1.一种基于BP和DNN双神经网络的RFID室内定位方法,其特征在于:包含以下步骤:步骤一:将阅读器和预先准备的RFID参考标签根据室内定位区域的实际情况按照一定规则布置,测量参考标签到阅读器的距离,记录各阅读器接收RFID参考标签的信号强度值RSSI和标签所在位置的坐标,获得原始训练数据集;
步骤二:对采集到的信号强度值RSSI进行去噪预处理;同一个阅读器接收到的连续多个RSSI信号符合高斯分布,为了减少干扰,排除小概率事件引起的误差,通过高斯模型选取大概率区间内的RSSI值作为有效数据,再求其算术平均值作为滤波的输出;
步骤三:根据测量到的参考标签到读写器的距离和读写器接收到的RSSI值,将其代入测距公式中,计算出路径损耗系数n;
步骤四:将滤波后的接收信号强度值RSSI和路径损耗系数n集中在一起,构建新的BP神经网络模型的训练集,将RSSI和路径损耗系数n以及待测标签坐标集中在一起,构建新的DNN模型的训练集;
步骤五:训练BP神经网络;所述BP神经网络为三层结构,将滤波后的RSSI值作为BP网络的输入,路径损耗系数n作为输出,训练BP网络模型;
步骤六:训练深度神经网络;将滤波后的RSSI值和BP网络输出的环境损耗系数ni作为深度神经网络的输入,参考标签的实际坐标作为输出,训练深度神经网络模型;
步骤七:将阅读器接收到的RSSI滤波后输入到BP网络模型中预测路径损耗系数n,再将其与RSSI输入到DNN模型中,在线实时预测待测标签坐标。
2.根据权利要求1所述的一种基于BP和DNN双神经网络的RFID室内定位方法,其特征在于:所述步骤二中,具体的去噪处理步骤为:2
首先,RSSI值服从(0,σ)的高斯分布,其概率密度函数如下式所示:其中,
则区间(μ‑σ<RSSIk<μ+σ)的概率公式如下所示:
P(μ‑σ<RSSIk<μ+σ)=F(μ+σ)‑F(μ‑σ)=φ(1)‑φ(‑1)=0.6826计算这些RSSI值的算术平均值:其中,N为连续测量k次中符合大概率区间内的信号强度值的个数。
3.根据权利要求1所述的一种基于BP和DNN双神经网络的RFID室内定位方法,其特征在于:所述步骤三中,所述测距公式为:RSSI(d)=RSSI(d0)‑10nlg d。
4.根据权利要求1所述的一种基于BP和DNN双神经网络的RFID室内定位方法,其特征在于:所述步骤五中,由于实际情况下采集大量数据十分困难,因此采用k‑折交叉验证法来进行训练,将采集到的数据集D划分为k个大小相似的互斥子集,一个子集保留作为测试集,其他k‑1个子集作为训练集,交叉验证重复k次,返回k个测试结果的平均值。