 2010： 428-431.

[7] 張謙. UHF RFID系統(tǒng)應用性能關鍵技術研究[D]. 上海： 上海交通大學， 2015.

[8] Lu X， Wang L， Wang H， et al. Kalman filtering for delayed singular systems with multiplicative noise[J]. IEEE/CAA Journal of Automatica Sinica， 2016，3（1）： 51-58.

[9] Kulikov G Y， Kulikova M V. The Accurate Continuous-Discrete Extended Kalman Filter for Radar Tracking[J]. IEEE Transactions on Signal Processing， 2016，64（4）： 948-958.

[10] H Zhou guo， L Fang， Y Yi. An improved indoor UHF RFID localization method based on deviation correction[C]//2017 4th International Conference on Information Science and Control Engineering （ICISCE）. Changsha， 2017： 1401-1404.