CN105426921A - 一种rfid标签天线优化方法 - Google Patents

Abstract

本发明公开了一种RFID标签天线优化方法，包括以下步骤：（1）、模型输入节点采集步骤，（2）、神经网络模型建立步骤，（3）、RFID标签天线优化步骤，对所述RFID标签的性能参数分别在合理的范围内选取若干个值，组合成若干组输入节点，将所述若干组输入节点分别输入所述神经网络模型，相应计算输出，即阅读器的预测阅读距离，从若干组预测阅读距离中选择出最大预测阅读距离，以所述最大预测阅读距离所对应输入节点内RFID标签的性能参数制作RFID标签。本发明的RFID标签天线优化方法，通过神经网络建模预测标签性能和读取距离的方法，使得只需要通过少量的实验来获取数据，便可预测所有情况影响读取距离的参数组合值，省时省力，而且准确性也很高。

Description

一种RFID标签天线优化方法

技术领域

本发明属于RFID通信技术领域，具体地说，是涉及一种RFID标签天线优化方法。

背景技术

射频识别技术(RadioFrequencyIdentification，RFID)是一种非接触式的自动识别技术，利用射频信号自动识别目标并获取相关数据。识别工作无须人工干预。它可工作于较为恶劣的环境。通过与一些防冲突算法的结合，RFID技术可以完成同时识别多个标签，并能够识别高速运动的物体的任务。RFID识别技术在如今这个经济全球化，信息网络化的现代社会中作为一种识别、管理、记录产品信息的重要手段，为产品的生产、销售过程的管理提供了方便。

螺旋弹簧式无源天线是用金属线绕制成螺旋形结构并且是同轴馈电的一种行波天线。采用两侧呈螺旋状延伸的弹簧式结构，在RFID电子标签封装后可以提高天线抵抗应力及挠曲的能力，尤其针对应用于植入轮胎的RFID电子标签，螺旋状延伸的弹簧式结构还有助于提高其自身韧性，保证标签具有较好的缓解外界应力的能力，这对于在高速运转的轮胎中或者轮胎运行在剧烈颠簸的路面，轮胎内压不稳定的情况具有至关重要的作用。然而，由于橡胶轮胎在制备过程的特殊性和复杂性，炭黑的含量影响轮胎的导电、介电参数等性能，读写器的读取距离同时受到轮胎材料和标签参数(形状、尺寸等)的影响，因此，导致RFID标签在应用过程中存在性能不确定性，基于此，如何发明一种RFID标签天线优化方法，用仿真的方式对植入橡胶的RFID天线进行建模，结合试验测试数据进行RFID标签的性能进行训练，从而预测RFID标签在不同型号轮胎的性能。

发明内容

本发明为了解决现有RFID标签植入轮胎阅读距离容易受外界参数影响，不确定性大，不容易掌握控制的技术问题，提出了一种RFID标签天线优化方法，可以解决上述问题。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种RFID标签天线优化方法，包括以下步骤：

(1)、模型输入节点采集步骤，包括：

(11)、选择样本轮胎，对所述样本轮胎测试导电性及介电性；

(12)、将RFID标签植入所述样本轮胎内，记录植入深度、植入位置、标签长度、阅读器发射功率，测量实际阅读距离；

(13)、按照RFID标签植入轮胎的位置结构进行电磁仿真，计算输出RFID标签的性能参数，所述RFID标签的性能参数至少包括：螺旋线臂长，螺旋线半径，螺旋升角，工作频率，温度，炭黑含量，植入深度；

(2)、神经网络模型建立步骤，以所述RFID标签的性能参数作为输入节点，实际阅读距离作为输出节点，建立起基本的神经网络模型结构作为预测模型；

(3)、RFID标签天线优化步骤，对所述RFID标签的性能参数分别在合理的范围内选取若干个值，组合成若干组输入节点，将所述若干组输入节点分别输入所述神经网络模型，相应计算输出，即阅读器的预测阅读距离，从若干组预测阅读距离中选择出最大预测阅读距离，以所述最大预测阅读距离所对应输入节点内RFID标签的性能参数制作RFID标签。

进一步的，所述步骤(2)中包括以下子步骤：

(21)、初始化步骤，对权值矩阵W、V赋随机数，将样本模式计数器和训练次数计数器q置为1，误差E置为0，学习率η设为(0,1]区间内的小数，期望误差E_min设为正值；

(22)、将训练样本输入所述预测模型，计算各层输出：用当前训练样本的RFID标签的性能参数和实际阅读距离分别对向量数组X、d赋值，计算预测模型的隐含层输出Y和输出层输出o中各分量，

$o_k=f\left(\underset{j=0}{\overset{m}{\Σ}}{\mathrm{\ω}}_{jk}{y}_j\right),k=1,2,...l$

$Y_j=f\left(\underset{i=0}{\overset{n}{\Σ}}{v}_{ij}{x}_i\right),j=1,2,...m$

其中，o_k是预测模型输出的阅读距离预测值，Y_j是隐含层输出，为计算的中间值，f(x)是转移函数，υ是隐含层权值，ω是输出层权值，i为输入层的层数，j为隐含层的层数，k为输出层的层数；

(23)、计算预测模型总误差E_总，为：

其中，p为训练样本编号；

(24)、将预测模型总误差E_总与期望误差E_min相比较，若预测模型总误差E_总大于期望误差E_min，则调整隐含层权值υ和输出层权值ω，重新计算预测模型输出。

又进一步的，所述步骤(24)中，调整隐含层权值υ和输出层权值ω的方法为：

分别计算隐含层误差和输出层误差

${\mathrm{\δ}}_j^y=-\frac{\∂E}{\∂{\mathrm{net}}_j}=\[{\Σ}_{k=1}^l(d_k-o_k)f^{\′}\left({\mathrm{net}}_k\right){\mathrm{\ω}}_{jk}\]f^{\′}\left({\mathrm{net}}_j\right)=\left({\mathrm{\Σ}}_{k=1}^l{\mathrm{\δ}}_k^o{\mathrm{\ω}}_{jk}\right)y_j(1-y_j);$

${\mathrm{\δ}}_k^o=-\frac{\∂E}{\∂{\mathrm{net}}_k}=(d_k-o_k)o_k(1-o_k);$

隐含层权值的调节幅度为：

${\mathrm{\Δ\υ}}_{ij}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\υ}}_{ij}}={\mathrm{\η\δ}}_j^y{x}_i=\mathrm{\η}\left({\mathrm{\Σ}}_{k=1}^l{\mathrm{\δ}}_k^o{\mathrm{\ω}}_{jk}\right)y_j(1-y_j)x_i;$

输出层权值的调节幅度为：

${\mathrm{\Δ\ω}}_{jk}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_{jk}}={\mathrm{\η\δ}}_k^o{y}_j=\mathrm{\η}(d_k-o_k)o_k(1-o_k)y_j.$

与现有技术相比，本发明的优点和积极效果是：本发明的RFID标签天线优化方法，针对橡胶体中影响RFID天线射频传输的问题，利用人工智能算法对植入橡胶的RFID天线进行建模，结合试验测试数据进行RFID标签的性能进行训练，从而预测RFID标签在不同型号轮胎的性能，对于提高RFID在轮胎等橡胶制品中的广泛应用，通过大量的实际数据对仿真模型进行校正，并在给定标签的形式下，预测出标签不同参数下对应的阅读距离，从而为全钢载重轮胎的RFID植入提供理论指导，通过神经网络建模预测标签性能和读取距离的方法，使得只需要通过少量的实验来获取数据，便可预测所有情况影响读取距离的参数组合值，省时省力，而且准确性也很高。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所提出的RFID标签天线优化方法一种实施例中天线的参数示意图；

图2是本发明所提出的RFID标签天线优化方法一种实施例的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，轮胎RFID标签在轿车胎等半钢轮胎的应用上已经获得1米以上的识别距离，但在全钢胎中由于钢丝帘布及橡胶材料的影响，由于金属的屏蔽及干扰作用，以及炭黑等材料的影响，使得全钢胎的阅读距离一直不能获得满意的效果。基于此，本发明提出了一种RFID标签天线优化方法，建立预测模型，能够在给定标签的形式下，预测出标签不同参数下对应的阅读距离，从而为全钢载重轮胎的RFID植入提供理论指导。

实施例一，本实施例提出了一种RFID标签天线优化方法，包括以下步骤：

S1、模型输入节点采集步骤，包括：

S11、选择样本轮胎，对所述样本轮胎测试导电性及介电性；

S12、将RFID标签植入所述样本轮胎内，记录植入深度、植入位置、标签长度、阅读器发射功率，测量实际阅读距离；其中，植入深度、植入位置、标签长度参数、实际阅读距离需要实际测量出来，阅读器发射功率为阅读标签是阅读器的实际发射功率，上述参数为后续仿真及RFID标签性能的预测准备数据。

S13、按照RFID标签植入轮胎的位置结构进行电磁仿真，计算输出RFID标签的性能参数，所述RFID标签的性能参数至少包括：螺旋线臂长，螺旋线半径，螺旋升角，工作频率，温度，炭黑含量，植入深度；

S2、神经网络模型建立步骤，以所述RFID标签的性能参数作为输入节点，实际阅读距离作为输出节点，建立起基本的神经网络模型结构作为预测模型；

S3、RFID标签天线优化步骤，对所述RFID标签的性能参数分别在合理的范围内选取若干个值，组合成若干组输入节点，将所述若干组输入节点分别输入所述神经网络模型，相应计算输出，即阅读器的预测阅读距离，从若干组预测阅读距离中选择出最大预测阅读距离，以所述最大预测阅读距离所对应输入节点内RFID标签的性能参数制作RFID标签。

本实施例的RFID标签天线优化方法，利用基于神经网络算法对植入橡胶的RFID天线进行建模，结合试验测试数据进行RFID标签的性能进行训练，从而预测RFID标签在不同型号轮胎的性能，对于提高RFID在轮胎等橡胶制品中的广泛应用，通过大量的实际数据对仿真模型进行校正，并在给定标签的形式下，预测出标签不同参数下对应的阅读距离，从而为全钢载重轮胎的RFID植入提供理论指导，通过神经网络建模预测标签性能和读取距离的方法，使得只需要通过少量的实验来获取数据，便可预测所有情况影响读取距离的参数组合值，省时省力，而且准确性也很高。

下面，将以一款螺旋弹簧对称阵子天线为例子，来说明RFID标签天线仿真数据选取和训练过程。

在模型输入节点采集步骤中，如图2所示，首先，选择样本轮胎，对所述样本轮胎测试导电性及介电性；样本轮胎分别由不同配方的橡胶材料进行混炼、硫化制作，因为不同配方的橡胶材料制作的轮胎相应的导电性以及介电参数也随之改变，本步骤通过选择采集不同导电性以及介电参数的样本进行训练，以获得足够的数据训练出读写器的读取距离与轮胎材料相关度。

其次，将RFID标签植入所述样本轮胎内，记录植入深度、植入位置、标签长度。

再次，根据所植入的样本轮胎的导电及介电常数，对RFID轮胎进行仿真，并根据仿真结果在RFID模块植入橡胶材料之间进行天线参数调整。针对RFID标签植入轮胎的位置结构，利用电磁仿真软件进行建模，仿真RFID标签的性能参数。

在神经网络模型建立步骤中，确定神经网络的输入节点和输出节点。输出节点即我们需要的在特定功率下，阅读器的实际阅读距离。而输入节点则为影响读取距离的所有关键因素，包括某款天线的性能关键参数：螺旋线臂长L，螺旋线半径r，螺旋升角A。还有影响轮胎材料的介电常数的因素：工作频率f，温度T，炭黑含量C，植入深度D，螺旋弹簧天线的具体参数尺寸图见图1。

测量变化范围，通过上步骤的参数及性能测试可以确定影响阅读器读取距离的参数变化范围，在这一变化范围内，找出有限的样本点，对其进行仿真，得到训练数据。其中，L步进尺寸为3mm,A步进尺寸为2deg,r步进尺寸为0.1mm,工作频率f步进尺寸为2MHz,T的步进尺寸为4摄氏度，植入深度为1mm，炭黑含量为1份(1％).这样就得到了6000000组。从中可以选择100组，进行轮胎植入，测试出特定功率下的实际阅读距离，以作为天线神经网络的训练样本(为了方便起见，可以适度增加步进尺度，缩小取值样本组数)。这样就得到天线神经网络模型的训练数据。如表1所示：

名称

参数

变化范围

螺旋线臂长	L	35～50(mm)
			螺旋升角	A	9～15(deg)
螺旋线半径	r	0.3～0.8(mm)
			温度	T	-15～25(℃)
植入深度	D	2～10(mm)
			炭黑含量	C	30～40(％)
天线工作频率	f	0.8～1(GHz)

表1

根据得到的训练数据，进行天线神经网络初始化，所述预测模型训练步骤中包括以下子步骤：

S21、初始化步骤，对权值矩阵W、V赋随机数，将样本模式计数器和训练次数计数器q置为1，误差E置为0，学习率η设为(0,1]区间内的小数，期望误差E_min设为正值；

S22、将训练样本输入所述预测模型，计算各层输出：用当前训练样本的RFID标签的性能参数和实际阅读距离分别对向量数组X、d赋值，计算预测模型的隐含层输出Y和输出层输出o中各分量，对于RFID标签螺旋天线来说，其输入层有7个节点，分别是：L，A，r，T，D，C和f，对应输入层x₁～x₇。d为所有的影响读取距离参数取值后，特定功率的阅读器所读取的实际阅读距离。

$o_k=f\left(\underset{j=0}{\overset{m}{\Σ}}{\mathrm{\ω}}_{jk}{y}_j\right),k=1,2,...l$

$Y_j=f\left(\underset{i=0}{\overset{n}{\Σ}}{v}_{ij}{x}_i\right),j=1,2,...m$

其中，o_k是预测模型输出的阅读距离预测值，Y_j是隐含层输出，为计算的中间值，f(x)是转移函数，υ是隐含层权值，ω是输出层权值，i为输入层的层数，j为隐含层的层数，k为输出层的层数。

训练采用三层BP神经网络模型，通过训练-验证-增加1-2个隐含层节点数一再训练一再验证来确定中间隐含层节点数目，直到网络误差达到最小时结束。由此经过多次的筛选，确定ANN的隐含层节点数。

在步骤S2中，对所述RFID标签的性能参数分别在合理的范围内选取若干个值，组合成若干组输入节点时，固定其中6个参数，另外1个参数变化进行组合输入节点组，利用单一变量的方法分别研究了轮胎材料的介电性能，轮胎的钢丝帘布结构对植入轮胎RFID标签螺旋天线的影响，利用轮胎整体结构和螺旋天线的仿真模型综合分析了这些因素对螺旋天线性能的影响，此方法为轮胎RFID标签天线的设计和改进提供了重要的参考价值。

S23、计算预测模型总误差E_总，为：

其中，p为训练样本编号；

S24、将预测模型总误差E_总与期望误差E_min相比较，若预测模型总误差E_总大于期望误差E_min，则调整隐含层权值υ和输出层权值ω，重新计算预测模型输出，通过大量的实际数据对仿真模型进行校正，并在给定标签的形式下，预测出标签不同参数下对应的阅读距离。

作为一个优选的实施例，所述步骤S24中，调整隐含层权值υ和输出层权值ω的方法为：

分别计算隐含层误差和输出层误差

${\mathrm{\δ}}_j^y=-\frac{\∂E}{\∂{\mathrm{net}}_j}=\[{\Σ}_{k=1}^l(d_k-o_k)f^{\′}\left({\mathrm{net}}_k\right){\mathrm{\ω}}_{jk}\]f^{\′}\left({\mathrm{net}}_j\right)=\left({\mathrm{\Σ}}_{k=1}^l{\mathrm{\δ}}_k^o{\mathrm{\ω}}_{jk}\right)y_j(1-y_j);$

${\mathrm{\δ}}_k^o=-\frac{\∂E}{\∂{\mathrm{net}}_k}=(d_k-o_k)o_k(1-o_k);$

隐含层权值的调节幅度为：

${\mathrm{\Δ\υ}}_{ij}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\υ}}_{ij}}={\mathrm{\η\δ}}_j^y{x}_i=\mathrm{\η}\left({\mathrm{\Σ}}_{k=1}^l{\mathrm{\δ}}_k^o{\mathrm{\ω}}_{jk}\right)y_j(1-y_j)x_i;$

输出层权值的调节幅度为：

${\mathrm{\Δ\ω}}_{jk}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_{jk}}={\mathrm{\η\δ}}_k^o{y}_j=\mathrm{\η}(d_k-o_k)o_k(1-o_k)y_j.$

本发明在前期研究的基础上，提出在超高频环境下研究轮胎橡胶导电性能及介电常数特性及其对植入橡胶复合材料的RFID天线的影响，探求通过调整橡胶配方，设计一种具有特定导电特性及介电常数的橡胶复合材料作为信号传输改善层，该层材料具有较高的电阻率和较小的介电常数，能够增加超高频RFID信号的传输距离，满足植入橡胶复合体的性能要求。研究橡胶复合材料导电系数与介电常数对射频信号传输的影响，研究RFID天线植入轮胎后的匹配关系，优化射频天线设计，实现轮胎RFID电子标签数据的可靠传输。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (3)

1.一种RFID标签天线优化方法，其特征在于，包括以下步骤：

(1)、模型输入节点采集步骤，包括：

(11)、选择样本轮胎，对所述样本轮胎测试导电性及介电性；

(12)、将RFID标签植入所述样本轮胎内，记录植入深度、植入位置、标签长度、阅读器发射功率，测量实际阅读距离；

(13)、按照RFID标签植入轮胎的位置结构进行电磁仿真，计算输出RFID标签的性能参数，所述RFID标签的性能参数至少包括：螺旋线臂长，螺旋线半径，螺旋升角，工作频率，温度，炭黑含量，植入深度；

(2)、神经网络模型建立步骤，以所述RFID标签的性能参数作为输入节点，实际阅读距离作为输出节点，建立起基本的神经网络模型结构作为预测模型；

(3)、RFID标签天线优化步骤，对所述RFID标签的性能参数分别在合理的范围内选取若干个值，组合成若干组输入节点，将所述若干组输入节点分别输入所述神经网络模型，相应计算输出，即阅读器的预测阅读距离，从若干组预测阅读距离中选择出最大预测阅读距离，以所述最大预测阅读距离所对应输入节点内RFID标签的性能参数制作RFID标签。

2.根据权利要求1所述的RFID标签天线优化方法，其特征在于，所述步骤(2)中包括以下子步骤：

(21)、初始化步骤，对权值矩阵W、V赋随机数，将样本模式计数器和训练次数计数器q置为1，误差E置为0，学习率η设为(0,1]区间内的小数，期望误差E_min设为正值；

(22)、将训练样本输入所述预测模型，计算各层输出：用当前训练样本的RFID标签的性能参数和实际阅读距离分别对向量数组X、d赋值，计算预测模型的隐含层输出Y和输出层输出o中各分量，

$o_k=f\left(\underset{j=0}{\overset{m}{\Σ}}{\mathrm{\ω}}_{jk}{y}_j\right),k=1,2,...l$

$Y_j=f\left(\underset{i=0}{\overset{n}{\Σ}}{v}_{ij}{x}_i\right),j=1,2,...m$

其中，o_k是预测模型输出的阅读距离预测值，Y_j是隐含层输出，为计算的中间值，f(x)是转移函数，υ是隐含层权值，ω是输出层权值，i为输入层的层数，j为隐含层的层数，k为输出层的层数；

(23)、计算预测模型总误差E_总，为：

其中，p为训练样本编号；

(24)、将预测模型总误差E_总与期望误差E_min相比较，若预测模型总误差E_总大于期望误差E_min，则调整隐含层权值υ和输出层权值ω，重新计算预测模型输出。

3.根据权利要求2所述的RFID标签天线优化方法，其特征在于，所述步骤(24)中，调整隐含层权值υ和输出层权值ω的方法为：

分别计算隐含层误差和输出层误差

${\mathrm{\δ}}_j^y=-\frac{\∂E}{\∂{\mathrm{net}}_j}=\[{\Σ}_{k=1}^l(d_k-o_k)f^{\′}\left({\mathrm{net}}_k\right){\mathrm{\ω}}_{jk}\]f^{\′}\left({\mathrm{net}}_j\right)\left({\Σ}_{k=1}^l{\mathrm{\δ}}_k^o{\mathrm{\ω}}_{jk}\right)y_j(1-y_j);$

${\mathrm{\δ}}_k^o=-\frac{\∂E}{\∂{\mathrm{net}}_k}=(d_k-o_k)o_k(1-o_k);$

隐含层权值的调节幅度为：

${\mathrm{\Δ\υ}}_{ij}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\υ}}_{ij}}={\mathrm{\η\δ}}_j^y{x}_i=\mathrm{\η}\left({\Σ}_{k=1}^l{\mathrm{\δ}}_k^o{\mathrm{\ω}}_{jk}\right)y_j(1-y_j)x_i;$

输出层权值的调节幅度为：

${\mathrm{\Δ\ω}}_{jk}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_{jk}}={\mathrm{\η\δ}}_k^o{y}_j=\mathrm{\η}(d_k-o_k)o_k(1-o_k)y_j.$