一种基于机器学习的RFID室内定位方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108871334A(43)申请公布日2018.11.23(21)申请号201810595369.X(51)Int.Cl.(22)申请日2018.06.11G01C21/20(2006.01)(71)申请人佛山市顺德区中山大学研究院地址528399广东省佛山市顺德区大良街道办事处云路社区居民委员会南国东路9号申请人广东顺德中山大学卡内基梅隆大学国际联合研究院中山大学(72)发明人谭洪舟张浩曾衍瀚廖裕兴陈曦恒王嘉奇方巍陈翔张鑫(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人左恒峰权利要求书2页说明书5页附图2页(54)发明名称一种基于机器学习的RFID室内定位方法及系统(57)摘要本发明公开了一种基于机器学习的RFID室内定位方法及系统，其中方法包括：对目标发送多频载波，获取相位差数据；预处理相位差数据；采用分类回归算法建立预测模型；根据预测模型得到目标的坐标。相比于传统技术，本发明定位精度较高，对目标可进行精确测距、数据处理及建模分析，从而得到精确、稳定的定位结果。CN108871334ACN108871334A权利要求书1/2页1.一种基于机器学习的RFID室内定位方法，其特征在于，包括以下步骤：对目标发送多频载波，获取相位差数据；预处理相位差数据；采用分类回归算法建立预测模型；根据预测模型得到目标的坐标。2.根据权利要求1所述的一种基于机器学习的RFID室内定位方法，其特征在于，预处理相位差数据，包括以下步骤：建立正态分布模型RSSI，将第i个相位差pi的密度函数表示为其中，μ和σ分别为RSSI的均值和标准差，m为相位差数据总量；设定f(x)及相应x的范围，筛选得到使f(x)及相应x符合范围要求的相位差数据。3.根据权利要求2所述的一种基于机器学习的RFID室内定位方法，其特征在于，所述f(x)及相应x的范围为0.6≤f(x)≤1,0.15σ+μ≤x≤3.09σ+μ。4.根据权利要求1所述的一种基于机器学习的RFID室内定位方法，其特征在于，所述分类回归算法包括随机森林、多元线性回归模型、模型树和随机树中的一种或多种。5.根据权利要求1或4所述的一种基于机器学习的RFID室内定位方法，其特征在于，在采用分类回归算法建立预测模型与根据预测模型得到目标的坐标之间，还包括步骤:采用十倍交叉验证法对所有预测模型进行检验评估，选出其中定位误差最小的作为最终的预测模型。6.一种基于机器学习的RFID室内定位系统，其特征在于，包括：采集模块，用于对目标发送多频载波，获取相位差数据；预处理模块，用于预处理相位差数据；建模模块，用于采用分类回归算法建立预测模型；获取模块，用于根据预测模型得到目标的坐标。7.根据权利要求6所述的一种基于机器学习的RFID室内定位系统，其特征在于，所述预处理模块包括：条件模块，用于建立正态分布模型RSSI，将第i个相位差pi的密度函数表示为其中，μ和σ分别为RSSI的均值和标准差，m为相位差数据总量；筛选模块，用于设定f(x)及相应x的范围，筛选得到使f(x)及相应x符合范围要求的相位差数据。2CN108871334A权利要求书2/2页8.根据权利要求7所述的一种基于机器学习的RFID室内定位系统，其特征在于，f(x)及相应x的范围为0.6≤f(x)≤1,0.15σ+μ≤x≤3.09σ+μ。9.根据权利要求6所述的一种基于机器学习的RFID室内定位系统，其特征在于,所述分类回归算法包括随机森林、多元线性回归模型、模型树和随机树中的一种或多种。10.根据权利要求6或9所述的一种基于机器学习的RFID室内定位系统，其特征在于,在建模模块与获取模块之间还设置有检验模块；所述检验模块，用于采用十倍交叉验证法对所有预测模型进行检验评估，选出其中定位误差最小的作为最终的预测模型。3CN108871334A说明书1/5页一种基于机器学习的RFID室内定位方法及系统技术领域[0001]本发明涉及定位识别领域，尤其是一种基于机器学习的RFID室内定位方法及系统。背景技术[0002]RFID是RadioFrequencyIdentification的缩写，即射频识别技术。RFID射频识别是一种非接触式的自动识别技术，它通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，可工作于各种恶劣环境；RFID技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。目前RFID室内定位技术为了简便，一般采用的是与测距无关的定位算法，由于其并未进行精确的测距及数据处理，因此定位精度较低，得到的定位结果不准确的几率大大增加。发明内容[0003]为了解决上述问题，本发明的目的是提供一种基于机器学习的RFID室内定位方法及系统，对目标可进行