论文部分内容阅读
随着物联网技术的迅速发展,室外定位已经无法满足人们的需求,室内定位技术受到大量关注,其中射频识别(Radio Frequency IDentification,RFID)技术以其成本低、非视距、非接触等优点成为室内定位的热门技术。论文提出的算法均是基于接收信号强度指示(Received Signal Strength Indication,RSSI)的RFID标签定位算法。针对标签静止的场景,论文改进了基于参考标签的RFID室内定位算法,并提出了一种基于支持向量回归和粒子群优化(Support Vector Regression-Particle Swarm Optimization,SVR-PSO)的室内定位算法,有效地提高了室内环境下静态标签的定位精度。针对标签运动的场景,论文提出了一种基于无迹卡尔曼滤波和固定区间平滑(Unscented Kalman Filter-Rauch Tung Striebel smoother,UKF-RTS)的室内定位算法,显著地降低了室内轨迹跟踪的定位误差。论文的主要工作如下:(1)简单介绍了RFID系统的构成及工作原理,给出了RFID信号传播的常用模型,并阐述了目前常用的室内定位方法的原理及其优缺点。(2)改进了基于参考标签的RFID室内定位算法。首先研究基于动态校准的有源RFID位置识别(LocAtioN iDentification based on dynaMic Active RFID Calibration,LANDMARC)算法和基于虚拟参考标签消除的有源RFID定位(active RFID-based localization using VIrtual Reference Elimination,VIRE)算法,并对其仿真和分析。然后针对VIRE算法存在的不足,通过重心拉格朗日插值、增加边界虚拟参考标签和采用自适应阈值三种方式对VIRE算法进行改进。最后采用Python对改进的VIRE算法进行仿真,仿真结果表明,改进后的VIRE算法能够有效地提高边界区域标签的定位精度。(3)提出了SVR-PSO算法,该算法通过非线性支持向量回归(Support Vector Regression,SVR)构建标签的RSSI和标签到读写器距离之间的非线性映射关系,并采用粒子群优化(Particle Swarm Optimization,PSO)算法对目标函数进行迭代搜索得到最终的定位结果。仿真结果表明,SVR-PSO定位算法在整个待定位区域都可以达到较高的定位精度。(4)针对目标标签运动的场景,提出了UKF-RTS算法。该算法基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)理论并融入了SVR-PSO算法和分段固定区间(Rauch Tung Striebel,RTS)平滑理论,具有定位精度高、算法稳定等特点。论文对所提出的UKFRTS算法进行仿真验证,仿真结果表明,UKF-RTS算法有效地降低了轨迹跟踪时的定位误差,并在目标的运动状态发生变化时定位误差相对较小,系统的动态定位性能比较稳定。