(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 (43)申请公布日 (21)申请 号 202111181914.9 (22)申请日 2021.10.1 1 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市下城区潮王路 18号 (72)发明人 鲁建厦　张相华　包秦　谭健　 徐峰聪　龚辉　赵浩竣　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 代理人 杨小凡 (51)Int.Cl. G01C 21/20(2006.01) G01S 11/06(2006.01) G06K 7/10(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于stacking模型的RFID室内定位方 法 (57)摘要 本发明公开了一种基于stacking模型的 RFID定位方法， 通过建立 stacking模型 实现对目 标标签的定位。 首先在定位区域中布置设备与标 签； 再通过阅读器读取各标签的RSSI值， 并利用 滤波算法进行平滑处理， 得到更加平稳的数据 集， 使训练出的模型更加精准， 预测更加准确； 再 建立stacking模型， 利用平滑后的数据进行训 练， stacking模型为分层模型， 第一层使用基学 习器， 第二层使用逻辑回归层， 以防止整体模型 的过拟合， 得到比单一模型更加准确的定位效 果； 最后通过训练好的模型实现对目标标签的定 位。 权利要求书3页 说明书5页 附图4页 CN 113945215 A 2022.01.18 CN 113945215 A 1.一种基于stack ing模型的RFID室内定位方法， 其特 征在于包括如下步骤： S1， 在定位范围内部署阅读器、 参 考标签、 待定位标签； S2， 通过阅读器接收各标签返回的RSSI值， 将每个参考标签被所有阅读器读取到的 RSSI值与其坐标相结合， 作为一个训练样 本， 对同一个参考标签进 行多次读取， 获得多个训 练样本， 将所有参考标签的训练样本整合为训练数据集； 对于待定位标签， 将 每个待定位标 签被所有 阅读器读取的RSSI值与其坐标相结合， 作为一个待定位样本， 以同样的方式整合 为待定位数据集； S3， 构建stacking模型， 通过训练数据集进行训练， stacking模型为分层模型， 包括基 学习器和逻辑回归层， 包括如下步骤： S31， 在学习开始前， 先将训练数据集划分为训练集Dtrain和测试集Dtest； S32， 在基学习器的训练中， 采用K折交叉验证， 对于每一个基学习器， 将输入 的训练集 Dtrain再次分成K份， 取1份作为测试集， 剩余 K‑1份作为训练集， 通过基学习器训练后， 对测试 集进行预测， 得到预测值， 依次取1份作为测试集， 将得到的K份预测值， 按原测试集的位置 进行整合， 得到对应于该基学习器的预测数据集； 将处于同一层的所有基学习器产生的预 测数据集 合并， 得到一个次级训练集P； S33， 在逻辑回归层的训练中， 以次级训练集P作为训练集特征输入， 以其对应的参考标 签坐标作为训练集标签输入， 训练完成后， 通过测试集Dtest进行测试， 并与单个基学习器效 果进行比较， 以判断是否改进模型参数； S4， 将待定位数据 集中的RSSI值， 输入训练好的stackin g模型， 得到推测的待定位标签 坐标。 2.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于对 S2中得到的训练数据集的RSSI值， 通过卡尔曼滤波进行平滑处理， 得到含有更小波动的 RSSI数据的数据集， 作为S3训练stacking模型的输入； 将S2中得到的待定位数据集的RSSI 值， 通过卡尔曼 滤波进行平滑处理后， 作为S4中训练好的stack ing模型的输入。 3.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述卡尔曼滤波算法分为 三个阶段： 初始化阶段， 预测阶段和更新阶段； 所述初始化阶段： 对滤波器 状态进行初始值的设定； 所述预测阶段： 根据上一时刻训练样本的状态量和控制量， 对当前时刻训练样本的状 态进行估计， 并计算对应的协方差矩阵， 其过程用如下公式表示： Pt‑＝FPt‑1FT+Q 其中， 为t时刻RSS I的先验状态估计值； 为t‑1时刻RSS I的后验状态估计值； ut‑1为 控制变量； F为状态转移矩阵； B为控制矩阵； Pt‑为t时刻的先验估计协方差； Pt‑1为t‑1时刻的 后验估计协方差； Q 为过程噪声协方差； 所述更新阶段： 利用接收到的测量值来修正在预测阶段得到的估计值， 并更新在滤波 器中使用的参数， 具体步骤为： 首先计算卡尔曼增益， 然后根据卡尔曼增益， 将先验状态估 计值更新为最优值， 即后验状态估计值， 最后计算与最优值对应的协方差矩阵， 其过程用如 下公式表示：权　利　要　求　书 1/3 页 2 CN 113945215 A 2Pt＝(I‑KtH)Pt‑ 其中， Kt为t时刻的卡尔曼增 益； H为观测矩阵； R为测量误差； zt为测量值； 为实 际观测值和预期观测值之间的残差， Pt为t时刻的后验 估计协方差； I 为单位矩阵。 4.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S2中将用于验证待定位标签作为验证样 本， 通过S1获取验证数据集， 在S4中， 将验证数据 集中的RSSI值， 输入训练好的st acking模型， 得到推测的待定位标签坐标与验证数据集中 对应的实际位置进行比较， 进行st acking模型验证， 然后再对实际要定位的待定位标签进 行推测。 5.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S1中， 参 考标签按矩形等间距 布置， 阅读器的布置满足能够读取到所有的标签。 6.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S3中的基学习器为强学习 器RandomForest， 将决策树以bagging方法集成在一起的基础 上， 引入随机属 性选择， 包括样本随机和特征随机， 对于每一颗决策树， 随机且有放回地从 训练集中抽取训练样本， 随机从所有 特征中抽取部 分特征， 对于回归问题的精度分析， 使用 决定系数R2来判断预测的准确性。 7.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S3中的基学习器为强学习 器XGBOOST， XGBOOST的目标函数分为损失函数和正则 化项， 目 标函数的优化分为二 阶泰勒展开优化损失函数； 正则化项展开优化正则化项； 合并系 数获 得最终目标函数。 8.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S3中的基学习器为强学习器GBDT， GBDT即梯度提升决策树， 是基于boosting的加法模型， 利用前向分布算法逐步接近优化 目标函数， 在回归问题中， 通常使用负梯度拟合的方法解 决损失函数的拟合问题。 9.根据权利要求1所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S2中， 标签的坐标为(xi,yi)， 各阅读器接收到的信号强度指标为{RSSIi1,RSSIi2,..., RSSIik}， 将标签的信号强度指标与其坐标相结合， 形成一条样本{RSSIi1,RSSIi2,..., RSSIik,xi,yi}， 其中i表示第i个参 考标签， k表示第k个阅读器。 10.根据权利要求9所述的一种基于stacking模型的RFID室内定位方法， 其特征在于所 述S3中的基学习器为强学习器SVR， 将支持向量机用于回归问题， 对于一个训练数据集D＝ {(k1,h1),(k2,h3),…,(kn,hn)}, ki为第i个参考标签的特征向量， 表 示信号强度指标 {RSSIi1,RSSIi2,...,RSSIik}； hi为信号强度指标对应的坐标值(xi,yi)； n表示数据的条数； D 的特征空间中划分超平面所对应模型表示 为： f(k)＝ωTφ(k)+b 其中ω表示法向量； k表示特 征向量； b表示 位移项； φ(k)是将k映射后的特 征向量； 使用SVR进行RFID标签位置预测时， SVR的优化目标 可形式化为：权　利　要　求　书 2/3 页 3 CN 113945215 A 3