一种改进LANDMARC射频识别室内定位算法

J4 ›› 2015, Vol. 37 ›› Issue (09): 1671-1675.

一种改进LANDMARC射频识别室内定位算法

曹洁1,2，牛丽波1，王进花1

（1.兰州理工大学电气工程与信息工程学院，甘肃兰州 730050；
2.甘肃省制造业信息化工程技术研究中心，甘肃兰州 730050）

收稿日期:2014-12-10 修回日期:2015-03-11 出版日期:2015-09-25 发布日期:2015-09-25
基金资助:
国家自然科学基金资助项目(61263031)；国家科技支撑计划课题资助项目(2012BAF12B19)

An improved LANDMARC RFID indoor location algorithm

CAO Jie1,2，NIU Libo1,WANG Jinhua1

（1.College of Electrical and Information Engineering,Lanzhou University of Technology,Lanzhou 730050；
2.Technology & Research Center of Gansu Manufacturing Information Engineering,Lanzhou 730050,China）

Received:2014-12-10 Revised:2015-03-11 Online:2015-09-25 Published:2015-09-25

摘要/Abstract

摘要：

在射频识别RFID室内定位环境中，LANDMARC定位算法的精度与选取的近邻参考标签数量有关。传统的算法仅仅局限于在小范围定位环境中选取3~5个参考标签，而在较大的定位环境中，距阅读器较远的相邻参考标签存在干扰近邻参考标签选取的情况，因此，需要选取较多的参考标签来辅助定位，然而随着选取参考标签数量的增加，定位误差越来越大。针对这一问题，在选取的参考标签中引入加权思想来优化计算过程中权重的分配，进而降低系统误差，提高定位精度。仿真实验结果表明，改进后的LANDMARC定位算法在选取较多参考标签的情况下具有较高的定位精度。

关键词: RFID室内定位, LANDMARC, 参考标签, 权重

Abstract:

In the environment of RFID indoor location, the location accuracy of LANDMARC is affected by the number of neighboring reference tags. Traditional algorithms confine to selection of 35 reference tags in a small location environment. However, in a wide location environment, how to select neighboring reference tags is interfered by the neighboring reference tags which are far away from the readers .Therefore, more neighboring reference tags are required to assist locating. But as the number of neighboring reference tags increase the location error will increase accordingly. In order to solve this problem, we introduce the weighted idea in the neighboring reference tags to optimize the calculation of weight distribution, to reduce the error of the system and to thus improve the location accuracy. Simulation results show that the improved LANDMARC localization algorithm possesses higher accuracy in cases of selecting more reference tags.

Key words: RFID indoor location;LANDMARC;reference tag;weighted

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.

CAO Jie1,2，NIU Libo1,WANG Jinhua1. An improved LANDMARC RFID indoor location algorithm [J]. J4, 2015, 37(09): 1671-1675.

[1]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[2]	柴岩, 朱玉, 任生. 多策略协同的改进鲸鱼优化算法[J]. 计算机工程与科学, 2023, 45(07): 1308-1319.
[3]	黄学雨, 罗华. 自适应变异蝴蝶优化算法[J]. 计算机工程与科学, 2023, 45(06): 1123-1133.
[4]	董佩杰, 牛新, 魏自勉, 陈学晖. 单次神经网络结构搜索研究综述[J]. 计算机工程与科学, 2023, 45(02): 191-203.
[5]	邹程辉, 李卫疆, . 融合知识图谱和评论文本的个性化推荐模型[J]. 计算机工程与科学, 2023, 45(01): 181-190.
[6]	文武, 万玉辉, 文志云, . 基于正余弦算法的文本特征选择[J]. 计算机工程与科学, 2022, 44(08): 1467-1473.
[7]	郭文强, 寇馨, 李梦然, 侯勇严, 肖秦琨. 小数据集情况下基于变权重融合的BN参数学习算法[J]. 计算机工程与科学, 2022, 44(05): 916-923.
[8]	袁泉, 晏飞扬, 文志云, 张振康, . 基于谱聚类的社交网络差分隐私保护算法研究[J]. 计算机工程与科学, 2022, 44(02): 251-256.
[9]	耿召里, 李目, 曹淑睿, 刘昶忻. 基于混合反向学习策略的鲸鱼优化算法[J]. 计算机工程与科学, 2022, 44(02): 355-363.
[10]	苏小会, 张玉西, 徐淑萍, 尚煜. 改进K-means聚类算法行驶工况及油耗研究[J]. 计算机工程与科学, 2021, 43(11): 2020-2026.
[11]	张露文, 薛晓军, 李恒, 王海瑞, 张国银, 赵磊. 基于改进NLM的PCB图像去噪算法[J]. 计算机工程与科学, 2021, 43(09): 1608-1615.
[12]	文凯, 许萌萌, 张许红, . 基于列表结构的加权可擦除项集挖掘算法[J]. 计算机工程与科学, 2021, 43(09): 1676-1683.
[13]	张丽, 马静. 融合词语统计特征和语义信息的文本分类方法研究[J]. 计算机工程与科学, 2021, 43(07): 1308-1315.
[14]	王依柔, 张达敏, 樊英. 非均匀变异的互利自适应缎蓝园丁鸟优化算法[J]. 计算机工程与科学, 2020, 42(12): 2233-2241.
[15]	李向军1,2，孔珂2，魏智翔1，王科选1，肖聚鑫1. 面向Android恶意应用静态检测的特征频数差异增强算法[J]. 计算机工程与科学, 2020, 42(06): 993-1002.