一种基于粒子群和标签传播的RFID定位方法及系统

本发明涉及rfid定位领域，具体涉及一种基于粒子群和标签传播的rfid定位方法及系统。

背景技术：

1、现代移动射频识别(rfid)定位技术面临的主要挑战在于如何在不依赖预设天线轨迹或额外跟踪设备的条件下实现高效且精确的定位。目前，解决方案主要分为两类：基于信号指纹的方法和基于物理建模的方法。基于信号指纹的方法依赖于大量的参考标签和复杂的设备部署，这不仅增加了成本，还因环境变化而频繁需要更新指纹库，限制了其灵活性和实用性。尽管有如文献《wang j,katabi d.dude,where's my card？rfid positioningthat works with multipath and non-line of sight[c]//proceedings of the acmsigcomm 2013conference on sigcomm.2013:51-62.》以及文献《chang l,wang j,meng h,et al.towards large-scale rfid positioning:a low-cost,high-precision solutionbased on compressive sensing[c]//2018ieee international conference onpervasive computing and communications(percom).ieee,2018:1-10.》等改进方案尝试降低成本，但仍面临参考标签过多及部署困难的问题。另一方面，基于物理建模的方法虽理论上能提供更高的精确度，却对数据质量有极高的要求，需要精密的传感器部署和数据处理，这增加了系统的复杂性和成本。此外，在无额外传感器帮助下追踪天线轨迹并定位目标标签在现有研究中较为少见。

技术实现思路

1、本发明所要解决的技术问题在于现有技术rfid定位方法依赖于大量的参考标签和复杂的设备部署或者需要精密的传感器部署，增加了系统的复杂性和成本。

2、本发明通过以下技术手段解决上述技术问题的：一种基于粒子群和标签传播的rfid定位方法，包括以下步骤：

3、步骤一、采集rfid数据并进行数据预处理；

4、步骤二、基于数据预处理之后的rfid信息，利用粒子群优化算法获取天线的移动轨迹序列；

5、步骤三、获取天线的移动轨迹序列之后，采用粒子群优化算法获得每个目标标签的位置，同时采用标签传播算法获得目标标签的位置，将粒子群优化算法获得的目标标签的位置与标签传播算法获得的目标标签的位置进行加权组合得到目标标签最终的位置。

6、进一步地，所述步骤二包括：

7、步骤201、粒子群初始化，其中，粒子代表下一时刻预测的天线位置；

8、步骤201、构建表征天线出现在下一时刻预测的天线位置的概率的第一代价函数，将第一代价函数作为第一适应度函数；

9、步骤203、更新粒子的位置和速度，计算第一适应度函数值，将每一次更新过程中得到的第一适应度函数值最小值对应的天线位置提取出来，不断迭代更新，最终得到天线的移动轨迹序列。

10、更进一步地，所述步骤201包括：

11、参考标签i的实际相位序列为φi＝[θi，1，θi，2，θi，3，…，θi，m]，θi，m为参考标签i的第m个相位，这些相位值均减去整个序列均值以达到均值中心化处理；参考标签i位于坐标ri＝(xi，yi，zi)，以天线的起始位置作为坐标原点，xi，yi，zi分别表示参考标签i的xyz方向的坐标；采样点的时间戳集合为t＝[t1，t2，t3，…，tm]，tm表示第m个采样时刻，天线在tj时刻的位置表示为γj＝(xj，yj，zj)，xj，yj，zj分别表示天线在tj时刻的xyz方向的坐标；初始化每个粒子的位置和速度随机位于给定的范围内，初始化每个粒子的最佳位置初始化全局最佳位置为其中一个粒子群中一个粒子代表tj+1时刻预测的天线位置γ′j+1＝(x′j+1，y′j+1，z′j+1)，x′j+1，y′j+1，z′j+1分别表示tj+1时刻预测的xyz方向天线坐标。

12、更进一步地，所述步骤202包括：

13、第一代价函数f(γ′j+1)的公式为

14、

15、其中，w为权重系数，n为参考标签的个数；||||2表示二范数；λ表示射频信号的波长。

16、更进一步地，所述步骤203包括：

17、第一适应度函数值取最小值时对应的天线位置用公式表示为

18、

19、其中，ω为粒子群的采样空间；

20、最终得到天线的移动轨迹序列为为最终得到的第m个采样时刻天线位置。

21、更进一步地，所述步骤三包括：

22、步骤301、获取天线的移动轨迹序列之后，将每个目标标签的位置作为粒子，基于天线的移动轨迹序列中每个点与目标标签之间的欧几里得距离构建第二代价函数，将第二代价函数作为第二适应度函数，执行粒子群优化算法，更新粒子的位置和速度，计算第二适应度函数值，将每一次更新过程中得到的第二适应度函数值最小值对应的目标标签的位置提取出来，不断迭代更新，最终得到每个目标标签的位置；

23、步骤302、标签传播算法将目标标签和参考标签视为邻近关系图的节点，节点的特征即为相应的相位序列，通过计算节点的特征之间的欧几里得距离来度量节点间的相似度，设定目标标签的初始位置，根据目标标签的初始位置以及节点间的相似度更新目标标签的位置，不断迭代，直到达到预设的迭代次数时停止，得到每个目标标签的位置；

24、步骤303、设置粒子群优化算法的目标标签定位结果的权重和标签传播算法的目标标签定位结果的权重，将粒子群优化算法获得的目标标签的位置与标签传播算法获得的目标标签的位置进行加权组合得到目标标签最终的位置。

25、更进一步地，所述步骤301包括：

26、第二代价函数f2(γ′j+1)的公式为

27、

28、其中，oi表示第i个目标标签的位置，φ′i表示计算得到参考标签i的理论相位序列，表示参考标签i的理论相位序列均值。

29、更进一步地，所述步骤302包括：

30、节点间的相似度的计算公式为

31、

32、其中，φm，j表示目标标签的第j个相位，φn，j表示参考标签的第j个相位；

33、将sm，n的计算结果从小到大排序，取前k个用于更新目标标签的位置，公式如下

34、

35、其中，pj′表示第j′个目标标签的当前位置，p′i表示第i个目标标签更新后的当前位置。

36、本发明还提供一种基于粒子群和标签传播的rfid定位系统，包括：

37、数据预处理模块，用于采集rfid数据并进行数据预处理；

38、天线轨迹获取模块，用于基于数据预处理之后的rfid信息，利用粒子群优化算法获取天线的移动轨迹序列；

39、目标标签定位模块，用于获取天线的移动轨迹序列之后，采用粒子群优化算法获得每个目标标签的位置，同时采用标签传播算法获得目标标签的位置，将粒子群优化算法获得的目标标签的位置与标签传播算法获得的目标标签的位置进行加权组合得到目标标签最终的位置。

40、进一步地，所述天线轨迹获取模块还用于：

41、步骤201、粒子群初始化，其中，粒子代表下一时刻预测的天线位置；

42、步骤201、构建表征天线出现在下一时刻预测的天线位置的概率的第一代价函数，将第一代价函数作为第一适应度函数；

43、步骤203、更新粒子的位置和速度，计算第一适应度函数值，将每一次更新过程中得到的第一适应度函数值最小值对应的天线位置提取出来，不断迭代更新，最终得到天线的移动轨迹序列。

44、更进一步地，所述步骤201包括：

45、参考标签i的实际相位序列为φi＝[θi，1，θi，2，θi，3，…，θi，m]，θi，m为参考标签i的第m个相位；参考标签i位于坐标ri＝(xi，yi，zi)，以天线的起始位置作为坐标原点，xi，yi，zi分别表示参考标签i的xyz方向的坐标；采样点的时间戳集合为t＝[t1，t2，t3，…，tm]，tm表示第m个采样时刻，天线在tj时刻的位置表示为γj＝(xj，yj，zj)，xj，yj，zj分别表示天线在tj时刻的xyz方向的坐标；初始化每个粒子的位置和速度随机位于给定的范围内，初始化每个粒子的最佳位置初始化全局最佳位置为其中一个粒子群中一个粒子代表tj+1时刻预测的天线位置f′j+1＝(x′j+1，y′j+1，z′j+1)，x′j+1，y′j+1，z′j+1分别表示tj+1时刻预测的xyz方向天线坐标。

46、更进一步地，所述步骤202包括：

47、第一代价函数f(γ′j+1)的公式为

48、

49、其中，w为权重系数，n为参考标签的个数；||||2表示二范数；λ表示射频信号的波长。

50、更进一步地，所述步骤203包括：

51、第一适应度函数值取最小值时对应的天线位置用公式表示为

52、

53、其中，ω为粒子群的采样空间；

54、最终得到天线的移动轨迹序列为为最终得到的第m个采样时刻天线位置。

55、更进一步地，所述目标标签定位模块还用于：

56、步骤301、获取天线的移动轨迹序列之后，将每个目标标签的位置作为粒子，基于天线的移动轨迹序列中每个点与目标标签之间的欧几里得距离构建第二代价函数，将第二代价函数作为第二适应度函数，执行粒子群优化算法，更新粒子的位置和速度，计算第二适应度函数值，将每一次更新过程中得到的第二适应度函数值最小值对应的目标标签的位置提取出来，不断迭代更新，最终得到每个目标标签的位置；

57、步骤302、标签传播算法将目标标签和参考标签视为邻近关系图的节点，节点的特征即为相应的相位序列，通过计算节点的特征之间的欧几里得距离来度量节点间的相似度，设定目标标签的初始位置，根据目标标签的初始位置以及节点间的相似度更新目标标签的位置，不断迭代，直到达到预设的迭代次数时停止，得到每个目标标签的位置；

58、步骤303、设置粒子群优化算法的目标标签定位结果的权重和标签传播算法的目标标签定位结果的权重，将粒子群优化算法获得的目标标签的位置与标签传播算法获得的目标标签的位置进行加权组合得到目标标签最终的位置。

59、更进一步地，所述步骤301包括：

60、第二代价函数f2(γ′j+1)的公式为

61、

62、其中，oi表示第i个目标标签的位置，φ′i表示计算得到参考标签i的理论相位序列，表示参考标签i的理论相位序列均值。

63、更进一步地，所述步骤302包括：

64、节点间的相似度的计算公式为

65、

66、其中，φm，j表示目标标签的第j个相位，φn，j表示参考标签的第j个相位；

67、将sm，n的计算结果从小到大排序，取前k个用于更新目标标签的位置，公式如下

68、

69、其中，pj′表示第j′个目标标签的当前位置，p′i表示第i个目标标签更新后的当前位置。

70、本发明的优点在于：

71、(1)本发明基于rfid数据利用粒子群优化算法获取天线的移动轨迹序列，利用粒子群优化算法以及标签传播算法分别获得目标标签的位置，在动态复杂的环境中使用简单的rfid设备，实现对天线轨迹的有效追踪和目标标签的准确定位，不仅提高了系统的部署友好性和灵活性，而且不需要依赖大量的参考标签和复杂的设备部署，也不需要精密的传感器部署，降低系统的复杂性和成本，满足智能零售和智慧工厂等现代应用场景的需求。

72、(2)本发明为应对缺乏准确天线移动路径和目标标签位置的挑战，设计了一个敏感高效的代价函数。该函数不断寻找符合最新观测数据且靠近前一位置点的新轨迹点，同时确保与初始轨迹点的连续性，避免累积误差导致的偏差，引入了粒子群优化策略，实时更新路径点，平衡了搜索速度与质量，提高了路径更新的效率。

73、(3)本发明针对轨迹恢复中的误差累积问题，采用标签传播机制进行解决。通过收集标签的相位数据作为特征，利用最近邻算法构建信息传递图模型。依据图的结构，将参考标签的已知位置信息逐步传递至目标标签，实现目标标签位置的精确预测。该方法有效避免误差累积，利用可靠的标签信息增强了定位的准确性和鲁棒性。