【阅读笔记】An RFID indoor positioning system by using weighted path loss and extreme learning machine

Zou H, Wang H, Xie L, et al. An RFID indoor positioning system by using weighted path loss and extreme learning machine[C]//2013 IEEE 1st International Conference on Cyber-Physical Systems, Networks, and Applications (CPSNA). IEEE, 2013: 66-71.

文章没有看到关键词

缩写解释

Radio Frequency Identification (射频识别，RFID)

主要工作

weighted path loss (加权路径损耗，WPL)、extreme learning machine (极限学习机，ELM)

加权路径损耗

通用损耗模型（ITU模型[T. Chrysikos, G. Georgopoulos, and S. Kotsopoulos, ”Site-specific validation of ITU indoor path loss model at 2.4 GHz,” in World of Wireless, Mobile and Multimedia Networks and Workshops, 2009. pp. 1-6.]):
PL = 20log(f) + 10αlog(d) + c(k, f) − 28
c(k, f) 是对信号频率与楼层（可以拓展为障碍物）的修正，当物理环境不复杂时，可以简化为如下的形式：

极限学习机

ELM是一种基于单隐层前馈神经网络（SLFN）结构的机器学习算法。它以极快的学习速度提供了良好的泛化性能[G.-B. Huang, Q.-Y. Zhu, and C.-K. Siew, ”Extreme learning machine:theory and applications,” Neurocomputing, vol. 70, pp. 489-501, 2006.]。在文献[W. Xiao, P. Liu, W.-S. Soh, and G.-B. Huang, ”Large scale wireless indoor localization by clustering and Extreme Learning Machine,” in 15th International Conference on Information Fusion, 2012, pp. 1609-1614.]中，使用ELM方法的WLAN-IPS在定位效率和定位精度方面都有较好的性能。

性能评估

（文章在此部分有较为详细的叙述，但是太复杂了，等有需要的时候再来看）
经过数据采集，用的信号损耗模型是：PL(di) =−52.40−10×3.58×log(di)
在实验结果的基础上，确定了RFID传感器从RFID标签中提取RSS的合理范围为-40～100dBm。如果一个RSSI样本中包含的所有信号强度都在这个范围内，则它被定义为一个完美的RSSI样本。否则，如果RSSI样本包含超过合理范围的多个信号强度，则将其定义为缺陷RSSI样本。当定位算法使用缺陷RSSI样本时，定位算法的鲁棒性可以通过跟踪标签的实际物理位置与估计位置之间的差异来衡量。
1. WPL和ELM的比较：如果我们要使用ELM方法，就需要在定位精度和测试时间之间进行权衡。
2. WPL、ELM和其他方法的比较：WPL和ELM可以提供比LANDMARC（详见 L. M. Ni, Y. Liu, Y. C. Lau, and A. P. Patil, ”LANDMARC: indoor location sensing using active RFID,” Wireless networks, vol. 10, pp. 701-710, 2004.）和增强LANDMARC更高的定位精度。
3. WPL、ELM和其他方法之间的鲁棒性比较：即使使用RSSI样本中含有超出合理RSS范围的信号强度，但是WPL和ELM仍然可以提供高于LANDMARC的相对定位精度，并且增强LANDMARC。在这种情况下，ELM的定位精度比LANDMARC提高了68%，比增强LANDMARC提高了67%，比WPL提高了32%。我们可以得出结论，ELM比WPL和其他方法更具鲁棒性。

结论与未来的工作

在这篇论文中，我们提出了一个成本效益RFID IPS使用廉价的有源RFID标签，传感器和阅读器。本文还提出了两种定位算法：WPL和ELM。实验结果表明，WPL方法比LANDMARC方法和增强LANDMARC方法分别提高了38%和17%的室内定位精度。ELM方法比LANDMARC方法提高了55%的室内定位精度，比增强LANDMARC方法提高了40%。另外，当RSSI样本中存在由于信号碰撞而超出合理范围的信号强度时，ELM可以提供比WPL更高的定位精度，说明ELM在跟踪目标较多的情况下比WPL具有更强的鲁棒性。WPL的优点是它可以比ELM更快地提供跟踪标签的估计位置。其原因是ELM需要增加隐藏节点的数目以获得更高的定位精度，并且系统需要更多的时间来提供估计的位置。
考虑到WPL和ELM的优点，未来的工作将集中在如何将这两种方法结合起来以提供更准确的跟踪标签的估计位置。