CN113609880B - 一种离群错置rfid标签的识别方法及实现所述方法的系统 - Google Patents
一种离群错置rfid标签的识别方法及实现所述方法的系统 Download PDFInfo
- Publication number
- CN113609880B CN113609880B CN202110763648.4A CN202110763648A CN113609880B CN 113609880 B CN113609880 B CN 113609880B CN 202110763648 A CN202110763648 A CN 202110763648A CN 113609880 B CN113609880 B CN 113609880B
- Authority
- CN
- China
- Prior art keywords
- tag
- phase
- community
- node
- graph
- 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 38
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000000611 regression analysis Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 21
- 238000002474 experimental method Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000030279 gene silencing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10019—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers.
- G06K7/10079—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers. the collision being resolved in the spatial domain, e.g. temporary shields for blindfolding the interrogator in specific directions
- G06K7/10089—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers. the collision being resolved in the spatial domain, e.g. temporary shields for blindfolding the interrogator in specific directions the interrogation device using at least one directional antenna or directional interrogation field to resolve the collision
- G06K7/10099—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves resolving collision on the communication channels between simultaneously or concurrently interrogated record carriers. the collision being resolved in the spatial domain, e.g. temporary shields for blindfolding the interrogator in specific directions the interrogation device using at least one directional antenna or directional interrogation field to resolve the collision the directional field being used for pinpointing the location of the record carrier, e.g. for finding or locating an RFID tag amongst a plurality of RFID tags, each RFID tag being associated with an object, e.g. for physically locating the RFID tagged object in a warehouse
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10316—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers
- G06K7/10346—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers the antenna being of the far field type, e.g. HF types or dipoles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种离群错置RFID标签的识别方法及实现所述方法的系统，在RFID阅读器读取RFID标签时使阅读器天线随机晃动，在天线晃动过程中收集所有标签的原始信号，对原始测量相位进行去噪等处理，并计算相位梯度以消除硬件影响，利用正交多项式回归分析模型降低时序序列相位梯度的数据维度，从而提高下一步数据特征相似度度量的效率，最后在离群错置标签识别时，根据标签特征相似度度量的结果构造了一个标签相对位置关系图，基于关系图利用社区发现算法识别并输出离群错置标签的数量和ID。本发明的识别方法能够高效识别标签群中的离群错置标签，极大的提高了识别效率和部署难度。
Description
【技术领域】
本发明涉及RFID标签管理，特别涉及一种RFID标签的识别方法，还涉及实现所述方法的系统。
【背景技术】
物联网(Internet of Things)是信息智能化和工业自动化发展和融合的必然结果，也催生了继计算机、互联网之后的第三次信息产业革命。物联网的一个关键技术就是射频识别技术RFID，在过去的几十年见证了RFID在物联网领域的普及。越来越多的应用，包括但不限于仓库、图书馆、零售管理等，都将RFID作为核心技术，以提高管理的精度和效率。近年来，大规模RFID系统的发展趋势也越来越明显。
在很多RFID应用系统中，特别是在物品数量较大的情况下，为了方便管理，人们往往会将同类物品放在同一处或邻近的位置。例如，同一学科的书放在图书馆的同一书架上，同一款式的衣服挂在商店的同一区域。然而，由于各种原因，物品可能会被放错位置。图书馆的读者可能会在浏览图书后把书放回错误的书架，顾客可能会在试穿后把衣服挂回错位的位置。
这样的错置问题如果处理不当，将会造成严重的管理效率低下，甚至经济损失。根据研究表明，在零售商店因为商品放错了位置，16％顾客找不到想要的商品。根据另一项统计数据显示，近64％的公司报告称，员工每天至少花时间寻找一次某样物品，而27％的员工每天至少花时间寻找10次以上的错置物品，平均每次约10分钟，更有甚者每天花掉将近1个小时。如果这种摆放不当不及时发现处理，还有可能导致潜在的安全风险，比如错误地将一盒火柴放在被子旁边，这种情况可能会更糟糕。
因此，物品错置是一个非常普遍但亟待解决的问题，如何快速准确地识别带有标签的错置物品对很多RFID系统来说是非常重要的。
【发明内容】
本发明的目的是克服现有技术缺陷，针对物品数量较大的RFID应用系统中贴有RFID标签的物品可能放置在错误的位置能难以识别的问题，提供一种基于RFID技术、准确性高、无需逐个定位标签的离群错置RFID标签的识别方法及。
本发明的思路是在RFID阅读器要开始询问RFID标签时，使阅读器天线随机晃动。然后，数据预处理部分，在天线晃动过程中收集所有标签的原始信号，对原始测量相位进行去噪等处理，并计算相位梯度以消除硬件影响。其次，利用正交多项式回归分析模型降低时序序列相位梯度的数据维度，从而提高下一步数据特征相似度度量的效率。最后，在离群错置标签识别时，根据标签特征相似度度量的结果构造了一个标签相对位置关系图，基于关系图利用社区发现算法识别并输出离群错置标签的数量和ID。
基于以上思路，本发明提供一种离群错置RFID标签的识别方法，所述方法包括以下步骤：
(1)数据采集
对于含有多个RFID标签的标签群，通过RFID阅读器采集RFID标签的原始相位数据，在采集期间，使RFID阅读器的天线随机晃动；所述相位数据描述为：
其中，d是标签与阅读器天线之间的距离，λ是信号波长，θR是阅读器引起的相位偏移,θTag是标签引起的相位偏移，μ是常数；
(2)原始相位数据的预处理
为了消除阅读器可能引入的π度偏移和阅读器报告的相位可能出现的2π度偏移，定义θi,t为标签i在t时刻的测量相位值，以下式校准原始相位数据的偏移：
其中，是校准后的相位值，τ是经验阈值；由于π度和2π度偏移引起的断点被连接起来，从而获得连续的相位流数据；
然后，通过离散小波变换对所得连续的相位流数据进行分解，得到平滑连续的相位流数据；
然后，提取所得平滑连续的相位流的相位梯度，相位梯度定义为任意标签i的相位梯度Gi,t为连续两个相位值的差值：
其中，Δdi,t是天线随机晃动造成的天线与标签之间的距离变化，和/>分别是标签i在t时刻和t-1时刻预处理后的相位值，其中，将得到的相位梯度序列归一化，使其值范围在[-1,1]之间；
(3)基于正交多项式回归分析的相位梯度降维
利用正交多项式回归分析模型提取相位梯度的低维特征，所述模型将时间序列映射到另一个正交空间；
设标签i的梯度序列Gi＝{gi,0,gi,1,…,gi,M}，则该相位梯度序列近似表示为：
其中，K是想要得到的低维特征的维度，k∈[0,K]，fk(t)＝tk+rk,k-1tk-1+...+rk,1t+rk,0，并且任意两个多项式fi(t)，fj(t)(i≠j)内积为0，即他们是正交的，即如下式所示：
<fi(t)|fj(t)>＝0
上式中的权值向量A＝{a0,a1,…,aK}是一个K维向量，可以看做相位梯度序列在正交空间F＝{f0(t),f1(t),…,fK(t)}中的坐标，所以M维的相位梯度G可以用K维的特征向量A表示；
其中，ak可以按如下式所示计算得到：
其中，
fk+1(t)＝αfk(t)+βfk-1(t),
f-1(t)＝0,f1(t)＝1,
k＝0,1,…,K
(4)特征序列相似度度量
每个标签的相位梯度经过正交多项式回归分析模型提取特征后得到特征序列，选择利用任意两个标签的特征序列的欧式距离作为相似度度量的指标，计算方法为：
其中，和分别表示标签和标签的特征序列，是特征序列长度，欧式距离值越大，特征序列间的相似度越小；
当系统中存在n个标签时，标签特征序列两两之间进行相似性度量，构建n×n的相似度矩阵：
对所得相似度矩阵归一化处理：使相似度矩阵具有以下性质：
(a)自反性：标签自己与自己比较相似度为0，即sii＝0；
(b)对称性：以矩阵主对角线为对称轴，各相似度的值对应相等，即sij＝sji；
(c)非负性：所有相似度的值都大与0，即sij≥0；
(5)构建标签相对位置关系图
将所述相似度矩阵S根据如下式所示转化成邻接矩阵B：
其中，thre是预设的阈值，bij＝bji，并且矩阵大小与相似度矩阵相同；
根据所得连接矩阵，相对位置关系图表示为G(V,E)，其中V＝{vi|i＝1,2,…,N}是所有标签对应图中节点的集合，N是系统中标签总数，E＝{(vi,vj)|vi,vj∈V}是图中所有节点之间边的集合，当bij＝bji＝1时，(vi,vj)和(vj,vi)对应同一条边，并且每条边默认权值为1，所得相对位置关系图是一个无权无向图，得到相对位置关系图；
(6)相对位置关系图社区发现算法
对所得相对位置关系图利用Louvain社区发现算法获得标签的实际物理分组情况：
定义社区的模块度如下式：
其中，Wij表示节点i和节点j之间边的权重，ki＝∑jWij是与节点i连接的所有边的权重之和，表示图中所有边的权重之和，ci是节点i所属社区，如果ci＝cj则δ(ci,cj)为1，否则为0；
Louvain算法中还定义了模块度增益，用于衡量一个节点划分到一个社区中模块度的变化量，模块度增益计算如下：
其中，∑in是社区C中所有边的权重之和，∑tot是所有与社区C连接的边的权重之和，ki是所有与节点i相连的边的权重和，ki,in是在社区C中与节点i相连的所有边的权重之和，m是图中所有边的权重和；
(7)大规模标签应对机制
通过静默标签的方式，将多逻辑分组的场景转换为单个逻辑分组的场景，从而可以逐个检测每个逻辑分组的标签离群错置情况。
根据一种优选的实施方式，步骤(6)的Louvain社区发现算法还包括：
第一阶段，将图中所有节点分配到不同的社区中，随机选择一个节点i作为起点，考虑节点i任一邻节点j，计算节点i加入节点j所在社区的模块度增益ΔQ，节点i加入增益为正且值最大的邻节点所在社区中；如果没有正增益，节点i将留在原来的社区；对所有节点执行该过程；
第二阶段，对上一阶段划分结果进行社区聚合，构建一个新的图，新图中一个节点对应上一阶段中发现的一个社区，两个节点之间的边的权值则是上一阶段两个社区之间边的权值之和；上一阶段同一社区的节点之间的边会导致在新图中节点的自循环。
将这两个阶段定义为一个“pass”，迭代执行pass，直到没有更改，实现最大的模块度，即可输出检测到的社区。
对本发明的技术方案作详细描述：
本发明的识别方法主要由数据预处理、相似度度量、离群错置识别三个部分组成，其总体框架如图1所示。
(1)数据采集
当RFID阅读器要开始询问标签时，对天线施加一个外力使它随机晃动，在天线晃动过程中收集所有标签的原始信号。
(2)原始相位数据的预处理
(2.1)相位预处理
在自由空间中，RFID阅读器报告的相位可以用如下式所示的模型进行描述。
其中，d是标签与阅读器天线之间的距离，λ是信号波长，θR是阅读器引起的相位偏移,θTag是标签引起的相位偏移。因此，在搭建完成的RFID的系统中两个硬件引入相位偏移的和μ是一个常数。从上式可知相位是关于天线与标签之间距离的d函数。
由此，可直观认为如果两个标签所在的位置非常相近，那么当天线随机晃动询问标签时，由两个标签返回的信号变化模式应该非常相似。相反，当两个标签所在位置相距较远，他们的信号变化模式将存在明显差异。
商用RFID阅读器在测量信号时，实际报告的相位值存在不连续的问题，如图2是随机晃动天线采集的一个静止标签的原始相位流。首先，由于半波损失阅读器可能引入π度的偏移，即阅读器报告的相位可能是真实相位值，也有可能是真实相位值加上或减去π后的相位值。其次，相位是一个周期为2π的周期函数，分布在[0，2π)区间，阅读器报告的相位可能会出现2π度的偏移，即相位由0跳变为2π，或由2π跳变为0。
首先对阅读器报告的测量相位消除这两种相位的偏移，以得到一个连续的相位流。本系统定义θi,t为标签i在t时刻的测量相位值，并基于如下式所示规则校准测量相位的偏移。
其中，是校准后的相位值，τ是一个较小的经验阈值。本文认为两个相邻的测量相位值之差约等于π时即出现π度的相位偏移，此时将测量相位值进行加上或减去π的操作。同理，两个相邻的测量相位值之差大于π即认为是2π度的相位偏移，此时将测量相位值进行加上或减去2π的操作。测量相位流经过校准后，原本由于π度和2π度偏移引起的断点被连接起来，从而获得一个连续的相位流。
除此之外，本系统为了消除高频环境噪音的影响，利用离散小波变换(DiscreteWavelet Transform，DWT)对消除偏移的相位流进行分解。根据傅里叶(Fourier)变换理论，满足一定条件的射频信号可以表示成若干不同频率正弦或余弦射频信号的线性组合。低频成分蕴含信号特征，高频成分则是信号细节，同时包含大量不可预知的噪声信号[43]。DWT是进行信号时频分析和处理的理想工具。所以，本系统采用DWT实现相位流的降噪处理，通过不断的分解，将相位流分解成许多低频成分，依据相位流的特征选择适当的小波分解层数。如图3所示，图2中的原始相位流经过预处理后得到了一个平滑连续的相位流。
(2.2)相位梯度提取
阅读器报告的相位经过预处理后，得到一个连续平滑的相位流，但在RFID相位模型公式中还存在一个不能准确测量的常数项μ，它是由阅读器和标签自身硬件决定的，然而不同硬件之间往往存在很大差异，这不利于准确获得同场景中不同标签的位置信息。
为此，本系统定义了一个新的与标签位置有关的指标—相位梯度，如下式所示定义任意标签i的相位梯度Gi,t为连续两个相位值的差值。
由于标签的位置固定不变，上式中，Δdi,t是天线随机晃动造成的天线与标签之间的距离变化，和/>分别是标签i在t时刻和t-1时刻预处理后的相位值。注意，为了下一步相似度度量的公平性，这里将得到的相位梯度序列归一化，使其值范围在[-1,1]之间。
根据相位梯度的定义，标签i连续两个相位值做差去除了相位模型公式中硬件设备带来的常数项μ。因此，本系统在部署过程中并不需要考虑硬件多样性的影响。除此之外，从公式中可以看出相位梯度只由天线与标签之间的距离变化决定。典型的高频RFID网络工作频段在920-926MHz，因此，理论上即使天线距离变化320mm×0.0015/(4×3.14)≈0.038mm都会引起相位的变化，这里320mm是16个信道的平均波长，0.0015弧度是商用RFID阅读器的相位分辨率。这就意味着通过轻微晃动天线识别离群错置标签，相位梯度G是一个合适的指标。
(3)基于正交多项式回归分析的相位梯度降维
在天线随机晃动询问标签过程中，相位梯度表现出了典型的随时间变化的特点。因此，从相位梯度中提取一些离散特征，例如，最大值、最小值、方差等，并不能准确的反应这样的时序特点。所以本系统将相位梯度作为一个整体分析而不去提取这些离散特征。
为了体现离群错置标签与正确摆放位置的标签特征之间的差异性从而识别离群错置标签，本系统将任意两个标签的相位梯度相似性作为衡量标准。然而，假如两个标签的相位梯度序列长度都是M，计算两个相位梯度序列的欧式距离的时间复杂度为O(M)，利用动态时间规整算法(Dynamic Time Warping，DTW)计算两个序列的相似度时间复杂度为O(M2)。如果M值很大，这些相似度度量方法将是耗时且低效的。因此，在比较相位梯度序列相似性之前，应该整体分析相位梯度并提取其低维的特征以提高相似度度量效率。
本系统利用正交多项式回归分析模型提取相位梯度的低维特征，该模型可以将时间序列映射到另一个正交空间。
假设任意一个标签i的梯度序列Gi＝{gi,0,gi,1,…,gi,M}，那么该相位梯度序列可以用如下式所示多项式近似表示。
其中，K是想要得到的低维特征的维度，k∈[0,K]，fk(t)＝tk+rk,k-1tk-1+...+rk,1t+rk,0，并且任意两个多项式fi(t)，fj(t)(i≠j)内积为0，即他们是正交的，即如下式所示。
<fi(t)|fj(t)>＝0
上式中的权值向量A＝{a0,a1,…,aK}是一个K维向量，可以看做相位梯度序列在正交空间F＝{f0(t),f1(t),…,fK(t)}中的坐标。所以M维的相位梯度G可以用K维的特征向量A表示。
其中，ak可以按如下式所示计算得到。
其中，
fk+1(t)＝αfk(t)+βfk-1(t),
f-1(t)＝0,f1(t)＝1,
k＝0,1,…,K
如图4所示，是一个标签的相位梯度根据低维特征A经过正交多项式拟合的示例，其中红色实线是长度M＝154的原始相位梯度序列，蓝色虚线是根据长度K＝26的特征向量A拟合出的曲线F。从图中可以看出，近似拟合曲线F与原始梯度曲线匹配，说明可以用低维特征向量A表示高维相位梯度序列G，利用正交多项式回归分析模型提取相位梯度低维特征是有效的。
(4)特征序列相似度度量
每个标签的相位梯度经过正交多项式回归分析模型提取特征后，可以用长度较小的序列表示，本文称它为特征序列。根据前文的分析，彼此位置相近的标签其相位梯度序列变化模式相似，因此，相位梯度的低维特征序列A也应是相似的，接下来本文将量化特征序列之间的相似性。
本系统选择利用任意两个标签的特征序列的欧式距离作为相似度度量的指标，计算方法如下式所示。
其中，和分别表示标签和标签的特征序列，是特征序列长度。欧式距离值越大，特征序列间的相似度越小。
当系统中存在n个标签时，标签特征序列两两之间进行相似性度量，因此，本文构建了一个n×n的相似度矩阵，如下式所示。
为了公平，本文将相似度矩阵归一化到范围内再进行进一步处理。
该相似度矩阵具有以下性质：
(1)自反性：标签自己与自己比较相似度为0，即sii＝0。
(2)对称性：以矩阵主对角线为对称轴，各相似度的值对应相等，即sij＝sji。
(3)非负性：所有相似度的值都大与0，即sij≥0。
(5)标签相对位置关系图的构建
为了更清楚地描述多标签间复杂的关系，本节根据相似度矩阵S构建了相对位置关系图。构建方法简单有效，即将相似度矩阵S根据如下式所示转化成邻接矩阵B。
其中，thre是预设的阈值，可以根据实际应用需要进行调整。根据转换规则，邻接矩阵B是由具有对称性的相似度矩阵转换而来，所以该邻接矩阵也具有对称性，即bij＝bji，并且矩阵大小与相似度矩阵相同，那么邻接矩阵B是一个只有数值0和1的n×n的对称矩阵。
在相对位置关系图中，每个标签被抽象为一个独一无二的节点，只有bij＝1时节点i和节点j之间才有边。由此，相对位置关系图可以抽象表示为G(V,E)，其中V＝{vi|i＝1,2,…,N}是所有标签对应图中节点的集合，N是系统中标签总数，E＝{(vi,vj)|vi,vj∈V}是图中所有节点之间边的集合，当bij＝bji＝1时，(vi,vj)和(vj,vi)对应同一条边，并且每条边默认权值为1，所以这里构建的相对位置关系图是一个无权无向图，如图5所示。
根据之前的分析，两个邻近标签的相位梯度变化是相似的，因此，在相对位置关系图中这样的两个标签节点之间是有边的。所以在这样的关系图中，边实际上代表系统中所有标签之间的相对位置关系。这也是本文称该图为相对位置关系图的原因。
(6)相对位置关系图社区发现算法
相对位置关系图通过相应的标签节点之间边的连通程度表示相应标签的位置邻近关系，所以可以通过量化图中节点之间的连通度将相应的标签节点划分成多个不同的分组，也就是本系统所要获得的实际物理分组情况。
社区发现起源于社会学的研究工作，社区发现算法用来发现复杂关系图中的社区结构，同一社区中节点与节点之间的联系紧密，而社区与社区之间的联系比较稀疏。这与本系统发现标签节点之间关系的基本思想一致，所以本系统将基于社区发现算法发现相对位置关系图中的标签物理分组情况。
要想知道一个已知逻辑分组的标签离群错置情况，就要了解该逻辑分组在物理空间中的实际物理分组信息。本系统将基于标签相对位置关系图利用Louvain社区发现算法获得标签的实际物理分组情况。该算法利用社区模块度衡量划分社区质量。模块度是一个在-1到1之间的标量，用来度量社区内部连接相对于社区之间连接的密度。因为本系统构建的相对位置关系图G是一个无向无权图，所以图中的每条边的权重默认为1。
首先，定义社区的模块度如下式所示。
其中，Wij表示节点i和节点j之间边的权重，ki＝∑jWij是与节点i连接的所有边的权重之和，表示图中所有边的权重之和，ci是节点i所属社区，如果ci＝cj，那么δ(ci,cj)是1，否则是0。这个模块度Q用来评价社区划分的质量，也是作为一个目标函数进行优化。模块度的值越大，社区划分的社区结构越清晰。
除此之外，Louvain算法中还定义了一个参数——模块度增益，它是衡量一个节点划分到一个社区中模块度的变化量，模块度增益计算如下式所示。
其中，∑in是社区C中所有边的权重之和，∑tot是所有与社区C连接的边的权重之和，ki是所有与节点i相连的边的权重和，ki,in是在社区C中与节点i相连的所有边的权重之和，m是图中所有边的权重和。
Louvain社区发现算法主要包括两个阶段，迭代执行直到模块度Q值达到最大值。如图6所示，是Louvain算法示意图。
第一阶段，首先将图中所有节点分配到不同的社区中，所以在这个初始划分中，社区数量和节点数量一样。然后，随机选择一个节点i作为起点，考虑节点i任一邻节点j，计算节点i加入节点j所在社区的模块度增益ΔQ，节点i加入增益为正且值最大的邻节点所在社区中。如果没有正增益，节点i将留在原来的社区。对所有节点执行该过程，直到无法进一步优化为止，这样就完成了算法第一阶段。
如图6所示，12个节点开始分别属于12个社区，经过第一阶段的模块度优化，图中12个节点根据模块度增益结果被分为三个社区，分别用三种颜色表示，同一颜色的节点代表在同一社区。但此时算法还没有结束，还需要进一步分析判断该社区结构是否达到最优。
第二阶段，对上一阶段划分结果进行社区聚合，构建一个新的图，新图中一个节点对应上一阶段中发现的一个社区，两个节点之间的边的权值则是上一阶段两个社区之间边的权值之和。上一阶段同一社区的节点之间的边会导致在新图中节点的自循环。
如图6所示，经过社区聚合，同一颜色的节点在新图中被看做一个节点，所以新图中有三个节点，三个节点两两之间存在带权值的边，并且三个节点存在自循环。例如，聚合前紫色社区中8号节点和11号节点分别与绿色社区中7号节点和5号节点存在权重为1的边，所以社区聚合后紫色节点与绿色节点之间边的权重为2。聚合前图中绿色三个节点形成的社区内边的权重之和即新图绿色节点自循环的权重。在新图上重复执行以上两个阶段。
如果将这两个阶段定义为一个“pass”。迭代执行pass，直到没有更改，实现最大的模块度，即可输出检测到的社区。
由于原始图是一个与相对位置相关的标签关系图，从图中检测到的社区可以看做是标签的实际物理分组信息。因为假设逻辑分组信息已知，并且离群错置标签在每个逻辑分组中总是少数，所以要识别出离群错置标签只需要比较逻辑分组与物理分组，若出现不匹配的部分，即为该逻辑分组中的离群错置标签。
(7)大规模标签应对机制
RFID是典型的时隙中心网络，标签与标签之间不能通信，所以在阅读器询问标签时总是发生碰撞。这种机制极大限制了RFID识别系统的采样率，增加了识别离群错置标签的检测时间，特别是在系统中存在大规模标签的情况下。
针对RFID在大规模标签情况下采样率低的问题，本系统可以使用EPC Gen2标准的“select”命令让其中一些标签沉默[52]。因为假设逻辑分组信息已知，所以通过静默标签的方式，很容易将多逻辑分组的场景转换为单个逻辑分组的场景，从而可以逐个检测每个逻辑分组的标签离群错置情况，场景中响应标签数量减少，这样也就能保证在大规模标签场景中较高的采样率。
如果单个逻辑分组中标签数量仍然较多，本系统仍然可以通过静默部分标签的方式减少相应标签数。本文可以将包含较多标签的逻辑分组再随机分成多个小组，其中随机分组存在50％的重叠率，便于结合多个小组检测结果确定标签是否离群错置。
如图7所示，本系统设计了应对大规模标签场景的解决方案。首先将存在较多标签的逻辑分组i随机分成多个虚拟逻辑分组。直观认为，如果一个标签在任意一个虚拟逻辑分组中被判定为非离群标签，该标签在逻辑分组i中即为非离群标签。对逻辑分组i的检测分为两个阶段，分别是检测阶段和确认阶段。在检测阶段，利用上述社区发现算法检测每个虚拟逻辑分组的离群错置标签。如果一个标签在所有虚拟逻辑分组中都被认为是离群错置，则该标签为逻辑分组i的离群错置标签，如图7中的T1。否则，标签作为候选标签等待进一步确认，如图7中的T2和T3，因为不能确定这些标签在其他虚拟逻辑分组中的离群错置情况。
在确认阶段，将候选标签加入上一阶段需要确认的虚拟逻辑分组中再次检测，当该标签在这些虚拟分组中仍未离群错置，则该标签为逻辑分组i的离群错置标签，如图7中的T2。否则，该标签不是逻辑分组i的离群错置标签。如图7中的T3。
本发明的识别方法使用RFID天线随机晃动采集标签相位，并在非定位标签的情况下，高效的识别标签群中的离群错置标签，极大的提高了识别效率和部署难度。
另一方面，使用正交多项式回归分析模型将随时间变化的标签相位梯度映射到低维空间，提取相位梯度的低维特征，实现了较高效的时序信号相似度度量方法。
此外，本发明结合社区发现算法提出了一个离群错置标签识别方法，在不修改RFID协议的情况下，充分利用标签信号间的相似度，建立标签相对位置关系图，基于社区发现算法发现标签在物理空间中的分组情况。
【附图说明】
图1为本发明的识别方法的系统框架图；
图2为本发明的识别方法的原始相位图；
图3为本发明的识别方法的预处理后的相位流图；
图4为本发明的识别方法的正交多项式拟合图；
图5为本发明的识别方法的相对位置关系图；
图6为本发明的识别方法的Louvain算法；
图7为大规模标签应对机制；
图8为不同逻辑分组数影响；
图9为不同分组间距离影响
图10为同组标签间距离；
图11为天线晃动模式示意图；
图12为不同天线晃动模式。
【具体实施方式】
以下实施例用于非限制性地解释本发明的技术方案。
实施例1实验环境设置
本系统使用的是商用RFID设备部署实验，没有对其进行任何硬件上的修改。设备包括一个InpinJ Speedway R420阅读器，一个Laird S9028PCL圆形极化天线，多个AlienH47被动标签。阅读器通过以太网将带有时间戳的底层数据发送到后端笔记本电脑。底层信号数据采集应用软件是基于Octane SDK开发的，运行在1.80GHz CPU(Intel i7-8565u)和8GB内存的联想笔记本电脑上。
为了评估本系统在实际场景中环境因素的影响，分别在两种环境中部署了实验：大厅和会议室。会议室里有很多桌椅，代表一个典型多径丰富的空间，而大厅相对空旷代表一个没有多径的环境。在多个标签固定放置在桌子上，离群错置标签与正确放置的标签距离较远，在实验过程中一个志愿者站在桌子前随机晃动天线询问标签。本系统其他关键实验设置参数和默认值如表1所示。
表1系统参数和默认实验设置
本系统主要采用识别准确率作为评价系统的指标，识别准确率的计算方法如下式所示。
TP(True Positive)是离群错置标签被识别为错置的标签个数，TN(TrueNegative)是正确放置的标签被识别为正确的标签个数，N是系统中总的标签个数。本文也将结合使用假阳性率FPR(False Positive Rate)和假阴性率FNR(False Negative Rate)等评价指标对系统的精确度进一步分析。值得注意的是，本文所有实验所得实验结果值均是基于20次实验的均值。
实施例2系统检测准确度
2.1标签数量的影响
为了研究RFID系统读取率对系统的影响，在不同逻辑分组数的情况下展开了实验。实验设置每个逻辑分组中有10个标签，调整系统中逻辑分组数，分别在存在1、2、3、4个逻辑分组的情况下实施实验，即系统中标签数从10增加到40分别实验，所有实验中都从第一个逻辑分组中选择3个标签作为离群错置标签，并且所有实验随机晃动天线采样时间均为10秒。
直观分析，在采样时间固定的情况下，随着标签数量的增加，识别准确率应该会降低。实验结果如图8所示，正如之前所猜测的，随着标签数量的增加，识别准确率略有下降。因为采样时间固定，标签数量增加，采样率下降，每个标签的读数个数减少，进而影响了识别准确率。尽管如此，系统在只有10秒的采样时间内，即使系统中同时存在40个标签也能够实现准确率中位数为85％。从图中也可以推断出，在场景中存在大规模标签的情况下，保证识别准确性一种可能的方法是减少响应标签数，正如前文所述的大规模标签应对机制那样，分别识别每个逻辑分组的标签离群错置情况，甚至将逻辑分组再分为多个虚拟分组，这样在固定的采样时间内就能达到预期的采样率。
2.2标签组间距离的影响
系统根据标签之间的邻近关系识别标签离群错置情况，标签分组之间的距离将影响系统识别标签实际物理分组情况。为了评估标签分组之间的距离增加对实验结果的影响，部署两组标签，实验将正确放置的标签间的距离固定，改变分组之间的距离，分别在距离为0.5、1、1.5、2米情况测试，并且在大厅和会议室分别实施了该实验。
如图9所示，在不同的分组间距离下，大厅的识别准确率保持在90％以上。但是，在会议室内做相同的实验，当距离较大时(例如2米)，系统的性能急剧下降。出现这种情况可能的原因是会议室是一个多径丰富的环境，信号的传播受到桌椅等家具的遮挡，最终在短短10秒的采样时间内造成梯度变化模糊。尽管如此，在会议室的平均识别准确率为88％，这在实际应用中是可以接受的。
2.3采样时间的影响
在系统中采样时间是一个关键设置，它决定了特征提取的结果。因为相位梯度表现出典型的随时间变化的特征，随着采样时间的增加，相位梯度采样点增加，可能会提供更多信息，然而本文希望实现快速准确的识别方法。所以为了探究时间对识别准确度的影响，该实验场景部署20个标签，其中离群错置标签3个，分别在5、10、15、20、25秒不同长度的采样时间下进行实验。
如图10所示，不同采样时间下的准确率、精确度和召回率。从图中可以发现平均准确率、精确度和召回率分别为94％、80.77％、94.67％。而他们都随着采样时间的增加而增长。正如前文所述，当通信范围内标签数量恒定时，采样时间越长，采样读数越多，标签信号提供的信息越丰富。然而，当采样时间为10秒时，识别准确率达到94％以上，在大多数情况下已经足够了。当然，采样时间也可以根据实际情况进行调整。
2.4天线晃动模式的影响
本系统主要通过晃动天线询问标签引起相位梯度变化，两个标签相位梯度特征的相似度高则认为他们的实际物理位置相近，否则他们之间距离较远，而晃动天线产生的信号并不规律，天线从Li位置移动到Li+1位置有可能导致多个标签有相同的梯度变化模式。所以最后本文测试了在不同的天线晃动模式下测试了系统的识别准确率。按照图12所示，设置了4种晃动模式，并用1-4标记。晃动模式1-3是分别沿三个互相垂直的面晃动天线，模式4是沿一个三维螺旋状晃动天线。
如图12所示，是四种晃动模式下的识别准确率。根据图中的实验结果发现前三种晃动模式下识别准确率都低于85％，但按照模式4晃动天线识别准确率可以达到92％。这是因为一个简单的天线运动将导致不同标签的相位梯度变化相同，从而识别离群错置标签失败。然而在天线随机晃动的情况下，这种可能性可以减小到最小。因为即使发生了上述情况，相位梯度其他部分也可以弥补，而且本文提取的低维相位梯度特征是基于整体相位梯度获得的，而不是相位梯度的局部离散特征，这样就有机会根据相位梯度的整体变化特征识别离群错置标签。再次验证了天线晃动的随机性大，系统性能越好这一结论。
综上所述，本发明的识别方法使用RFID天线随机晃动采集标签相位，并在非定位标签的情况下，高效的识别标签群中的离群错置标签，极大的提高了识别效率和部署难度。
另一方面，使用正交多项式回归分析模型将随时间变化的标签相位梯度映射到低维空间，提取相位梯度的低维特征，实现了较高效的时序信号相似度度量方法。
此外，本发明结合社区发现算法提出了一个离群错置标签识别方法，在不修改RFID协议的情况下，充分利用标签信号间的相似度，建立标签相对位置关系图，基于社区发现算法发现标签在物理空间中的分组情况。
Claims (2)
1.一种离群错置RFID标签的识别方法，所述方法包括以下步骤：
(1)数据采集
对于含有多个RFID标签的标签群，通过RFID阅读器采集RFID标签的原始相位数据，在采集期间，使RFID阅读器的天线随机晃动；所述相位数据描述为：
其中，d是标签与阅读器天线之间的距离，λ是信号波长，θR是阅读器引起的相位偏移，θTag是标签引起的相位偏移，μ是常数；
(2)原始相位数据的预处理
为了消除阅读器可能引入的π度偏移和阅读器报告的相位可能出现的2π度偏移，定义θi,t为标签i在t时刻的测量相位值，以下式校准原始相位数据的偏移：
其中，是校准后的相位值，τ是经验阈值；由于π度和2π度偏移引起的断点被连接起来，从而获得连续的相位流数据；
然后，通过离散小波变换对所得连续的相位流数据进行分解，得到平滑连续的相位流数据；
然后，提取所得平滑连续的相位流的相位梯度，相位梯度定义为任意标签i的相位梯度Gi,t为连续两个相位值的差值：
其中，Δdi,t是天线随机晃动造成的天线与标签之间的距离变化，和/>分别是标签i在t时刻和t-1时刻预处理后的相位值，其中，将得到的相位梯度序列归一化，使其值范围在[-1,1]之间；
(3)基于正交多项式回归分析的相位梯度降维
利用正交多项式回归分析模型提取相位梯度的低维特征，所述模型将时间序列映射到另一个正交空间；
设标签i的梯度序列Gi＝{gi,0,gi,1,…,gi,M}，则该相位梯度序列近似表示为：
其中，K是想要得到的低维特征的维度，k∈[0,K]，fk(t)＝tk+rk,k-1tk-1+…+rk,1t+rk,0，并且任意两个多项式fi(t)，fj(t)(i≠j)内积为0，即他们是正交的，即如下式所示：
<fi(t)|fj(t)>＝0
上式中的权值向量A＝{a0,a1,…,aK}是一个K维向量，看做相位梯度序列在正交空间F＝{f0(t),f1(t),…,fK(t)}中的坐标，所以M维的相位梯度G用K维的特征向量A表示；
其中，ak按如下式所示计算得到：
其中，
fk+1(t)＝αfk(t)+βfk-1(t),
f-1(t)＝0,f1(t)＝1,
k＝0,1,…,K
(4)特征序列相似度度量
每个标签的相位梯度经过正交多项式回归分析模型提取特征后得到特征序列，选择利用任意两个标签的特征序列的欧式距离作为相似度度量的指标，计算方法为：
其中，Ai k和Aj k分别表示标签i和标签j的特征序列，K是特征序列长度，欧式距离值越大，特征序列间的相似度越小；
当系统中存在n个标签时，标签特征序列两两之间进行相似性度量，构建n×n的相似度矩阵：
对所得相似度矩阵归一化处理：使相似度矩阵具有以下性质：
(a)自反性：标签自己与自己比较相似度为0，即sii＝0；
(b)对称性：以矩阵主对角线为对称轴，各相似度的值对应相等，即sij＝sji；
(c)非负性：所有相似度的值都大与0，即sij≥0；
(5)构建标签相对位置关系图
将所述相似度矩阵S根据如下式所示转化成邻接矩阵B：
其中，thre是预设的阈值，bij＝bji，并且矩阵大小与相似度矩阵相同；
根据所得连接矩阵，相对位置关系图表示为G(V,E)，其中V＝{vi|i＝1,2,…,N}是所有标签对应图中节点的集合，N是系统中标签总数，E＝{(vi,vj)|vi,vj∈V}是图中所有节点之间边的集合，当bij＝bji＝1时，(vi,vj)和(vj,vi)对应同一条边，并且每条边默认权值为1，所得相对位置关系图是一个无权无向图，得到相对位置关系图；
(6)相对位置关系图社区发现算法
对所得相对位置关系图利用Louvain社区发现算法获得标签的实际物理分组情况：
定义社区的模块度如下式：
其中，Wij表示节点i和节点j之间边的权重，ki＝∑jWij是与节点i连接的所有边的权重之和，表示图中所有边的权重之和，ci是节点i所属社区，如果ci＝cj则δ(ci,cj)为1，否则为0；
Louvain算法中还定义了模块度增益，用于衡量一个节点划分到一个社区中模块度的变化量，模块度增益计算如下：
其中，∑in是社区C中所有边的权重之和，∑tot是所有与社区C连接的边的权重之和，ki是所有与节点i相连的边的权重和，ki,in是在社区C中与节点i相连的所有边的权重之和，m是图中所有边的权重和；
(7)大规模标签应对机制
通过静默标签的方式，将多逻辑分组的场景转换为单个逻辑分组的场景，从而可以逐个检测每个逻辑分组的标签离群错置情况。
2.根据权利要求1所述的识别方法，其特征在于步骤(6)的Louvain社区发现算法还包括：
第一阶段，将图中所有节点分配到不同的社区中，随机选择一个节点i作为起点，考虑节点i任一邻节点j，计算节点i加入节点j所在社区的模块度增益ΔQ，节点i加入增益为正且值最大的邻节点所在社区中；如果没有正增益，节点i将留在原来的社区；对所有节点执行该过程；
第二阶段，对上一阶段划分结果进行社区聚合，构建一个新的图，新图中一个节点对应上一阶段中发现的一个社区，两个节点之间的边的权值则是上一阶段两个社区之间边的权值之和；上一阶段同一社区的节点之间的边会导致在新图中节点的自循环；
将这两个阶段定义为一个“pass”，迭代执行pass，直到没有更改，实现最大的模块度，即可输出检测到的社区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763648.4A CN113609880B (zh) | 2021-07-06 | 2021-07-06 | 一种离群错置rfid标签的识别方法及实现所述方法的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110763648.4A CN113609880B (zh) | 2021-07-06 | 2021-07-06 | 一种离群错置rfid标签的识别方法及实现所述方法的系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609880A CN113609880A (zh) | 2021-11-05 |
| CN113609880B true CN113609880B (zh) | 2024-04-19 |
Family
ID=78337341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110763648.4A Active CN113609880B (zh) | 2021-07-06 | 2021-07-06 | 一种离群错置rfid标签的识别方法及实现所述方法的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609880B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006256857A (ja) * | 2005-03-18 | 2006-09-28 | Omron Corp | 情報処理装置、情報処理方法、制御プログラム、制御プログラムを記録した記録媒体、および情報処理システム |
| CN106886524A (zh) * | 2015-12-15 | 2017-06-23 | 天津科技大学 | 一种基于随机游走的社会网络社区划分方法 |
| CN106998241A (zh) * | 2016-01-22 | 2017-08-01 | 东芝泰格有限公司 | 无线标签通信装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11321549B2 (en) * | 2019-11-07 | 2022-05-03 | Carnegie Mellon University | Method for extending the range of commercial passive RFID elements |
-
2021
- 2021-07-06 CN CN202110763648.4A patent/CN113609880B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006256857A (ja) * | 2005-03-18 | 2006-09-28 | Omron Corp | 情報処理装置、情報処理方法、制御プログラム、制御プログラムを記録した記録媒体、および情報処理システム |
| CN106886524A (zh) * | 2015-12-15 | 2017-06-23 | 天津科技大学 | 一种基于随机游走的社会网络社区划分方法 |
| CN106998241A (zh) * | 2016-01-22 | 2017-08-01 | 东芝泰格有限公司 | 无线标签通信装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于随机天线晃动的离群错置标签识别方法研究;于泳涛;信息科技;20220315(第3期);第1-59页 * |
| 自适应树形分组的盲分离射频识别系统防碰撞算法;穆宇超;张小红;;计算机应用;20150110(第01期);第19-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609880A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Multi-category RFID estimation | |
| US20210064909A1 (en) | Article management system, information processing apparatus, and control method and control program of information processing apparatus | |
| Cheng et al. | Analysis and simulation of RFID anti-collision algorithms | |
| Lai et al. | A novel query tree protocol with bit tracking in RFID tag identification | |
| Yu et al. | Missing tag identification in COTS RFID systems: Bridging the gap between theory and practice | |
| CN106778425B (zh) | 一种基于rfid的标签防碰撞算法 | |
| Lai et al. | Two couple-resolution blocking protocols on adaptive query splitting for RFID tag identification | |
| Vahedi et al. | Probabilistic analysis and correction of Chen's tag estimate method | |
| Liu et al. | Fast counting the key tags in anonymous RFID systems | |
| CN113609880B (zh) | 一种离群错置rfid标签的识别方法及实现所述方法的系统 | |
| CN104573593A (zh) | 一种基于帧时隙的欠定盲分离rfid防碰撞方法 | |
| Liu et al. | Fast and accurate missing tag detection for multi-category RFID systems | |
| Shen et al. | Broadband DOA estimation based on nested arrays | |
| CN111832632A (zh) | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 | |
| Zhao et al. | PRTS: A passive RFID real-time tracking system under the conditions of sparse measurements | |
| Li et al. | Evaluation of Centralized Reader Anti-Collision Protocols for Mobile RFID System Based on Maximum Independent Set: A Simulation Study | |
| Ferdous et al. | Comparative analysis of tag estimation algorithms on RFID EPC Gen-2 performance | |
| Quan et al. | Performance analysis of tag anti-collision algorithms for RFID systems | |
| Pupunwiwat et al. | Unified Q-ary tree for RFID tag anti-collision resolution | |
| Yu et al. | Encoding-based range detection in commodity RFID systems | |
| Yang et al. | Indoor Through-the-wall passive human target detection with WiFi | |
| Jung | A memory efficient anti-collision protocol to identify memoryless RFID tags | |
| Nguyen et al. | Efficient Missing‐Tag Event Detection Protocols to Cope with Unexpected Tags and Detection Error in RFID Systems | |
| Pupunwiwat et al. | Conceptual selective RFID anti-collision technique management | |
| Wang et al. | RSAR: A New Method for Accurate Localization of Tagged Objects Via RFID-equipped Robots |
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 |