CN109816068A - 一种基于射频识别系统的移动标签的检测方法 - Google Patents

Abstract

本发明一种基于射频识别系统的移动标签的检测方法，属于移动标签检测方法技术领域,本发明克服现有技术存在的不足，所要解决的技术问题为一种基于射频识别系统的移动标签的检测方法，本发明采用的技术方案为：包括以下步骤：本方案中设计的使用机器学习算法对移动标签可预测检测模型，模型建立的过程主要包含三个部分，第一部分是提取三个输入特征：标签的分布、移动标签速度、标签距离阅读器天线距离，第二部分是对所提出的SVM模型进行训练；第三部分是对SVM模型预测移动RFID标签进行测试，本发明适用于移动标签检测领域中。

Description

一种基于射频识别系统的移动标签的检测方法

技术领域

本发明一种基于射频识别系统的移动标签的检测方法，属于移动标签检测方法技术领域。

背景技术

射频识别(RFID)可以对移动的物体进行标记和跟踪，已经广泛应用于从生产到出售供应 链的物品的自动识别和跟踪，可以跟踪仓库中的库存，检查装载货物的车辆，根据目标物体 的标签提取的数据进行分类处理，极大提高了仓库物流效率。然而由于货品较多时，移动货 品与静止货品同时存在，且多标签之间存在碰撞，阅读器会出现误读，漏读的情况，现有的 算法对移动多标签的读取性能难以满足。

因此设计一种移动标签预测方法来提高RFID系统读取性能，对于动态货品识别的复杂场 景具有重要意义。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为一种基于射频识别系统的移动 标签的检测方法。

为了解决上述技术问题，本发明采用的技术方案为：一种基于射频识别系统的移动标签的 检测方法，包括以下步骤：

第一步，提取三个输入特征

将标签的分布、移动标签速度、标签距离阅读器天线距离作为三个因素作为输入特征；

第二步，建立SVM模型并进行训练

SVM首先将原始数据非线性地映射到高维特征空间，然后找到线性最优超平面，即一个 决策边界，将一个类的数据集与另一个类分开，SVM分类器寻找两类之间具有最大余量的超 平面，超平面写成：

其中ω是权重向量，是非线性映射，b是偏差，最优超平面的定义是找到最小化以 下函数的ω和偏差：

其中ω是权重向量，C是惩罚因子，ξ_i是错误向量到正确位置的距离，是控制边 际和误差之间折衷的参数。

受制于：

y_i(x_i·ω+b)-1+ξ_i≥0和ξ_i≥0

x_i输入特征，y_i是输出值，ω是权重向量，b是偏差，ξ_i是错误向量到正确位置的距离， 以上两式的主要优化问题的双拉格朗日乘子优化问题表述如下：

其中L_D是拉格朗日函数，x_i是输入特征，y_i是输出值，α,α_i,α_j是拉格朗日系数；

受制于：

和0≤α_i≤C

注拉格朗日系数α_i受惩罚因子C的限制，y_i是输出值，通过将非线性训练数据集映射到 更高维空间中，不可分割情况的概念扩展到非线性分类问题，即x_i→Φ(x_i)；最优超平面 的决策函数可以写成：

其中f(x)是决策函数，α_i是拉格朗日系数，y_i是输出值，b是偏差，是非线性映射；

训练数据集有三个输入特征：标签位置分布、标签移动速度、标签与阅读器天线距离， 一个输出显示3个标签是否被检测到；100％标签读取率意味着所有3个标签被天线检测到； 如果SVM模型预测RFID阅读器未检测到至少一个标签，则在SVM模型的输出中将其分类为低 于100％的标签检测，对于一个训练集，输入变量x₁＝1为第一种标签分布，x₂＝3为移动标签 速度，x₃＝1为标签与阅读器天线距离，实验输出值y＝1，即100％检测率，用来确定决策函数 的所有未知变量从而优化目标函数,采用下表，对标签可预测性精度计算:

真实标签检测率％	预测标签检测率％	准确性
			100％	100％	正确
低于100％	低于100％	正确
			100％	100％	错误
低于100％	低于100％预测	错误

选择径向基函数作为核函数，表示为：

K(x,x_i)＝exp(γ(-||x-x_i||²)),γ≥0；

其中，γ为核函数系数，K为核函数，x,x_i为输入特征；

给定γ和C，若干组训练数据集用交叉验证方法来训练支持向量机的最优参数C和γ，其中 C为惩罚系数，γ为核函数系数，从而得到SVM模型；

第三步，使用SVM模型对预测移动RFID标签进行检测；

C为惩罚系数，定义为调节优化方向中的两个指标偏好的权重，是一个定值；

γ为核函数系数，控制了函数的径向作用范围。

本发明与现有技术相比具有以下有益效果：

本方案主要是针对RFID多标签移动系统，使用机器学习算法，构建基于支持向量机(SVM) 的分类器，以特定的分布来预测阅读器读取标签的准确率，获得多标签的最佳位置分布，以 提高移动RFID的可检测性，有效降低RFID系统的读取误差，在没有人为干预的情况下，允 许使用预测的检测率来避免耗时的错误读数。

附图说明

下面结合附图对本发明做进一步详细的说明；

图1为本发明中标签分布示意图。

图2为本发明中SVM分类模型结构示意图。

具体实施方式

结合图1-2对本发明一种基于射频识别系统的移动标签的检测方法做进一步描述：

本方案中设计的使用机器学习算法对移动标签可预测检测模型，模型建立的过程主要包含三 个部分，第一部分是提取三个输入特征：标签的分布、移动标签速度、标签距离阅读器天线 距离。第二部分是对所提出的SVM模型进行训练；第三部分是对SVM模型预测移动RFID标 签进行测试。下面分别介绍本方案中的三大部分。

1)特征提取

影响阅读器和移动RFID标签可检测性的因素包括：(1)物体的材质；(2)标签的位置分 布；(3)标签的移动速度；(4)标签与阅读器天线的距离；(5)RFID系统的外部环境等。这 里标签的位置分布，移动标签的速度及标签与阅读器天线距离是可控制的因素，而其他影响 因素不可控制的。基于上述分析，本方案考虑三个因素作为输入特征。

如图1所示，本方案使用三个标签来模拟货品位置摆放，共有4种分布。(1)中A标签在B标签或C标签上是对称分布的，所以省去A标签在C标签上的情况。所以位置特征有4 种输入变量。

将移动标签的速度控制为3km/h,5km/h,10km/h,20km/h和30km/h。共有5种不同的速度 来进行测试。

考虑到实际应用场景，阅读器天线距离标签高度控制在1m,1.2m,1.5m,2m四种高度进行 测试。

2)SVM模型训练

支持向量机(SVM)是一种用于数据分类和模式识别的监督机器学习方法。SVM首先将 原始数据非线性地映射到高维特征空间，然后找到线性最优超平面(一个决策边界)，将一个 类的数据集与另一个类分开。SVM分类器寻找两类之间具有最大余量的超平面。超平面可以 写成：

其中ω是权重向量，是非线性映射，b是偏差。最优超平面的定义是找到最小化以 下函数的ω和b：

受制于：

y_i(x_i·ω+b)-1+ξ_i≥0和ξ_i≥0；

ξ_i是错误向量到正确位置的距离，是控制边际和误差之间折衷的参数。以上两式 的主要优化问题的双拉格朗日乘子优化问题可以表述如下：

受制于

和0≤α_i≤C

注意拉格朗日系数α_i受惩罚因子C的限制。通过将非线性训练数据集映射到更高维空间 中，不可分割情况的概念可以扩展到非线性分类问题，即x_i→Φ(x_i)。最优超平面的决策 函数可以写成：

对于我们的问题，训练数据集有三个输入特征：标签位置分布、

标签移动速度、标签与阅读器天线距离。一个输出显示3个标签是否被检测到。100％标 签读取率意味着图1中所有3个标签被天线检测到。如果SVM模型预测RFID阅读器未检测到至 少一个标签，则在SVM模型的输出中将其分类为低于100％的标签检测。图2显示了本方案提 出的SVM标签可检测性预测模型。

三个输入变量：标签位置分布，标签移动速度，标签与阅读器天线距离。输出变量是预 测的可检测性，分为两类100％标签检测率(即检测到三个标签)或低于100％(三个标签不 全检测到)。训练数据集的输入变量和目标变量用来确定决策函数f(x)和目标函数的参数。 例如对于一个训练集，输入变量x1＝1(第一种标签分布)，x2＝3(移动标签速度)，x3＝1( 标签与阅读器天线距离)，实验输出值y＝1(100％检测率)用来确定决策函数的所有未知变 量从而优化目标函数。表1给出了预测准确度的标准。

表一 标签可预测性精度计算

真实标签检测率％	预测标签检测率％	准确性
			100％	100％	正确
低于100％	低于100％	正确
			100％	100％	错误
低于100％	低于100％预测	错误

选择径向基函数作为核函数，表示为：

K(x,x_i)＝exp(γ(-||x-x_i||²)),γ≥0

给定γ和C，总共270组训练数据集用来训练所提出的模型来确定未知变量。

3)预测模型测试

对270组训练数据用交叉验证方法得到支持向量机的最优参数C和γ，其中C为惩罚系数， γ为核函数系数，只有在100％预测准确度的情况下，才能看到一个标签是否可以在速度和距 离的新影响因子条件下以预测移动标签。如规定新的速度为13km/h，距离为1.3m来验证所 提出的模型的预测准确度。如果标签的预测可检测性为“1”，那么得出结论：新的速度和距 离可以为移动RFID系统提供100％读取准确率，如果低于“1”如0.93，0.8等，则说明新的 变量是不合理的。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在 不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型， 本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种基于射频识别系统的移动标签的检测方法，其特征在于：包括以下步骤：

第一步，提取三个输入特征

将标签的分布、移动标签速度、标签距离阅读器天线距离作为三个因素作为输入特征；

第二步，建立SVM模型并进行训练

SVM首先将原始数据非线性地映射到高维特征空间，然后找到线性最优超平面，即一个决策边界，将一个类的数据集与另一个类分开，SVM分类器寻找两类之间具有最大余量的超平面，超平面写成：

其中ω是权重向量，是非线性映射，b是偏差，最优超平面的定义是找到最小化以下函数的ω和偏差：

其中ω是权重向量，C是惩罚因子，ξ_i是错误向量到正确位置的距离，是控制边际和误差之间折衷的参数。

受制于：

y_i(x_i·ω+b)-1+ξ_i≥0和ξ_i≥0

x_i输入特征，y_i是输出值，ω是权重向量，b是偏差，ξ_i是错误向量到正确位置的距离，以上两式的主要优化问题的双拉格朗日乘子优化问题表述如下：

其中L_D是拉格朗日函数，x_i是输入特征，y_i是输出值，α,α_i,α_j是拉格朗日系数；

受制于：

和0≤α_i≤C

注拉格朗日系数α_i受惩罚因子C的限制，y_i是输出值，通过将非线性训练数据集映射到更高维空间中，不可分割情况的概念扩展到非线性分类问题，即x_i→Φ(x_i)；最优超平面的决策函数可以写成：

其中f(x)是决策函数，α_i是拉格朗日系数，y_i是输出值，b是偏差，是非线性映射；

训练数据集有三个输入特征：标签位置分布、标签移动速度、标签与阅读器天线距离，一个输出显示3个标签是否被检测到；100％标签读取率意味着所有3个标签被天线检测到；如果SVM模型预测RFID阅读器未检测到至少一个标签，则在SVM模型的输出中将其分类为低于100％的标签检测，对于一个训练集，输入变量x₁＝1为第一种标签分布，x₂＝3为移动标签速度，x₃＝1为标签与阅读器天线距离，实验输出值y＝1，即100％检测率，用来确定决策函数的所有未知变量从而优化目标函数,采用下表，对标签可预测性精度计算:

真实标签检测率％ 预测标签检测率％ 准确性 100％ 100％ 正确 低于100％ 低于100％ 正确 100％ 100％ 错误 低于100％ 低于100％预测 错误

选择径向基函数作为核函数，表示为：

K(x,x_i)＝exp(γ(-||x-x_i||²)),γ≥0；

其中，γ为核函数系数，K为核函数，x,x_i为输入特征；

给定γ和C，若干组训练数据集用交叉验证方法来训练支持向量机的最优参数C和γ，其中C为惩罚系数，γ为核函数系数，从而得到SVM模型；

第三步，使用SVM模型对预测移动RFID标签进行检测；

C为惩罚系数，定义为调节优化方向中的两个指标偏好的权重，是一个定值；

γ为核函数系数，控制了函数的径向作用范围。