一种基于RFID和集成学习的资产设备智能感知方法及装置

一种基于rfid和集成学习的资产设备智能感知方法及装置
技术领域
1.本发明涉及射频识别技术领域，具体涉及一种基于rfid和集成学习的资产设备智能感知方法及装置。


背景技术：

2.无线射频识别技术(简称rfid)诞生于上世纪四十至五十年代，发展至今，经过了多种新兴技术的融合，形式与应用范围发生了很大的变化。现今的rfid技术在融合了物联网技术无线信息、能量传输技术、物体识别以及高效低能耗感知技术后，成为未来信息系统种传感和通信的新范式。rfid技术具有非接触式传感、无线信息传输、标签无线供电、易于部署、非视距传输、灵活可粘贴等特点。
3.传统rfid感知模型对环境的高敏感性以及识别精度低，难以满足大型智能建筑安防场景中对固定资产监测的实际应用需求。为实现大型空间中资产设备的智能感知，发明人将rfid标签固定在资产设备上，多个rfid信标同时感知rfid标签的位置状态，由于大型空间中rfid信标的摆放位置不同，同一时间对同一个rfid标签感知到的数据差异性较大，本发明采用集成学习中的bagging和stacking的方法思想构建多信标的rfid感知模型。


技术实现要素：

4.本发明的目的是提供一种基于rfid和集成学习的资产设备智能感知方法及装置，能有效克服传统rfid感知模型对环境的高敏感性以及识别精度低，难以满足大型智能建筑安防场景中对固定资产监测的实际应用需求的问题。
5.为解决上述技术问题，本发明采用了以下技术方案：
6.一种基于rfid和集成学习的资产设备智能感知方法，包括以下步骤：
7.将rfid标签固定在室内资产设备上，设n，n≥2个rfid信标同时探测室内rfid标签的信号，在时间t内，第i个rfid信标对同一个rfid标签感知到的rssi值构成序列ri，如式(1)所示：
8.ri＝(r1，r2，...，r
t
，...，rk)
ꢀꢀꢀꢀ
(1)
9.式(1)中，ri表示一个由rssi值组成的rfid信号序列；r
t
表示在第t个时刻的rssi值；k表示序列长度；
10.对n个rfid信标感知到的rfid信号序列并行学习n个rfid感知模型；在一段时间t内，第i个rfid信标对rfid标签的位置状态预测结果如式(2)所示：
11.zi＝fi(ri)
ꢀꢀꢀꢀꢀ
(2)
12.式(2)中，zi表示根据第i个rfid信标感知到的rfid信号序列辨识得到的位置状态，zi的取值范围如式(3)所示；fi()表示第i个rfid信标的感知到的rfid序列与位置状态拟合的关系函数；ri表示第i个rfid信标在t时间内感知到的rfid信号序列；
[0013][0014]
式(3)中，zi表示rfid标签所在位置的标识；i表示室内区域，o表示室外区域；当ri对应的rfid标签在室内时，zi取值为1；当ri对应的rfid标签在室外时，zi取值为0；当序列ri为空序列时，zi取值为-1；
[0015]
采用bagging集成学习法并行式对n个rfid信标感知到的rfid信号序列进行学习，得到多个辨识结果；其中n个rfid信标对同一个rifd标签的位置辨识结果如式(4)所示：
[0016][0017]
对于n个初级学习器{f1，f2，...，fn}，fi在rfid信号序列ri上的输出为fi(ri)，记为zi；
[0018]
最后，采用stacking集成学习法对n个rfid感知模型并行计算得到的结果zi进行决策，得到该rfid标签最终的位置状态z。
[0019]
使用stacking集成学习法构建rfid感知模型的方法包括以下步骤：
[0020]
(1)离线阶段，完成对初级模型和次级模型的学习；
[0021]
对n信标rfid信号探测装置采集的数据分别按照公式(1)进行预处理，得到n信标rfid序列集；然后对n信标rfid序列集进行归一化处理，得到n信标归一化序列集；再对n信标归一化序列集进行标注得到n个标注序列集，其中，室内rfid序列集标注为1，室外rfid序列集标注为0；最后分别将n个标注序列集分别输入到lstm神经网络中训练，得到n个可识别rfid标签处于室内或室外两种情况的辨识模型，再将n信标标注序列集的信号序列输入到对应的辨识模型得到辨识结果；将辨识结果与其对应的标志构成次级训练集，将次级训练集输入svm神经网络中，得到次级模型；
[0022]
(2)在线阶段，完成对实时数据的辨识；
[0023]
在获得n个可识别rfid标签位置状态的初级辨识模型的基础上，对rfid信号探测装置实时采集到的数据进行处理，将处理后的n个归一化序列对应输入到初级模型得到n个辨识结果，再通过次级模型进行决策，得到最终的rfid标签位置。
[0024]
同时，本发明还提供一种与上述方法配合使用的rfid感知识别装置，该装置包括n，n≥2个rfid信标、定位基站、rfid有源标签和服务器，rfid信标用于接收rfid有源标签的信息，并通过无线发送给定位基站，定位基站将数据发送至服务器，服务器离线完成感知识别模型的训练，在线对感知到的rfid标签进行位置识别。
[0025]
上述技术方案中提供的基于rfid和集成学习的资产设备智能感知方法及装置，利用多个rfid信标数据来实现rfid标签位置状态的智能感知方法，包括对多个rfid信标数据的处理、感知模型的构建以及优化网络参数。同时采用集成学习中的bagging和stacking的方法思想构建多信标的rfid感知模型，该方法在实验室条件下开展实测实验，结果表明，使用lstm神经网络作为初级学习器，svm作为次级学习器训练得到的rfid感知模型辨识准确
可达0.9751，且相较于使用单个rfid信标学习得到的模型，其感知范围更大，也能满足大型智能建筑安防场景中对固定资产监测的实际应用需求。
[0026]
本发明的基于rfid和集成学习的资产设备智能感知方法及装置，能有效克服传统rfid感知模型对环境的高敏感性以及识别精度低的缺点，同时多个rfid信标相较于单个rfid信标构建的模型，其感知范围更广，能够有效降低对rfid标签的漏检率，其能够应用到大型建筑安防场景中对固定资产监测的实际需求中。
附图说明
[0027]
图1为stacking集成学习法的原理示意图；
[0028]
图2为基于stacking模型融合的rfid感知模型构建框架图；
[0029]
图3为lstm神经网络结构图；
[0030]
图4为lstm单元结构图；
[0031]
图5为rfid的感知识别装置的实物展示图；
[0032]
图6为rfid信标和定位基站的布设位置图；
[0033]
图7为场景1下rfid标签位置图；
[0034]
图8为场景2下rfid标签位置图；
[0035]
图9为场景3下rfid标签位置图；
[0036]
图10为场景4下rfid标签位置图。
具体实施方式
[0037]
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行具体说明。应当理解，以下文字仅仅用以描述本发明的一种或几种具体的实施方式，并不对本发明具体请求的保护范围进行严格限定。
[0038]
将rfid标签固定在资产设备上，作为该资产的唯一身份证件，通过对rfid信标感知到的接收信号强度指示(received signal strength indication，rssi)进行分类辨识，从而判定rfid标签对应的资产设备处于室内或室外，实现室内资产设备位置状态的快速感知，达到对资产设备智能感知的目的。
[0039]
设n，n≥2个rfid信标同时探测房间内rfid标签的信号，在时间t内，第i个rfid信标对同一个rfid标签感知到的rssi值构成序列ri，如式(1)所示：
[0040]ri
＝(r1，r2，...，r
t
，...，rk)
ꢀꢀ
(1)
[0041]
式(1)中，ri表示一个由rssi值组成的rfid信号序列；r
t
表示在第t个时刻的rssi值。由rfid信号传播特征可知，在相同的时间间隔内，rfid信标能够感知的rfid信号数量不尽相同，则在时间窗口t内不同序列r的长度不同，即序列长度k是变化的。
[0042]
对n个rfid信标感知到的rfid信号序列并行学习n个rfid感知模型。在时间t内，第i个rfid信标对rfid标签的位置状态预测结果如式(2)所示：
[0043]
zi＝fi(ri)
ꢀꢀꢀꢀꢀ
(2)
[0044]
式(2)中，zi表示根据第i个rfid信标感知到的rfid信号序列辨识得到的位置状态，zi的取值范围如式(3)所示；fi()表示第i个rfid信标的感知到的rfid序列与位置状态拟合的关系函数；ri表示第i个rfid信标在t时间内感知到的rfid信号序列；
[0045][0046]
式(3)中，zi表示rfid标签所在位置的标识；i表示室内区域，o表示室外区域；当ri对应的rfid标签在室内时，zi取值为1；当ri对应的rfid标签在室外时，zi取值为0；当序列ri为空序列时，zi取值为-1；
[0047]
采用bagging集成学习法并行式对n个rfid信标感知到的rfid信号序列进行学习，得到多个辨识结果；其中n个rfid信标对同一个rifd标签的位置辨识结果如式(4)所示：
[0048][0049]
对于n个初级学习器{f1，f2，...，fn}，fi在rfid信号序列ri上的输出为fi(ri)，记为zi；
[0050]
最后，采用stacking集成学习法对n个rfid感知模型并行计算得到的结果zi进行决策，得到该rfid标签最终的位置状态z。
[0051]
对fi进行结合的常见策略是学习法，stacking是学习法的典型代表，该方法采用堆叠思想，两个阶段的模型叠加，第一个阶段得到n个初级模型结果，第二个阶段采用初级模型结果训练次级模型。图1为stacking原理示意图。
[0052]
最后，用上述方法对n个rfid感知模型并行计算得到的结果zi进行决策，得到该rfid标签最终的位置状态z。
[0053]
基于rfid和集成学习的感知模型构建流程如下：
[0054]
由于单个rfid信标感知范围有限，在大型仓储空间中，存在单个rfid信标感知不到某些rfid标签的情况，进而无法实现对该类rfid标签位置状态进行辨识。
[0055]
本发明采取在实验空间中增加rfid信标数量的方法，使用多个rfid信标同时感知rfid标签的位置状态，提高rfid感知范围。由于多个rfid信标在实验空间中摆放的位置不同，对相同位置的rfid标签感知到的rssi值差异性较大，采用集成学习中的bagging思想，并行式对不同rfid信标感知到的数据进行学习，得到多个辨识结果，再采用结合策略中学习法的stacking思想结合多个辨识结果，得到最终的rfid标签位置状态。
[0056]
图2为使用集成学习法构建多信标的rfid感知模型的框架图，主要包括两个阶段。
[0057]
图2(i)为离线阶段，完成对初级模型和次级模型的学习；图2(ii)为在线阶段，完成对实时数据的辨识。
[0058]
(i)离线阶段
[0059]
为训练得到初级模型，首先对n信标rfid信号探测装置采集的数据分别按照公式(1)进行预处理，得到n信标rfid序列集；然后对n信标rfid序列集进行归一化处理，得到n信标归一化序列集；再对n信标归一化序列集进行标注得到n个标注序列集，其中，室内rfid序列集标注为1，室外rfid序列集标注为0；最后分别将n个标注序列集分别输入到lstm神经网络中训练，得到n个可识别rfid标签处于室内或室外两种情况的辨识模型，再将n信标标注
序列集的信号序列输入到对应的辨识模型得到辨识结果，再将辨识结果与其对应的标志构成次级训练集，将次级训练集输入svm神经网络中，得到最终的次级模型。
[0060]
依据图2(i)展示的基于stacking模型融合的rfid感知模型框架，模型构建的过程主要由四个部分组成：
[0061]
1)样本数据采集
[0062]
设置一个时间窗口t，在实验场景中布设多个信号采集点(包括室内区域和室外区域)，n个rfid信标同时感知信号采集点的rfid信标序列，rfid信号序列构成样本数据集，记为m＝{m1，m2，...，m
t
，...，mn}；
[0063]
其中mi＝{r
i1
，r
i2
，...，r
im
，}表示第i个rfid信标感知到的rfid信号序列集合。
[0064]
2)样本数据处理
[0065]
为适合于训练时空网络模型，需要对样本数据进行处理。处理步骤包括：
[0066]
第一步，对每个rfid信号序列ri中原始的rssi值进行归一化处理，由于rssi值的变化范围是-100dbm到0dbm，使用转换计算公式(5)可以将原始的rssi值归一化到(0，1)之间，归一化后得到归一化数据集m’。
[0067]r′
＝r/100+1(5)
[0068]
第二步，对m’进行标注，室内rfid标签的信号序列标注为1，室外rfid标签的信号序列标注为0，得到标注数据集di＝{(r
i1
，loc1)，(r
i2
，loc2)，...，(r
im
，locm)}。
[0069]
3)初级模型训练
[0070]
标注数据集di中的ri作为第i个初级模型的输入，loc作为第i个初级模型的输出，选用lstm神经网络对标注数据集di进行学习。图3为lstm神经网络的结构，其是一种多重神经网络的链式结构，其中r
t
为第t时刻的输入，h
t
为第t时刻的输出。对于图中每个lstm单元来说，其输入为上一时刻的输出和当前时刻的输入。
[0071]
每个lstm单元包括三种类型的门结构：遗忘门、输入门和输出门，lstm使用记忆模块取代传统的隐层神经元，并在其中添加细胞单元状态用于存储和访问长期信息。
[0072]
图4为t时刻的lstm单元结构图，输入为当前时刻的输入r
t
以及上一时刻的输出h
t
，c
t-1
为上一时刻的单元状态。
[0073]
设遗忘门的权重和偏置为wf和bf，输入门的权重和偏置为wi和bi，候选单元的权重和偏置为wc和bc，输出门的权重和偏置为wo和bo。遗忘门表达式如式(6)，输入门表达式如式(7)，本单元状态信息表达式如式(8)，输出门表达式如式(9)。
[0074]ft
＝sigmoid(wf·
[h
t-1
，x
t
]+bf)
ꢀꢀꢀ
(6)
[0075]nt
＝sigmoid(wi·
[h
t-1
，x
t
]+bi)
×
tanh(wc·
[h
t-1
，x
t
]+bc)
ꢀꢀꢀꢀ
(7)
[0076]ct
＝f
t
×ct-1
+n
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0077]ht
＝tanh(c
t
)
×
sigmoid(wo·
[h
t-1
，x
t
]+bo)
ꢀꢀꢀꢀꢀꢀ
(9)
[0078]
经过上述前向计算，反向传播过程采用了bptt(back propagation trough time)算法。初级模型学习过程的算法如表1所示。
[0079]
表1 lstm模型学习过程
[0080][0081]
表1展示了初级学习模型的获取，输入为标注数据集di、学习率、输入维度、输出维度、隐含层数以及迭代次数，首先对遗忘门、输入门、候选单元以及输出门的权重和偏置进行初始化，将样本数据中r
ij
输入到lstm网络中，依次进行前向过程计算，根据样本数据中的locj计算误差，反向传播更新权重和偏置，不断迭代，直至最大迭代次数后终止训练，保存神经网络的相关参数，输出为基于lstm和rfid的识别模型primarymodel。
[0082]
4)stacking结合策略
[0083]
stacking先利用标注数据集d＝{d1，d2，...，dn}依次训练初级学习器，初级学习器的学习过程如表1所示，根据初级学习器对标注数据集d的辨识结果得到一个新的数据集，用于训练次级学习器，在这个新的数据集中，初级学习器的输出当作次级学习器的输入特征，而初始标注数据集中的loc仍被当作标识作为次级学习器的输出，在stacking集成学习模型中，初级学习器的差异性越高，模型的性能将会越好。stacking算法的描述如表2所示。
[0084]
表2 stacking算法
[0085]
[0086][0087]
表2展示了算法的实现过程，算法输入为标注数据集d，初级学习算法ζ和次级学习算法ψ，输出为集成学习后的强学习器。先依次对n个rfid信标的采集得到的标注数据集di进行训练，得到初级学习器fi，再用fi对标注数据集di中的r
ji
依次进行辨识，得到辨识结果z
ji
，n个初级学习器得到辨识结果z
ji
和初始样本的标注构成次级训练集d’，然后d’用于训练次级学习器，得到最终的f(r)。
[0088]
(ii)在线阶段
[0089]
在获得n个可识别rfid标签位置状态的辨识模型的基础上，对rfid信号探测装置实时采集到的数据进行处理，将处理后的n个归一化序列对应输入到(i)中初级模型得到n个辨识结果，再通过次级模型进行决策，得到最终的rfid标签位置。
[0090]
实验
[0091]
为验证本文提出的基于lstm和rfid的室内固定资产智能感知识别方法的有效性，在实验室开展实测实验。
[0092]
采用准确率(accuracy)、精确率(precision)、召回率(recall)和f1值(f1-score)作为评价指标，其中f1值由精确率和召回率加权平均得到，计算方法如式(10)。
[0093][0094]
本发明实验环境为高校实验室的室内区域与室外走廊，面积约7m
×
8.5m，室内区域有办公设备等物品，人员流动性大，环境较为复杂。
[0095]
搭建了如图5所示的rfid感知识别装置，装置硬件5个rfid信标、定位基站、rfid有源标签和服务器等组成。rfid信标用于接收2.4g rfid有源标签的信息，并通过433m无线发
送给定位基站，定位基站通过tcp通信将数据发送至定位服务器，服务器离线完成感知识别模型的训练，在线对感知到的rfid标签进行位置识别。
[0096]
服务器的配置为：inter(r)core(tm)i5-2450m cpu@2.50ghz的cpu和12gb的内存，搭载windows10的系统。
[0097]
rfid感知识别装置布设方式如图6所示，本实施例使用5个rfid信标同时感知rfid标签信息，对不同位置的rfid信号进行标号，分别为1号、2号、3号、4号和5号。rfid信标摆放位置离地高度约为1.8m。
[0098]
实验结果与分析
[0099]
集成学习法构建rfid感知模型实验选用5个rfid信标同时感知rfid标签信息，5个rfid信标分别标注为1号，2号，3号，4号，5号。时间窗口t设置为30s，模型训练的样本数据集一共包括58582条rfid信号序列，其中正样本一共有40037条(rfid标签放置在室内感知的数据)，负样本一共有18545条(rfid标签放置在室外感知的数据)。具体每个rfid信标采集的样本数如表3所示。
[0100]
表3数据集名称和样本数
[0101][0102]
初级学习算法选用lstm神经网络，对bs1data～bs5data五个数据集并行式训练初级模型，序列r作为lstm神经网络的输入，loc作为lstm神经网络的输出，按照表1的流程进行学习。lstm神经网络配置参数如表4。
[0103]
表4 lstm神经网络的参数配置
[0104][0105][0106]
rfid信号序列r维度为1，故lstm神经网络输入层维度为1，输出层输出位置辨识结果，为0或者1，故输出层维度也为1，隐含层节点数设置为100，训练批次量设置为27，最大迭代次数为40，学习率设置为0.006，优化器选用adam，分类器选用softmax。
[0107]
由图2(i)的离线训练过程可知，stacking法构建多信标rfid感知模型需要对数据集bs1data，bs2data，bs3data，bs4data和bs5data并行训练初级学习模型，模型在相同的配置环境下并行训练，其运行时间如表5所示。
[0108]
表5 rfid感知模型训练时间
[0109][0110]
由表5可以计算出，训练单个初级学习模型平均耗时为0.3141小时，由于本文采用并行方式训练模型，完成5个初级学习模型的训练只需要0.3603小时。
[0111]
结合策略对模型的影响
[0112]
初级学习器学习完成后，需要将各个模型进行融合，常见的结合策略有：
[0113]
1)投票法
[0114]
对于分类任务，最常见的结合策略就是相对多数投票法(plurality voting)，即对n个初级学习器的预测结果{z1，z2，...，zn}进行投票，最终结果为得票做多的类别，若同时有多个类别获得最高票，则从中随机选取一个。
[0115]
2)学习法
[0116]
stacking是学习法的典型代表，基于stacking的模型融合算法，在元学习器的选择上，一般采用较为广泛的有前馈神经网络(bp)、支持向量机(svm)以及随机森林(rf)。
[0117]
为验证不同结合策略对模型性能的影响，使用投票法和学习法分别对同一批测试数据进行辨识，不同结合策略的模型性能对比结果如表6所示。
[0118]
表6不同结合策略下模型的性能
[0119][0120]
据此可以说明，利用svm作为次级学习器符合本发明需求。在后续实验中，将选择svm作为实验的次级学习器。
[0121]
不同信标数量模型性能对比
[0122]
本实施例研究n，n≥2个rfid信标同时感知rfid标签的位置状态的方法，为研究n的取值对模型性能的影响，实验对比2个，3个，4个，5个rfid信标情况下模型的性能，由于实验中不同标号的rfid信标摆放位置不同，rfid信标不同的组合方式会对实验结果有影响，
实验分别探究2个，3个，4个，5个rfid信标在不同组合方式下模型的性能。
[0123]
从5个rfid信标中选取2个rfid信标感知到的训练集进行模型的构建，测试集对这10种情况下构建的模型进行测试，得到模型的性能结果如表7所示。
[0124]
表7 2个rfid信标模型性能对比
[0125][0126]
由表7可知，1号和4号rfid信标的组合方式在2个rfid信标模型中综合性能最好，准确率能够达到0.8695，f1值可达到0.8858。
[0127]
从5个rfid信标中选取3个rfid信标感知到的训练集进行模型的构建，测试集对这10种情况下构建的模型进行测试，得到模型的性能结果如表8所示。
[0128]
表8 3个rfid信标模型性能对比
[0129][0130]
显然，从表8中可以看出，2号、3号和4号rfid信标组合得到模型性能在3个rfid信标模型中表现最优，f1值可达到0.9318。
[0131]
从5个rfid信标中选取4个rfid信标进行组合，一共有5种情况，对这5种情况下模型的性能进行测试，性能结果如表9所示。
[0132]
表9 4个rfid信标模型性能对比
[0133][0134]
由表9所示，2号、3号、4号和5号rfid信标的组合方式在4个rfid信标模型中性能最佳，准确率可达0.9684，f1值可达0.9696。
[0135]
表10展示的是由5个rfid信标感知到的数据进行模型的训练，测试集测试得到的结果。
[0136]
表10 5个rfid信标模型性能对比
[0137][0138]
由表7，表8，表9，表10综合来看，rfid信标数量为5时，rfid感知模型的性能最好，准确率能够达到0.9742，f1值可达到0.9751。
[0139]
时间序列与时刻点模型性能对比
[0140]
为了克服在室内复杂环境下rfid信号传播在时间轴上存在的不连续性和抖动性，从而提升传统基于离散时刻点的rfid感知方法的精度，本实施例在训练初级学习器时引入序列分析的思想，利用lstm神经网络对时间序列数据进行学习。
[0141]
为对比本实施例方法与传统基于离散时刻点的rfid识别模型，使用反馈传播(bp)作为初级学习器的算法，对离散时刻点的rssi值进行学习，表11为时间序列与时刻点模型在不同结合策略下的性能对比。
[0142]
表11时间序列与时刻点在不同结合策略下性能对比
[0143][0144][0145]
实验结果表明，使用lstm神经网络作为初级学习算法对rfid信号序列进行模式学习，在stacking结合策略下性能均优于传统基于离散时刻点学习得到的模型，能有效克服传统模型对环境的高敏感性。
[0146]
单rfid信标与多rfid信标感知范围对比
[0147]
为验证单个信标增加至多信标能够扩大rfid感知范围，本实施例取5个rfid信标与单个信标进行对比实验。在相同的实验场景下，利用2种模型分别对实验场景内rfid标签的位置进行辨识，统计室内和室外rfid标签的数量。
[0148]
设置4种实验场景，第一种场景下，室内放置3个rfid标签，室外放置1个rfid标签，rfid标签摆放位置如图7所示；第二种场景下，室内放置5个rfid标签，室外放置2个rfid标签，rfid标签摆放位置如图8所示；第三种场景下，室内放置8个rfid标签，室外放置4个rfid
标签，rfid标签摆放位置如图9所示；第四种场景下，室内放置13个rfid标签，室外放置7个rfid标签，rfid标签摆放位置如图10所示。
[0149]
表12展示这4种场景下，2种模型感知到rfid标签数量与实际情况的对比。
[0150]
表12不同场景下模型性能对比
[0151][0152]
如表12所示，基于单个信标的感知模型仅使用1号rfid信标对rfid标签的位置状态进行感知，基于5个rfid信标的感知模型使用1号、2号、3号、4号和5号rfid信标同时对rfid标签的位置状态进行感知，结合图7，图8，图9和图10中rfid标签的摆放位置可知，在rfid标签位置距离1号rfid信标偏远的情况下，1号rfid信标无法感知到该rfid标签的信息，导致在场景3和场景4下基于单个信标的rfid感知模型漏检情况相较于多信标模型更加严重。
[0153]
最后，本发明利用多个rfid信标数据来实现rfid标签位置状态的智能感知方法，包括对多个rfid信标数据的处理、感知模型的构建以及优化网络参数；同时基于实际实验室环境下采集到的数据进行实证研究，使用lstm对rfid信号序列数据进行学习，能有效克服传统rfid感知模型对环境的高敏感性以及识别精度低的缺点。
[0154]
另外，多个rfid信标相较于单个rfid信标构建的模型，其感知范围更广，能够有效降低对rfid标签的漏检率；即本发明的智能感知方法能够应用到大型建筑安防场景中对固定资产监测的实际需求中。
[0155]
上面结合实施例对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，对于本技术领域的普通技术人员来说，在获知本发明中记载内容后，在不脱离本发明原理的前提下，还可以对其作出若干同等变换和替代，这些同等变换和替代也应视为属于本发明的保护范围。