[发明专利]一种物联网中的物件标签定位方法

权利要求书

1.一种物联网中的物件标签定位方法，解决物联网的物件标签定位问题，在满足物联网的物件标签定位要求上，实现其高效准确定位，包括如下步骤：

A、设置物联网系统相关变量，并对其进行初始化，然后对SVM第一层的测量值进行更新； 

B、对物件标签进行精确位置估计；

C、使用模糊神经网络精确获取物件标签的位置。

2.根据权利要求1的方法，对于所述步骤A其特征在于：令                                                为观测变量，其为所有无线射频识别器(RFID)的接收端获得的无线射频信号(RSSI)信号，为隐藏变量，其为使用支持向量机(SVM)分类器的block层中的粗略物件标签估计位置，为状态变量，其为在fine层的精确物件标签估计位置，SVM的第一层用于通过观测变量粗略估计标签位置，第二层用于通过隐藏变量精确估计标签位置。

3.根据权利要求1的方法，对于所述步骤A其特征在于：对SVM第一层的测量值进行更新，SVM分类器用于选择物件标签模块，物件标签的估计位置通过概率描述，令物件标签的估计位置遵循高斯分布，其中为均值，为方差，采用策略更新物件标签位置，其中，为人工设置的门限值，为在时刻的物件标签估计位置，为在上一时刻的物件标签估计位置。

4.根据权利要求1的方法，对于所述步骤A其特征在于：为提高当前物件标签估计位置的可靠性，采用多数投票方法，其使用三个连续的标签估计位置中的多数作为当前的估计位置，即，为三个连续的标签估计位置中的多数。

5.根据权利要求1的方法，对于所述步骤B其特征在于：首先进行SVM第二层的测量值更新，从SVM第一层中得到的被估计模块多位高斯分布抽样的均值，每一个抽样的权值根据均值和抽样位置之间的距离进行更新，在时刻第个抽样的权值为；然后使用时间更新和运动概率分布规则粗略获取物件标签的估计位置。

6.根据权利要求1的方法，对于所述步骤C其特征在于：设计模糊神经网络结构用于获取初始估计位置的最优权值，模糊神经网络结构包括三部分：输入层、输出层和隐藏层，其为多输入单输出系统，隐藏神经元的激活函数为，输入神经元为，输出神经元的预测为，为时间序号。

7.根据权利要求1的方法，对于所述步骤C其特征在于：设计模糊神经网络修正单元结构用于修正被预测的权值，模糊神经网络修正单元结构包括三部分：输入层、输出层和隐藏层，其为多输入单输出系统，使得被预测的权值被修正后的误差满足，其中为人工设置门限值，并且取值范围为，，

，为某一时段训练最优权值数据的均值，为与最优权值大小最接近的值，为与最优权值大小最接近的值的数量，为标量因子。

8.根据权利要求1的方法，对于所述步骤C其特征在于：使用训练机制调整模糊神经网络系统的输入值和输出值，其子步骤为：

a.产生输入层；

b.产生隐藏层；

c.产生一个输出神经元目标；

d.使最优权值为零，并初始化周期数目；

e.对染色体种群进行初始化；

f.为每一条链路分配权值；

e.获取输入神经元的输出与权值的乘积；

g.获取每个隐藏神经元的均值和偏差；

h.获取所有隐藏目标的输出；

i.为隐藏神经元和输出神经元间的每一条链路分配权值；

j.固定每个输出神经元的均值和偏差；

k.获取所有输出神经元目标的输出；

l.获取累积误差和最优权值，若以前的最优权值小于当前的最优权值，则存储当前的最优权值，若以前的最优权值大于当前的最优权值，则存储以前的最优权值；

m.使用计数器进行计数；

n.使用roulette wheel 机制选择两个父类；

o.对染色体使用交叉、变异以及复制步骤，产生新的权值，并将新的权值赋予每一条链路；

p.如果周期数目大于计数器的计数，则返回值子步骤f，并重复上述子步骤，当被预测的权值被获得时，使用检测单元和判决器功能模块检测权值是否满足要求，若满足，则被遗传算法使用，若不满足则使用模糊神经网络功能模块对被预测的权值进行修正，其中为人工设置门限值，并且其取值范围为。

9.根据权利要求1的方法，对于所述步骤C其特征在于：使用遗传算法调整神经网络参数以及染色体最优权值函数对染色体个体进行评估，使用干扰预测系统评估测量方法为 

，，，其中，，，，和分别为染色体使用的训练数据集中正常和非正常的数据的数量，和为按照每一种规则分配的权值。