针对室内场景中存在获取目标对象相对位置的需求,RFID(Radio Frequency Identification)因其轻便、成本低的特点成为最经济的解决方案之一。通过研究基于相位和时间序列预测模型ARIMA来解决目标相对位置定位的问题,提出了基于UHF(Ultra-...
详细信息
针对室内场景中存在获取目标对象相对位置的需求,RFID(Radio Frequency Identification)因其轻便、成本低的特点成为最经济的解决方案之一。通过研究基于相位和时间序列预测模型ARIMA来解决目标相对位置定位的问题,提出了基于UHF(Ultra-High Frequency)RFID无源标签的室内相对位置定位算法。使用RFID无源标签、阅读器和移动RFID天线来获取相位的变化,选取天线移动过程中一个相位翻转周期的时间序列值,运用ARIMA模型对该时间序列后续值进行预测,并选择达到某些值的时间戳,给预测时间戳和相位变化过程中关键相位点的时间戳分配权重,得到最终的时间戳并进行相对位置排序。实验结果表明,提出的RFID室内相对位置定位算法在图书馆环境下对图书顺序侦测的识别准确率可以达到96.48%,与经典的STPP算法和HMRL算法相比具有更好的定位性能。
随着物联网和5G技术的快速发展,以深度学习为基础的人工智能应用越来越多,使基于时空数据的医疗影像、城市安防、自动驾驶等视觉领域成为物联网方向的研究热点。物联网系统采集到的视频数据、图片数据、温湿度与气体浓度数据同时也急剧增长,最终使得物联网系统的处理速度和反馈速度越来越慢。针对物联网节点采集的时空数据量大且可能存在短暂性异常的问题,文中设计了基于长短记忆网络的EPLSN(Exception Processing Long and Short Memory Network)算法。首先,对输入门的逻辑结构进行设计,并对网络模型结构进行改进,解决了短暂性异常数据与时空数据分类的问题,提高了EPLSN算法对物联网时空数据的分类精度,并能够对异常数据进行数据清洗。其次,依据传感器采集的时空数据特点,将数据存储到不同的数据块中,采用时序数据库对时空数据进行短暂性存储,并提出基于时空数据的物联网搜索架构,加快了物联网系统搜索的速度。
暂无评论