CN108764399B - 一种基于kNN的RFID标签分类方法及装置 - Google Patents
一种基于kNN的RFID标签分类方法及装置 Download PDFInfo
- Publication number
- CN108764399B CN108764399B CN201810492722.1A CN201810492722A CN108764399B CN 108764399 B CN108764399 B CN 108764399B CN 201810492722 A CN201810492722 A CN 201810492722A CN 108764399 B CN108764399 B CN 108764399B
- Authority
- CN
- China
- Prior art keywords
- data
- doppler
- rssi
- training
- matched
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 49
- 230000003068 static effect Effects 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
Abstract
本发明公开了一种基于kNN的RFID标签分类方法及装置，属于物联网射频识别技术领域，该方法包括：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，以每个标签号为一组训练数据；为每组训练数据计算信号强度RSSI和多普勒频移DOPPLER统计特征与匹配特征，构成kNN学习的输入特征向量；利用统计特征与匹配特征组成的特征向量，结合kNN机器学习方法，实现对仓库中阅读器范围内所有可读标签的识别及分类，有效区分了实际应用场景中的静止标签、游离标签和传送带上匀速运动的待排序标签。
Description
技术领域
本发明涉及一种基于K最近邻(kNN，k-NearestNeighbor)的RFID标签分类方法及装置，属于物联网射频识别技术领域。
背景技术
物联网射频识别技术(RFID:Radio Frequency Identification)被广泛应用于机场行李分拣、无人超市、仓库货物盘存、快递物流等多种领域。RFID系统将含有物品信息的RFID芯片粘贴于商品表面，使得每一个RFID阅读器可读范围内的标签都可以被系统读取，用于实时监测标签状态、货物清点、货物传送等方面。当标签运动在传送带上时，往往需要进行标签的排序，以区分同时读取到的标签与货物之间的相互匹配，然而，位于传送带上方的标签有很大概率会读取到传送带以外的标签，从而导致标签的排序错误，影响传送带上标签与货物的匹配，从而导致行李分拣错误或快递物流发错地址等现象，为规避这些错误，希望将不是传送带上的标签作为场外标签而排除在排序算法以外，这就需要将RFID阅读器读取到的标签进行分类，区分是否位于传送带上；另外，当物品被缓慢移动或静止放于货架上时，所需要分配的关注角度和程度是不同的，所以，还需要对RFID阅读器读取到的标签进行动静态分类，以提高静态物品的定位精度，同时增加对缓慢移动的物体的关注度，如监测无人超市中货物是否被拿起，是否被放置在了错误的货架上，是否有被盗嫌疑等。
发明内容
发明目的：针对上述现有技术的不足，本发明的目的是提供一种基于kNN的RFID标签分类方法及装置，该方法利用射频识别技术，通过对仓库内已知分类标签的特征信息的存储，实时更新仓库内标签的当前运动状态，利用kNN机器学习方法找出当前标签所属分类，明确区分了仓库内的静止(static)、游离(nomadic)和位于传送带上的标签(moving)，使得对标签的后续识别工作更加精确。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于kNN的RFID标签分类方法，包括如下步骤：
(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或静止和传送带上的标签两类数据；
(2)每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；
(3)获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；
(4)根据分类决策规则，判决实测数据的类别。
作为优选，所述RSSI的统计特征包括RSSI均值、方差、总和、每组训练数据RSSI向量的模值。
作为优选，所述DOPPLER的统计特征包括DOPPLER均值、方差、总和、绝对值均值、每组训练数据DOPPLER向量的模值。
作为优选，选取训练集中传送带上的标签的数据作为参考数据。
作为优选，RSSI匹配特征取值为：
其中：sr0(n),sri(n)分别表示参考数据和待匹配数据RSSI数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值。
作为优选，DOPPLER匹配特征取值为：
其中：sd0(n),sdi(n)分别表示参考数据和待匹配数据DOPPLER数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值。
作为优选，所述步骤(3)中距离度量为待测实例的特征向量与训练集中的某个训练实例的特征向量欧式距离。
作为优选，所述步骤(4)中的分类决策规则为：将待测实例的预测结果判决为其最近邻的k个样本点中出现最多的类别。
一种基于kNN的RFID标签分类装置，包括：
训练数据收集模块，用于从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或或静止和传送带上的标签两类数据；
特征提取模块，用于每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；
kNN模块，用于获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；
以及，分类决策模块，用于根据分类决策规则，判决实测数据的类别。
有益效果：与现有技术相比，本发明的优点在于：使用本发明所涉及的标签分类方法，综合了已知分类标签的训练集数据，采用kNN方法判断当前标签分类，对于类域的交叉或者重叠较多的待分样本集来说，kNN方法较其他方法更为合适。该方法简单有效，重新训练的代价较低，对仓库环境改变的重新适应能力较强，计算时间和空间与训练集规模程线性关系，计算量适中，可以快速获得标签分类结果，本设计采用的11种标签分类特征值可以从多方面多角度显著地描述各类标签的特征，使得分类效果较好，动静态分类正确率可达99.9％，三分类(static/nomadic/moving)正确率在95.6％以上。
附图说明
图1为本发明实施例中标签分类方法的仓库标签摆放模型图；
图2为本发明实施例中标签分类方法的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细描述。
如图1所示，是标签分类方法的实施仓库模型，仓库中的标签有三种形态，有的静止于货架上，有的由于人工搬运或某种原因呈现出一定速度的运动，方向不定，速度不定，但通常速度较慢，还有的位于传送带上正在以均匀的速度向某一个地点移动，通常速度较快，为更好的实现传送带上物品的排序，必须将传送带上的物体单独识别出来进行排序，而传统的定位方法最好排除传送带上快速运动的标签以减少不必要的计算，并提高整体定位的精度。每一个电子标签的标签号必须保持独立。由于标签的运动状态会随时间改变，所以每一个标签的分类结果并不是恒定不变的，需要采集标签在天线区域内的一整段RSSI与DOPPLER数据才能得出当前标签的运动状态，所以位于传送带上方的天线为保证读取到传送带上标签的正确分类，最好确保传送带长度大于阅读器范围，以保证标签进入阅读区域前和在阅读区域内都保持传送带运动特征；用于识别动静态从而实现定位等功能的天线和阅读器应设置最小刷新时间，以获得动态更新的分类结果。
如图2所示，是本发明实例公开的一种基于kNN的RFID标签分类方法的算法流程图，具体包括如下步骤：
(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中应大致均匀的包含静止(static)、游离(nomadic)和传送带上的标签(moving)，若不均匀，则采用随机重复的方法均衡训练集数据；
本步骤中的训练数据集的形式为
其中
为实例的特征向量，
为实例的类别，i＝1,2,…,N，其中c1,c2,c3，分别表示静止标签、游离标签和传送带上匀速运动的标签。分类的目标是找出当前测试实例
所属的类
在本实施例的标签分类算法中
是一个11维向量，包括9种统计特征和2种匹配特征，分类结果
是一个1维向量。
(2)每组数据记为一个实例，为每组训练数据计算11维特征向量，包括9种统计特征和2种匹配特征，并以矩阵形式存储。
本步骤中的9种统计特征描述如下：
设每组训练数据的TIME为
其中，n为所收集数据的数据点数；
设每组训练数据的RSSI数据为向量
设每组训练数据的DOPPLER数据为向量
1)RSSI均值
2)RSSI方差
3)RSSI总和x3＝r1+r2+……+rn，由于将数据量特征考虑在内，所以
既求了总和又求了均值；
4)RSSI向量模值
5)Doppler均值
6)Doppler方差
7)Doppler总和x7＝d1+d2+……+dn；
8)Doppler绝对值均值
9)Doppler向量模值
本步骤中的2种匹配特征描述如下：
选取最具特征的moving数据为参考，参考数据可以是训练集中选择噪声较
小、代表性较高的某一组训练数据。记作
参考RSSI数据向量：
参考DOPPLER数据向量：
设参考time为
1)对RSSI数据进行多项式拟合，拟合后选取最佳匹配结果，且拟合后匹配与待匹配函数的首末时间分别为：t1,t2和t3,t4，多项式拟合函数分别为fr0(t),fri(t)，离散采样后的匹配与待匹配数据的首末位置分别为n1,n2和n3,n4，采样后的离散点描述为sr0(n),sri(n)，通常n1＝n2＝0。匹配公式如下：
RSSI与moving数据的连续匹配，匹配公式为：
由于实际应用中使用连续匹配并不划算，所以在拟合后对曲线均匀采样，采样频率推荐位f＝100Hz，用采样后的点做离散匹配，匹配公式为：
为获得较好匹配效果，推荐a取30，b取50。
2)对DOPPLER数据进行多项式拟合，拟合后选取最佳匹配结果，且拟合后匹配与待匹配函数的首末时间分别为：t1,t2和t3,t4，多项式拟合函数分别为fd0(t),fdi(t)，离散采样后的匹配与带匹配数据的首末位置分别为n1,n2和n3,n4，采样后的离散点描述为sd0(n),sdi(n)，通常n1＝n2＝0。匹配公式如下：
Doppler与moving数据的连续匹配
由于实际应用中使用连续匹配并不划算，所以在拟合后对曲线均匀采样，用采样后的点做离散匹配，匹配公式为
所有实例的特征值和所属类别以如下矩阵形式存储：
其中，i表示第i组实例，k表示第i个实例的第k个特征值，c表示类别，j表示类别号。
(3)获取当前实测数据，计算当前实测数据的11维特征向量，并计算当前实测数据特征向量与训练集中各特征向量的距离度量，找出与当前实测数据最近邻的k个点。
本步骤中11维特征向量的计算方法与步骤(2)中相同。
距离度量公式为：
其中
为待测实例的特征向量，
为训练集中的某个训练实例的特征向量，d为距离度量。
(4)根据分类决策规则，判决当前实测数据的类别，静止(static)、游离(nomadic)或位于传送带上(moving)。分类决策规则为：
1)将训练集
中找出与
最近邻的k个点(本例中k取1或4)，记作Nk(x)；
2)在Nk(x)域中的分类决策规则为：将
的预测结果判决为Nk(x)域中k个样本中出现最多的类别。
为了验证本算法的性能，将整个仓库环境以及数据的获取过程用python程序进行仿真，模拟标签的各种运动状态并加以适当的环境噪声，使用支持向量机(SVM)、朴素贝叶斯(NB)等算法进行比较，改变特征向量中特征的种类和数目，并与单独做匹配分析的算法进行比较，得出如下分类正确率总结：
注：“S/N/M”表示将场景内的标签分为static，nomadic和moving三种类别；“M/SN”表示将场景内的标签分为是否位于传送带上；“S/M N”是动静态二分类。
由表可知，在11种特征选取一定的情况下，kNN机器学习方法效果最佳，因为在标签特征中类域的交叉或者重叠较多，训练集无法使用诸如SVM等方法精确的将判决域划分开来，但可以使用kNN的方法来比较新的实例与训练集中的哪一些或哪一个实例更为接近，以得出正确的分类结果。
由上可知，本发明实施例中的标签分类方法为仓库应用场景提供了新的标签分类思路，并得到了较好的仿真结果。
Claims (4)
1.一种基于kNN的RFID标签分类方法，其特征在于：包括如下步骤：
(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或静止和传送带上的标签两类数据；
(2)每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；
(3)获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；
(4)根据分类决策规则，判决实测数据的类别，所述分类决策规则为：将待测实例的预测结果判决为其最近邻的k个样本点中出现最多的类别；
所述RSSI的统计特征包括RSSI均值、方差、总和、每组训练数据RSSI向量的模值；
所述DOPPLER的统计特征包括DOPPLER均值、方差、总和、绝对值均值、每组训练数据DOPPLER向量的模值；
RSSI匹配特征取值为：
其中：sr0(n),sri(n)分别表示参考数据和待匹配数据RSSI数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值；
DOPPLER匹配特征取值为：
其中：sd0(n),sdi(n)分别表示参考数据和待匹配数据DOPPLER数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值。
2.根据权利要求1所述的一种基于kNN的RFID标签分类方法，其特征在于：选取训练集中传送带上的标签的数据作为参考数据。
3.根据权利要求1所述的一种基于kNN的RFID标签分类方法，其特征在于：所述步骤(3)中距离度量为待测实例的特征向量与训练集中的某个训练实例的特征向量欧式距离。
4.一种基于kNN的RFID标签分类装置，其特征在于：包括：
训练数据收集模块，用于从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或静止和传送带上的标签两类数据；
特征提取模块，用于每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；
kNN模块，用于获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；
以及，分类决策模块，用于根据分类决策规则，判决实测数据的类别，所述分类决策规则为：将待测实例的预测结果判决为其最近邻的k个样本点中出现最多的类别；
所述RSSI的统计特征包括RSSI均值、方差、总和、每组训练数据RSSI向量的模值；
所述DOPPLER的统计特征包括DOPPLER均值、方差、总和、绝对值均值、每组训练数据DOPPLER向量的模值；
RSSI匹配特征取值为：
其中：sr0(n),sri(n)分别表示参考数据和待匹配数据RSSI数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值；
DOPPLER匹配特征取值为：
其中：sd0(n),sdi(n)分别表示参考数据和待匹配数据DOPPLER数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810492722.1A CN108764399B (zh) | 2018-05-22 | 2018-05-22 | 一种基于kNN的RFID标签分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810492722.1A CN108764399B (zh) | 2018-05-22 | 2018-05-22 | 一种基于kNN的RFID标签分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764399A CN108764399A (zh) | 2018-11-06 |
| CN108764399B true CN108764399B (zh) | 2021-03-19 |
Family
ID=64007490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810492722.1A Active CN108764399B (zh) | 2018-05-22 | 2018-05-22 | 一种基于kNN的RFID标签分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764399B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612493B (zh) * | 2019-02-26 | 2023-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种用户分群方法及装置 |
| CN110008766B (zh) * | 2019-03-26 | 2020-04-24 | 南京大学 | 一种基于射频识别技术的室内人数统计方法 |
| CN110287328B (zh) * | 2019-07-03 | 2021-03-16 | 广东工业大学 | 一种文本分类方法、装置、设备及计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358778A (zh) * | 2017-07-28 | 2017-11-17 | 昆明理工大学 | 一种结合knn算法的火灾报警器 |
| CN107943887A (zh) * | 2017-11-16 | 2018-04-20 | 东南大学 | 一种传送带环境下的rfid标签排序方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050100992A1 (en) * | 2002-04-17 | 2005-05-12 | Noble William S. | Computational method for detecting remote sequence homology |
-
2018
- 2018-05-22 CN CN201810492722.1A patent/CN108764399B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358778A (zh) * | 2017-07-28 | 2017-11-17 | 昆明理工大学 | 一种结合knn算法的火灾报警器 |
| CN107943887A (zh) * | 2017-11-16 | 2018-04-20 | 东南大学 | 一种传送带环境下的rfid标签排序方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于互信息的粒化特征加权多标签学习k近邻算法;李峰等;《计算机研究与发展》;20171231;第54卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764399A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764399B (zh) | 一种基于kNN的RFID标签分类方法及装置 | |
| CN110711701B (zh) | 一种基于rfid空间定位技术的抓取式柔性分拣方法 | |
| CN101957924B (zh) | 一种在射频识别系统中的运动检测方法及读写器 | |
| CN110954863B (zh) | 一种面向存储物品定位的rfid定位方法 | |
| CN110954864B (zh) | 一种基于rfid技术的定位方法 | |
| CN109284799B (zh) | 一种基于深度学习的rfid标签相对位置定位方法 | |
| CN107943887B (zh) | 一种传送带环境下的rfid标签排序方法 | |
| CN111123195B (zh) | 一种面向存储物品盘点的rfid盘点系统 | |
| CN106772218B (zh) | 基于移动rfid阅读器仓库货包平面位置分级定位方法 | |
| Keller et al. | Using low-level reader data to detect false-positive RFID tag reads | |
| Montoliu et al. | Magnetic field based Indoor positioning using the Bag of Words paradigm | |
| CN111191748B (zh) | 一种基于rfid技术的移动盘点系统 | |
| CN110187344A (zh) | 基于逆合成孔径雷达的传送带上标记物品识别定位方法 | |
| CN107403205B (zh) | 一种基于随机森林的rfid仓库货包平面定位方法 | |
| Alvarez-Narciandi et al. | A UHF-RFID gate control system based on a recurrent neural network | |
| Goller et al. | Experimental evaluation of RFID gate concepts | |
| CN113515962A (zh) | 基于dbscan算法的抽屉标签分层定位方法 | |
| CN116543383A (zh) | 苹果产量评估方法、装置、设备及存储介质 | |
| CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
| CN111191475A (zh) | 一种基于uhf rfid的被动式行为识别方法 | |
| US20240159856A1 (en) | Determining a location of rfid tag | |
| CN105956505A (zh) | 一种基于多普勒频移的人气商品发现方法 | |
| CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 | |
| Wu et al. | RFID tag classification for false-positive reads identification via deep learning with multidimensional signal fusion | |
| Chen et al. | Precise identifying assets inside a metal cabinet using RFID and machine learning method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |