CN103778461B - 一种应用于超高频阅读器中高效识别标签的方法 - Google Patents

Abstract

本发明公开了一种应用于超高频阅读器中高效识别标签的方法。该方法首先将系统Q初值设为2，结合了最大似然估计方法计算出系统吞吐率。然后利用吞吐率函数关于标签数大于时隙数时的单调性，以依据系统吞吐率分组的方式采用不同的步长快速调整Q值，使系统始终处于最优Q值识别状态进行识别。该方法使得系统吞吐率稳定在33.0%以上，而且当Q初值小于标签数时，Q初值的设置对系统吞吐率几乎没有影响，大大降低了系统对Q初值设置的依赖性，提高了系统的稳定性和实用性。

Description

一种应用于超高频阅读器中高效识别标签的方法

技术领域

本发明属于RFID（Radio Frequency Identification，射频识别）领域，具体涉及应用于超高频阅读器中高效识别标签的方法。

背景技术

射频识别RFID技术是一项非接触式的自动识别技术，通过无线射频方式获取物体存储在标签内的相关数据，并对物体加以识别，也可修改相关数据。它具有可读写、识别距离远、安全性好、实时性强等特点，广泛的应用于工业自动化、商业自动化、物流、防伪、军事等领域，成为当前物流网技术研究的热点之一。

超高频RFID系统是指工作在860～960MHz的射频识别系统，由阅读器和标签组成。当阅读器向标签发出一个请求信号时，它会提供能量给无源标签。但是由于标签的响应区比阅读器的识别区要小很多，在处于多张标签响应的情况下，多张标签反射回来的信号会产生碰撞导致阅读器不能正确的接收到标签的响应信息，从而降低系统识别效率。标签防碰撞算法可以降低系统标签之间产生碰撞的概率，提高系统识别效率，为此RFID系统中防碰撞算法的优劣很大程度上决定了系统的性能。EPC Global标准是全球物联网领域中的主流标准之一。EPC Gen-2协议因其实现简单的特性在全球范围内广泛应用。

EPC Gen-2协议中采用的防碰撞算法机制是一种帧时隙ALOHA算法，采用调整Q值的方式调整系统时隙值，该方式采用了四个步骤对Q值进行调整：步骤一设置Q初值；步骤二发送Query命令；步骤三判断识别到标签数，若未识别到标签，则Q值减1，若识别到多张标签，则将Q加1，否则Q值不调整。

其中步骤3，系统每次都是依赖上一帧标签识别完的情况再进行一次QueryAdjust命令，如果Q值设置不合理（Q=4），而标签数有32000张时，系统需要调整11次Q值才能到达理想的Q，所消耗的总时隙数相当的大，系统吞吐率低，大大加大了系统对于Q初值设置的依赖性。如果系统能够系统能始终处于理想的Q值状态下进行工作，就可减少总时隙数的消耗，提高系统吞吐率，提升整个系统的工作效率，优化系统资源。

目前对针动于态帧时隙ALOHA算法的防碰撞问题以提高RFID系统标签识别效率的研究（包括最小值估算法，泊松分布估计算法，空间点逼近估算法等标签估计算法）都是根据上一帧中的碰撞时隙数、成功时隙数和空时隙数来估计未被识别的电子标签数，然后据此选择最优的下一帧的长度(时隙的个数)，以提高系统吞吐率。但是这些算法也同样存在对Q的初始值依赖性大；其次在实际的超高频系统测试中，数据通道受环境和系统本身性能的影响对于未成功识别的时隙无法分辨出是空闲时隙还是碰撞时隙，故而碰撞次数和空闲次数是很难计算的。

发明内容

本发明的目的是为了解决防碰撞算法中初值设置不合理时，Q收敛速度慢、系统吞吐率对Q初值的依赖性高和提高系统吞吐率的问题，提供一种应用于超高频阅读器中高效识别标签的方法。

本发明方法的具体步骤是：

步骤(1).在一个盘存周期的开始,设置Q=2，发送Query命令。

步骤(2).标签接收到Query指令，所有未识别标签在(0，2^Q-1)范围内随机选择一个时隙，并将其存入时隙计数器。如果收到的指令是QueryRep，所有未识别标签的时隙计数器减1。当计数器为0的标签产生一个16位的随机数RN16，将随机数RN16发送给阅读器。

步骤(3).若只有一个标签响应，阅读器成功接收到随机数RN16并向标签发送ACK指令，此时标签将EPC传递给阅读器，标签识别成功，计数成功时隙数。

步骤(4).一帧结束，发送QueryAdjust命令给标签来调整Q值，重新查询标签，重复上述工作，直到所有标签识别为止。

步骤(5).标签识别完，结束本轮识别。

其中步骤(4)的具体实现方法如下：

4.1计数上一帧成功时隙数，采用最大释然估计法估算出系统吞吐率。其中，吞吐率计算公式的采用如下计算过程获得：

A）令同一个时隙内识别的标签数R，服从标签总数是n，概率为1/L的二项分布，也即R～(n，1/L)，L为初始帧长度，将同一时隙中识别到的标签数情况分为成功识别标签和未成功识别两种情况进行讨论，则

成功识别标签的概率： $P_S=\frac{n}{L}{(1-\frac{1}{L})}^{(n-1)},---\left(1\right)$

未成功识别标签的概率： $\stackrel{\‾}{P_S}=1-P_S,---\left(2\right)$

B）将同一时隙是否成功识别到标签记为事件X，X=0,1,，将成功识别标签记作事件X=1，未成功识别标签记作事件X=0，也即X服从（0-1）分布；同时，事件X看成是n=1，概率为P_S的二项分布，记X～B(1，P_S)。若X₁,X₂......X_m是来自X的一个样本值，x₁,x₂......x_m是来自于X₁,X₂......X_m的一个样本值，则由最大似然估计法可得

$L\left(P_S\right)=\underset{i}{\overset{m}{\mathrm{\Π}}}{P_S}^{x_i}{(1-P_S)}^{1-x_i}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i\ln P_S+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(1-x_i)\ln (1-P_S),$ x_i＝0或1，（3）

C）由（3）式和可得：，x_i＝0或1（4）

D）当m=L时，系统吞吐率为：

4.2判断吞吐率的值处于哪个区间,向标签发送相应的ΔQ个QueryAdjust命令调整Q值，使系统处于最优Q值状态下工作。Q值调整具体实现过程如下：

1）若吞吐率大于0.317，则系统到达最理想Q值，则未识别标签数n=（1-吞吐率）*帧长。

2）判断n是否为0。若为0跳到步骤（5）。否则调整Q值，此时下一帧Q值为round(log₂n)，其调整步长ΔQ＝Q-round(log2((1-S)*2^Q))。

3）若吞吐率小于0.317，且吞吐率不为0，则调整步长与吞吐率关系调整如下表所示

Q值调整方式与系统效率值关系表

S所在范围	(1，0.317]	(0.317,0.16]	(0.16，0.027]	(0.027，0]
					Q调整方式	Q=Q	Q=Q+ΔQ1	Q=Q+ΔQ2	Q=Q+ΔQ3

其中Q的调整步长ΔQ₁、ΔQ₂、ΔQ₃为1,2,3。

4）若吞吐率一直为0。则判断Q值是否为12，若Q值未达到12，则系统Q的调整方式重复3）。否则对当前情况分析。具体分析过程如下所示：

当标签数小于4或标签数远大于时隙数时，系统吞吐率都为0。此后都采用第3）步的调整方式。系统随着Q值的变大，两种情况的吞吐率变化也不同。当标签数小于2时随着Q值的变大，系统吞吐率越来越小，到Q=12时系统吞吐率为0，则跳至步骤(5）；当标签数远大于时隙数时，若此时具有系统标签数大于最大标签数32768张，那么系统在Q=12时产生碰撞的概率 $P_C=1-\frac{n}{2^Q}{(1-\frac{1}{2^Q})}^{(n-1)}-{(1-\frac{1}{2^Q})}^n\≥0.25,$ 此情况下，不可能不存在标签，此时重复1）、2）、3）识别过程，继续识别标签。

本发明的有益效果：

（1）采用Q=2的初值，利用了系统吞吐率关于标签数大于时隙数时的单调性，简化了第一轮循环标签数Q值调整情况的复杂性。

（2）本发明的ΔQ调整方式显示系统识别效率和Q初值设置无关，提高了系统的稳定性。如图1所示为5000张待识别标签在Q初值小于标签数条件下，系统吞吐率关于Q值的曲线图。

（3）ΔQ快速调整方式，使系统快速稳定在最优Q值状态下工作，减少了系统总时隙数，提高了系统识别效率。如图2所示，系统在整个实现过程中系统吞吐率稳定在33.0%以上。

附图说明

图1为5000张待识别标签在Q初值小于标签数条件下，本发明方法与最小估计方法和泊松估计方法相比，系统吞吐率关于Q值的曲线图。

图2为本发明方法与最小估计方法和泊松估计方法相比，待识别标签与系统吞吐率关系图。

图3为系统标签识别过程的Q值调整的框架流程图。

具体实施方式

如图3所示，为整个系统标签识别过程的Q值调整的框架流程图。图中说明了本发明方法步骤(3)中的Q值调整方式。首先，系统发送Query后，在系统未到达理想临界值0.317时，系统采用表1的方式调整Q值。其次，当系统到达理想临界值后，采用ΔQ＝Q-round(log2((1-S)*2^Q))的方式调整Q值。采用上述两种调整方式最大化系统资源利用率。具体实施方法如下：

步骤(1).在一个盘存周期的开始,利用吞吐率函数关于待识别标签数大于等于时隙数时，函数单调递减的特性，此时系统设置Q值为2，不考虑标签数小于4的情况，当标签数小于4的处理措施步骤（3）中给出，向标签发送Query命令。

步骤(2).标签接收到Query指令，所有未识别标签在(0，2^Q-1)范围内随机选择一个时隙，并将其存入时隙计数器。如果收到的指令是QueryRep，所有未识别标签的时隙计数器减1。当计数器为0的标签产生一个16位的随机数RN16，并将RN16发送给阅读器。

步骤(3).若只有一个标签响应，阅读器成功接收到RN16并向标签发送ACK指令，此时标签将EPC传递给阅读器，标签识别成功，计数成功时隙数。

步骤(4).一帧结束，根据上一帧中成功实现数与帧长度的关系，估算出当前的系统吞吐率，并依据系统吞吐率分组的情况，发送QueryAdjust命令给标签快速的调整Q值，使系统始终处于最优Q值的状态下进行识别工作。重新查询标签，重复上述工作，直到所有标签识别为止。

1）系统吞吐率的获取方式：

首先，令同一个时隙内识别的标签数R，服从标签总数是n，概率为1/L(L为初始帧长度)的二项分布，也即R～(n，1/L)，将同一时隙中识别到的标签数情况分为成功识别标签和未成功识别两种情况进行讨论，则

成功识别标签的概率： $P_S=\frac{n}{L}{(1-\frac{1}{L})}^{(n-1)},---\left(1\right)$

未成功识别标签的概率： $\stackrel{\‾}{P_S}=1-P_S,---\left(2\right)$

其次，将同一时隙是否成功识别到标签记为事件X（X=0,1），将成功识别标签记作事件X=1，未成功识别标签记作事件X=0，也即X服从（0-1）分布.同时，事件X可以看成是n=1，概率为P_S的二项分布，记X～B(1，P_S)。若X₁,X₂......X_m是来自X的一个样本值，x₁,x₂......x_m是来自于X₁,X₂......X_m的一个样本值，则由最大似然估计法可得

$L\left(P_S\right)=\underset{i}{\overset{m}{\mathrm{\Π}}}{P_S}^{x_i}{(1-P_S)}^{1-x_i}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i\ln P_S+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(1-x_i)\ln (1-P_S),$ (x_i＝0或1)，（3）

再次，由（3）式和可推得：(x_i＝0或1)（4）

为此，当m=L时，系统吞吐率为：

2）Q值调整原则如图3所示：

首先，判断吞吐率，若吞吐率大于0.317，则系统到达最理想Q值，则未识别标签数n=（1-吞吐率）*帧长。

其次，判断n是否为0。若为0跳到步骤5）。否则调整Q值，此时下一帧Q值为round(log₂n)，其调整步长ΔQ＝Q-round(log2((1-S)*2^Q))

此外，若吞吐率小于0.317，且吞吐率不为0，则调整步长与吞吐率关系调整如下表1所示

表1Q值调整方式与系统效率值关系表

S所在范围	(1，0.317]	(0.317,0.16]	(0.16，0.027]	(0.027，0]
					Q调整方式	Q=Q	Q=Q+ΔQ1	Q=Q+ΔQ2	Q=Q+ΔQ3

其中Q的调整步长ΔQ₁、ΔQ₂、ΔQ₃为1,2,3。

最后，若吞吐率一直为0。则判断Q值是否为12，若Q值未达到12，则系统表1的Q值调整方式。否则对当前情况分析。具体分析过程如下所示：

当标签数小于4或标签数远大于时隙数时，系统吞吐率都为0。此后都采用表1的调整方式。系统随着Q值的变大，两种情况的吞吐率变化也不同。当标签数小于2时随着Q值的变大，系统吞吐率越来越小，到Q=12时系统吞吐率为0，则跳至步骤(5）；当标签数远大于时隙数时，若此时具有系统标签数大于最大标签数32768张，那么系统在Q=12时产生碰撞的概率 $P_C=1-\frac{n}{2^Q}{(1-\frac{1}{2^Q})}^{(n-1)}-{(1-\frac{1}{2^Q})}^n\≥0.25,$ 此情况下，不可能不存在标签，此时重复上述三个识别步骤，继续识别标签。

3）Q值关于系统效率值调整方式的获取

首先，需要将吞吐率进行分组处理。将吞吐率分为三组进行处理，可得吞吐率所在不同区间内系统所需调整的步长ΔQ分别为ΔQ₁，ΔQ₂，ΔQ₃。表2是三种步长基于初值为2的Q值，对应不同的标签组，系统Q值所需调整的方式如下表2所示。

表2三种ΔQ选取方案比较

由表2三种ΔQ取法，其相应的临界系统识别率概率值也不同如下表3所示（其中 $S_{\left(Q_i\right)}=\frac{n}{4}{(1-\frac{1}{4})}^{(n-1)}(i=\mathrm{1,2,3})$ ）。

表3三种ΔQ选取方案临界系统识别率概率值比较

由表2，表3可得，在第一种步长取法时，当标签数n大于128张时，临界系统识别率概率值S近似为0不是理想的参考值，同理第二种取法的概率值也太小，为此本系统采用第三种方案。

表3中系统采用Q为2，标签数为4、8、16张采集到的系统效率值，但是在实际调整过程中，随着Q值的变大，系统的理想效率值不断的趋近于0.368，系统效率的临界值也存在一定的波动。为此系统需要考虑标签数在2^Q与2^Q+1范围内和标签数很大的情况，对系统效率的临界参考值S1、S2、S3重新作了处理：(其中L_i＝2^Q,L_i+1＝2^Q+1)（5）

由（5）式可得，吞吐率分组临界值S1、S2、S3分别为0.317、0.16、0.027。为此获得系统关于快速收敛自适应Q算法的Q值依据S1、S2、S3的调整方式如下表1所示。

步骤(5).标签识别完，结束本轮识别。

Claims (1)

1.一种应用于超高频阅读器中高效识别标签的方法，其特征在于该方法包括如下步骤：

步骤(1).在一个盘存周期的开始,设置Q＝2，发送Query命令；

步骤(2).标签接收到Query指令，所有未识别标签在(0，2^Q-1)范围内随机选择一个时隙，并将其存入时隙计数器；如果收到的指令是QueryRep，所有未识别标签的时隙计数器减1；当计数器为0的标签产生一个16位的随机数RN16，将随机数RN16发送给阅读器；

步骤(3).若只有一个标签响应，阅读器成功接收到随机数RN16并向标签发送ACK指令，此时标签将EPC传递给阅读器，标签识别成功，计数成功时隙数；

步骤(4).一帧结束，发送QueryAdjust命令给标签来调整Q值，重新查询标签，重复上述工作，直到所有标签识别为止；具体方法如下：

4.1计数上一帧成功时隙数，采用最大释然估计法估算出系统吞吐率；其中，吞吐率计算公式的采用如下计算过程获得：

A)令同一个时隙内识别的标签数R，服从标签总数是n，概率为1/L的二项分布，也即R～(n，1/L)，L为初始帧长度，将同一时隙中识别到的标签数情况分为成功识别标签和未成功识别两种情况进行讨论，则

成功识别标签的概率：

未成功识别标签的概率：

B)将同一时隙是否成功识别到标签记为事件X，X＝0或1，将成功识别标签记作事件X＝1，未成功识别标签记作事件X＝0，也即X服从(0-1)分布；同时，事件X看成是n＝1，概率为P_S的二项分布，记X～B(1，P_S)；若X₁,X₂......X_m是来自X的一个样本值，x₁,x₂......x_m是来自于X₁,X₂......X_m的一个样本值，则由最大似然估计法可得

C)由(3)式和可得：

D)当m＝L时，系统吞吐率为：

4.2判断吞吐率的值处于哪个区间,向标签发送相应的ΔQ个QueryAdjust命令调整Q值，使系统处于最优Q值状态下工作；Q值调整具体实现过程如下：1)若吞吐率大于0.317，则系统到达最理想Q值，则未识别标签数n＝(1-吞吐率)*帧长；

2)判断n是否为0；若为0跳到步骤(5)；否则调整Q值，此时下一帧Q值为round(log₂n)，其调整步长ΔQ＝Q-round(log2((1-S)*2^Q))；

3)若吞吐率小于0.317，且吞吐率不为0，则调整步长与吞吐率关系调整如下表所示

Q值调整方式与系统效率值关系表

S所在范围 (1，0.317] (0.317,0.16] (0.16，0.027] (0.027，0] Q调整方式 Q＝Q Q＝Q+ΔQ₁ Q＝Q+ΔQ₂ Q＝Q+ΔQ₃

其中Q的调整步长ΔQ₁、ΔQ₂、ΔQ₃为1,2,3；

4)若吞吐率一直为0；则判断Q值是否为12，若Q值未达到12，则系统Q的调整方式重复3)；否则对当前情况分析；具体分析过程如下所示：

当标签数小于4或标签数远大于时隙数时，系统吞吐率都为0；此后都采用第3)步的调整方式；系统随着Q值的变大，两种情况的吞吐率变化也不同；当标签数小于2时随着Q值的变大，系统吞吐率越来越小，到Q＝12时系统吞吐率为0，则跳至步骤(5)；当标签数远大于时隙数时，若此时具有系统标签数大于最大标签数32768张，那么系统在Q＝12时产生碰撞的概率此情况下，不可能不存在标签，此时重复1)、2)、3)识别过程，继续识别标签；

步骤(5).标签识别完，结束本轮识别。