基于RFID和機器學習的室內固定資產定位方法

方潛生 黃晶 王萍 張振亞 李善壽

摘? 要：針對傳統室內固定資產定位方法存在定位時間長、定位誤差較大以及定位成本高等問題，提出一種基于射頻識別技術和機器學習的室內固定資產定位方法。首先，構建基于長短記憶神經網絡的固定資產感知識別模型，完成對固定資產設備的區域級識別粗定位，實現對某個區域內固定資產設備數量的自動清點;其次，面向粗定位結果在區域內的固定資產設備，設計基于粒子群優化反向傳播神經網絡的定位模型，實現對固定資產設備的精準定位;最后，在高校實驗室環境下開展了實測實驗。實驗結果表明，該方法對室內固定資產的識別F1值可達0.98，平均定位誤差約0.5 m，滿足建筑智能中對室內固定資產的管理要求，具有資產管理成本低、定位精度高、抗干擾能力強等特點。

關鍵詞：射頻識別;機器學習;長短期記憶神經網絡;粒子群優化;前饋神經網絡;定位識別

中圖分類號：TP391.44;TP181? ? ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2022.03.007

0? ? 引言

加強企事業單位固定資產管理（含自動清點及實時跟蹤與定位），對于保證固定資產安全、提高經濟效益具有重要意義。目前，對企事業單位固定資產的管理大多采用傳統手段，如手工記錄、條碼、二維碼等，存在效率低下、準確性差、無法實時查詢資產狀態等問題，如何對室內固定資產實現實時、精準的定位成為目前資產管理領域亟待解決的問題。國內外針對室內定位的研究包括GPS、WiFi（wireless fidelity）、藍牙（bluetooth，BLE）和射頻識別（radio frequency identification，RFID）[1-3]等，其中，RFID技術具有成本低、非接觸式、延遲時間短等優勢，使得RFID技術成為定位領域的研究熱點。

在國內，徐楊杰等[4]提出一種基于牛頓插值和差分進化改進灰狼優化支持向量回歸機的定位算法，該算法能減少布置參考標簽的工作量;周字輝等[5]提出一種基于計算機視覺的室內定位系統，通過目標檢測算法檢測出特定物體并獲取其圖像坐標;楊敏等[6]利用人員行走過程中幾何位置連續的先驗信息實現室內WiFi定位的方法，相較于傳統的無先驗信息與KNN算法的方法，其精度得到提高;楊艷芳等[7]通過實驗實測分析通信距離與接收信號強度指示（received signal strength indicator，RSSI）之間的映射關系，提出一種動態的路徑損耗參數測距方法，可用于無線傳感器網絡的節點定位。賴朝安等[8]提出一種基于高斯過程回歸和WiFi指紋的室內定位方法，離線階段使用GPR擴展指紋庫，在線階段分別使用加權最近鄰法（WKNN）、最大似然估計算法（MLE）、多層神經網絡（MLP）對待測點進行定位，結果表明，GPR-WKNN算法的定位精度最高。Alvin等[9]提出使用BLE指紋識別和PDR的方法來提高室內定位系統的準確性。Keong等[10]提出基于RFID和ZigBee集成的室內定位系統。印度科學研究所在智能工廠中使用無源RFID系統定位金屬部件，在3.6 m×3.6 m的區域內，位置估計準確率為89%[11]。Afuosi等[12]設計了一種在智能手機上嵌入WiFi的指紋定位系統，仿真結果表明，該方法將小于2 m的誤差提高了40%，且所提算法在計算復雜度方面與其他算法相當。Guo等[13]利用CC2530芯片構建ZigBee無線傳感器網絡，配合加權KNN算法構建二維定位模型，其二維定位的標準偏差為1.15 m。

上述研究通常依賴于大量硬件設施，成本高昂，且存在定位精度低和定位速度慢等缺陷。針對這些缺陷，本文提出一種基于RFID和機器學習的室內固定資產定位方法。

1? ? 基于RFID和機器學習的室內固定資產定位模型

1.1? ?系統概述

為實現對室內固定資產的實時精準定位，方便管理人員對固定資產進行快速盤點及智慧管理，將RFID標簽貼附在固定資產上，作為該固定資產的唯一身份證件。使用多個RFID信標接收RFID主動標簽發射出來的信號強度，RFID信標通過射頻通信將信號強度值傳輸到基站，基站經無線局域網把所有采集到的信號傳輸給本地計算機，經感知識別模塊和定位模塊完成對固定資產的定位估計。系統框架圖如圖1所示。

感知識別模塊是基于RSSI值，使用長短期記憶神經網絡（LSTM）對RFID信標感知到的固定資產進行房間級別（也稱區域級別，zone-level）的定位及計數;定位識別模塊主要面向辨識為區域內的固定資產，使用粒子群優化的反向神經網絡（PSO-BP）對其進行具體位置估計，實現定位功能。

1.2? ? RFID信號采集及預處理

通過部署在建筑空間內的RFID感知識別裝置采集RFID信號，裝置硬件包括RFID有源標簽、RFID信標、定位基站和本地計算機。RFID信標集成RFID標簽讀寫器和數據中繼功能，用于接收2.4 G有源RFID標簽的相關數據，并通過433 M無線將數據發送給定位基站，定位基站通過TCP協議與本地計算機通信，將所有數據轉發至本地計算機。本地計算機接收到的數據為16進制的數據幀，根據數據幀格式進行解析，解析后得到信標MAC地址、有源RFID標簽ID、RSSI值等信息。

采集到的原始數據，需要經過兩步預處理。

Step 1? 降噪處理。由于RSSI值服從式（1）所示的高斯分布，使用高斯濾波進行預處理可在一定程度上消除干擾影響較大的RSSI值。

[F（r）=1σ2πe（r-μ）22σ2] .? ? ? ? ? ? ? ? ? （1）

式中：[σ2]為方差，[μ]為期望值，[r]為RSSI值。根據高斯濾波去噪規則，先求出所有RSSI值的均值和標準差，然后將RSSI值與平均值的絕對值之差大于2倍標準差的RSSI值去除。

Step 2? 為得到便于BP神經網絡處理的數據，需要對RFID信號進行歸一化處理。由于RFID信號值的變化范圍為-100～0 dBm，使用轉換公式（2）將原始的RSSI值歸一化至（0， 1）。

[r=r+1].? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：[r]表示某個時間T的RSSI均值。

1.3? ?基于LSTM的感知識別模型構建

基于1.2所述的RSSI信號預處理，為方便構建基于LSTM的感知識別模型，首先給出如下相關信號說明。

在建筑空間內部署[n]個RFID信標，設置一個時間窗口[T]，在[T]時間內，第[i]個RFID信標感知到同一個RFID標簽的RSSI值按照到達時間的先后構成序列[Ri]，如式（3）所示：

[Ri=（r1， r2， …， rt， …， rk）]? .? ? ? ? ? ? ? （3）

式中：[Ri]表示一個由RSSI值組成的向量;[rt]表示在第[t]個時刻的RSSI值;在一段時間內，不同RFID信標對同一RFID標簽能夠感知到的RSSI值的數量不同，即不同[Ri]中[k]的大小不同。

在[T]時間內，RFID標簽的位置狀態預測結果如式（4）所示：

[L=f1（Ri）] .? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

式中：[L]表示RFID標簽所在位置的標識。當[Ri]對應的RFID標簽在室內時，[L]取值為1，當[Ri]對應的RFID標簽在室外時，[L]取值為0;[f1]表示RFID信號序列與位置狀態擬合的關系函數，使用能夠處理不同輸入維度的LSTM神經網絡來學習RFID信號序列，以降低RFID信號受環境影響出現的抖動性與不連續性。

若第一步辨識結果[L=1]時，則進行下一步的位置坐標估計。在T時間內，若同一RFID信標多次感知到同一RFID標簽，即[Ri=（r1， r2， …， rt， …， rk）]中[k>1]，則將多個RSSI值求平均值來代表該RFID標簽的RSSI值，如式（5）所示：

[R'i=（r1+r2+…+rk）/k] .? ? ? ? ? ? ?（5）

對于同一個RFID標簽，將同一時間內不同RFID信標探測到的RSSI值構成一個向量[R]，如? 式（6）：

[R=（R'1， R'2， …， R'i， …， R'k）]? .? ? ?   ? ? ? ? ?（6）

其中：[R'i]是第[i]個RFID信標感知到該RFID標簽的RSSI值的均值。由于單個RFID信標的感知范圍有限，無法感知到距離偏遠的RFID標簽的信號，因此，[k≤n]。

RFID標簽的位置坐標的預測結果如式（7）所示：

[（coordinateX， coordinateY）=F（R）] .? ? ? ? ? ?（7）

式中：[coordinateX]表示RFID標簽所在位置的[x]軸坐標，[coordinateY]表示RFID標簽所在位置的[y]軸坐標，[F（R）]表示多信標RFID信號與位置坐標擬合的關系函數。

選擇單個RFID信標感知到的信號序列[Ri]作為位置感知模型的輸入，其對應的位置標識[L]作為模型的輸出，使用LSTM神經網絡對RFID位置感知模型進行訓練。LSTM神經網絡是循環神經網絡（RNN）的特殊形式，引入“細胞記憶”的概念，利用門控制實現長期記憶與短期記憶的結合。每個LSTM單元包括遺忘門、輸入門和輸出門3種門結構。圖2為[t]時刻的LSTM單元結構圖，輸入為當前時刻的輸入[rt]以及上一時刻的輸出[ht-1]，[Ct-1]為上一時刻的單元狀態[14]。

通過遺忘門來決定前一時刻的單元狀態[Ct-1]有多少保留到當前時刻的單元狀態，如式（8）所示：

[Ft=sigmoid（wf?ht-1， xt+bf）]? .? ? ? ?（8）

輸入門決定當前時刻的網絡輸入[rt]有多少能加入到當前時刻的單元狀態[Ct]，如式（9）所示：

[Nt=sigmoid（wi?ht-1， xt+bi）×]

[tanh（wc?ht-1， xt+bc）].? ? ? ? ? ?（9）

更新單元狀態由[Ct-1]轉向[Ct]，如式（10）所示：

[Ct=Ft×Ct-1+Nt] .? ? ? ? ? ? ? ? ? ? （10）

輸出門輸出結果，如式（11）所示：

[ht=tanh（Ct）×sigmoid（wo?ht-1， xt+bo）] . （11）

其學習過程如圖3所示。首先初始化網絡中各門結構的權重和偏置，再初始化迭代次數以及隱層神經元數目;然后按照式（8）—式（11）進行前向傳播，計算各層的輸出;反向傳播，計算各層的誤差;根據誤差更新權重和偏置，直至達到最大迭代次數。

1.4? ? 基于PSO-BP的定位模型構建

向量[R]作為RFID位置辨識模型的輸入，其對應的位置坐標[（coordinateX， coordinateY）]作為模型的輸出，選用BP神經網絡對RFID位置辨識模型進行訓練[15]。BP神經網絡結構如圖4所示。

<G：＼202203＼圖片＼7方潛生＼方潛生圖4.tif>

d1、d2、…、dn為第1個、第2個、…、第n個RFID信標接收的RSSI值。

由圖4可知，BP神經網絡的輸入層是RFID信標感知的RSSI值，輸出層是位置辨識結果。對于該神經網絡結構，其中隱含層神經元的激活函數如式（12）所示，輸出層神經元的激活函數如式（13） 所示。

[f（x）=tansig（x）=21+e-2x-1]，? ? ? ? （12）

[f（x）=purline（x）=x]? .? ? ? ? ? ? ? （13）

模型訓練過程中，傳統BP神經網絡收斂速度慢，容易陷入局部最優的情況。PSO算法具有自組織、進化、全局搜索能力強的特點，可以通過PSO算法來優化BP神經網絡內部的權重與閾值[16]。對于PSO算法中每個粒子，由式（14）更新粒子的速度，由式（15）更新粒子的位置[17]。

[v（t+1）=ω×v（t）+c1×rand（）×（pbest-x（t））+]

[c2×rand（）×（gbest-x（t））]，? ? ? ? ? ? （14）

[x（t+1）=x（t）+v（t+1）].? ? ? ? ? ? ?（15）

設[t]時刻位置在[x（t）] 、速度為[v（t）]的粒子，在[t+1]時刻，其位置[x（t+1）]與速度[v（t+1）]按照式（14）、式（15）規定的策略更新。式（14）中，[ω]是慣性因子，[c1]、[c2]是學習因子，[rand（）]是（0，1）的隨機數，pbest是粒子的歷史最優位置，而gbest為全部粒子的歷史最優位置。

基于PSO-BP的RFID定位模型學習流程如圖5所示。

由圖5可知，PSO優化的BP神經網絡構建RFID定位模型的流程是：首先，依據圖4所示的BP神經網絡結構，初始化輸入層、隱含層和輸出層的神經元個數以及各層之間的權重和閾值。再初始化粒子的位置、速度以及歷史最優位置，計算每個粒子最優位置，根據式（14）、式（15）更新粒子速度和位置，依據適應度函數計算位置更新后粒子的適應度值，若更新后的適應度值比歷史最優適應度更小，將粒子歷史最優位置設置為粒子當前的位置，直到達到最大迭代次數，得到BP神經網絡最優的權重與閾值。

由于單個RFID信標感知范圍有限，在某一時刻，可能無法感知到某一個RFID標簽的RSSI值，所以[n]個RFID信標在某一段時間感知到的向量[R'i]的長度不一，導致BP神經網絡的輸入不同。根據n個RFID信標對應的2n-1種組合方式，數據集可分為2n-1種情況，根據不同的輸入數據，需要訓練2n-1個模型，將不同RFID信標感知到的向量[R]輸入對應的定位模型。

2? ? 實驗驗證與性能分析

2.1? ?實驗環境與實驗配置

在某高校實驗室開展實測實驗，室內區域有辦公設備等物品，且人員流動性大。實驗場景如圖6所示，其中虛線區域為定位區域，面積約為6 m × 6 m。將實驗空間俯視圖左下角標記為坐標原點，如圖7所示。RFID感知識別裝置所需設備包括4個RFID信標、1個定位基站和1臺計算機，RFID信標的布設位置如圖7中綠色三角形標記所示，對不同位置的RFID信標進行標號，分別為1號、2號、3號和4號。4個RFID信標均放置在同一水平面的貨架上，距離地面1.8 m。在房間內布設44個標記點，每個參考點布設方式如圖7中的藍色圓圈標記所示。然后在每個參考點處分別采集4個RFID信標接收到的參考標簽的RSSI值，記錄參考點的坐標及其對應的RSSI值。

本實驗使用的實驗器材（除計算機外）全部為上海網頻電子科技有限公司的貨架產品，其中，RFID信標型號為NR-XBRD-03AB，RFID有源標簽型號為NR-TGXK-10，定位基站型號為NR-RDM60B-11。圖8（a）為RFID信標的實物圖，圖8（b）為定位基站實物圖，圖8（c）為RFID有源標簽。計算服務器選用聯想T420，CPU為：Inter（R） Core（TM） i5-2450M CPU @ 2.50 GHz，內存為12 GB，搭載Windows10的系統。圖8（d）為定位服務器。

RFID信標無需任何配置，通電即可工作，其工作電壓范圍為5～12 V。定位基站需要根據服務器的網段修改本地IP地址和遠程IP地址，將定位基站的IP地址和服務器配置于同一個網段下，遠程IP地址設置為服務器IP地址，遠程端口號在出廠時已經配置為8234，無需修改。

在本實驗中，使用4個RFID信標，對應24-1種組合方式，數據集可分為15種情況，標記為data 1、data 2、data 3、…、data 15，具體數據集名稱和樣本數量如表1所示。

如表1所示，一共采集了45 007條樣本。將采集的樣本按照不同RFID信標的組合方法分別劃分成15個樣本集。對于每個樣本集，其中20%作為測試集用于模型性能的測試，80%作為訓練集進行模型的訓練。

LSTM神經網絡參數配置如表2所示。

由于序列[Ri]的維度為1，故LSTM神經網絡的輸入維度為1。輸出層輸出位置標識L，故輸出維度也為1。隱含層節點數設置為100，訓練批次量設為27，優化器使用adam，分類器選用softmax。

BP神經網絡參數配置如表3所示。

對于BP神經網絡，其輸入層節點數為RFID信標的個數，例如樣本集data 15，輸入層節點數為4。輸出層節點數為2，即二維坐標，隱含層設置為1層，其節點數為6，損失函數為mean squared error。

PSO算法參數配置如表4所示。

為評估RFID感知模型性能，選用[F1]值作為評估標準。式（16）為[F1]值的計算公式，其中P為精確率，R為召回率。

[F1=2PRP+R] .? ? ? ? ? ? ? ? ? ? ? ? （16）

為評估RFID定位模型性能，選用定位誤差和平均定位誤差作為評估標準。本文構建的RFID定位模型預測得到的待定位坐標為[（x'i， y'i）]，其對應的真實坐標為[（xi， yi）]。距離誤差（distance error，DE）和平均距離誤差（mean distance error，MDE）的計算公式如式（17）、式（18）所示。

[D=（xi-x'i）2+（yi-y'i）2]，? ? ? ? ? ? （17）

[M=i=1n（xi-x'i）2+（yi-y'i）2/n]? .? ? ? （18）

式中：[D]為DE值，[M]為MDE值。

2.2? ? 實驗結果與分析

2.2.1? ? 基于LSTM的RFID感知模型性能

為驗證基于LSTM的RFID感知模型的性能，選用1號RFID信標感知的數據作為訓練和測試模型的數據集。為保證數據可靠，利用訓練集進行100次學習，在這100次學習的模型下，測試集辨識結果的[F1]值的分布如圖9所示。

圖9展示了測試集在RFID感知模型下辨識結果的[F1]值分布直方圖，橫坐標為[F1]值，縱坐標為對應范圍[F1]值出現的次數。從圖中可以看出，分布在（0.99，1]內的[F1]值出現的次數最多。由統計結果可知，在100次實驗中，[F1]值最大可達0.998 9，最小為0.898 0，平均值為0.985 3，標準差為0.015 0，驗證了基于LSTM的RFID感知模型的有效性。

2.2.2? ? 基于PSO-BP的RFID定位模型性能

為驗證基于PSO-BP的RFID定位模型的性能，從表2中的數據集中抽取80%作為訓練集來訓練RFID定位模型，抽取20%作為測試集用于模型性能的測試。統計每個測試集的平均距離誤差、距離誤差最小值、距離誤差最大值以及模型訓練的耗時，統計結果如表5所示。

由表5可知，平均距離誤差最小的是data 13訓練得到的模型，其輸入數據是1號、3號和4號RFID信標感知到的RSSI值。所有距離誤差中，最小值為9.698 3×10-4 m，對應的數據集是data 8，其輸入數據由2號和3號RFID信標感知到的RSSI值組成。在本文實驗場景中，綜合15個RFID定位模型的平均定位距離誤差為0.512 8 m。

2.2.3? ? ?PSO-BP算法與BP算法性能對比

將本文所提PSO-BP算法與BP算法在相同配置環境下對15個訓練集進行學習，每個訓練集下的平均距離誤差對比如圖10所示。其中，BP神經網絡的隱含層神經元數據設置為6，學習率[η]設置為0.001，迭代次數為1 000次。

由圖10可以觀察到，在15個RFID定位模型中，使用本文定位算法訓練得到的定位模型比未優化的BP神經網絡算法的表現更加優異。

將綜合模型的測試結果進行誤差累計分布對比，對比圖如圖11所示。

由圖11中的數據曲線可知，當距離誤差為0.62 m時，PSO-BP算法的距離誤差比率約為70%，比BP算法的距離誤差比率高32%左右，且PSO-BP算法的收斂速度更快，距離誤差在1.39 m左右的比率達到了90%。與BP算法相比，本文所提的PSO-BP算法對RFID定位模型訓練的影響更大。

2.2.4? ? 與經典定位算法對比

利用RFID標簽進行室內定位，主要通過接受信號強度、測量信號的收發時間和相位等信息，然后利用特定的算法估計出待定位標簽的位置。其中，根據RSSI值進行RFID定位的方式應用最為廣泛。常用的基于RSSI的RFID室內定位算法包括臨近探測法、三邊測量法、指紋定位法。在上述實驗場景中隨機選取4個不同位置的待定位RFID標簽，如圖12所示。

分別選用本文定位算法、臨近探測法、三邊測量法以及指紋定位法計算出A、B、C、D 4個點的坐標，實驗結果如表6所示。

分別計算這4種定位算法在4個待定位點的定位誤差，如圖13所示。

由實驗結果可知，本文定位算法的平均定位誤差最小，精度高于其他經典定位算法。

衡量一個定位算法的優劣不僅要觀察其定位精度，還需要考慮其定位成本，例如定位的時間、復雜度等因素。表7列出了4種定位方法的對比。

由表7可知，臨近探測法對RFID標簽的定位粗略，適用于對定位精度要求不高的定位場景。三邊測量法在本文實驗環境中定位精度較低，主要原因是受實際室內環境的多徑傳輸干擾。本文定位算法和指紋定位法的定位精度相對高一些，但前期采集數據以及離線訓練階段比較繁瑣，且定位精度受參考標簽密度的影響較大。由于指紋定位法在在線定位階段對比指紋數據庫的工作量巨大，所以相對其他定位方法，其定位速度較慢。為平衡定位精度與定位速度2個指標，選用本文定位算法作為定位方法具有一定的優越性。

2.2.5? ? 與商用RFID定位產品對比

隨著物聯網技術的興起， RFID定位系統如雨后春筍般在市場上涌現，并廣泛應用于企業、工業、機器人等領域，可對人員、物資、車輛進行實時精準定位，幫助企業解決遠程監控、風險管理、存貨物資管理等行業痛點。經過調研，選擇市場上4個商用RFID定位產品與本文定位系統進行性能對比，如表8所示。

如表8所示，深圳市銓順宏科技有限公司生產的倉儲管理系統的貨物定位精度可達0.5 m，其僅使用RFID作為物品身份標識技術，使用超寬帶技術采集貨物位置信息。使用超寬帶信號的抗多徑效應能力更強，但定位技術復雜性較高。蘇州新導智能科技有限公司、上海優翊信息技術有限公司、內布拉斯加大學和上海網頻電子科技有限公司生產的實時定位系統的定位精度較低，前三家公司的定位精度能達到1.0 m內，后一家公司的定位精度只能達到5.0 m內，但涉及的定位算法簡單，可對定位系統進行二次開發，提供定位精度。綜上對比，本文所提的RFID實時定位方法算法復雜度低，且能提供較好的定位精度。

3? ? 結論與展望

本文設計并實現了一種基于RFID和機器學習的室內固定資產定位方法。該方法采用LSTM神經網絡來處理RFID信號序列，有效解決室內復雜多徑環境下RFID信號在時間尺度上存在的抖動性和不連續性，克服傳統RFID感知模型對環境的依賴性;利用PSO算法優化BP神經網絡，不僅收斂速度快，且不易陷入局部最優，較好地降低RFID信號間歇性對RFID定位模型的影響;在建筑空間部署多個RFID信標，使用不同RFID信標組合方法構建多個定位模型，提高了定位模型的魯棒性。實測實驗結果表明，固定資產位置狀態的區域級感知識別結果F1值可達0.985 3，定位精度約0.5 m，且相比傳統指紋定位法，能有效提高定位速度，滿足在室內空間中快速尋找所需固定資產的需求。與市面上商用RFID定位產品對比，本文方法在定位精度和算法復雜度方面均體現一定的優越性。本文研究中，RFID信標的數量和部署位置尚未優化，模型的遷移性也未討論，未來將對這些工作開展進一步研究。

參考文獻

[1]? ? ?PU Y C，YOU P C. Indoor positioning system based on BLE location fingerprinting with classification approach[J].Applied Mathematical Modelling，2018，62：654-663.

[2]? ? ?MENESES F，MOREIRA A，COSTA A，et al.4-radio maps for fingerprinting in indoor positioning[M].CONESA J，PéREZ-NAVARRO A，TORRES-SOS-PEDRA J，et al. Geographical and fingerprinting data to create systems for indoor positioning and indoor/outdoor navigation. New York：Academic Press，2019，69-95.

[3]? ? ?WANG C Z，WU F，SHI Z C，et al. Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network[J].Optik，2016，127（17）：6839-6849.

[4]? ? ?徐楊杰，王艷，嚴大虎，等.基于Newton插值與混合灰狼優化SVR的RFID定位算法[J].系統仿真學報，2017，29（9）：1921-1929.

[5]? ? ?周字輝，朱曉強，曾丹.基于計算機視覺的室內定位系統設計與實現[J].電子測量技術，2022，45（2）：43-47.

[6]? ? ?楊敏，劉思怡.一種基于先驗信息的WiFi室內定位方法[J].電子測量與儀器學報，2020，34（6）：163-168.

[7]? ? ?楊艷芳，王偉，王召巴.基于WSN室內定位的路徑損耗模型參數算法研究[J].電子測量技術，2021，44（13）：54-58.

[8]? ? ?賴朝安，龍漂.基于高斯過程回歸和WiFi指紋的室內定位方法[J].電子測量與儀器學報，2021，35（2）：186-193.

[9]? ? ?ALVIN R，GEDE P K. Indoor positioning system using hybrid method of fingerprinting and pedestrian dead reckoning[J]. Journal of King Saud University-Computer and Information Sciences，2021：1319-1578.

[10]? ?KEONG N Y，CHIEH K S，BURHAN M F，et al.RFID and ZigBee integrated environment for indoor? ? ?localization[C]//2014 4th International Conference on? ? Engineering Technology and Technopreneuship（ICE2T），2014：213-217.

[11]? ?GHADGE K，ACHAR T，BHATT A，et al. Indoor? ?positioning of metal parts by fingerprinting using passive RFID[J]. Procedia CIRP， 2020，88：60-63.

[12]? ?AFUOSI M B，ZOGHI M R.Indoor positioning based on improved weighted KNN for energy management in smart buildings[J].Energy and Buildings，2020，212（1）：109754.

[13]? ?GUO H，LI H X，XIONG J，et al.Indoor positioning system based on particle swarm optimization algorithm[J]. Measurement，2018，134：908-913.

[14]? ?秦勝君，李婷.一種基于長短記憶模型的交通軌跡異常挖掘模型[J].廣西科技大學學報，2021，32（2）：58-64.

[15]? ?盧順，李英順.基于差分進化算法優化BP神經網絡的鎳鎘電池壽命預測[J].廣西科技大學學報，2020，31（2）：93-98.

[16]? ?艾永冠，朱衛東，閆冬.基于PSO-BP神經網絡的股市預測模型[J].計算機應用，2008，28（S2）：105-108.

[17]? ?于軍琪，井文強，趙安軍，等.基于改進PSO-BP算法的冷負荷預測模型[J].系統仿真學報，2021，33（1）：54-61.

[18]? ?BRCHAN J L，ZHAO L L，WU J Q，et al. A real-time RFID localization experiment using propagation models[C]//IEEE International Conference on RFID.IEEE，2012：141-148.

Indoor fixed assets localization method based on RFID and

machine learning

FANG Qiansheng1，2， HUANG Jing1，2， WANG Ping*1，2， ZHANG Zhenya1，2， LI Shanshou1，2

（1. Anhui Province Key Laboratory of Intelligent Building and Building Energy Saving， Hefei 230022， China;

2. Department of Electronic and Information Engineering， Anhui Jianzhu University， Hefei 230601， China）

Abstract： An indoor fixed asset location method based on radio frequency identification technology and machine learning is proposed to deal with the shortcomings of long computing time， large localization error and high cost in traditional indoor fixed asset location methods. Firstly， a perception and recognition model based on long and short term memory neural network is constructed to achieve the rough zone-level localization of fixed asset equipment， which can realize automatic inventory of the number of fixed asset and equipment in a certain area of interest. Secondly， for the fixed asset equipment which have been determined inside the given area through the perception and recognition model， the back propagation neural network based on particle swarm optimization is used to estimate the precise location. Finally， the extensive experiments have been carried out in an university laboratory environment. The results show that the F1 value of the proposed LSTM-based recognition model for indoor fixed asset can reach 0.98， and the average localization error is about 0.5 meter， which can meet the requirements of indoor fixed asset management for intelligent building， and has the characteristics of low asset management cost， high positioning accuracy， and strong anti-interference ability.

Key words： radio frequency identification; machine learning; long and short term memory neural network; particle swarm optimization; back propagation; location recognition

（責任編輯：黎? ?婭）