基于粒子群的射频识别定位算法

J4 ›› 2014, Vol. 36 ›› Issue (05): 917-922.

基于粒子群的射频识别定位算法

温佩芝1，苏亭婷1，李丽芳1，张建军2

（1.桂林电子科技大学计算机科学与工程学院,广西桂林 541004；2.中国化工橡胶桂林有限公司,广西桂林 541004）

收稿日期:2012-11-23 修回日期:2013-03-29 出版日期:2014-05-25 发布日期:2014-05-25
基金资助:
广西科技计划资助项目（桂科攻1110700610）；广西自然科学基金资助项目（桂科自0991240）

PSO-based RFID positioning algorithm

WEN Peizhi1,SU Tingting1,LI Lifang1,ZHANG Jianjun2

（1.School of Computer Science and Engineering,Guilin University of Electronic Technology,Guilin 541004；
2.China National Chemical Rubber Guilin Corporation Limited,Guilin 541004,China）

Received:2012-11-23 Revised:2013-03-29 Online:2014-05-25 Published:2014-05-25

摘要/Abstract

摘要：

针对传统室内定位方法定位精度低、开销大等问题，提出一种基于粒子群的射频识别定位算法。首先采用高斯滤波对读取到的信号强度指示RSSI进行预处理，以减少环境因素对信号的干扰，使RSSI值与标签实际位置相符。其次，以网格排列的参考标签作为辅助，通过引入粒子群优化算法，经多次迭代找出最优值，计算出待定位标签的估计坐标，提高定位精度。最后，采用拉格朗日插值法计算虚拟标签的信号强度指示值，使其更接近于真实标签的值。实验表明，该算法可有效提高定位精度和效率，并减少开销。

关键词: 粒子群算法, 高斯滤波, RFID室内定位, VIRE, 拉格朗日插值

Abstract:

In order to solve low positioning accuracy and high cost in traditional positioning methods, the PSObased RFID positioning approach is proposed. Firstly,aiming at the interference of environmental factors on the signals,Gaussian Smoothing Filter is adopted to preprocess RSSI(Received Signal Strength Indicator) values.Secondly,based on gridstyle reference tags,PSO algorithm is introduced to estimate the optimal positions of tracking tags by several iterations,thus improving the positioning accuracy.Finally,the RSSI values of virtual reference tags are calculated by Lagrange interpolation,so as to be more close to the values of real tags.Experimental results demonstrate that the proposed approach has excellent accuracy,high efficiency and low cost in indoor positioning.

Key words: PSO;Gaussian filtering;RFID indoor positioning;VIRE;Lagrange interpolation

温佩芝1，苏亭婷1，李丽芳1，张建军2. 基于粒子群的射频识别定位算法[J]. J4, 2014, 36(05): 917-922.

WEN Peizhi1,SU Tingting1,LI Lifang1,ZHANG Jianjun2. PSO-based RFID positioning algorithm [J]. J4, 2014, 36(05): 917-922.

[1]	陈云, 王梦园, 柴晓楠, 商建东, . 面向FT-M7002的高斯滤波算法优化实现[J]. 计算机工程与科学, 2021, 43(05): 799-806.
[2]	王翼虎, 王思明. 基于改进粒子群算法的无人机路径规划[J]. 计算机工程与科学, 2020, 42(09): 1690-1696.
[3]	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(07): 1294-1301.
[4]	闫盼盼，俞海珍，史旭华，万凯. 基于Pareto支配的MPRM电路面积与功耗优化[J]. 计算机工程与科学, 2020, 42(04): 596-602.
[5]	覃远年，梁仲华. 基于混合粒子群算法的运动估计研究[J]. 计算机工程与科学, 2019, 41(04): 758-764.
[6]	邱云飞，李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学, 2018, 40(11): 2074-2079.
[7]	南敬昌，陆亚男，高明明. 基于改进混合算法优化RBF网络的滤波器建模[J]. 计算机工程与科学, 2018, 40(07): 1329-1336.
[8]	赵婧1,魏彬2. 标签SNPs选择及重构算法研究[J]. 计算机工程与科学, 2016, 38(11): 2328-2334.
[9]	熊聪聪1，耿世洁1，董昊2. 基于混合算法的降水集成预报研究[J]. 计算机工程与科学, 2016, 38(10): 2147-2152.
[10]	余胜威，曹中清. 基于分数阶达尔文粒子群FODPSO算法的图像分割[J]. 计算机工程与科学, 2016, 38(09): 1836-1842.
[11]	李锋刚1,2，骆林1,2，陈亚波1,2,蒋祥飞1,2. 求解均值-CVaR投资组合模型的改进粒子群算法[J]. 计算机工程与科学, 2016, 38(09): 1870-1877.
[12]	赵平，吴昊. 差分进化混合粒子群算法求解装配式住宅项目进度优化问题[J]. 计算机工程与科学, 2016, 38(07): 1495-1501.
[13]	卢志刚，申康. 基于粒子群蚁群算法的供应链合作伙伴选择研究[J]. J4, 2016, 38(05): 946-953.
[14]	刘欢1，2,肖根福3，欧阳春娟1. 基于互学习的自适应PSO算法的亚像素定位研究[J]. J4, 2016, 38(04): 747-754.
[15]	曹洁1,2，牛丽波1，王进花1. 一种改进LANDMARC射频识别室内定位算法[J]. J4, 2015, 37(09): 1671-1675.