[发明专利]基于深度学习的分布式多天线阅读器定位系统及其方法

权利要求书

1.一种实现基于深度学习的分布式多天线阅读器定位系统的方法，所述方法包括：

构造深度神经网络的模型；

训练数据获取；

提取信号特征；以及

结合超宽带UWB定位技术实现训练样本的自动生成和神经网络模型的自动学习，

其特征在于，所述深度神经网络的输入特征向量包含所述阅读器的位置、将所述阅读器与其相应天线相连的馈线的长度、接收信号的RSSI、相位以及到达时间，所述阅读器及其天线的位置变动不影响样本数据的收集，所得到的模型能够适应各个不同的定位区域。

2.根据权利要求1所述的方法，

其特征在于，引入自动数据采集方法，持续生成大量样本数据，通过在线方式去学习、优化神经网络模型，通过部署多个UWB基站，将RFID参考标签与UWB定位标签绑定在一起，当所述RFID参考标签在所述UWB基站的范围内移动时，所述UWB标签与所述UWB基站通信，能够准确地标识所述RFID参考标签的位置坐标，定位服务器将所述阅读器得到的信号参数与从所述UWB基站得到的位置坐标结合，自动生成新的训练样本，对神经网络进行在线训练，使得定位结果更精确。

3.根据权利要求1所述的方法，

其特征在于，所述多个阅读器中的每一个包括多个发射天线或多个接收天线，并且采用天线分置模式，灵活地布置发射天线或接收天线；所述阅读器每次从所述多个发射天线中选择一个发射天线进行工作，而关闭其他发射天线，并且所述阅读器使用所述阅读器的对应区域内的多个接收天线接收信号，所述方法利用不同的接收位置对信号进行接收，使得接收到的信号衰落是相互独立的，并按照准则对接收的信号进行合并从而复合成加强的信号。

4.根据权利要求1所述的方法，

其特征在于，当某些标签被物体阻挡时，所述阅读器重新选择发射天线，根据所述阅读器的对应区域内已知标签分布情况以及阅读器天线接收信号的强弱变化，在所述发射天线的阵列中自适应选择发射天线。

5.根据权利要求1所述的方法，

其特征在于，当对所述深度神经网络进行训练时，首先初始化各权重值为小的非零值，然后采用随机梯度下降方法，每次处理一批训练数据，计算输出值与实际值之间的损失值，通过误差反向传播算法，不断更新所述深度神经网络的模型中各层神经元的连接权重值和偏置项，直到达到给定的计算误差范围或指定的训练次数，停止训练。

6.一种基于深度学习的分布式多天线阅读器定位系统，

所述分布式多天线阅读器定位系统包括：

服务器，

与所述服务器连接的交换机，和

与所述交换机连接的所述多个阅读器，

所述分布式多天线阅读器定位系统被配置为：

构造所述深度神经网络的模型；

训练数据获取；

提取信号特征；以及

结合超宽带UWB定位技术实现训练样本的自动生成和神经网络模型的自动学习，

其特征在于，所述深度神经网络的输入特征向量包含所述阅读器的位置、将所述阅读器与其相应天线相连的馈线的长度、接收信号的RSSI、相位以及到达时间，所述阅读器及其天线的位置变动不影响样本数据的收集，所得到的模型能够适应各个不同的定位区域。

7.根据权利要求6所述的方法，

其特征在于，引入自动数据采集方法，持续生成大量样本数据，通过在线方式去学习、优化神经网络模型，通过部署多个UWB基站，将RFID参考标签与UWB定位标签绑定在一起，当所述RFID参考标签在所述UWB基站的范围内移动时，所述UWB标签与所述UWB基站通信，能够准确地标识所述RFID参考标签的位置坐标，定位服务器将所述阅读器得到的信号参数与从所述UWB基站得到的位置坐标结合，自动生成新的训练样本，对神经网络进行在线训练，使得定位结果更精确。