论文部分内容阅读
无线射频识别技术(Radio Frequency Identification,RFID),具有非接触、识别距离远、保密性高、抗干扰能力和环境适应性强等优点。RFID室内定位技术的研究不但具有广阔的市场前景并且拥有深远的实际意义。现有的RFID室内定位算法,在应对复杂室内环境时,对于定位精度、定位时间、适应能力等方面仍存在一些亟待解决的问题。随着机器学习的兴起,通过人工神经网络适应噪声数据训练,以其较强的非线性映射能力和良好的数据拟合能力构建起来的定位指纹模型能够有效的减少更新成本和调高自适应环境变化的能力。本文进而提出一种基于RFID技术和极限学习机(Extreme Learning Machine,ELM)的室内定位算法,并利用蝗虫群算法(Grasshopper Optimization Algorithm,GOA)进行定位模型优化,开发出相应的室内定位系统并以此为基础构建整个校园安全监管平台。本文的研究内容和创新点主要如下:1.蝗虫群算法对极限学习机进行优化:对于传统极限学习机算法,利用蝗虫群优化算法中蝗虫个体对于食物源位置矢量的不断迭代更新,对随机生成的输入层神经元和隐含层神经元的连接权值和隐含层神经元的阈值进行优化。这样不仅可以最大程度上避免陷入局部最优解和过快收敛,更可以针对ELM模型得到更好的连接权值和阈值,为其找到全局最优解,提升算法性能。2.将蝗虫群(GOA)优化的极限学习机(ELM)算法应用于RFID室内定位系统:优化后的定位系统凭借自身的随机特征映射和紧密的网络结构可以获得极快的学习速度,从而减少离线学习时间并且能够有效克服环境变化以及信号强度值时变性对定位精度的影响。本算法与LANDMARC算法和未优化的ELM算法相比,定位平均误差分别降低了21.67%和11.72%。仿真和实验结果表明,本算法在获得更精确定位结果的同时降低了一定时间成本,并对环境变化具有较好的适应性。3.在上述算法研究的基础上,本文以R200阅读器作为硬件平台,项目架构使用Spring Boot和My Batis,后台数据库使用My Sql、Redis和Elasticsearch,利用Java和Python语言设计实现了校园安全监管平台。主要功能包括学生信息管理、学生室内定位、历史踪迹管理等,并通过真实环境实验,测试了具体复杂室内场景下的学生定位功能及其它功能的有效性。