醫院醫療設備的使用和管理情況反映了醫院的現代化程度。醫療設備數量的增多，精細度的提高，使得醫療設備的信息化管理成為一種趨勢。射頻識別技術( Radio Frequency Identifcation， RFID)，是一種非接觸式的自動識別技術，通過射頻信號自動識別目標對象并獲取相關數據，具有精度高、適應環境能力強等優點 [1]。 RFID 在醫療設備管理中的應用正在逐漸興起，使得設備閑置、流失、重復購置等問題的解決成為可能 [2]。

　　精確定位是醫療設備管理的基本要求， RFID 讀寫器和標簽的分布情況，以及定位算法優劣直接影響定位的精確度。經典的無線定位( Time of Arrival， TOA) [3] 算法，基于信號到達角度的定位算法( Angle of Arrival，AOA) [4] 算法，射 頻 標 簽 信 號 強 度( Received Signal Strength Indication，RSSI) [5-6] 算法等定位算法有各自的特點，但面對醫院復雜的環境有一定的局限性。

　　本文將粒子群算法( Particle Swarm Optimization，PSO)優化 BP( Back Propagation)網絡的學習算法應用于射頻定位。搭建實驗平臺，采集樣本數據 ;在此基礎上，進行訓練學習，求得 RFID 讀寫器與標簽之間“信號強度—坐標” 的映射關系 ;并對其進行測試，探討粒子群神經網絡算法在 RFID 定位中應用的優勢。

　　粒子群神經網絡原理

　　1.1 BP神經網絡算法

　　BP 神經網絡用到的算法是向量乘法，并且廣泛采用符號函數及其各種逼近。對于輸入層的信號，要先向前傳播到隱藏層，經過作用函數后，再信息傳播到輸出層節點，最后輸出結果，見圖 1。神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡 [7]，是目前應用最廣泛的神經網絡模型之一。可以實現自我學習、自我組織、自我適應等特性，也是神經網絡計算方法與傳統方法的區別所在。它的學習規則是最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小 [8]。

　　1.2 粒子群算法

　　粒子群算法同模擬退火算法相似一樣，是一種進化算法。該算法的優點在于它可以從隨機解出發，通過迭代尋找最優途徑 [9-10]。設在 D 維搜索空間中，共有 M 個粒子組成一個群體，記第 i 個粒子空間位置為 xi 是優化問題的潛在最優解，粒子的速度記為 vi，當代最佳位置記作 pibest，歷史最佳位置記作 pbest，第 n 代粒子，進化到第 n+1 代的速度和位置方程為 ：

　　其中， u 為慣性權值， u 的引入使 PSO 可以調節算法的全局與局部尋優能力，一般使用線性慣性權值 ; c1 和 c2 為加速系數， 取正值 ; r1 和 r2 為兩個在 [0,1] 內變化的隨機數 [11]。

　　1.3 粒子群優化BP神經網絡算法

　　BP 神經網絡算法是一種能夠尋優的黑盒子算法，然而實驗表明， BP 神經網絡算法易陷入局部極值，從而難以保證收斂到全局極小點 [12]。此外，神經網絡是基于反向傳播的梯度下降算法，其收斂速度慢，學習效果難以令人滿意本。因而本文使用粒子群算法對BP神經網絡算法進行優化，實現流程見圖 2。

　　RFID室內定位系統

　　2.1 RFID定位系統

　　一套完整的RFID系統包括射頻電子標簽、射頻讀寫器、PC 移動終端機、附屬設備等 [13]。射頻讀寫器通過天線可以激發射頻標簽，并獲取接收的信號強度 RSSI 等信息。

　　本文構建的 RFID 定位系統由 KL9201B 射頻讀寫器，18000-6C 無源不粘膠貼片標簽(無源標簽貼于卡片表面，模擬實際醫療工件，每個標簽分配唯一設備編碼)，使用上位機軟件為 UHFReader188B，射頻讀寫器與 PC 端使用RS232 傳輸數據。根據 RSSI 強度信息、構建神經網絡進行定位， PSO-BP 神經網絡的室內定位模型，見圖 3。

　　2.2 試驗布局及方法

　　本文通過移動卡片位置來改變標簽坐標，射頻讀寫器讀取標簽信號強度與兩者之間的距離有關。因此可以根據3 點天線讀取的標簽信號強度來確定標簽位置。實驗分布圖，見圖 4。

　　所使用實驗面板為 10 dm× 10 dm，實驗單為 1 dm× 1 dm。為了方便說明數據采集過程與計算結果分析，本文以該正方形的一個頂點作為坐標原點 O(0,0)，以相交于該原點的兩條邊作為橫縱坐標軸( x 軸和 y 軸)，形成平面直角坐標系。正方形檢測區域，見圖 4， 3 個 RFID信號讀寫器被放置在該正方形區域的 3 個定點上，即坐標原點 O(0,0)，頂點 (0,10)，頂點 (10,0)，為了使讀寫器檢測到的范圍盡可能大且信號強度呈現一定的對稱性，所有讀寫器擺放角度為 45° 角。

　　將整個正方形區域分別以平行于 x 軸與 y 軸的方向按照相等間距劃分，間隔距離為 1 dm，形成 100 塊相等大小的小正方形。由于檢測區域中接近正方形邊界處信號強度受傳感器角度影響極大，會對后續的神經網絡的定位學習產生干擾 [14]，因此本實驗中沒有考慮在檢測區域邊界處的RFID 信號接收情況，即坐標點 (1,1)(9,1)(1,9)(9,9) 所圍成的范圍內放置 RFID 電子標簽，在檢測區域所劃定網格的每個交點上均放置一個 RFID 電子標簽。圖中虛線表示平行于 x 軸或 y 軸的方向的若干條劃分線，在所有劃分線的交點上的圓點表示 RFID 電子標簽所在位置。

　　2.3 PSO-BP神經網絡的構建

　　BP 神經網絡結構模型拓撲結構包括輸入層、隱含層和輸出層，因為在實驗過程中使用 3 個天線對射頻標簽 RSSI值進行測量，因此輸入層的輸入變量為 3 個。為簡化定位模型，輸出層選取平面坐標，即有 2 個輸出量。由于本實驗節點和輸出節點相對較少，本文選用隱含層個數為 2 層。綜上所述，本文構建 PSO-BP 神經網絡模型采用 3:16:2:2的網絡結構。

　　在數據計算時，將測量數據分為兩個子集 ：第一個子集為訓練數據集，數據量為 66 組數據，其中包括 198 輸入變量和 132 輸出量，該子集數據用于訓練 PSO-BP 模型 ;第二個子集為測試集，數據量為 15 組，使用訓練后的PSO-BP 模型預測測試子集數據的頻標簽的坐標，以衡量PSO-BP 神經網絡模型的優劣性。

　　結果

　　在信號采集部分，首先記錄了 81 個電子標簽所在檢測區域中的坐標信息，然后分別用 3 個讀寫器來采集 81 個電子標簽的 RSSI 數據。由于信號強度受環境影響較大，計算機終端上的信號采集軟件中顯示的數據會有較頻繁的波動，因此在采集每個電子標簽的 RSSI 數據時，重復讀取10 次并對其進行平均處理得到更為合理的 RSSI 數值 [15]。為了更直觀表示檢測區域內 RSSI 的分布狀況，本研究利用MATLAB 分別繪制了 RSSI 值分布圖，見圖 5。

　　由于實驗客觀條件限制，過多的電子標簽個數相互之間會產生干擾，并且大大提高了實驗的復雜性。本研究所獲得的 RSSI 數據是離散的。為了能夠盡可能還原出實際的RSSI信號的分布，在繪制 RSSI 分布圖時使用了線性插值。顏色變化和曲面高度與 RSSI 數值對應，見圖 5。紅色對應 RSSI 高值，藍色對應 RSSI 低值，黃色為 RSSI 值由高到低的過渡值。讀寫器放置在 3 種位置下的檢測結果 RSSI 分布趨勢均相同，即RSSI 值隨著到讀寫器的距離增加而減小，讀寫器(讀寫器和天線為一體封裝式)是平板狀且為 45° 擺放狀態，所以采集的數據呈現中值—邊緣效應，即靠近檢測區域邊緣處的 RSSI 值下降較快。

　　為減少 POS-BP 神經網絡訓練時間，本文將讀寫器獲取的 81 組數據進行無量綱、歸一化處理，并使用經預處理的數據對 POS-BP 神經網絡進行學習測試。設置 POS-BP神經網絡結構 ：輸入層節點數為 3，對應 3 個讀寫器接收的 RSSI 值 ;輸出層節點為 2，對應坐標值 ;隱藏層選用兩層結構，節點個數選擇 16× 2 ;訓練步長選擇 0.05，訓練目標的最小誤差為 0.0007 ;從 81 組數據中隨機選擇 66組數據作為訓練集數據，訓練結果見圖 6 ;

　　訓練結束后使用訓練后的 POS-BP 神經網絡對余下的 15 組數據進行測試，綠色圓圈標注剩余的 15 個電子標簽所在位置，紅色叉號標注由 RSSI 數據運用 PSO-BP 算法恢復出的坐標位置，測試結果位置與真實值誤差為 5.31 mm，測試結果見圖 7。

　　結論

　　將 RFID 技術應用于醫院醫療設備的精細化管理是目前數字化醫院研究的重點。特別是室內定位識別技術，各種定位技術之間沒有通用的標準。未來定位技術的發展，對系統的精確度、標準化、實用性等提出了更高的要求。多種定位算法的融合，以及實現 3D 定位將成為發展趨勢，對于 RFID 技術的研究還有很長的路需要去探討。

　　傳統的基于 RSSI 定位算法，多采用射頻標簽信號傳遞經驗模型，將 RSSI 值轉化為距離信息，通過三圓幾何交點關系可以快速計算射頻標簽位置信息 [16]。在實際應用中，RSSI 值受室內環境影響，波動很大， RSSI 經驗模型得到的距離誤差較大，精度較低，穩定性差 [17]。

　　在本文工作中我們不難發現， RSSI 值的大小不僅與標簽到讀寫器的距離有關，同時還與射頻讀寫器矢狀面夾角有一定的關系。分析可知，對于獲取相同距離的射頻標簽 RSSI 值，夾角越大， RSSI 值衰減越快。本文提出的PSO-BP 算法，可以直接使用 RSSI 值進行定位，定位過程分為兩段，即模型訓練和模型的測試，該算法能兼具有粒子群算法和神經網絡模型的優點，粒子群算法能夠為神經網絡模型提供最優的初始值，減少神經網絡模型過度訓練和局部收斂的幾率。

　　PSO-BP 模型訓練的過程其本質為對歷史數據的記憶過程，模型測試(預測)過程本質為在歷史數據中尋找最優位置信息，當訓練位置信息越多，訓練精度越高，測試精度也越精確。在室內環境下，本算法可使用“隱式”、“黑匣子” 將 RSSI 值與位置信息關聯起來，因而規避了 RSSI值轉化距離時參數值(受室內環境因素較大)的估計，可在一定程度上提高室內定位的精度。然而，實驗中使用試驗臺為 1 m× 1 m，接下來我們將擴大實驗區域進行進一步探討。此外，實驗過程中還有擺位等誤差的存在使得本算法具有一定的局限性，可以說基于射頻標簽的定位技術仍需不斷的努力。