【摘 要】
：
随着物联网（Internet of Things,Io T）设备的普及,基于无线信号的精确定位技术近年得到了飞速的发展并在工业界催生了大量的智能应用。其中重要的应用有传送带上的产品排序和货架上的物体定位及盘点,这些应用都需要对目标物体进行精确的定位。作为物联网重要的支撑技术之一,无线射频识别（Radio Frequency Identification,RFID）技术已被广泛应用于智能工厂或仓库的
论文部分内容阅读
随着物联网（Internet of Things,Io T）设备的普及,基于无线信号的精确定位技术近年得到了飞速的发展并在工业界催生了大量的智能应用。其中重要的应用有传送带上的产品排序和货架上的物体定位及盘点,这些应用都需要对目标物体进行精确的定位。作为物联网重要的支撑技术之一,无线射频识别（Radio Frequency Identification,RFID）技术已被广泛应用于智能工厂或仓库的室内定位中,目前基于RFID的室内定位技术研究取得了一些可喜进展,理想的条件下其精度已经达到厘米级别。然而由于真实应用场景中存在的环境噪声和多径效应,现有的定位模型在实际应用中会有较大的精度损失。仅少量现有研究考虑了这一问题并提出了相应的技术进行改进,但这些改进仍有较大限制或需要额外的硬件设备。针对这个问题,本研究利用少量的先验数据,结合传统RFID全息图合成孔径模型和深度学习算法提出了深度学习强化的全息图技术（Deep Learning Enhanced Holography,DLEH）,该技术可以为稳定的环境生成适应性RFID定位模型（Adaptive RFID-based Localization Model,ARLM）,生成的模型即使在多径干扰强的环境下也能精确定位RFID标签。本文的主要工作成果包括:（1）提出更加鲁棒RFID全息图合成孔径算法。目前RFID合成孔径全息图研究在似然函数定义中考虑了环境噪声并提出一定的改进方法,但在多径效应干扰的环境中性能依然不佳。本研究在观察RFID全息图的似然值分布特性和多径效应对RFID信号的影响特点后,设计了联合全息图与邻近差分全息图,为目标标签提供了具鲁棒性的似然值。（2）设计了基于RFID的全息图的位置估计算法。现有RFID全息图模型都是通过最大似然值对应的位置来估计标签位置,然而普遍存在的环境噪声使得这种依赖单个似然值的方法不具有良好的鲁棒性。本文将全息图当作图像,创新性地利用深度学习算法分析全息图中的似然分布,并以此精确地估计目标标签的空间位置。（3）设计了适应性RFID定位模型训练方法。由于将深度学习算法引入RFID定位中,本文需要设计高效训练方法。本研究结合迁移学习技术设计了一种混合的训练方法,该方法同时利用实验数据和仿真数据的优势,在保证模型定位精度的同时大大减小了训练成本。本文利用商用RFID设备实现了深度学习强化的全息图技术原型,并在真实场景中采集了大量数据评估适应性RFID定位模型性能。实验结果表明,基于深度学习强化的全息图技术生成的RFID适应性定位模型即使在多径的环境下,利用单天线也能在二维平面获得厘米级的精度。
其他文献
卷积神经网络逐步成为人工智能应用的基础,然而网络参数量的增加,加大了其部署难度,限制了其应用范围。如何设计轻量化算法和快速低能耗硬件加速器成为研究热点。本文基于权重压缩算法,探究网络稀疏化和低位宽推断技术,提出一种使权重稀疏化且量化为幂次的轻量化算法,并采用Image Net数据集完成算法的验证。面向该算法,本文设计了一款基于移位的稀疏卷积神经网络加速器。针对稀疏网络权重少但运算不均衡的特性,对稀
推荐系统通过推荐算法以个性化的方式向用户提供其可能感兴趣的内容。推荐算法有基于内容的推荐和基于用户行为的推荐两种。基于内容的推荐算法需要使用用户及物品的特征,对于不同的场景这些特征都会有很大差异,针对各种场景分别构建特征与模型会增加研发和运维成本。基于用户行为的推荐算法虽然可以复用到不同场景,但只考虑了用户和物品的交互,没有考虑用户行为的时序性。如何利用用户行为的时序性改进基于用户行为的推荐算法是
多智能体系统将会是未来最重要的智能体系统之一。诸如无人驾驶、机器人集群、以及竞技类运动的训练系统都是多智能体系统的应用。在多智能体系统中,协作是一种非常重要的智能体之间交互的方式。在现有的方法中,基于通信的多智能体协作是计算量最低、最有效的方式。然而,现有的方法存在通信量过大、不够稳定等问题。为了减少智能体通信量、提高系统整体稳定性,进而提升多智能体协作系统整体成功率,本文提出了一套基于特征化信息
基于卷积神经网络（Convolutional Neural Network,CNN）的目标检测算法以其优异的物体识别和目标定位性能,被广泛应用于各个领域。然而,随着应用场景的复杂化,CNN的网络层数和计算复杂度逐渐增大,传统的中央处理器（Central Processing Unit,CPU）难以实现实时处理。此时,现场可编程门阵列（Field Programmable Gate Array,FP
无线传感网络至今已应用于很多领域,其安全性也越来越重要,保证网络数据安全传输、网络中设备安全可靠一直是一个研究热点。然而受网络传感节点能量、计算和存储资源限制,给传统的密钥管理及身份认证技术带来了巨大的挑战。论文在雾计算标准框架的基础上,设计了基于对称多项式的密钥管理和身份认证方案,充分利用网络中节点的计算和存储能力,在占用较少节点资源的同时,有效地保证了传感网络的安全。论文主要工作及取得成果如下
对卷积神经网络容错性的研究,是为了构建新型的更高可靠网络模型。真正的容错性,是指在系统架构层发生异常时,神经网络仍然能保持正常应用功能的能力。在航天领域,空间辐射环境引发的软错误,会给系统的稳定运行和卷积神经网络应用带来隐患。因此,基于软错误的卷积神经网络容错性研究尤为重要。本文将围绕这方面的内容,设计适用于视觉卷积神经网络容错性研究的软错误激发系统。利用系统级仿真平台,本文对系统架构层的关键硬件
航空大数据是现代航空工业领域的重要研究课题之一,基于机载传感器的大数据获取让统计分析、支持向量机和人工神经网络等多种数据挖掘和分析技术得以应用,为大飞机异常检测、状态分析等工作提供更多技术手段。大飞机试飞时间序列数据由加装在飞机各部件上的传感器采集得到,具有维度高、样本数量多、部分数据变化快、以及样本分布随飞行状态变化等特点。包含飞机在各种飞行状态下的信息,具备研究价值。传统的移动平均和自回归等预
近年来深度学习和以预训练模型为代表的迁移学习被广泛应用于自然语言处理。将通用语料预训练模型迁移到特定情感分析任务有基于微调的迁移和基于特征的迁移两种方法。以BERT为代表的基于微调的方法,针对目标任务对整个预训练模型进行微调。以ELMo为代表的基于特征的方法,将计算代价高昂的预训练模型与下游模型的训练分离,首先从预训练模型中提取上下文词向量,再用目标任务重新训练下游模型,这样减少了训练所需的计算资
近年来,过渡金属硫族化合物（TMDs）由于其特殊的电学、光学、力学、磁学和化学特性,加速了包括气体传感器在内各领域的研究与发展。在TMDs中,硒化钼（MoSe2）是一种新兴的半导体材料,在储能、场效应晶体管和润滑剂等方面研究已较为成熟,但在气体传感器特别是室温气体传感领域的应用还比较少。同时,室温气体传感器如何克服响应值低、恢复慢和选择性差等问题仍是具有挑战性的研究课题。本论文为了改善室温气体传感
地铁是现代城市出行的首选交通工具。为了最小化对地表城市景观的影响,大部分地铁线路位于地下隧道内。由于地下水的存在,墙面渗漏是地下隧道的常见病害。目前对隧道内渗漏点的检测仍然依靠线路维护人员步行巡道,该方法需要较高的时间成本与人力成本。由于城市地铁的运营十分饱和,地铁的日常维护任务繁重,迫切需要一种识别渗漏点的自动化方法,提高维护工作的效率。目标检测是计算机视觉领域的重要分支。传统的目标检测任务需要