CN102509062A - 一种基于滑动窗口的rfid数据流多标签清洗方法 - Google Patents

Abstract

一种基于滑动窗口的RFID数据流多标签清洗方法，分析在过去的一段时间内的所有EPC事件的平均读取间隔avgInterval，来决定最大事件间隔evInterval的值，通过一个窗口缩放因子scaleFactor来决定最大事件间隔evInterval向平均读取间隔avgInterval靠拢的速度，通过一个精度影响因子precisionFactor来决定滑动窗口大小evTimeout的值,在多标签无冲突的情况下，也适用于多标签的清洗。本发明降低和修正了RFID数据不可靠的问题，完整性和动态性较好，有利于以后在对实时信息的处理与跟踪领域发挥更大的作用。

Description

一种基于滑动窗口的RFID数据流多标签清洗方法

技术领域

本发明涉及RFID标签技术即射频识别，是一种非接触式的自动识别技术，尤其是通过射频信号自动识别目标对象并获取相关数据的方法，具体地说是一种基于滑动窗口的RFID数据流多标签清洗方法。识别工作无须人工干预，可工作于各种恶劣环境。RFID技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。RFID标签具有低成本、寿命长、不怕污染和适应恶劣环境等特点，有望在将来替代目前流行的条形码，具体地说是一种基于滑动窗口的RFID数据流多标签清洗方法。

背景技术

目前，RFID技术已经被广泛的应用在很多领域，例如供应链监控、资产跟踪、超市购物、火车调度等许多方面，而这些应用领域正是对实时信息的处理与跟踪有着极高的要求。随着低成本、低功耗的被动标签制造工艺的逐步提高，布置RFID将成为全球技术革新中最为重要的一环，同时它也将极大的推动RFID技术的研究与发展，并为全球“物联网”的提出和最终实现奠定了坚实的基础。

然而，阻碍RFID技术广泛应用的一项重要原因，就是RFID阅读器产生的数据流具有不可靠性，RFID系统因其射频技术无线通信的特点，会受到阅读错误数据的困扰。其中根据RFID阅读错误结果分类，RFID数据不可靠的情况，主要有以下三种：1、漏读，由于无线射频信号极易受环境影响，而且相互干扰，其当标签和阅读器数量较多时，信号干扰加强。因此造成阅读器同时读多个标签时；某些标签被遗漏。数据漏读现象十分普遍，是RFID数据不可靠的主要原因，这种错误也称为拒真(False Negative)；2、多读，指当一个标签在一个阅读器阅读范围之外时，该阅读器仍然读到了该标签。这种情况主要因为多个阅读器同时存在时的电磁波的干扰，随机性很大。这种错误也称为纳伪(FalsePositive)；3、脏数据，由于电磁干扰等原因造成的阅读器读取的标签信息是非法的、重复的这种标签数据称为脏数据，通常这种错误发生概率较低，并且一般的阅读器会自动处理脏数据的情况。因为RFID数据不可靠性，导致原始RFID数据流对于高级别的应用程序毫无用处。

发明内容

本发明的目的是针对RFID阅读器产生的数据流具有不可靠性，导致原始RFID数据流对于高级别的应用程序毫无用处的问题，提出一种基于滑动窗口的RFID数据流多标签清洗方法，能有效提高RFID数据的可靠性、完整性和动态性。

本发明的技术方案是：

一种基于滑动窗口的RFID数据流多标签清洗方法，它包括以下步骤：

(a)、计算平均读取间隔avgInterval：采用射频阅读器读取一个或多个电子标签的所有EPC事件，计算在一段时间内所有EPC事件的平均读取间隔avgInterval，

$\mathrm{avgInterval}=\frac{\mathrm{duration}\×\mathrm{sum}\left(\mathrm{EPC}\right)}{\mathrm{\Σevent}}$

其中：duration表示读取所有EPC事件的时间段长度；sum(EPC)表示在这段时间内所读取的标签的数量即有多少个不同的EPC码，同一标签发送的EPC事件中带有同一个EPC码，，当只有单个电子标签时，sum(EPC)的值为1；∑event表示所有标签发送的所有EPC事件的总数；

(b)、计算当前最大事件间隔evInterval：根据前一个最大事件间隔evInterval′的值和当前平均读取间隔avgInterval的值来计算当前最大事件间隔evInterval的值，

evInterval＝evInterval′+scaleFactor×(avgInterval-evInterval′)

其中：最大事件间隔evInterval的初始值为0，scaleFactor为窗口缩放因子；

(c)、计算滑动窗口大小evTimeout：通过一个精度影响因子precisionFactor和当前最大事件间隔evInterval来决定滑动窗口大小evTimeout的值，

evTimeout＝evInterval×precisionFactor

(d)、将当前最大事件间隔evInterval和滑动窗口大小evTimeout带入固定窗口平滑方法中，就完成了自适应窗口调节的多标签清洗方法。

本发明的窗口缩放因子scaleFactor的典型范围是(0.57，0.89)，用于决定最大事件间隔evInterval向平均读取间隔avgInterval的靠拢的速度。

本发明的精度影响因子precisionFactor的典型范围是[2，5]，用于调节滑动窗口的大小。

本发明中，当加入的精度影响因子precisionFactor为3时，该方法会在事件流中断后的第一个最大事件间隔evInterval和第二个最大事件间隔evInterval补充漏读数据，在第三个最大事件间隔evInterval时宣布该事件中断。

本发明中，当多个标签同时返回EPC事件的信号时，读写器接收到的信号可能发生碰撞，如果发生碰撞，则读写器接收到的信号不满足原编码规则，需要对平滑窗口大小进行修正，对于碰撞时隙内的标签，采用以下步骤处理：

步骤1.已知初始标签数t和阅读器平均读取率S初始值，定义y用于统计最近L个读取周期中发生碰撞冲突的次数，n记录当前平滑窗口大小，

步骤2.n根据S的值进行相应初始化，定义数组Read记录最近L个读取周期的读取情况；

步骤3.阅读器发出读取请求，获取标签响应数据，更新数组read，若平滑窗口数据未填充满，则继续填充，否则，从数组read中计算出碰撞冲突的次数y，根据碰撞冲突的次数y的统计值估算标签个数t，进行修正，得到修正后的平均读取率S，修正公正如下，其中，正确读出的标签个数为x，x＝n-y；

$S_{n,t}(x,y)=\frac{C_n^x{C}_t^x{P}_x^x\·C_{t-x}^y{C}_{t-n}^y{y}^{t-n-y}{\left(P_y^y\right)}^2}{n^t}=$

$\frac{C_n^x{P}_t^t{y}^{t-n-y}}{n^t{P}_{t-n-y}^{t-n-y}}(t>n+y)$

步骤4.根据修正后的S计算新的平滑窗口大小，对窗口内的标签进行清洗。

本发明中，检测标签信号是否发生碰撞包括以下步骤：

步骤1.读写器首先通过接收标签信号的数据帧头来判断该数据是否为多个标签碰撞后的产生的数据，如果是，则发生碰撞，如果不是，则转步骤2；

步骤2.读写器通过标签返回信号的数据段来判断是否发生了碰撞，如果是，则发生碰撞，如果不是，则转步骤3；

步骤3.通过检测标签是否在规定时间内返回EPC码判断碰撞，如果返回了EPC码，则发生碰撞，如果没有返回EPC码，则认为该次查询成功，即为成功时隙；如果至少有一个环节判断出碰撞发生，即为碰撞时隙。

本发明中，根据y的统计值估算标签个数t的方法为：首先做若干实验，一个标签时，统计碰撞次数，两个标签时，统计碰撞次数，直到若干个标签时，分别统计碰撞次数，并记录；然后，在已知碰撞冲突的次数y的情况下，得到相应的实际标签数。

本发明的有益效果：

本发明通过以上的技术方案，降低和修正了RFID数据不可靠的问题，完整性和动态性较好，有利于以后在对实时信息的处理与跟踪领域发挥更大的作用。加上RFID标签具有低成本、寿命长、不怕污染和适应恶劣环境等特点，有望在将来替代目前流行的条形码。随着低成本、低功耗的被动标签制造工艺的逐步提高，布置RFID将成为全球技术革新中最为重要的一环，同时它也将极大的推动RFID技术的研究与发展，并为全球“物联网”的提出和最终实现奠定了坚实的基础。

本发明解决了窗口大小设置的问题，理想的平滑窗口大小尺寸需要综合考虑数据清洗两方面需求，即标签的完整性和动态性。RFID中间件系统被布置在RFID读写器和上层应用程序之间，为应用程序逻辑提供了一套清洗机制。

本发明的自适应窗口平滑方法通过分析在过去的一段时间内的所有EPC事件的平均读取间隔avgInterval，来决定最大事件间隔evInterval的值，通过一个窗口缩放因子scaleFactor来决定最大事件间隔evInterval向平均读取间隔avgInterval靠拢的速度，通过一个精度影响因子precisionFactor来决定滑动窗口大小evTimeout的值，适用于单标签，在多标签无冲突的情况下，也适用于多标签的清洗。

本发明基于滑动窗口的多标签清洗方法一方面借鉴适用于单标签的自适应窗口平滑方法的状态判定规则，另一方面根据已提出的防碰撞模型，通过统计一段时间的标签碰撞冲突情况，利用公式可以估算出标签个数，从而动态调整阅读器的平均读取率，然后采用适应性平滑窗口对窗口内的标签进行清洗。

附图说明

图1是不同平滑窗口大小影响示意图。

图2是适用于单标签的自适应窗口平滑方法示例。

图3是在动态场景或有少量发生变化的场景时的情况(标签个数±50％～80％)，各标签清洗方法的性能比较图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，一种适用于单标签的自适应窗口平滑方法方法通过分析在过去的一段时间内的所有EPC事件的平均读取间隔avgInterval，来决定最大事件间隔evInterval的值，通过一个窗口缩放因子scaleFactor来决定最大事件间隔evInterval向平均读取间隔avgInterval靠拢的速度，通过一个精度影响因子precisionFactor来决定滑动窗口大小evTimeout的值。

$a)\mathrm{avgInterval}=\frac{\mathrm{duration}\×\mathrm{sum}\left(\mathrm{EPC}\right)}{\mathrm{\Σevent}}$

duration表示所要分析的数据的时间段长度；sum(EPC)表示在这段时间内所读取的标签的数量，即有多少个不同的EPC码；∑event表示事件总数。通过上述公式就可以计算出平均读取间隔avgInterval的值。

通过计算平均读取间隔avgInterval来摒除由读写器所处环境、读写器读写频率、标签识别率这3个方面引起的恒定的漏读比率。

b)evInterval＝evInterval+scaleFactor×(avgInterval-evInterval)

上述公式根据前一个最大事件间隔evInterval的值和当前平均读取间隔avgInterval的值来计算当前最大事件间隔evInterval的值，窗口缩放因子scaleFactor决定最大事件间隔evInterval向平均读取间隔avgInterval的靠拢的速度。

通过窗口缩放因子scaleFactor来调节最大事件间隔evInterval向平均读取间隔avgInterval的靠拢的速度，放缓最大事件间隔evInterval的变化速度，用来摒除突发的环境因素造成的漏读情况。

c)evTimeout＝evInterval×precisionFactor

滑动窗口大小evTimeout由最大事件间隔evInterval和精度影响因子precisionFactor共同决定。

精度影响因子precisionFactor用来调节窗口的大小，加入当精度影响因子precisionFactor为3时，该方法会在事件流中断后的第一个最大事件间隔evInterval和第二个最大事件间隔evInterval补充漏读数据，在第三个最大事件间隔evInterval时宣布该事件中断。

将最大事件间隔evInterval和滑动窗口大小evTimeout带回固定窗口平滑方法中，就完成了自适应窗口调节方法。

当单个标签返回信号时，其数据波形必须符合协议规定的数据编码规则，但是多个标签同时返回信号时，读写器接收到的信号则不一定满足原编码规则。

本模型通过判断标签返回信号是否违反协议规定的编码规则来检测标签信号是否发生碰撞。该方法包括三个步骤：

步骤1.读写器首先通过接收标签信号的数据帧头来判断该数据是否为多个标签碰撞后的产生的数据。

步骤2.读写器通过标签返回信号的数据段来判断是否发生了碰撞。

步骤3.通过检测标签是否在规定时间内返回EPC码判断碰撞。

如果上述3个步骤都没有检测出碰撞，则认为该次查询成功，即为成功时隙；如果至少有一个环节判断出碰撞发生，即为碰撞时隙。

鉴于上面的防碰撞模型，基于防碰撞模型的多标签清洗方法的方法思想主要是：一方面借鉴基于适用于单标签的自适应窗口平滑方法状态判定规则，另一方面根据已提出的防碰撞模型，通过统计一段时后采用适应性平滑窗口对窗口内的标签进行清洗。本方法使用伪代码描述如下：

假设已知初始标签数t和阅读器平均读取率S初始值。

定义y统计最近L个读取周期中发生碰撞冲突的次数，n记录当前平滑窗口大小，n根据S的值进行相应初始化，定义数组Read记录最近L个读取周期的读取情况

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (7)

1.一种基于滑动窗口的RFID数据流多标签清洗方法，其特征是它包括以下步骤：

(a)、计算平均读取间隔avgInterval：采用射频阅读器读取一个或多个电子标签的所有EPC事件，计算在一段时间内所有EPC事件的平均读取间隔avgInterval，

$\mathrm{avgInterval}=\frac{\mathrm{duration}\×\mathrm{sum}\left(\mathrm{EPC}\right)}{\mathrm{\Σevent}}$

其中：duration表示读取所有EPC事件的时间段长度；sum(EPC)表示在这段时间内所读取的标签的数量即有多少个不同的EPC码，同一标签发送的EPC事件中带有同一个EPC码，，当只有单个电子标签时，sum(EPC)的值为1；∑event表示所有标签发送的所有EPC事件的总数；

(b)、计算当前最大事件间隔evInterval：根据前一个最大事件间隔evInterval′的值和当前平均读取间隔avgInterval的值来计算当前最大事件间隔evInterval的值，

evInterval＝evInterval′+scaleFactor×(avgInterval-evInterval′)

其中：最大事件间隔evInterval的初始值为0，scaleFactor为窗口缩放因子；

(c)、计算滑动窗口大小evTimeout：通过一个精度影响因子precisionFactor和当前最大事件间隔evInterval来决定滑动窗口大小evTimeout的值，

evTimeout＝evInterval×precisionFactor

(d)、将当前最大事件间隔evInterval和滑动窗口大小evTimeout带入固定窗口平滑方法中，就完成了自适应窗口调节的多标签清洗方法。

2.根据权利要求1所述的基于滑动窗口的RFID数据流多标签清洗方法，其特征是所述的窗口缩放因子scaleFactor的典型范围是(0.57，0.89)，用于决定最大事件间隔evInterval向平均读取间隔avgInterval的靠拢的速度。

3.根据权利要求1所述的基于滑动窗口的RFID数据流多标签清洗方法，其特征是所述的精度影响因子precisionFactor的典型范围是[2，5]，用于调节滑动窗口的大小。

4.根据权利要求3所述的基于滑动窗口的RFID数据流多标签清洗方法，其特征是：当加入的精度影响因子precisionFactor为3时，该方法会在事件流中断后的第一个最大事件间隔evInterval和第二个最大事件间隔evInterval补充漏读数据，在第三个最大事件间隔evInterval时宣布该事件中断。

5.根据权利要求1所述的基于滑动窗口的RFID数据流多标签清洗方法，其特征是：当多个标签同时返回EPC事件的信号时，读写器接收到的信号可能发生碰撞，如果发生碰撞，则读写器接收到的信号不满足原编码规则，需要对平滑窗口大小进行修正，对于碰撞时隙内的标签，采用以下步骤处理：

步骤1.已知初始标签数t和阅读器平均读取率S初始值，定义y用于统计最近L个读取周期中发生碰撞冲突的次数，n记录当前平滑窗口大小，

步骤2.n根据S的值进行相应初始化，定义数组Read记录最近L个读取周期的读取情况；

步骤3.阅读器发出读取请求，获取标签响应数据，更新数组read，若平滑窗口数据未填充满，则继续填充，否则，从数组read中计算出碰撞冲突的次数y，根据碰撞冲突的次数y的统计值估算标签个数t，进行修正，得到修正后的平均读取率S，修正公正如下，其中，正确读出的标签个数为x，x＝n-y；

$S_{n,t}(x,y)=\frac{C_n^x{C}_t^x{P}_x^x\·C_{t-x}^y{C}_{t-n}^y{y}^{t-n-y}{\left(P_y^y\right)}^2}{n^t}=$

$\frac{C_n^x{P}_t^t{y}^{t-n-y}}{n^t{P}_{t-n-y}^{t-n-y}}(t>n+y)$

步骤4.根据修正后的S计算新的平滑窗口大小，对窗口内的标签进行清洗。

6.根据权利要求5所述的基于滑动窗口的RFID数据流多标签清洗方法，其特征是：检测标签信号是否发生碰撞包括以下步骤：

步骤1.读写器首先通过接收标签信号的数据帧头来判断该数据是否为多个标签碰撞后的产生的数据，如果是，则发生碰撞，如果不是，则转步骤2；

步骤2.读写器通过标签返回信号的数据段来判断是否发生了碰撞，如果是，则发生碰撞，如果不是，则转步骤3；

步骤3.通过检测标签是否在规定时间内返回EPC码判断碰撞，如果返回了EPC码，则发生碰撞，如果没有返回EPC码，则认为该次查询成功，即为成功时隙；如果至少有一个环节判断出碰撞发生，即为碰撞时隙。

7.根据权利要求5所述的基于滑动窗口的RFID数据流多标签清洗方法，其特征是：根据y的统计值估算标签个数t的方法为：首先做若干实验，一个标签时，统计碰撞次数，两个标签时，统计碰撞次数，直到若干个标签时，分别统计碰撞次数，并记录；然后，在已知碰撞冲突的次数y的情况下，得到相应的实际标签数。

Images