CN114580588A - 基于概率矩阵模型的uhf rfid群标签选型方法 - Google Patents
基于概率矩阵模型的uhf rfid群标签选型方法 Download PDFInfo
- Publication number
- CN114580588A CN114580588A CN202210484156.6A CN202210484156A CN114580588A CN 114580588 A CN114580588 A CN 114580588A CN 202210484156 A CN202210484156 A CN 202210484156A CN 114580588 A CN114580588 A CN 114580588A
- Authority
- CN
- China
- Prior art keywords
- label
- model
- tag
- data
- sensitivity
- 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.)
- Granted
Links
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 provisious 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 provisious 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于概率矩阵模型的UHF RFID群标签选型方法,属于UHF RFID技术领域,采用对现场的群标签信号采样,结合标签的具体试验数据和读写器具体的试验数据,采用概率矩阵进行标签读写成功率的整体概率预测,结合现场的信道监测特征,最终在所有待选标签中,选择最优的匹配,达到标签的选型效果,解决了将对标签在实际场景中的表现进行预测,用标签可以被正确识读的概率作为标签在特定模型下的性能评价依据,更准确的将符合条件的标签筛选出来,给出标签的激活概率矩阵模型,可以更加客观的评价标签的性能的技术问题,实现了为评价标签的性能提供了可以量化的基于随机模型和概率的量化评分。
Description
技术领域
本发明属于UHF RFID技术领域,尤其涉及基于概率矩阵模型的UHF RFID群标签选型方法。
背景技术
基于应用场景的RFID标签和读写器的选型,一直是困扰RFID工程实施的一个难题;在接到一个项目的需求的时候,经常需要首先确定的问题是选择什么样的读写器、选择什么样的标签。目前这种选择很大程度上依赖于经验,另一方面即使经验丰富的工程师选定了某一个RFID读写器,在读写器部署到现场以后,仍然需要进行仔细的调试和反复的验证,才能使得实际效果比较理想。
对射频技术进行仿真目前已经有很多工具和方法可以利用,比如常见的有限元法、FDTD法,以及例如HFSS、COMSOL等多种微波物理场仿真工具,但是上述技术在应用到工程实际上效果不能令人满意,原因是首先这种严格遵循麦克斯韦理论的物理学仿真工具无法将工程现场的各种干扰和因素完全表征出来,实际上标签的读写成功率是一种概率事件,不能通过严格意义的电磁场和电磁波的物理学定律来计算;另外现场的情况非常复杂,如果要对现场的各种因素在仿真中全部考虑到,这是不现实的,仿真工作量太大会导致这种技术没有实际的商用价值。
目前也有一些技术对现场的技术要求进行建模,然后对标签进行评价,这种建模将标签的各种参数进行综合评价,适合于行业内的标签评级,不适合针对具体的场景进行标签选型。因为即使同样的行业,不同的场景也会有不同的应用需求,尤其在物流行业,物流场景内货物堆放比较复杂,如采用通用场景评价,和实际场景的误差会比较大。
现有的评价射频识别标签的性能,往往单纯的是从标签的各个指标的角度来评价标签。而评价和标签在实际场景中的表现,往往不一致,为了解决对标签在实际场景中的表现进行预测,需要解决的一个重要问题是如何将标签在实验室测试到的数据与实际的应用场景进行结合,这种结合必须是充分考虑到标签在实际场景中的各种可能的受影响的不确定因素。而这是目前的各种评价方法所不具备的。
发明内容
本发明的目的是提供基于概率矩阵模型的UHF RFID群标签选型方法,解决了将标签在实验室测试到的数据与实际的应用场景进行结合,对标签在实际场景中的表现进行预测,用标签可以被正确识读的概率作为标签在特定模型下的性能评价依据,更准确的将符合条件的标签筛选出来,给出标签的激活概率矩阵模型,可以更加客观的评价标签的性能的技术问题。
为实现上述目的,本发明采用如下技术方案:基于概率矩阵模型的UHF RFID群标签选型方法,包括如下步骤:
步骤1:选取数个型号相同并且在标准场景下具有相同性能数据的UHF RFID标签作为参考标签,设定参考标签在标准场景的性能数据为标准参考数据;
在对待评价的物流场景进行群标签信道采样时,以全部是固体填充物堆放托盘的物流场景为例,选取多个UHF RFID标签部署位置,在每一个UHF RFID标签部署位置上部署一个参考标签,同时部署多个UHF RFID天线,通过UHF RFID天线对所有参考标签进行激活灵敏度数据测量,得到每一个参考标签的基于托盘的标签激活灵敏度数据;
分别对每个参考标签的基于托盘的标签激活灵敏度数据和标准参考数据进行差值计算,将得到的差值结果作为训练模型的依据,对托盘模型进行全频域训练,得到群标签参数的数学模型,即群标签参数模型;
步骤2:以信道能量损耗变量与参考标签的最小激活功率之间的M维协方差向量的L2范数为目标函数,用目标函数最速梯度下降法求解群标签参数模型的关键参数,将参考标签本身影响参数与群标签参数模型的模型信道剥离,使得被剥离出来的群标签参数模型与参考标签无关,进而使被剥离出来的群标签参数模型同样与带评价标签无关;
步骤3:分别采用固体食品、柔软的织物和饮料这三种物体填充物重新堆放托盘,并根据步骤1和步骤2的方法进行计算,从而对群标签参数模型进行训练,使群标签参数模型的模型参数随机化,得到群标签参数随机变量模型;
步骤4:在群标签参数随机变量模型中,将参考标签替代成待评价标签,即采用群标签参数随机变量模型预测待评价标签的激活灵敏度频域曲线,从而得到待评价标签在群标签参数随机变量模型下的灵敏度评价矩阵,对灵敏度评价矩阵进行归一化处理后得到标签的激活概率目标评价矩阵;
将激活概率目标评价矩阵作为待评价标签的特征评价矩阵,通过以M个位置N个频段的标签激活概率的平均值为随机变量,其中M和N的取值为正整数,以所述随机变量的95%置信区间的激活概率为评分标准,为待评价标签的性能进行评分;
步骤5:将不期望被读取的位置部署上参考标签,设定处于不期望被读取的位置的参考标签为不期望读取标签,并通过增加UHF RFID综合性能测试仪的发射功率,使得不期望读取标签被正确激活;
根据步骤1到步骤4的方法,计算得到不期望读取标签的灵敏度评价矩阵,从
而得到以不期望读取标签与期望被读取的参考标签之间的保护间距,即目标函数 ,以所有参与评价的待评价标签为空间进行搜索寻找目标函数最大的标签,
从而筛选出适合物流场景的标签;
优选的,在执行步骤1时,所述参考标签的性能数据包括激活灵敏度曲线数据、标签的方向性灵敏度降级数据、标签的雷达散射截面数据、标签的附着介质降级数据和以及标签的芯片能量损耗数据;
所述参考标签的性能数据的测试环境为在无附着物体平放时采用标准测试方法测试。
所述标签部署位置为能够标识出物流场景中货物堆叠地或托盘的典型位置;
所述物流场景中设有龙门架,所有所述UHF RFID天线均部署在龙门架上,所述UHFRFID天线与UHF RFID综合性能测试仪电连接。
优选的,在执行步骤1时,根据参考标签的位置,得到参考标签的全频域N个频点M个标签位置的灵敏度降级矩阵:
其中, 为i个频点第j个参考标
签的球坐标向量,为参考标签在标准测试场景下平放时的球坐标向量,为标
准场景下根据参考标签的俯仰角测试数据拟合而来的用于得到参考标签的标签方向性灵
敏度降级球坐标二维函数,是第i个频点第j个参考标签部署位置的球坐标
在所述二维函数中对应的标签方向性灵敏度降级数据,是一个具有俯仰角的在标准球
面上的球坐标向量。
优选的,在执行步骤2时,具体包括如下步骤:
步骤S2-1:在标准场景下测试得到附着在物体上的参考标签的前向激活功率,
在物流场景中群标签参数模型的信道能量损耗为,其中N表示全频域N个频
点,M表示M个标签,M和N的取值均为正整数,是N维单位向量,代表了频域的平坦衰落;
是M维信道能量损耗向量,代表了M个位置对应的信道能量损耗数据,T代表向量的转置运
算,方向匹配降级系数为a,雷达散射截面关联系数为b,附着介质降级系数为c,标签的芯片
损耗系数d;
根据所述灵敏度降级矩阵,得到矩阵方程如下:
其中,为每个频点对应的雷达散射截面数据组成的N维向量,为参考标签
在物流场景下的性能测量数据,为由系数b组成的M维向量,为与频率有关的方向性灵
敏度降级数据组成的N维向量,为由系数c组成的M维向量,是参考标签的标准测试场
景芯片能量损耗数据组成的N维向量,为系数d组成的M维向量,,
为第M个标签位置所对应的信道能量损耗,表示前向激活功率;
其中,代表 在频域合并以后的M个位置的信道能量损耗数据向量,代
表M个位置的参考标签的灵敏度实测数据 在频域合并以后的向量,M维协方差向量在理想的情况下逼近于0,即参考标签本身的影响因素与信道本身的影响因素
完全剥离;
在多维空间,以目标函数 最小化为目标,以最速梯度
下降法,在各个系数的取值 的区间范围内进行有条件约束最优化搜索,从而
对步骤S2-1中的所述矩阵方程进行求解,从而将参考标签除信道能量损耗以外的因素剥离
出来。
优选的,在执行步骤3时,包括如下步骤:
步骤S3-1:在物流场景中,采用群标签参数模型分别对托盘的货物为固体食品、托盘的货物为柔软的织物和托盘的货物为饮料的三种场景分别进行采样,通过对群标签参数模型进行计算,分别确定三种场景下的参数模型信道能量损耗的取值范围、方向匹配降级系数的取值范围、雷达散射截面关联系数的取值范围、附着介质降级系数的取值范围和标签的芯片损耗系数的取值范围;
步骤S3-2:在任意一个在物流场景中混合各种货物的场景A中,对群标签参数模型进行估计:参数模型信道能量损耗为步骤S3-1中参数模型信道能量损耗的取值范围中按照均匀分布的随机矩阵变量;
方向匹配降级系数为步骤S3-1中方向匹配降级系数的取值范围中按照均匀分布的随机矩阵变量;
雷达散射截面关联系数为步骤S3-1中雷达散射截面关联系数的取值范围中均匀分布的随机变量;
附着介质降级系数为步骤S3-1中附着介质降级系数的取值范围中均匀分布的随机变量;
标签的芯片损耗系数的取值范围为步骤S3-1中标签的芯片损耗系数的取值范围中均匀分布的随机变量;
步骤S3-2:根据步骤3-2的结果,构建适用于场景A的新的随机模型,即群标签参数随机变量模型。
优选的,在执行步骤4时,具体包括如下步骤:
步骤S4-1:对步骤S2-1中的矩阵方程进行变换,得到激活灵敏度频域矩阵方程:
步骤S4-2:将待评价标签在标准场景中测试得到的前向激活功率和灵敏度降
级矩阵 ,以及待评价标签的每个频点对应的雷达散射截面数据组成的N维向量 、
附着介质与频率有关的方向性灵敏度降级数据组成的N维向量 和参考标签的标准测试
场景芯片能量损耗数据组成的N维向量 代入到激活灵敏度频域矩阵方程中,同时将步骤
S2-3对矩阵方程中的求解值代入到激活灵敏度频域矩阵方程中,从而计算出待评价
标签在群标签参数随机变量模型下的反映了M个标签在频域的可能被激活的
程度;
步骤S4-5:在对待评价的物流场景进行群标签信道采样的时候,只有 为
全部大于1的待评价标签才能选入优选的标签队列中去;对于 部分小于1的情况,
在所有标签中推荐一个最合理的标签,则使用矩阵的 做测度,根据
测度来判断最优标签,根据激活概率目标评价矩阵 的平均值,做为物流场景下的
评分依据,并对待评价标签进行评分。
本发明所述的基于概率矩阵模型的UHF RFID群标签选型方法,解决了采用现场的群标签采样,结合标签的具体试验数据和读写器具体的试验数据,采用概率矩阵进行标签读写的整体概率预测,结合现场的信道监测特征,最终在所有待选标签和读写器中,选择最优的匹配,达到标签和读写器的选型效果的技术问题,本发明基于机器学习的物流场景下,对UHF RFID标签的性能进行评价的方法,可以基于性能数据已知的参考标签以及在模型中对该参考标签的数据进行采样,通过采样得到的数据,在频域对该模型进行训练,提取模型中的关键参数,并建立群标签参数模型。这种定量的物流场景下的UHF RFID标签的性能预测模型是第一次被建立,并且该模型不是一个具体的常数模型,而是一个随机变量模型,本发明采用固体食品、柔软的织物、饮料三种常见的物体填充物,对该物流模型进行充分训练,获得模型关键参数的取值范围,对混合运输模型提出采用均匀分布特征的随机变量来模拟真实的物流运输模型,本发明以信道能量损耗变量与标签最小激活功率之间的M维协方差向量的L2范数为目标函数,用目标函数最速梯度下降法求解模型关键参数,使得被剥离出来的模型与待评价标签无关,本发明为评价标签的性能提供了可以量化的基于随机模型和概率的量化评分,本发明可以综合评价不期望被读取的标签与期望被读取的标签的标签性能,本发明采用随机模型的机器学习模型参数训练系统,以及标签性能评级和推荐系统,通过该系统对UHF RFID标签的物流场景下的群标签性能代入该随机模型进行预测和评价,最终推选出最适合该物流场景的标签,并为读写器的发射功率设置提供预测。
附图说明
图1是本发明的UHF RFID标签在标准场景下的测试示意图;
图2是本发明的UHF RFID标签在物流场景下以托盘为例的测试示意图;
图3是本发明的UHF RFID标签评价结果示意图;
图4是本发明的单个UHF RFID标签在标准场景下的性能曲线图;
图5是本发明的多个UHF RFID标签的代入物流场景模型后的性能预测曲线图;
图中:上位机电脑1、UHF RFID综合性能测试仪2、UHF RFID天线3、UHF RFID标签4、360度旋转平台5、龙门架6、托盘7。
具体实施方式
标签在实际应用场景中,即使性能非常良好的标签,也很难做到百分之百的识读率,影响识读率的因素必须在标签的评价中考虑进去;另一方面来说,通过能够被正确识读的概率作为标签性能的评价依据,更容易被用户所接受。而用标签可以被正确识读的概率作为标签在特定模型下的性能评价依据,可以更准确的将符合条件的标签筛选出来。这种评价方法也有助于标签设计企业找到针对某场景下提升标签性能的方法。
评价射频识别标签的模型,该模型必须对物流场景下可能影响标签性能的因素进行分析和总结,并进行数学建模,使得模型可以被量化。模型的定义对于检测方法也有很强的指导意义。本发明的评价模型可以给出标签的激活概率矩阵模型,可以更加客观的评价标签的性能。
由图1-图5所示的基于概率矩阵模型的UHF RFID群标签选型方法,包括如下步骤:
步骤1:选取数个型号相同并且在标准场景下具有相同性能数据的UHF RFID标签4作为参考标签,设定参考标签在标准场景的性能数据为标准参考数据;
在对待评价的物流场景进行群标签信道采样时,以全部是固体填充物堆放托盘的物流场景为例,选取多个UHF RFID标签4部署位置,在每一个UHF RFID标签4部署位置上部署一个参考标签,同时部署多个UHF RFID天线3,通过UHF RFID天线3对所有参考标签进行激活灵敏度数据测量,得到每一个参考标签的基于托盘的标签激活灵敏度数据;
分别对每个参考标签的基于托盘的标签激活灵敏度数据和标准参考数据进行差值计算,将得到的差值结果作为训练模型的依据,对托盘模型进行全频域训练,得到群标签参数的数学模型,即群标签参数模型;
在执行步骤1时,所述参考标签的性能数据包括激活灵敏度曲线数据、标签的方向性灵敏度降级数据、标签的雷达散射截面数据、标签的附着介质降级数据和以及标签的芯片能量损耗数据;
如图1所示,在标准场景下,所述参考标签的性能数据的测试环境为在无附着物体平放时采用标准测试方法测试,所述标准测试场景中设有龙门架6,所有所述UHF RFID天线3均部署在龙门架6上,所述UHF RFID天线3与UHF RFID综合性能测试仪2电连接。UHF RFID综合性能测试仪2用于读取由UHF RFID天线3获取的UHF RFID信号,在本实施例中参考标签被放置在一个360度旋转可调整俯仰角的360度旋转平台5上,转台上放置泡沫海绵消除附着介质对标签性能的影响,方便对参考标签的性能进行测试,上位机电脑1与UHF RFID综合性能测试仪2通过数据线通信,从而获取UHF RFID综合性能测试仪2对标签的采集数据。如图2所示,在物流场景下,所述标签部署位置为能够标识出物流场景中货物堆叠地或托盘的典型位置;并将标准测试场景中的转台更换到真实的物流托盘7,托盘7上堆放有货物,在货物的表面贴附有UHF RFID标签4。
对标签的性能影响的各个因素需要量化,标签方向性灵敏度降级数据取自于标签
在待测环境中标签的位置变化时其灵敏度测试曲线与标签平放的时候灵敏度测试的数据
的差值。由于标签的方向与读写器天线的方向不匹配会导致标签的性能降级,因此将标签
的性能降级在工作频点上的降级情况,可以描述为标签平面与读写器天线平面在球坐标系
下的标签性能降级的二维函数,该二维函数是由读写器相对于标签的俯仰角测量数据拟合
而来的可以得到函数 ; 是一个具有俯仰角的在标准球面上的球坐标向量。但
实际上,由于天线和标签的相对位置在实际应用中可能都不是绝对水平或垂直的,在模型
中我们需要的是实际标签和标准测试场景的标签的相对俯仰角,根据
相对俯仰角可以求得相对应的灵敏度降级程度。在每一个频点上都进行这样的拟合可以得
到N个频点的N个灵敏度降级函数。
本实施例中,根据参考标签的位置,得到参考标签的全频域N个频点M个标签位置的灵敏度降级矩阵:
其中, 为i个频点第j个参考标
签的球坐标向量,为参考标签在标准测试场景下平放时的球坐标向量,为标
准场景下根据参考标签的俯仰角测试数据拟合而来的用于得到参考标签的标签方向性灵
敏度降级球坐标二维函数,是第i个频点第j个参考标签部署位置的球坐标
在所述二维函数中对应的标签方向性灵敏度降级数据, 是一个具有俯仰角的在标准
球面上的球坐标向量。
本实施例中,根据托盘的场景,建立数学模型,模型设定为:从龙门架6到标签的信号衰减是由多个部分的因素在系数的影响下线性组合而成的,各个因素的影响程度是通过调整系数,可以逼近各个因素对标签影响的真实情况。
步骤2:以信道能量损耗变量与参考标签的最小激活功率之间的M维协方差向量的L2范数为目标函数,用目标函数最速梯度下降法求解群标签参数模型的关键参数,将参考标签本身影响参数与群标签参数模型的模型信道剥离,使得被剥离出来的群标签参数模型与参考标签无关,进而使被剥离出来的群标签参数模型同样与带评价标签无关;
在执行步骤2时,具体包括如下步骤:
步骤S2-1:在标准场景下测试得到附着在物体上的参考标签的前向灵敏度激活功
率,为了简化模型假设信道是平坦的,群标签参数模型的模型信道能量损耗为 ,其中N表示全频域N个频点,M表示M个标签,M和N的取值均为正整数,是N
维单位向量,代表了频域的平坦衰落;是M维信道能量损耗向量,代表了M个位置对应的
信道能量损耗数据,T代表向量的转置运算,方向匹配降级系数为a,雷达散射截面关联系数
为b,附着介质降级系数为c,标签的芯片损耗系数d;
根据所述灵敏度降级矩阵,得到矩阵方程如下:
其中,为每个频点对应的雷达散射截面数据组成的N维向量,为参考标签
在物流场景下测试的性能测量数据,为由系数b组成的M维向量,为与频率有关的方向
性灵敏度降级数据组成的N维向量,为由系数c组成的M维向量,是参考标签的标准测
试场景芯片能量损耗数据组成的N维向量,为系数d组成的M维向量,其中未知数为 ,为了简化模型期间,设定 是由 四个常数系
数所构成向量,则总未知数个数为 个未知数,总方程个数为 个方程,
为了求解该线性方程组,实际上就是根据 ,按照一定
的系数 ,将标签除了信道能量损耗以外的因素尽可能分离出来,将受标签本
身影响的信道能量损耗因素分离的越多,则剩下的 与标签的相关性就越小。不同的标
签由于设计原因,在频域呈现不同的频谱特征,而单纯的无线电信道对电磁波的损耗与标
签的频谱特征无关,因此我们可以利用这一特征,作为求解系数的重要工具。
在 多维空间,以目标函数 最小化为目标,以最速梯
度下降法,在各个系数的取值 的区间范围内进行有条件约束最优化搜索,从
而对步骤S2-1中的所述矩阵方程进行求解,从而将参考标签除信道能量损耗以外的因素剥
离出来。
根据经过以上训练的模型,根据标签在一部分频点上的真实测量数据,预测标签在其它频率点上的表现,证明了本模型具备良好的频域可复现性。
步骤3:分别采用固体食品、柔软的织物和饮料这三种物体填充物重新堆放托盘,并根据步骤1和步骤2的方法进行计算,从而对群标签参数模型进行训练,使群标签参数模型的模型参数随机化,得到群标签参数随机变量模型;
具体步骤包括:
步骤S3-1:在物流场景中,采用群标签参数模型分别对托盘7的货物为固体食品、托盘7的货物为柔软的织物和托盘7的货物为饮料的三种场景分别进行采样,通过对群标签参数模型进行计算,分别确定三种场景下的参数模型信道能量损耗的取值范围、方向匹配降级系数的取值范围、雷达散射截面关联系数的取值范围、附着介质降级系数的取值范围和标签的芯片损耗系数的取值范围;
步骤S3-2:在任意一个在物流场景中混合各种货物的场景A中,对群标签参数模型进行估计:参数模型信道能量损耗为步骤S3-1中参数模型信道能量损耗的取值范围中按照均匀分布的随机矩阵变量;
方向匹配降级系数为步骤S3-1中方向匹配降级系数的取值范围中按照均匀分布的随机矩阵变量;
雷达散射截面关联系数为步骤S3-1中雷达散射截面关联系数的取值范围中均匀分布的随机变量;
附着介质降级系数为步骤S3-1中附着介质降级系数的取值范围中均匀分布的随机变量;
标签的芯片损耗系数的取值范围为步骤S3-1中标签的芯片损耗系数的取值范围中均匀分布的随机变量;
步骤S3-2:根据步骤3-2的结果,构建适用于场景A的新的随机模型,即群标签参数随机变量模型。
在本实施例中,在物流场景下,首先采用群标签参数模型对全部是固体食品的物
体进行堆放,并进行采样,通过对群标签参数模型进行计算,确定参数模型信道能量损耗为 ,方向匹配降级系数为 ,雷达散射截面关联系数为 ,附着介质降级系数 ,
标签的芯片损耗系数 ;对托盘7的货物为柔软的织物进行采样,确定参数模型信道能量
损耗为 ,方向匹配降级系数为 ,雷达散射截面关联系数为 ,附着介质降级系
数为 ,标签的芯片损耗系数 ;对托盘7的货物为饮料进行采样,确定模型的确定参数
模型信道能量损耗为 ,方向匹配降级系数为 ,雷达散射截面关联系数为,附
着介质降级系数为 ,标签的芯片损耗系数 ;根据以上多次测量数据,得到各个模型
基本参数的取值范围:
基于标准场景的参数提取和实验,可以对于物流场景中的混合对方各种物品的场
景的模型进行估计,模型的确定参数模型信道能量损耗为取值范围为 中按照均匀分布的随机矩阵变量,方向匹配降级系数为取值范
围为 中均匀分布的随机变量,雷达散射截面关联系数为取值范围为 中均匀分布的随机变量;
步骤4:在群标签参数随机变量模型中,将参考标签替代成待评价标签,即采用群标签参数随机变量模型预测待评价标签的激活灵敏度频域曲线,从而得到待评价标签在群标签参数随机变量模型下的灵敏度评价矩阵,对灵敏度评价矩阵进行归一化处理后得到标签的激活概率目标评价矩阵;
将激活概率目标评价矩阵作为待评价标签的特征评价矩阵,通过以M个位置N个频段的标签激活概率的平均值为随机变量,其中M和N的取值为正整数,以所述随机变量的95%置信区间的激活概率为评分标准,为待评价标签的性能进行评分;
由于与标签无关的信道模型已经提取出来了,在读写器按照同样的发射功率和发
射天线的部署方式,可以用该模型预测新的标签在该的随机模型中的识读概率,因此采用
随机生成的新模型,矩阵方程进行变换,得到激活灵敏度频域曲线方程,将待评估标签按照
标准测试方法测试到的前向激活功率 ,将待评估标签在标准场景下测试得到的俯仰
角灵敏度降级信息 ,以及该待评估标签的雷达散射截面 ,该待评估标签的附着介
质灵敏度降级数据 ,该待评估标签的芯片能量损耗数据 ,以及该模型在公式1中计
算得到的 代入激活灵敏度频域曲线方程中进行求解,具体包括如下步骤:
步骤S4-1:对步骤S2-1中的矩阵方程进行变换,得到激活灵敏度频域矩阵方程:
步骤S4-2:将待评价标签在标准场景中测试得到的前向激活功率和俯仰角灵
敏度降级信息 ,以及待评价标签的雷达散射截面、附着介质灵敏度降级数据
和芯片能量损耗数据 代入到激活灵敏度频域矩阵方程中,同时将步骤S2-3对矩阵方程
中 的求解值代入到激活灵敏度频域矩阵方程中,从而计算出待评价标签在群标签
参数随机变量模型下的激活灵敏度频域矩阵 反映了M个标签在频域的可能被
激活的程度;
步骤S4-3:由于读写器工作在跳频模式,因此取N个跳频频点作为工作频点,则在
标签的整个工作频域形成了待评价标签在该模型场景下的灵敏度评价矩阵,取N个跳频频
点作为工作频点,根据 得到待评价标签的灵敏度评价矩阵:
步骤S4-5:在对待评价的物流场景进行群标签信道采样的时候,只有 为
全部大于1的待评价标签才能选入优选的标签队列中去;对于 部分小于1的情况,
在所有标签中推荐一个最合理的标签,则使用矩阵的 做测度,根据
测度来判断最优标签,根据激活概率目标评价矩阵 的平均值,做为物流场景下的
评分依据,并对待评价标签进行评分。
激活概率目标评价矩阵为标签的特征评价矩阵;在待评价的目标场景进行群标签
信道采样的时候,只有 为全部大于1的标签才能进入优选的标签队列中去;对于 部分小于1的情况,在所有标签中推荐一个最合理的标签,则使用做测度,根据该矩阵的测度来判断最优标签。根据上述标签激活概率
矩阵的平均值,做为真正物流场景下评分依据;需要说明的是上述的标签激活概率矩阵的
信道频率范围可以进行间隔性选择,如果现场工作在定频则只选择一个信道的数据进行评
价。由于对 的评价为在随机模型下进行的评价,因此标签的激活概率在随机模型
中是变化的。对于 全部为0的情况,则认为该标签完全不能满足该场景的使用需
求。
基于上述算法,将标签的平均激活概率按照95%置信区间激活概率在1以上,定义标签评分为10分,将标签的平均激活概率按照95%置信区间激活概率在0.9以上,定义标签评分为10分,以此类推,可定义在随机模型下,95%置信区间的标签平均激活概率乘以10,即为标签的评分。推荐采用评分为5分以上的标签才能被采用,分数越高,推荐等级越高。图3为依据上述方法,对一批标签的性能进行评价所得到的评分值的散布图。
步骤5:将不期望被读取的位置部署上参考标签,设定处于不期望被读取的位置的参考标签为不期望读取标签,并通过增加UHF RFID综合性能测试仪2的发射功率,使得不期望读取标签被正确激活;
根据步骤1到步骤4的方法,计算得到不期望读取标签的灵敏度评价矩阵 ,
从而得到以不期望读取标签与期望被读取的参考标签之间的保护间距,即目标函数 ,以所有参与评价的待评价标签为空间进行搜索寻找目标函数最大的标签,从
而筛选出适合物流场景的标签;
在很多实际的使用场景下,往往还需要指定在一定范围内的标签允许被激活,而
在一定范围以外的标签则不能被激活,以防止标签被误读。比如在物流通道内的标签可以
被正常激活,而在物流通道两侧堆放的货物上的标签则不能被激活。本发明在上述步骤1对
标签部署位置进行采样的时候,可以将不期望被读取的位置但与正常希望被读取到的位置
很接近的地方也部署上相应的参考标签,并通过增加读写器的发射功率,使得这些标签可
以被正确激活。对这些标签进行同样的信道模型训练,基于该不期望读取的模型代入真实
的待评估标签的性能参数,一样也可以得到在不期望读取位置上的 ,因此如果,则说明在这样的待评估标签的性能数据代入得情况下,不期望被读取
的标签与期望被读取的标签之间的最小激活功率至少有 的保护间距,否则这样的标
签是不适用于该场景的。通过以 为目标函数,以所有参与评价的待评价标
签为空间进行搜索寻找目标函数最大的标签,可以筛选出最适合该场景的标签,同时该标
签的 的评价得分要在5分以上。将读写器功率设置为和 的中间值,则是读
写器发射功率的最佳点。
图4为标准场景下,标签的灵敏度性能曲线图;图5对标签在物流场景下的标签性能进行预测,通过图5可以看出,本方法可以有效的根据标准场景下标签的性能曲线对物流场景下群标签的性能曲线进行随机分布的预测。而且通过对不期望读取的标签位置和期望读取的标签位置进行组合建模,可以清楚的看到在预测曲线中上部为不期望读取位置的标签性能曲线,下部为期望读取位置的标签性能曲线,两部分中间有一定的保护间隔区域。
本发明定义了一种基于机器学习的物流场景下,对UHF RFID标签4的性能进行评价的方法,该方法可以基于性能数据已知的参考标签以及在模型中对该参考标签的数据进行采样,通过采样得到的数据,在频域对该模型进行训练,提取模型中的关键参数,并建立群标签参数模型。这种定量的物流场景下的UHF RFID标签4的性能预测模型是第一次被建立,并且该模型不是一个具体的常数模型,而是一个随机变量模型。本发明详细给出了模型中涉及到的标签的关键参数包括激活灵敏度曲线数据,标签的方向性灵敏度降级数据,标签的雷达散射截面数据,标签的附着介质降级数据,以及标签的芯片能量损耗数据。
本发明所述的基于概率矩阵模型的UHF RFID群标签选型方法,解决了采用现场的群标签采样,结合标签的具体试验数据和读写器具体的试验数据,采用概率矩阵进行标签读写的整体概率预测,结合现场的信道监测特征,最终在所有待选标签和读写器中,选择最优的匹配,达到标签和读写器的选型效果的技术问题,本发明基于机器学习的物流场景下,对UHF RFID标签4的性能进行评价的方法,可以基于性能数据已知的参考标签以及在模型中对该参考标签的数据进行采样,通过采样得到的数据,在频域对该模型进行训练,提取模型中的关键参数,并建立群标签参数模型。这种定量的物流场景下的UHF RFID标签4的性能预测模型是第一次被建立,并且该模型不是一个具体的常数模型,而是一个随机变量模型,本发明采用固体食品、柔软的织物、饮料三种常见的物体填充物,对该物流模型进行充分训练,获得模型关键参数的取值范围,对混合运输模型提出采用均匀分布特征的随机变量来模拟真实的物流运输模型,本发明以信道能量损耗变量与标签最小激活功率之间的M维协方差向量的L2范数为目标函数,用目标函数最速梯度下降法求解模型关键参数,使得被剥离出来的模型与待评价标签无关,本发明为评价标签的性能提供了可以量化的基于随机模型和概率的量化评分,本发明可以综合评价不期望被读取的标签与期望被读取的标签的标签性能,本发明采用随机模型的机器学习模型参数训练系统,以及标签性能评级和推荐系统,通过该系统对UHF RFID标签4的物流场景下的群标签性能代入该随机模型进行预测和评价,最终推选出最适合该物流场景的标签,并为读写器的发射功率设置提供预测。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (6)
1.基于概率矩阵模型的UHF RFID群标签选型方法,其特征在于:包括如下步骤:
步骤1:选取数个型号相同并且在标准场景下具有相同性能数据的UHF RFID标签(4)作为参考标签,设定参考标签在标准场景的性能数据为标准参考数据;
在对待评价的物流场景进行群标签信道采样时,以全部是固体填充物堆放托盘的物流场景为例,选取多个UHF RFID标签(4)部署位置,在每一个UHF RFID标签(4)部署位置上部署一个参考标签,同时部署多个UHF RFID天线(3),通过UHF RFID天线(3)对所有参考标签进行激活灵敏度数据测量,得到每一个参考标签的基于托盘的标签激活灵敏度数据;
分别对每个参考标签的基于托盘的标签激活灵敏度数据和标准参考数据进行差值计算,将得到的差值结果作为训练模型的依据,对托盘模型进行全频域训练,得到群标签参数的数学模型,即群标签参数模型;
步骤2:以信道能量损耗变量与参考标签的最小激活功率之间的M维协方差向量的L2范数为目标函数,用目标函数最速梯度下降法求解群标签参数模型的关键参数,将参考标签本身影响参数与群标签参数模型的模型信道剥离,使得被剥离出来的群标签参数模型与参考标签无关,进而使被剥离出来的群标签参数模型同样与待评价标签无关;
步骤3:分别采用固体食品、柔软的织物和饮料这三种物体填充物重新堆放托盘,并根据步骤1和步骤2的方法进行计算,从而对群标签参数模型进行训练,使群标签参数模型的模型参数随机化,得到群标签参数随机变量模型;
步骤4:在群标签参数随机变量模型中,将参考标签替代成待评价标签,即采用群标签参数随机变量模型预测待评价标签的激活灵敏度频域曲线,从而得到待评价标签在群标签参数随机变量模型下的灵敏度评价矩阵,对灵敏度评价矩阵进行归一化处理后得到标签的激活概率目标评价矩阵;
将激活概率目标评价矩阵作为待评价标签的特征评价矩阵,通过以M个位置N个频段的标签激活概率的平均值为随机变量,其中M和N的取值为正整数,以所述随机变量的95%置信区间的激活概率为评分标准,为待评价标签的性能进行评分;
步骤5:将不期望被读取的位置部署上参考标签,设定处于不期望被读取的位置的参考标签为不期望读取标签,并通过增加UHF RFID综合性能测试仪(2)的发射功率,使得不期望读取标签被正确激活;
根据步骤1到步骤4的方法,计算得到不期望读取标签的灵敏度评价矩阵,从而得
到以不期望读取标签与期望被读取的参考标签之间的保护间距,即目标函数 ,以所有参与评价的待评价标签为空间进行搜索寻找目标函数最大的标签,
从而筛选出适合物流场景的标签;
2.如权利要求1所述的基于概率矩阵模型的UHF RFID群标签选型方法,其特征在于:在执行步骤1时,所述参考标签的性能数据包括激活灵敏度曲线数据、标签的方向性灵敏度降级数据、标签的雷达散射截面数据、标签的附着介质降级数据和以及标签的芯片能量损耗数据;
所述物流场景中设有龙门架(6),所有所述UHF RFID天线(3)均部署在龙门架(6)上,所述UHF RFID天线(3)与UHF RFID综合性能测试仪(2)电连接。
4.如权利要求3所述的基于概率矩阵模型的UHF RFID群标签选型方法,其特征在于:在执行步骤2时,具体包括如下步骤:
步骤S2-1:在标准场景下测试得到附着在物体上的参考标签的前向激活功率,在物
流场景中群标签参数模型的信道能量损耗为,其中N表示全频域N个频点,M
表示M个标签,M和N的取值均为正整数,是N维单位向量,代表了频域的平坦衰落;是M
维信道能量损耗向量,代表了M个位置对应的信道能量损耗数据,T代表向量的转置运算,方
向匹配降级系数为a,雷达散射截面关联系数为b,附着介质降级系数为c,标签的芯片损耗
系数d;
根据所述灵敏度降级矩阵,得到矩阵方程如下:
其中,为每个频点对应的雷达散射截面数据组成的N维向量,为参考标签在物
流场景下的性能测量数据,为由系数b组成的M维向量,为与频率有关的方向性灵敏度
降级数据组成的N维向量,为由系数c组成的M维向量,是参考标签的标准测试场景芯
片能量损耗数据组成的N维向量,为系数d组成的M维向量,,为第M
个标签位置所对应的信道能量损耗,表示前向激活功率;
其中,代表 在频域合并以后的M个位置的信道能量损耗数据向量,代表M
个位置的参考标签的灵敏度实测数据在频域合并以后的向量,M维协方差向量在理想的情况下逼近于0,即参考标签本身的影响因素与信道本身的影响因素
完全剥离;
5.如权利要求4所述的基于概率矩阵模型的UHF RFID群标签选型方法,其特征在于:在执行步骤3时,包括如下步骤:
步骤S3-1:在物流场景中,采用群标签参数模型分别对托盘(7)的货物为固体食品、托盘(7)的货物为柔软的织物和托盘(7)的货物为饮料的三种场景分别进行采样,通过对群标签参数模型进行计算,分别确定三种场景下的参数模型信道能量损耗的取值范围、方向匹配降级系数的取值范围、雷达散射截面关联系数的取值范围、附着介质降级系数的取值范围和标签的芯片损耗系数的取值范围;
步骤S3-2:在任意一个在物流场景中混合各种货物的场景A中,对群标签参数模型进行估计:参数模型信道能量损耗为步骤S3-1中参数模型信道能量损耗的取值范围中按照均匀分布的随机矩阵变量;
方向匹配降级系数为步骤S3-1中方向匹配降级系数的取值范围中按照均匀分布的随机矩阵变量;
雷达散射截面关联系数为步骤S3-1中雷达散射截面关联系数的取值范围中均匀分布的随机变量;
附着介质降级系数为步骤S3-1中附着介质降级系数的取值范围中均匀分布的随机变量;
标签的芯片损耗系数的取值范围为步骤S3-1中标签的芯片损耗系数的取值范围中均匀分布的随机变量;
步骤S3-2:根据步骤3-2的结果,构建适用于场景A的新的随机模型,即群标签参数随机变量模型。
6.如权利要求5所述的基于概率矩阵模型的UHF RFID群标签选型方法,其特征在于:在执行步骤4时,具体包括如下步骤:
步骤S4-1:对步骤S2-1中的矩阵方程进行变换,得到激活灵敏度频域矩阵方程:
步骤S4-2:将待评价标签在标准场景中测试得到的前向激活功率和灵敏度降级矩
阵 ,以及待评价标签的每个频点对应的雷达散射截面数据组成的N维向量 、附着
介质与频率有关的方向性灵敏度降级数据组成的N维向量 和参考标签的标准测试场景
芯片能量损耗数据组成的N维向量 代入到激活灵敏度频域矩阵方程中,同时将步骤S2-3
对矩阵方程中的求解值代入到激活灵敏度频域矩阵方程中,从而计算出待评价标签
在群标签参数随机变量模型下的反映了M个标签在频域的可能被激活的程度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484156.6A CN114580588B (zh) | 2022-05-06 | 2022-05-06 | 基于概率矩阵模型的uhf rfid群标签选型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484156.6A CN114580588B (zh) | 2022-05-06 | 2022-05-06 | 基于概率矩阵模型的uhf rfid群标签选型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580588A true CN114580588A (zh) | 2022-06-03 |
CN114580588B CN114580588B (zh) | 2022-08-12 |
Family
ID=81767514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210484156.6A Active CN114580588B (zh) | 2022-05-06 | 2022-05-06 | 基于概率矩阵模型的uhf rfid群标签选型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580588B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764101A (zh) * | 2024-02-22 | 2024-03-26 | 成都普什信息自动化有限公司 | 基于rfid标签的酒类产品防伪验证方法、系统及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005122057A1 (en) * | 2003-06-20 | 2005-12-22 | Zih Corp. | Xml printer system with rfid capability |
CA2856925A1 (en) * | 2006-12-20 | 2008-07-03 | Richard T. Knadle, Jr. | Frequency selective surface aids to the operation of rfid products |
US20140364976A1 (en) * | 2013-06-06 | 2014-12-11 | Zih Corp. | Performance analytics based on real-time data for proximity and movement of objects |
CN106446733A (zh) * | 2015-11-13 | 2017-02-22 | 湖南大学 | 一种uhf rfid etc应用的标签接收功率预测方法 |
CN106951471A (zh) * | 2017-03-06 | 2017-07-14 | 浙江工业大学 | 一种基于svm的标签发展趋势预测模型的构建方法 |
CN107947835A (zh) * | 2017-11-15 | 2018-04-20 | 中京复电(上海)电子科技有限公司 | 一种有源uhf rfid标签的测试方法 |
CN110727840A (zh) * | 2019-09-27 | 2020-01-24 | 浙江大搜车软件技术有限公司 | 车辆问询标签推送方法、装置、计算机设备和存储介质 |
US20200192608A1 (en) * | 2018-12-17 | 2020-06-18 | Zebra Technologies Corporation | Method for improving the accuracy of a convolution neural network training image data set for loss prevention applications |
WO2020179525A1 (ja) * | 2019-03-06 | 2020-09-10 | 日本電信電話株式会社 | モデル学習装置、ラベル推定装置、それらの方法、およびプログラム |
CN112149435A (zh) * | 2020-09-24 | 2020-12-29 | 江苏省质量和标准化研究院 | 基于多径衰落信道场景的rfid读写器灵敏度测试装置及方法 |
CN112488103A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 地址信息抽取方法、模型训练方法及相关设备 |
CN113673264A (zh) * | 2021-10-21 | 2021-11-19 | 江苏省质量和标准化研究院 | 一种uhf rfid标签性能分级评价方法及评价系统 |
-
2022
- 2022-05-06 CN CN202210484156.6A patent/CN114580588B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005122057A1 (en) * | 2003-06-20 | 2005-12-22 | Zih Corp. | Xml printer system with rfid capability |
CA2856925A1 (en) * | 2006-12-20 | 2008-07-03 | Richard T. Knadle, Jr. | Frequency selective surface aids to the operation of rfid products |
US20140364976A1 (en) * | 2013-06-06 | 2014-12-11 | Zih Corp. | Performance analytics based on real-time data for proximity and movement of objects |
CN106446733A (zh) * | 2015-11-13 | 2017-02-22 | 湖南大学 | 一种uhf rfid etc应用的标签接收功率预测方法 |
CN106951471A (zh) * | 2017-03-06 | 2017-07-14 | 浙江工业大学 | 一种基于svm的标签发展趋势预测模型的构建方法 |
CN107947835A (zh) * | 2017-11-15 | 2018-04-20 | 中京复电(上海)电子科技有限公司 | 一种有源uhf rfid标签的测试方法 |
US20200192608A1 (en) * | 2018-12-17 | 2020-06-18 | Zebra Technologies Corporation | Method for improving the accuracy of a convolution neural network training image data set for loss prevention applications |
WO2020179525A1 (ja) * | 2019-03-06 | 2020-09-10 | 日本電信電話株式会社 | モデル学習装置、ラベル推定装置、それらの方法、およびプログラム |
CN110727840A (zh) * | 2019-09-27 | 2020-01-24 | 浙江大搜车软件技术有限公司 | 车辆问询标签推送方法、装置、计算机设备和存储介质 |
CN112149435A (zh) * | 2020-09-24 | 2020-12-29 | 江苏省质量和标准化研究院 | 基于多径衰落信道场景的rfid读写器灵敏度测试装置及方法 |
CN112488103A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 地址信息抽取方法、模型训练方法及相关设备 |
CN113673264A (zh) * | 2021-10-21 | 2021-11-19 | 江苏省质量和标准化研究院 | 一种uhf rfid标签性能分级评价方法及评价系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764101A (zh) * | 2024-02-22 | 2024-03-26 | 成都普什信息自动化有限公司 | 基于rfid标签的酒类产品防伪验证方法、系统及介质 |
CN117764101B (zh) * | 2024-02-22 | 2024-05-07 | 成都普什信息自动化有限公司 | 基于rfid标签的酒类产品防伪验证方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114580588B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koper et al. | Generalized estimating equations and generalized linear mixed-effects models for modelling resource selection | |
Pasolli et al. | Automatic analysis of GPR images: A pattern-recognition approach | |
Kawalec et al. | Radar emitter recognition using intrapulse data | |
CN104504393B (zh) | 基于集成学习的极化sar图像半监督分类方法 | |
Kawalec et al. | Specific emitter identification using intrapulse data | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN114580588B (zh) | 基于概率矩阵模型的uhf rfid群标签选型方法 | |
CN109840542B (zh) | 基于极化特征的自适应维度决策树分类方法 | |
Wang et al. | Placement of multiple RFID reader antennas to maximise portal read accuracy | |
CN110850420B (zh) | 基于弹球损失的FisherSVM声纳信号判别方法 | |
Caley et al. | Quantifying uncertainty in predictions of invasiveness | |
Bodenmann et al. | Accounting for path and site effects in spatial ground-motion correlation models using Bayesian inference | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
Priyashman et al. | Signal strength and read rate prediction modeling using machine learning algorithms for vehicular access control and identification | |
EP2180429A2 (en) | Empirical modeling of confusion matrices | |
Marzban | A neural network for tornado diagnosis: Managing local minima | |
CN113260871A (zh) | 传感器 | |
CN111582647A (zh) | 用户数据处理方法、装置及电子设备 | |
CN114492583B (zh) | 一种基于lstm的雷达搜索模式识别方法 | |
Westermann et al. | Adaptive sampling for global meta modeling using a Gaussian process variance measure | |
Fritz et al. | Read-Error-Rate evaluation for RFID system on-line testing | |
CN115271442A (zh) | 基于自然语言评估企业成长性的建模方法及系统 | |
CN117897741A (zh) | 用于生成用于超声传感器模型的合成训练数据的方法和设备 | |
CN114067165A (zh) | 一种含噪声标记分布的图像筛选和学习方法与装置 | |
Dana et al. | Rational foundations of fast and frugal heuristics: The ecological rationality of strategy selection via improper linear models |
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 |