定位系统阅读器以及标签布局完成后，需要对定位算法模块进行改进，利用深度置信网络算法，其网络结构如图3.9所示，具体实现过程如下：
(1)采集信号数据：如图3.7所示，为了使阅读器接收到标签返回的信号强度更加精准，需在室内空间上方的四个顶点安放4个阅读器，4个阅读器依次安放在三维室内空间的4个顶点。依次计算每个参考标签到4个阅读器之间的距离。4个阅读器向室内发射信号，阅读器接收参考标签的返回信号强度值并记录，连续采集多次，求平均值后作为采集的信号强度数据。随后，将采集的含噪数据利用dB4小波基进行4层小波去噪,得到最终的去噪数据。
将最终的去噪数据从深度置信网络的输入层输入，将信号强度值向量矩阵作为网络输入，上述步骤(1)中的三维坐标向量矩阵，作为目标输出。
采集的RSSI数据经由小波去燥前后对比如图所示：
图3. 8 小波去燥前后对比图
Fig 3.8 The comparison chart of wavelet denoising
由图3.8可以看到，由于采集的RSSI信号为非平稳信号，经过dB4小波去燥后，信号显得更加纯净真实，RSSI数据噪声消除明显。
(2)数据预处理：将处理后的RSSI数据归一化到[0,1]内。
从图3.8可见，由于采集到的RSSI数据幅值均较大，已经超出深度置信网络所能处理的[0,1]范围。因此要对数据样本进行归一化处理，将数据通过归一化公式映射到[0,1]区间内。归一化完成后，将归一化数据作为深度置信网络的输入数据。归一化公式为：
(3.14)
式中，分别对应为样本数据中的最大值和最小值。
(3)初始化网络结构及参数：首先确定深度置信网络的结构，一输入层单元数即输入数据维数，本次采集的参考标签信号强度数据维度为4，故设DBN的输入层单元数为4；二输出层单元数即最终提取的特征维数，根据定位系统的实际需求，需要对应三维坐标，故输出层单元数为3；三隐含层层数，根据实验的内容设置为k =2；四隐含层节点数，第一层隐含层节点数设为100，第二层隐含层节点数设为10。网络设计结构如图3.9所示。
图3. 9 DBN网络设计图
Fig3.9 Design diagram of DBN
(4)DBN网络预训练：输入参考标签的RSSI数据，学习速率，迭代次数为200次，收敛标准。当重构层误差满足收敛标准，完成DBN网络的预训练。
(5)网络全局微调：设置收敛标准为，利用深度置信网络自身的梯度下降法，当损失函数达到收敛标准，完成网络的全局微调。
其中，预训练和全局微调是实现测试标签定位的关键环节。
预训练是利用对比散度CD算法完成3层深度置信网络参数的训练，得到各层预训练网络权值参数和隐含层偏置参数，并获得自适应深度置信网络的预训练输出坐标矩阵，而各参考标签的实际坐标向量为，预训练后利用梯度下降法进行全局微调，修正深度置信网络参数。
(6)输出预测坐标：取10组测试标签，将阅读器接收到的RSSI数据小波去燥处理，归一化后得到，，输入已经优化网络参数后的深度置信网络，得到预测的坐标矩阵，。
3.3仿真实验与结果分析
3.3.1仿真实验流程
实验在Matlab 2014仿真平台上进行，Matlab 2014用于实现对样本数据仿真采集，并对采集后样本数据进行预处理，随后利用深度置信网络完成样本数据的预训练以及测试数据的预测，深度置信网络采用基于Matlab的第三方工具箱DeepLearnToolbox。
实验流程如图3.10所示：
图3. 10 基于DBN的RFID定位的实验流程图
Fig3.10 Experimental flow graph of RFID locating based on DBN
本文对误差引用的评价指标为估计误差，下面为估计误差的介绍：
估计误差是待测标签实际位置与系统预测位置之间距离的绝对差值，是最常见评价指标。大多数的定位系统都采用估计误差作为评价指标。估计误差即计算实际位置与预测结果的欧式距离，我们假定待定位目标的真实坐标为(x0, y0)，经过定位算法得到的估算坐标为(x, y)，估计误差EE的计算公式如公式3.15所示：
(3.15)
3.3.2实验结果分析
(1)迭代次数对网络重构误差的影响
由于底层网络参数得到有监督的充分学习，缓解了导数消亡问题。由图3.9可知，多层有监督的DBN与无监督的DBN网络相似，网络收敛速度加快，训练100步内已经处在平稳状态。
图3. 11 DBN预训练时误差的收敛情况
Fig 3.11 Pre-training results of DBN
我们将采用隐含层为100-10的DBN网络结构。 图3.11显示了DBN预训练过程中整体重构误差的收敛情况。 从图3.10可以看出，随着迭代次数的增加，重构误差在迭代次数10~40次时迅速下降，经过100次迭代后，下降趋势变得平缓，此时DBN网络学到了重要的信息。因此，本实验将预训练迭代次数设置为200次，既能达到预训练的效果，同时缩短训练时间。
(2)隐含层数对定位误差的影响
图3. 12 隐含层数对准确率的影响
Fig3.12 The effect of hidden layers on accuracy
从图3.12可以看出，隐含层设置为2层时重构准确率整体较好；隐含层设置为1层数准确率最差，可能是深度置信网络未能准确学习数据特征，造成准确率偏低的情况；隐含层设置为3层时，在迭代次数较小时准确率较高，随着迭代次数的增加，反而没有明显的优势，可能是网络层数较多出现过拟合的情况，而且随着隐含层数增加，训练用时也大幅度增加。因此，本文将深度置信网络的隐含层数设置为2层。
(3)训练分组数对定位误差的影响
表 3. 1 样本的不同分组情况对比图
Tab 3.1 The comparison figure of different samples group
训练方法1 训练方法2
训练轮数 20 50
每轮分支数 50 20
迭代次数 200 200
重构层误差率 1.14% 0.97%
以结构为100-10的DBN网络结构为例，表3.1给出在DBN预训练时分组数目不同时，误差的收敛过程。由于分组数目不同，一个是每组50个样本数据，共分成20轮训练；一个是每组20个样本数据，共分成50轮训练。从表3.1中可以得出，当迭代次数为200次时，训练轮数较大，即每轮训练样本数量较小时，误差越小。因此，在设置训练样本的训练轮数时，要尽可能的大一些，这样训练效果较好。
(4)定位误差分析
具体实验为：在图3.7所示的仓库货架中，随机抽取10个货物，在相同的环境下运用传统的BP神经网络算法和深度置信网络算法(DBN)分别对货物进行定位。各种算法运行10次后求均值，对定位结果分别进行定位误差和定位算法性能分析。
基于深度置信网络的RFID定位方法误差结果如图3.13所示，
图3. 13 DBN与ANN定位误差对比图
Fig3.13 Locating error contrast graph between DBN and ANN
如图3.13所示为10个测试标签在BP神经网络和深度置信网络两种算法下的定位误差，横坐标表示测试标签的标号，纵坐标表示定位误差的数值。从图中可以看出，BP神经网络算法定位误差在0.41m2.19m之间波动，深度置信网络算法定位误差在0.57m1.66m之间波动。两种算法波动区间不同，虽然深度置信网络定位误差最小值比BP神经网络大，但是深度置信网络的定位误差波动范围比BP神经网络小，但是大多数情况下，定位误差均小于BP神经网络。从实验结果可以看出，深度置信网络算法在定位精度方面有一定优势，定位稳定性也更高。
3.4本章小结
本章首先介绍了三种主流的深度学习网络结构，其中包括卷积神经网络、堆叠自动编码器、深度置信网络；详细地给出了深度置信网络的结构模型以及训练方法。在此基础之上，构造出基于深度置信网络的RFID定位模型，该模型能够利用阅读器接收到的参考标签返回的信号强度向量，提取特征信息，利用深度置信网络的非线性映射的原理，预测出标签的位置信息。
本章主要工作有以下两点：
(1)详细介绍了深度学习技术以及对RFID指纹定位原理进行分析，确立了将深度学习技术应用于RFID标签指纹定位的可行性，提出了一种基于深度置信网络的RFID指纹定位方法。由于RFID指纹定位法是根据阅读器接收来自标签的信号强度来预测坐标，实质是寻找信号强度与位置坐标的一组最优的非线性表达，而深度置信网络通过非线性逐层映射，能够找到特征的非线性表达，得到预测结果。
(2)给出该算法的训练步骤和操作设置过程，并通过仿真实验对该算法进行验证。经过仿真实验表明，基于深度置信网络的特征提取技术可成功应用在待测标签位置的预测上，并且通过一系列对比实验表明，该方法在定位误差的效果优于传统的人工神经网络方法，具有很高的特征提取和优秀的分类预测能力。
第四章 基于PSO-DBN的RFID指纹定位方法
4.1基于PSO-DBN的RFID定位原理
传统的DBN网络算法在反向传播时采用传统的梯度下降方法来解决最优的隐含层之间的权值和偏置以及隐含层到输出层的权值和偏置的问题。随着最优化问题的深入研究，使得利用最优化算法优化深度学习网络成为可能。我们可以使用智能优化算法代替传统的梯度下降算法，利用智能优化算法找到DBN网络模型的最优参数，即最优的隐含层之间的权值和偏置，以及最优的隐含层到输出层的权值和偏置。其中，粒子群优化算法是一种理想的智能优化算法，我们可以将粒子群优化算法和深度置信网络算法相融合，提高深度置信网络的精确度，同时也提高了基于PSO-DBN深度网络的RFID定位预测模型的预测性能和准确性。
4.1.1 PSO寻优算法概述
粒子群优化算法(Particle swarm optimization, PSO)是基于一种新兴的最优化技术，目前有广泛的应用。此算法是根据生物捕食现象的一种模拟[66]，此算法收敛速度快、精确性高，并且算法步骤流程简单方便，被广泛应用于多种领域，如目标函数优化、神经网络训练以及其他遗传算法等。
粒子群优化算法首先是对种群进行初始化，即确定微粒的初始位置和初始速度，并由目标函数确定一个适应值。在多维环境下，飞行的粒子根据速度在调整位置，而速度的调整是跟据自身和周围粒子的经验来定。粒子群优化算法是利用粒子追随粒子群中的最优粒子，再逐步迭代，最后得到一个最优解[67]。
假设在m维的搜索空间中，存在n(n>0)个粒子个体的种群X=(X1,X2,…,Xn), i=1,2,…,n。则第i个粒子它的位置用向量表示，它的速度用向量表示，描述粒子的运动状态需要两个量：(1)当前位置X，X为当前粒子的位置坐标；(2)当前速度V，V为粒子上一次运动的距离和方向[68]。粒子位置的调整是取决于速度量，对于粒子i的位置，有以下公式:
(4.1)
另外每个粒子都有一个适应度函数f(X)，用于衡量解的质量。
为了控制粒子的飞行速度，更好的发挥粒子群算法的搜索优势，必须对粒子设定最大速度 。但是仅仅靠最大速度的条件来约束还远远不够，还需要在速度公式中加入了惯性权重，从而形成标准的 PSO 算法。标准的 PSO 算法能够对粒子的飞行速度进行调节，对粒子群中的每一个粒子，需要找到个体最优解Pg，Pg表示进过多次进化迭代，该粒子所找到的最优解Pgi，i=1,2,…,n，的集合；而对于整个粒子群，要寻找一个全局最优解Gg，表示目前为止找到的全局最优解。在粒子群进化到下一代时，每个粒子会通过追踪Pgi和Gg两个“最优解”来更新自己[69]。速度及位置更新公式如下公式(4.2)和(4.3)所示：
(4.2)
(4.3)
式中： 为权值系数，n表示该种群中粒子的总数，t表示当前迭代次数，i=1,2,…,n，j=1,2,…,m，表示第i个粒子在第t次迭代飞行速度矢量的第j维分量的速度；表示的是第i个粒子在第t次迭代飞行速度矢量的第j维分量的位置；表示第i个粒子的个体最优解的第j维分量；是群体最好位置的第j维分量；，是加速常数；、是随机函数，作用是为了产生(0,1)的随机数。
PSO 算法一般流程如图4.1所示：
图4. 1 粒子群算法流程图
Fig 4.1 The flow graph of PSO
步骤1：初始化种群，设置初始参数 ， ， ，随机生成 ，，粒子速度为 ，位置为，群体规模n，粒子维度m，最大迭代次数tmax等，；
步骤2：根据公式(4.2)和(4.3)计算每个粒子的适应值；
步骤3：将每个粒子的适应度值f(Xi)与之前所得到的所有适应值中的最好值Pgi进行比较，如果优于Pgi，则将其作为当前局部最优值；
步骤 4：将每个粒子的适应值f(Xi)与种群中所有粒子得到的最优值Gg进行比较，如果优于Gg，则将其作为当前全局最优值；
步骤 5：按照公式(4.2)和(4.3)更新粒子的速度和位置；
步骤 6：，计算代的适应评价函数值，并重新确定Pgi和Gg；
步骤 7：判断是否达到终止条件，如没达到则返回步骤 2；如达到则终止迭代，输出结果。
步骤 8：最终输出的粒子位置就是深度置信网络的最优权值，从而完成整改深度置信网络的训练。
从标准 PSO 算法的速度及位置更新公式中可知，粒子的飞行速度等同于搜索步长，粒子的飞行速度对算法的全局收敛有很大影响。如果飞行速度太快，粒子能够很快飞到全局最优解的区域，但是由于速度太快，粒子很难约束控制，当粒子逼近最优解时，找到的粒子已经飞出最优解区域[70]。因此，控制好粒子的寻优速度，是该算法的关键。
粒子群优化算法方法简单，寻优求解收敛速度快，最优解的精确性高[71]，总的来说，它具有以下几个特点:
(1)算法步骤简单，容易实现。粒子群个体的设置规则简单，个体执行的步骤较少。
(2)算法具备良好的扩展性。粒子群的数目可以根据实际问题改变。
(3)算法系统搜索能力强。算法具有全局搜索的能力，全局搜索时收敛迅速。
4.1.2 利用PSO寻优对梯度下降法进行改进
对于深度置信网络，所有神经元的权值和偏置都可以用粒子群中的粒子来表示，将深度置信网络参数的平均绝对误差作为适应度函数，计算每个粒子的适应度，网络的权值和偏置就是需要求的粒子群最优解。通过PSO算法计算网络参数的最优解，避免了深度置信网络中梯度下降计算法容易陷入局部极值的缺点，得到最优连接权值，无论是收敛速度和训练效率，都有很大的提高。由于深度置信网络的结构较为复杂，隐含层的神经元数目较多，神经元连接的权值的数量很多，利用PSO算法可以让搜索空间有急剧的增大。
下面，介绍一下用PSO算法优化DBN网络的思路，思路如下:
(1)确定PSO-DBN网络的结构。
要确定PSO-DBN网络结构，需确定输入层的节点数，隐含层节点数、输出层数、输出层节点数。其中如何确定隐含层的节点数，目前有两种方法：一是使用优化算法，如遗传算法等；二是使用经验公式[72]。优化算法的缺点是计算过程复杂，计算量大，故一般情况下使用经验公式法确定隐含层的节点数。经验公式为：
(4.4)
式中，h表示隐含层节点数，m是输出层节点数，n是输入层节点数。
(2)确定需要PSO优化的DBN网络参数数量，以确定粒子群的结构和维度。
利用PSO算法优化的DBN网络参数就是优化输入层和隐含层之间、两个隐含层之间和隐含层与输出层之间的权值和偏置。一共有多少未知的网络参数，粒子群算法中的粒子就具有多少维度。
(3)确定粒子群算法中的目标函数。
粒子群算法的目标函数是平均绝对误差函数。公式为：
(4.5)
(4.6)
其中，表示平均绝对误差，表示网络中实际值，表示网络预测值， 是样本总数。
(4)设置粒子群算法的相关参数。
初始化粒子群的种群规模、粒子的初始位置及初始速度，设置惯性因子、学习因子、迭代次数，最大速度等参数。初始化过程如下所示:
粒子群粒子数量一般取几十；
对任意i,j，在[-xmax ,xmax]服从均匀分布产生粒子位置初始值；
对任意i,j，在[-vmax ,vmax]服从均匀分布产生粒子速度初始值；
粒子群维度：
粒子的维度等于整个DBN网络权值参数的数量与整个DBN网络偏置参数的数量之和；
粒子群适应度函数，即DBN网络中的误差函数：
(4.7)
式中，和分别表示第k层第i个节点的实际输出和网络训练输出，I为该层节点个数。
根据粒子群算法流程，为了找到每个粒子的最佳位置以及粒子群的最佳位置，要不断地更新粒子速度和位置，直到满足目标函数，求得最优解。基于PSO-DBN的算法流程图如图4.2所示：
图4. 2 基于PSO-DBN算法流程图
Fig 4.2 The flow chart of PSO-DBN algorithm
4.2基于PSO-DBN的RFID三维指纹定位模型
完整的PSO-RFID三维指纹定位模型包括：信号样本采集模块、数据预处理模块、深度置信网络模块、PSO修正深度置信网络参数模块、待测标签定位模块组成，这些模块共同构成完整的定位系统。模块结构如图所示：
图4. 3 基于PSO-DBN定位系统模型
Fig 4.3 Positioning system pattern based on PSO-DBN
图7给出了基于PSO-DBN的RFID指纹定位系统模型，将待测标签的信号强度样本，输入经过PSO算法改进后的DBN网络，直接预测出待测标签的坐标。该模型在保证定位精度的同时，简化了定位系统的复杂度，大大降低了定位系统的成本。
基于PSO-DBN的RFID指纹定位方法的具体步骤为：
(1)指纹数据采集以及数据预处理。
数据采集步骤以及数据预处理归一化步骤与3.2.2节一致。
(2)设置PSO-DBN网络中DBN的网络结构。
本文采用的DBN网络输入层设置4个节点，输出层设置3个节点，隐含层为两层，隐含层节点数分别为100和10个。
(3)设定粒子群的结构和维度。
设定粒子群种群数量，粒子群维度D=1433， 和取0到1之间的
随机数，设置惯性因子、学习因子 、迭代次数。
(4)使用粒子群算法得到DBN网络的最优参数。
根据粒子群算法流程，不断地更新粒子速度和位置，直到满足目标函数得到最优解，即为更新的网络权值和偏置参数，完成DBN网络优化。
(5) 输出预测坐标。该步骤与3.2.2节一致。
4.3仿真实验与结果分析
基于PSO-DBN的RFID指纹定位算法同样以仓库中的货物上的RFID标签定位作为实例。仓库的RFID指纹定位系统主要由仓库四个阅读器、货物上位置已知的参考标签、位置未知的测试标签组成，其布局图同3.2.2节一致，如图8所示。根据上一节设计的PSO-DBN网络参数，进行仿真实验。
(1)训练时间对比
表 4. 1 三种网络模型的训练时间和测试时间对比
Tab 4.1 The comparison of training time and testing time of three network structures
网络结构 训练时间 测试时间 总迭代次数.BP神经网络模型 4-128-3 89.7 s 108.3ms 1000
深度置信网络模型 4-100-10-3 24.6s 54.9ms 200
PSO-DBN网络模型 4-100-10-3 53.8s 92.5ms 200
从表4.1中可见，在网络结构差异不大的情况下，两种基于DBN网络的RFID定位模型的训练用时要比BP神经网络模型低，而测试用时均较BP神经网络模型的低。由于基于PSO-DBN网络模型需要运用PSO算法对网络参数重新优化，增加了测试用时，但用时依然少于BP神经网络模型。
(2)算法收敛性对比
图4. 4 两种算法收敛性对比图
Fig 4.4 Two algorithms contrast graph
在图4.4中，改进的PSO-DBN网络的第二层隐含层输出的的准确率高于普通DBN网络层的准确率，并在80步左右取得最高数值，然后轻微下降并趋于稳定，在模型训练后期与基础浅层DBN网络的准确率非常接近。在图 中，改进后的DBN网络的第一层隐含层和第二层隐含层的输出结果在准确率上都超过基础的浅层DBN网络，第三层隐含层的准确率与普通DBN网络的准确率相近，说明改进后的PSO-DBN底层网络受到深层网络的影响，学习到的特征也更加抽象。
(3)定位误差分析
基于PSO-DBN的RFID定位方法误差结果如图4.5所示，
图4. 5 三种算法定位误差图
Fig 4.5 Positioning error graph of three algorithm
如图4.5所示为10个测试标签在BP神经网络、深度置信网络以及PSO-DBN网络三种种算法下得到的定位误差，横坐标表示测试标签的标号，纵坐标表示定位误差的数值。从图4.5可知，三种算法的波动区间不同，其中BP神经网络算法定位误差在0.41m2.19m之间波动，深度置信网络算法定位误差在0.67m1.66m之间波动，PSO-DBN算法的定位误差在0.53m~1.62m之间波动。深度置信网络波动范围最小，BP神经网络波动范围最大，而PSO-DBN算法波动范围在两者之间。但是大多数情况下，PSO-DBN定位误差均小于深度置信网络，深度置信网络定位误差又小于BP神经网络。从实验结果可以看出，PSO-DBN算法在定位精度方面有一定优势，定位稳定性也更高。
图4. 6 三种算法误差统计图
Fig 4.6 Error summary graph of three algorithm
由图4.6可以看到，基于PSO-DBN的RFID定位算法的定位误差平均值在1m左右，小于DBN算法的误差平均值1.23m，对比人工神经网络算法优势更加明显。对于室内空间，例如仓库、超市来说，这样的定位精度足够工作人员快速地寻找到物品所存放的大概货架位置，随后迅速找到所需物品。
4.4 本章小结
本章首先介绍了基本 PSO 算法的原理和算法步骤，随后针对DBN算法中的梯度下降法易出现局部极值的问题，提出了改进的PSO-DBN算法，在原有的DBN算法的基础上增加了DBN网络反向微调的对其速度更新公式和惯性权重的计算方法进行了改进。仿真实验的结果表明， PSO-DBN算法的定位误差效果要比未改进的DBN网络好，证明了PSO-DBN算法中利用PSO算法在全局搜索中的跳出局部极值的能力和收敛能力。
第五章 总结与展望
5.1总结
RFID标签定位问题是RFID系统研究中的热点问题之一。由于传统的指纹定位方法易受到参考标签信号的干扰，定位精度较低。后来又将机器学习技术融合到指纹定位中，大大提升了RFID系统的定位精度。本文尝试使用多个RFID参考标签，利用深度置信网络对室内空间的参考标签的位置信息进行特征提取，建立RFID指纹定位模型。本文工作总结起来主要包括以下几点：
(1)确定了深度学习技术在RFID指纹定位系统中应用的可行性。本文从RFID指纹定位的原理出发，结合深度学习网络的技术特点，找到了改进指纹定位算法的切入点，即寻找指纹信号与坐标位置的关系的最优非线性表达，从而预测出标签位置，成功将深度学习应用于RFID指纹定位。
(2)提出了一种基于深度置信网络的RFID指纹定位方法，并给出该方法的具体操作步骤和算法流程，应用于室内仓储定位系统。通过仿真实验表明，该方法具有很高的信号特征提取能力和非线性映射能力，预测的位置有很高的精确度。对比人工神经网络法在室内仓储定位系统，其效果优势明显。
(3)得出了完整的基于粒子群优化的深度置信网络的室内RFID指纹定位模型。包括基于小波去燥的信号强度数据处理模型和基于PSO-DBN的RFID标签位置预测模型。仿真实验的结果表明：该定位模型均能取得很好的标签位置预测效果，误差较低。通过对比实验发现，基于PSO-DBN的RFID三维指纹定位模型，在预测效果、收敛速度方面均优于传统的人工神经网络指纹定位算法。
5.2展望
本论文提出了基于粒子群优化的深度置信网络的室内RFID指纹定位方法，虽然在实验中取得不错的效果，但也存在一些不足。下一步的工作将从以下两点展开：
(1)研究RFID指纹定位系统更相适应的模型。由于深度学习网络种类繁多，不同种类深度学习网络有不同的适用特性和特点。对于室内RFID标签定位来说，由于成本因素影响，参考标签数量不可能设置太多，所以需要构造较强的非线性映射能力的深度网络。寻找预测效果更好的深度网络定位模型，比如稀疏自动编码器、深度神经网络或其他的深度网络框架，都是进一步研究的重点。
(2)如何优化深度网络的结构参数。虽然本论文以粒子群优化的方法对深度置信网络参数进行优化，目前，已经有很多优化方法适合对目标函数进行寻优，例如遗传算法、自适应粒子群优化算法等。但是在选定合适的网络结构方面，目前主要根据经验和实验情况来选择，对于网络结构的设定缺乏清晰的理论依据。因此，为了选择更精准的室内RFID定位网络，再进一步优化其网络参数，都需要进一步的研究。
