CN114722986A - 基于机密档案rfid自动选层柜 - Google Patents

基于机密档案rfid自动选层柜 Download PDF

Info

Publication number
CN114722986A
CN114722986A CN202210484215.XA CN202210484215A CN114722986A CN 114722986 A CN114722986 A CN 114722986A CN 202210484215 A CN202210484215 A CN 202210484215A CN 114722986 A CN114722986 A CN 114722986A
Authority
CN
China
Prior art keywords
matrix
neural network
rfid
signal
cabinet
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.)
Pending
Application number
CN202210484215.XA
Other languages
English (en)
Inventor
张学成
周青龙
吴嘉铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haimen Longmao Metal Products Co ltd
Original Assignee
Haimen Longmao Metal Products Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Haimen Longmao Metal Products Co ltd filed Critical Haimen Longmao Metal Products Co ltd
Priority to CN202210484215.XA priority Critical patent/CN114722986A/zh
Publication of CN114722986A publication Critical patent/CN114722986A/zh
Pending legal-status Critical Current

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 provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—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 consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请具体地公开了一种基于机密档案RFID自动选层柜，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。

Description

基于机密档案RFID自动选层柜
技术领域
本发明涉及机密RFID档案柜的领域，且更为具体地，涉及一种基于机密档案RFID自动选层柜。
背景技术
随着社会信息化的推进，人们需要管理的档案资源规模也变得越来越庞大。传统的档案管理系统费时费力，效率地下，而且档案管理混乱易造成档案的丢失，对用户造成了诸多不便。
现有一些档案柜管理已经逐步采用RFID(射频识别)技术来实现，在档案柜中设有读卡器，档案盒上设置有电子标签，通过RFID天线发射信号来记录档案柜中的档案数量，从而可以实现档案的清点、借阅、归还等功能。
但是，现有的RFID档案柜中，是多个档案存放位置共用一个RFID天线。当多个档案存放位置共用一个RFID天线时，需要确定每个档案存放位置的RFID信号是否足以用于信息读取，而由于每个档案存放位置均存在多个RFID标签，其每个的RFID信号都会对该位置造成影响，且多个档案存放位置之间的RFID信号也存在关联，需要针对各种因素对各个档案存放位置的RFID信号是否满足要求进行判断，以确保自动选层柜能够正常工作。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机密档案RFID自动选层柜，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。
根据本申请的一个方面，提供了一种基于机密档案RFID自动选层柜，其包括：
数据统计单元，用于获取自动选层柜的每个档案存放位置的RFID标签的数目；
度矩阵构造单元，用于将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；
第一神经网络单元，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；
拓扑矩阵构造单元，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；
第二神经网络单元，用于将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵；
信号强度向量构造单元，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；
向量编码单元，用于将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；
共信道响应性单元，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及
分析单元，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
在上述基于机密档案RFID自动选层柜中，所述第一神经网络单元，进一步用于使用所述第一卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第一特征图作为所述特征图；
所述公式为：
Figure 77160DEST_PATH_IMAGE001
其中，
Figure 523185DEST_PATH_IMAGE002
为第i层第一神经网络的输入，
Figure 591635DEST_PATH_IMAGE003
为第i层第一神经网络的输出，
Figure 464913DEST_PATH_IMAGE004
为 第i层第一神经网络的过滤器，且
Figure 517183DEST_PATH_IMAGE005
为第i层神经网络的偏置矩阵，
Figure 235740DEST_PATH_IMAGE006
表示非线性激活 函数。
在上述基于机密档案RFID自动选层柜中，所述拓扑矩阵构造单元，进一步用于：基于所述自动选层柜的各个档案存放位置的排布构造矩阵；以及，将所述自动选层柜的各个档案存放位置之间的距离填充入所述矩阵的各个对应位置以获得所述拓扑矩阵。
在上述基于机密档案RFID自动选层柜中，所述第二神经网络单元，进一步用于使用所述第二卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第二特征图作为所述特征图；
所述公式为：
Figure 955435DEST_PATH_IMAGE001
其中，
Figure 999614DEST_PATH_IMAGE002
为第i层第二卷积神经网络的输入，
Figure 270671DEST_PATH_IMAGE003
为第i层第二卷积神经网络的输 出，
Figure 58498DEST_PATH_IMAGE004
为第i层第二卷积神经网络的过滤器，且
Figure 632699DEST_PATH_IMAGE005
为第i层第二卷积神经网络的偏置矩阵，
Figure 847780DEST_PATH_IMAGE006
表示非线性激活函数。
在上述基于机密档案RFID自动选层柜中，所述向量编码单元，包括：全连接编码子单元，用于使用所述编码器的全连接层对所述信号强度向量进行全连接编码以提出所述信号强度向量中各个位置的特征值的高维隐含特征；以及，一维卷积编码子单元，用于使用所述编码器的一维卷积层对所述信号强度向量进行一维卷积编码以提取出所述信号强度向量中各个位置的特征值之间的关联的高维隐含关联特征。
在上述基于机密档案RFID自动选层柜中，所述共信道响应性单元，进一步用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵以如下公式计算每个所述档案存放位置的RFID天线对应的共信道响应性值；
所述公式为：
Figure 609062DEST_PATH_IMAGE007
其中
Figure 200581DEST_PATH_IMAGE008
是所述信号特征向量的每个位置的特征值，
Figure 566971DEST_PATH_IMAGE009
是所述第一特征矩阵的每 个对角位置的特征值，
Figure 687374DEST_PATH_IMAGE010
是所述第二特征矩阵的每个位置的特征值，
Figure 467111DEST_PATH_IMAGE011
表示将第二 特征矩阵的第
Figure 331162DEST_PATH_IMAGE012
行的每个特征值分别与信号特征向量的第
Figure 348796DEST_PATH_IMAGE012
个特征值相乘后求和，且
Figure 171259DEST_PATH_IMAGE013
表 示加性白高斯噪声的功率。
在上述基于机密档案RFID自动选层柜中，所述分析单元，进一步用于：将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量输入所述分类器的Softmax分类函数以获得所述用于判定对应的档案存放位置的RFID信号存在问题的概率。
与现有技术相比，本申请提供的基于机密档案RFID自动选层柜及其工作方法，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于机密档案RFID自动选层柜的应用场景图。
图2为根据本申请实施例的基于机密档案RFID自动选层柜的框图。
图3为根据本申请实施例的基于机密档案RFID自动选层柜的工作方法的流程图。
图4为根据本申请实施例的基于机密档案RFID自动选层柜的工作方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，现有一些档案柜管理已经逐步采用RFID(射频识别)技术来实现，在档案柜中设有读卡器，档案盒上设置有电子标签，通过RFID天线发射信号来记录档案柜中的档案数量，从而可以实现档案的清点、借阅、归还等功能。
但是，现有的RFID档案柜中，是多个档案存放位置共用一个REID天线。相应地，当多个档案存放位置共用一个RFID天线时，需要确定每个档案存放位置的RFID信号是否足以用于信息读取，而由于每个档案存放位置均存在多个RFID标签，其每个的RFID信号都会对该位置造成影响，且多个档案存放位置之间的RFID信号也存在关联，需要针对各种因素对各个档案存放位置的RFID信号是否满足要求进行判断，以确保自动选层柜能够正常工作。
针对上述技术问题，本申请首先获取每个档案存放位置的RFID标签数目，并作为第一矩阵的对角线元素并输入第一卷积神经网络，第一卷积神经网络的输出进行沿通道的全局池化以得到第一特征矩阵。
获取每个档案存放位置之间的距离以构造用于表达拓扑的第二矩阵，并输入第二卷积神经网络，第二卷积神经网络的输出进行沿通道的全局池化以得到第二特征矩阵。
获取每个档案存放位置的RFID信号接收质量，并构造为输入向量输入包括一维卷积层和全连接层的编码器以获得信号特征向量。
基于信号特征向量、第一特征矩阵和第二特征矩阵计算共信道响应性，表示为：
Figure 907134DEST_PATH_IMAGE007
其中
Figure 840455DEST_PATH_IMAGE008
是信号特征向量的每个位置的特征值，
Figure 978175DEST_PATH_IMAGE009
是第一特征矩阵的每个对角位 置的特征值，
Figure 705959DEST_PATH_IMAGE010
是第二特征矩阵的每个位置的特征值，
Figure 397972DEST_PATH_IMAGE011
表示将第二特征矩阵的第
Figure 335316DEST_PATH_IMAGE012
行的每个特征值分别与信号特征向量的第
Figure 327543DEST_PATH_IMAGE012
个特征值相乘后求和，且
Figure 226229DEST_PATH_IMAGE013
表示加性白高斯噪 声的功率。
最后，由共信道响应性组成响应特征向量，再输入分类器得到每个位置的概率值，用于判定对应的档案存放位置的RFID信号存在问题的概率。
应可以理解，由于单个档案存放位置的RFID信号质量与其需要覆盖的RFID标签数目，即每个节点的“度”有关，且也与RFID天线覆盖的所有档案存放位置的分布结构，即每个节点的“拓扑”有关，因此通过在高维特征空间中计算信号特征相对于“度”特征和“拓扑”特征的响应性，可以有效地获得信号质量在特定条件下的特征表达，从而提高判定的准确性。
基于此，本申请提出了一种基于机密档案RFID自动选层柜，其包括：数据统计单元，用于获取自动选层柜的每个档案存放位置的RFID标签的数目；度矩阵构造单元，用于将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；第一神经网络单元，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；拓扑矩阵构造单元，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；第二神经网络单元，用于将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵；信号强度向量构造单元，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；向量编码单元，用于将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；共信道响应性单元，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及，分析单元，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
图1图示了根据本申请实施例的基于机密档案RFID自动选层柜的应用场景图。如图1所示，在该应用场景中，自动选层柜（例如，如图1中所示意的H）具有多个档案存放位置（例如，如图1中所示意的R），例如，在该应用场景中，一个档案存放处对应一个柜盒子。并且，在每个档案存放位置设置一个RFID天线（例如，如图1中所示意的W），用于与存在于所述档案存放位置内的多份带有FRID标签（例如，如图1中所示意的L）的机密档案（例如，如图1中所示意的B）进行通信以确定每份机密档案的身份表示。
相应地，在该应用场景中，首先获得每个档案存放位置处的RFID标签的数目，以及获取所述自动选层柜的各个档案存放位置之间的距离，并获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度。然后，将获取的所述RFID标签的数目、所述各个档案存放位置之间的距离和所述RFID天线的信号接收强度输入至部署有预设算法的服务器中（例如，如图1中所示意的服务器S），其中，所述服务器能够基于预设算法对所述RFID标签的数目、所述各个档案存放位置之间的距离和所述RFID天线的信号接收强度进行处理，以生成用于判定对应的档案存放位置的RFID信号存在问题的概率。进而，基于所述概率与预设阈值来对所述对应的档案存放位置的RFID信号是否存在问题进行判定，具体地，当所述概率值大于所述预设阈值时，所述判定结果为所述对应的档案存放位置的RFID信号存在问题，反之，则不存在问题，通过这样的方式，可以提高判定的准确性。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于机密档案RFID自动选层柜的框图。如图2所示，根据本申请实施例的基于机密档案RFID自动选层柜 200，包括：数据统计单元 210，用于获取自动选层柜的每个档案存放位置的RFID标签的数目；度矩阵构造单元 220，用于将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；第一神经网络单元 230，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；拓扑矩阵构造单元 240，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；第二神经网络单元 250，用于将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵；信号强度向量构造单元 260，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；向量编码单元 270，用于将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；共信道响应性单元 280，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及，分析单元 290，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
具体地，在本申请实施例中，所述数据统计单元 210和所述度矩阵构造单元 220，用于获取自动选层柜的每个档案存放位置的RFID标签的数目，并将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵。如前所述，当多个档案存放位置共用一个RFID天线时，需要确定每个所述档案存放位置的RFID信号是否足以用于信息读取，而由于每个所述档案存放位置均存在多个RFID标签，其每个的RFID信号都会对该位置造成影响，且所述多个档案存放位置之间的RFID信号也存在关联，需要针对各种因素对所述各个档案存放位置的RFID信号进行适当建模，以进行判定。
相应地，在本申请的技术方案中，首先，通过在自动选层柜的每个档案存放位置上获取各个RFID标签的数目；然后，将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵，以便于后续卷积神经网络对其进行隐含关联性的特征提取。
具体地，在本申请实施例中，所述第一神经网络单元 230，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵。也就是，在本申请的技术方案中，在得到所述度矩阵后，将所述度矩阵输入第一卷积神经网络中进行处理，以在高维特征空间中计算信号特征相对于“度”特征的响应性，从而得到第一特征矩阵。值得一提的是，这里，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵，应可以理解，全局池化处理可以降低参数的数量，并降低过拟合，以提高准确性。
更具体地，在本申请实施例中，所述第一神经网络单元，进一步用于：使用所述第一卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第一特征图作为所述特征图；
所述公式为：
Figure 139958DEST_PATH_IMAGE001
其中，
Figure 149503DEST_PATH_IMAGE002
为第i层第一神经网络的输入，
Figure 261815DEST_PATH_IMAGE003
为第i层第一神经网络的输出，
Figure 65823DEST_PATH_IMAGE004
为 第i层第一神经网络的过滤器，且
Figure 263586DEST_PATH_IMAGE005
为第i层神经网络的偏置矩阵，
Figure 545663DEST_PATH_IMAGE006
表示非线性激活 函数。
具体地，在本申请实施例中，所述拓扑矩阵构造单元 240和所述第二神经网络单元 250，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵，并将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵。应可以理解，为了提取出所述多个档案存放位置之间的RFID信号的关联性特征，在本申请的技术方案中，以同样的方式，首先，获取所述自动选层柜的各个档案存放位置之间的距离。接着，基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵。相应地，在一个具体示例中，可以基于所述自动选层柜的各个档案存放位置的排布构造矩阵后，再将所述自动选层柜的各个档案存放位置之间的距离填充入所述矩阵的各个对应位置以获得所述拓扑矩阵。然后，在获得所述拓扑矩阵后，再将所述拓扑矩阵输入第二卷积神经网络中进行处理，以在高维特征空间中计算信号特征相对于“拓扑”特征的响应性，从而获得第二特征矩阵。值得一提的是，这里，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵，应可以理解，全局池化处理可以降低参数的数量，并降低过拟合，以提高准确性。
更具体地，在本申请实施例中，所述第二神经网络单元，进一步用于使用所述第二卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第二特征图作为所述特征图；
所述公式为：
Figure 512482DEST_PATH_IMAGE001
其中，
Figure 752971DEST_PATH_IMAGE002
为第i层第二卷积神经网络的输入，
Figure 438030DEST_PATH_IMAGE003
为第i层第二卷积神经网络的输 出，
Figure 789377DEST_PATH_IMAGE004
为第i层第二卷积神经网络的过滤器，且
Figure 876281DEST_PATH_IMAGE005
为第i层第二卷积神经网络的偏置矩阵，
Figure 287671DEST_PATH_IMAGE006
表示非线性激活函数。
具体地，在本申请实施例中，所述信号强度向量构造单元 260和所述向量编码单元 270，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量，并将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量。应可以理解，由于所述单个档案存放位置的RFID信号质量与其需要覆盖的RFID标签数目，即每个节点的“度”有关，且也与所述RFID天线覆盖的所有档案存放位置的分布结构，即每个节点的“拓扑”有关，为了后续基于所述各节点的“度”和“拓扑”得到的所述度特征和所述拓扑特征，计算在“度”和“拓扑”影响下的所述信号质量的响应性。在本申请的技术方案中，首先，需要获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度；接着，将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；然后，将所述信号强度向量通过包含一维卷积层和全连接层的编码器中进行处理，以获得信号特征向量。
更具体地，在本申请实施例中，所述向量编码单元，包括：全连接编码子单元，用于使用所述编码器的全连接层对所述信号强度向量进行全连接编码以提出所述信号强度向量中各个位置的特征值的高维隐含特征；以及，一维卷积编码子单元，用于使用所述编码器的一维卷积层对所述信号强度向量进行一维卷积编码以提取出所述信号强度向量中各个位置的特征值之间的关联的高维隐含关联特征。
具体地，在本申请实施例中，所述共信道响应性单元 280，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成。也就是，基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算共信道响应性值。应可以理解，由于所述单个档案存放位置的RFID信号质量与其需要覆盖的RFID标签数目，即每个节点的“度”有关，且也与所述RFID天线覆盖的所有档案存放位置的分布结构，即每个节点的“拓扑”有关，因此，在本申请的技术方案中，通过在高维特征空间中计算信号特征相对于“度”特征和“拓扑”特征的响应性，可以有效地获得所述信号质量在特定条件下的特征表达，从而提高判定的准确性。
更具体地，在本申请实施例中，所述共信道响应性单元，进一步用于：基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵以如下公式计算每个所述档案存放位置的RFID天线对应的共信道响应性值；
所述公式为：
Figure 683797DEST_PATH_IMAGE007
其中
Figure 838835DEST_PATH_IMAGE008
是所述信号特征向量的每个位置的特征值，
Figure 45825DEST_PATH_IMAGE009
是所述第一特征矩阵的每 个对角位置的特征值，
Figure 831378DEST_PATH_IMAGE010
是所述第二特征矩阵的每个位置的特征值，
Figure 959871DEST_PATH_IMAGE011
表示将第二 特征矩阵的第
Figure 653021DEST_PATH_IMAGE012
行的每个特征值分别与信号特征向量的第
Figure 652201DEST_PATH_IMAGE012
个特征值相乘后求和，且
Figure 405393DEST_PATH_IMAGE013
表 示加性白高斯噪声的功率。
具体地，在本申请实施例中，所述分析单元 290，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。也就是，在一个具体示例中，将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量输入所述分类器的Softmax分类函数以获得所述用于判定对应的档案存放位置的RFID信号存在问题的概率。进而，基于所述概率与预设阈值来对所述对应的档案存放位置的RFID信号是否存在问题进行判定，具体地，当所述概率值大于所述预设阈值时，所述判定结果为所述对应的档案存放位置的RFID信号存在问题；当所述概率值小于所述预设阈值时，所述判定结果为所述对应的档案存放位置的RFID信号不存在问题，这样，可以提高判定的准确性。
综上，基于本申请实施例的所述基于机密档案RFID自动选层柜 200被阐明，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。
示例性方法
图3图示了基于机密档案RFID自动选层柜的判断方法的流程图。如图3所示，根据本申请实施例的基于机密档案RFID自动选层柜的判断方法，包括步骤：S110，获取自动选层柜的每个档案存放位置的RFID标签的数目；S120，将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；S130，将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；S140，获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；S150，将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵；S160，获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；S170，将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；S180，基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及，S190，将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
图4图示了根据本申请实施例的基于机密档案RFID自动选层柜的判断方法的架构示意图。如图4所示，在所述基于机密档案RFID自动选层柜的判断方法的网络架构中，首先，将获取的所述自动选层柜的每个档案存放位置的RFID标签的数目（例如，如图4中所示意的P1）填充入矩阵的对角线位置以获得度矩阵（例如，如图4中所示意的M1）；接着，将所述度矩阵输入第一卷积神经网络（例如，如图4中所示意的CNN1）以获得第一特征矩阵（例如，如图4中所示意的MF1）；然后，基于获得的所述自动选层柜的各个档案存放位置之间的距离（例如，如图4中所示意的P2）构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵（例如，如图4中所示意的M2）；接着，将所述拓扑矩阵输入第二卷积神经网络（例如，如图4中所示意的CNN2）以获得第二特征矩阵（例如，如图4中所示意的MF2）；然后，将获取的所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度（例如，如图4中所示意的Q）构造为信号强度向量（例如，如图4中所示意的V）；接着，将所述信号强度向量通过包含一维卷积层和全连接层的编码器（例如，如图4中所示意的E）以获得信号特征向量（例如，如图4中所示意的VF）；然后，基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值（例如，如图4中所示意的RV）；以及，最后，将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量（例如，如图4中所示意的VFR）通过分类器（例如，如图4中所示意的圈S）以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
更具体地，在步骤S110和步骤S120中，获取自动选层柜的每个档案存放位置的RFID标签的数目，并将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵。也就是，首先，通过在自动选层柜的每个档案存放位置上获取各个RFID标签的数目；然后，将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵，以便于后续卷积神经网络对其进行隐含关联性的特征提取。
更具体地，在步骤S130中，将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵。也就是，在本申请的技术方案中，在得到所述度矩阵后，将所述度矩阵输入第一卷积神经网络中进行处理，以在高维特征空间中计算信号特征相对于“度”特征的响应性，从而得到第一特征矩阵。值得一提的是，这里，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵，应可以理解，全局池化处理可以降低参数的数量，并降低过拟合，以提高准确性。
更具体地，在步骤S140和步骤S150中，获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵，并将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵。应可以理解，为了提取出所述多个档案存放位置之间的RFID信号的关联性特征，在本申请的技术方案中，以同样的方式，首先，获取所述自动选层柜的各个档案存放位置之间的距离。接着，基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵。相应地，在一个具体示例中，可以基于所述自动选层柜的各个档案存放位置的排布构造矩阵后，再将所述自动选层柜的各个档案存放位置之间的距离填充入所述矩阵的各个对应位置以获得所述拓扑矩阵。然后，在获得所述拓扑矩阵后，再将所述拓扑矩阵输入第二卷积神经网络中进行处理，以在高维特征空间中计算信号特征相对于“拓扑”特征的响应性，从而获得第二特征矩阵。值得一提的是，这里，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵，应可以理解，全局池化处理可以降低参数的数量，并降低过拟合，以提高准确性。
更具体地，在步骤S160和步骤S170中，获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量，并将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量。应可以理解，由于所述单个档案存放位置的RFID信号质量与其需要覆盖的RFID标签数目，即每个节点的“度”有关，且也与所述RFID天线覆盖的所有档案存放位置的分布结构，即每个节点的“拓扑”有关，为了后续基于所述各节点的“度”和“拓扑”得到的所述度特征和所述拓扑特征，计算在“度”和“拓扑”影响下的所述信号质量的响应性。在本申请的技术方案中，首先，需要获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度；接着，将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；然后，将所述信号强度向量通过包含一维卷积层和全连接层的编码器中进行处理，以获得信号特征向量。
更具体地，在步骤S180中，基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成。也就是，基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算共信道响应性值。应可以理解，由于所述单个档案存放位置的RFID信号质量与其需要覆盖的RFID标签数目，即每个节点的“度”有关，且也与所述RFID天线覆盖的所有档案存放位置的分布结构，即每个节点的“拓扑”有关，因此，在本申请的技术方案中，通过在高维特征空间中计算信号特征相对于“度”特征和“拓扑”特征的响应性，可以有效地获得所述信号质量在特定条件下的特征表达，从而提高判定的准确性。
相应地，在一个具体示例中，基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵以如下公式计算每个所述档案存放位置的RFID天线对应的共信道响应性值；
所述公式为：
Figure 286762DEST_PATH_IMAGE007
其中
Figure 252444DEST_PATH_IMAGE008
是所述信号特征向量的每个位置的特征值，
Figure 637289DEST_PATH_IMAGE009
是所述第一特征矩阵的每 个对角位置的特征值，
Figure 826961DEST_PATH_IMAGE010
是所述第二特征矩阵的每个位置的特征值，
Figure 195626DEST_PATH_IMAGE011
表示将第二 特征矩阵的第
Figure 227648DEST_PATH_IMAGE012
行的每个特征值分别与信号特征向量的第
Figure 732579DEST_PATH_IMAGE012
个特征值相乘后求和，且
Figure 93153DEST_PATH_IMAGE013
表 示加性白高斯噪声的功率。
更具体地，在步骤S190中，将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。也就是，在一个具体示例中，将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量输入所述分类器的Softmax分类函数以获得所述用于判定对应的档案存放位置的RFID信号存在问题的概率。进而，基于所述概率与预设阈值来对所述对应的档案存放位置的RFID信号是否存在问题进行判定，具体地，当所述概率值大于所述预设阈值时，所述判定结果为所述对应的档案存放位置的RFID信号存在问题；当所述概率值小于所述预设阈值时，所述判定结果为所述对应的档案存放位置的RFID信号不存在问题，这样，可以提高判定的准确性。
综上，基于本申请实施例的所述基于机密档案RFID自动选层柜的判断方法被阐明，其通过基于深度学习的卷积神经网络模型以在高维特征空间中计算所述每个档案存放位置的RFID标签数目特征和所述每个档案存放位置之间的距离拓扑特征的响应性，并且对所述每个档案存放位置的RFID信号接收质量进行编码，进一步地计算其共信道响应性，以有效地获得信号质量在特定条件下的特征表达，从而提高判定的准确性。通过这样的方式，可以使得RFID识别的精准度更高，进而可以提高读取的正确率。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种基于机密档案RFID自动选层柜，其特征在于，包括：
数据统计单元，用于获取自动选层柜的每个档案存放位置的RFID标签的数目；
度矩阵构造单元，用于将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；
第一神经网络单元，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；
拓扑矩阵构造单元，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；
第二神经网络单元，用于将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵；
信号强度向量构造单元，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；
向量编码单元，用于将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；
共信道响应性单元，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及
分析单元，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
2.根据权利要求1所述的基于机密档案RFID自动选层柜，其中，所述第一神经网络单元，进一步用于使用所述第一卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第一特征图作为所述特征图；
所述公式为：
Figure 684353DEST_PATH_IMAGE001
其中，
Figure 987159DEST_PATH_IMAGE002
为第i层第一神经网络的输入，
Figure 203376DEST_PATH_IMAGE003
为第i层第一神经网络的输出，
Figure 597799DEST_PATH_IMAGE004
为第i层 第一神经网络的过滤器，且
Figure 215862DEST_PATH_IMAGE005
为第i层神经网络的偏置矩阵，
Figure 689569DEST_PATH_IMAGE006
表示非线性激活函数。
3.根据权利要求2所述的基于机密档案RFID自动选层柜，其中，所述拓扑矩阵构造单元，进一步用于：基于所述自动选层柜的各个档案存放位置的排布构造矩阵；以及，将所述自动选层柜的各个档案存放位置之间的距离填充入所述矩阵的各个对应位置以获得所述拓扑矩阵。
4.根据权利要求3所述的基于机密档案RFID自动选层柜，其中，所述第二神经网络单元，进一步用于使用所述第二卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第二特征图作为所述特征图；
所述公式为：
Figure 393082DEST_PATH_IMAGE001
其中，
Figure 79279DEST_PATH_IMAGE002
为第i层第二卷积神经网络的输入，
Figure 817428DEST_PATH_IMAGE003
为第i层第二卷积神经网络的输出，
Figure 196456DEST_PATH_IMAGE004
为第i层第二卷积神经网络的过滤器，且
Figure 137999DEST_PATH_IMAGE005
为第i层第二卷积神经网络的偏置矩阵，
Figure 627886DEST_PATH_IMAGE006
表示非线性激活函数。
5. 根据权利要求4所述的基于机密档案RFID自动选层柜，其中，所述向量编码单元，包括：
全连接编码子单元，用于使用所述编码器的全连接层对所述信号强度向量进行全连接编码以提出所述信号强度向量中各个位置的特征值的高维隐含特征；以及
一维卷积编码子单元，用于使用所述编码器的一维卷积层对所述信号强度向量进行一维卷积编码以提取出所述信号强度向量中各个位置的特征值之间的关联的高维隐含关联特征。
6.根据权利要求5所述的基于机密档案RFID自动选层柜，其中，所述共信道响应性单元，进一步用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵以如下公式计算每个所述档案存放位置的RFID天线对应的共信道响应性值；
所述公式为：
Figure 954962DEST_PATH_IMAGE007
其中
Figure 504892DEST_PATH_IMAGE008
是所述信号特征向量的每个位置的特征值，
Figure 182998DEST_PATH_IMAGE009
是所述第一特征矩阵的每个对 角位置的特征值，
Figure 476576DEST_PATH_IMAGE010
是所述第二特征矩阵的每个位置的特征值，
Figure 189317DEST_PATH_IMAGE011
表示将第二特征 矩阵的第
Figure 159416DEST_PATH_IMAGE012
行的每个特征值分别与信号特征向量的第
Figure 324818DEST_PATH_IMAGE012
个特征值相乘后求和，且
Figure 156508DEST_PATH_IMAGE013
表示加 性白高斯噪声的功率。
7.根据权利要求6所述的基于机密档案RFID自动选层柜，其中，所述分析单元，进一步用于：将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量输入所述分类器的Softmax分类函数以获得所述用于判定对应的档案存放位置的RFID信号存在问题的概率。
CN202210484215.XA 2022-05-06 2022-05-06 基于机密档案rfid自动选层柜 Pending CN114722986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210484215.XA CN114722986A (zh) 2022-05-06 2022-05-06 基于机密档案rfid自动选层柜

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210484215.XA CN114722986A (zh) 2022-05-06 2022-05-06 基于机密档案rfid自动选层柜

Publications (1)

Publication Number Publication Date
CN114722986A true CN114722986A (zh) 2022-07-08

Family

ID=82230807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210484215.XA Pending CN114722986A (zh) 2022-05-06 2022-05-06 基于机密档案rfid自动选层柜

Country Status (1)

Country Link
CN (1) CN114722986A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110286555A1 (en) * 2010-05-24 2011-11-24 Postech Academy-Industry Foundation Method and apparatus for detecting presence of signal in wireless communication system based on cr technology
CN202351889U (zh) * 2011-12-15 2012-07-25 深圳中科讯联科技有限公司 非接触读卡器
CN103914047A (zh) * 2014-03-28 2014-07-09 北京市第一中级人民法院 智能化档案管理控制系统及方法
US20180183266A1 (en) * 2016-12-28 2018-06-28 Texas Instruments Deutschland Gmbh Methods and apparatus for antenna signal limiter for radio frequency identification transponder
CN209157694U (zh) * 2018-12-18 2019-07-26 苏州三众精密机械有限公司 一种立式车床的十字滑台装置
RU2744229C1 (ru) * 2020-06-04 2021-03-03 Андрей Александрович Красовский Беспроводной сверхвысокочастотный детектор сигналов и команд uhf rfid-считывателей и способ детектирования сигналов и команд uhf rfid-считывателей
CN112641245A (zh) * 2020-12-11 2021-04-13 深圳市鸿陆技术有限公司 基于rfid的档案管理方法、系统及存储介质
CN113238222A (zh) * 2021-05-13 2021-08-10 天津大学 一种基于包络密度特征的人体动作识别方法
CN113947739A (zh) * 2021-10-15 2022-01-18 深圳市铠硕达科技有限公司 基于物联网的小区安全管理监控系统及其监控方法
CN114205846A (zh) * 2021-11-28 2022-03-18 黎川县占星科技有限公司 天线可调的路由器测试管理方法、系统和电子设备
CN114423030A (zh) * 2022-02-11 2022-04-29 杭州雅深科技有限公司 全屋动态自动组网方法、系统和电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110286555A1 (en) * 2010-05-24 2011-11-24 Postech Academy-Industry Foundation Method and apparatus for detecting presence of signal in wireless communication system based on cr technology
CN202351889U (zh) * 2011-12-15 2012-07-25 深圳中科讯联科技有限公司 非接触读卡器
CN103914047A (zh) * 2014-03-28 2014-07-09 北京市第一中级人民法院 智能化档案管理控制系统及方法
US20180183266A1 (en) * 2016-12-28 2018-06-28 Texas Instruments Deutschland Gmbh Methods and apparatus for antenna signal limiter for radio frequency identification transponder
CN209157694U (zh) * 2018-12-18 2019-07-26 苏州三众精密机械有限公司 一种立式车床的十字滑台装置
RU2744229C1 (ru) * 2020-06-04 2021-03-03 Андрей Александрович Красовский Беспроводной сверхвысокочастотный детектор сигналов и команд uhf rfid-считывателей и способ детектирования сигналов и команд uhf rfid-считывателей
CN112641245A (zh) * 2020-12-11 2021-04-13 深圳市鸿陆技术有限公司 基于rfid的档案管理方法、系统及存储介质
CN113238222A (zh) * 2021-05-13 2021-08-10 天津大学 一种基于包络密度特征的人体动作识别方法
CN113947739A (zh) * 2021-10-15 2022-01-18 深圳市铠硕达科技有限公司 基于物联网的小区安全管理监控系统及其监控方法
CN114205846A (zh) * 2021-11-28 2022-03-18 黎川县占星科技有限公司 天线可调的路由器测试管理方法、系统和电子设备
CN114423030A (zh) * 2022-02-11 2022-04-29 杭州雅深科技有限公司 全屋动态自动组网方法、系统和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
伍薇;: "基于CNN卷积神经网络的企业电子档案分类法研究", 山西档案, no. 05, 23 August 2018 (2018-08-23) *

Similar Documents

Publication Publication Date Title
CN108563782B (zh) 商品信息格式处理方法、装置、计算机设备和存储介质
EP1418507A2 (en) Method and system for multiple cue integration
CN110636445B (zh) 基于wifi的室内定位方法、装置、设备及介质
EP4226276A1 (en) Detecting adversarial examples using latent neighborhood graphs
CN115311499A (zh) 一种基于注意力的子域适应高光谱图像分类方法及系统
CN114722986A (zh) 基于机密档案rfid自动选层柜
US10761200B1 (en) Method for evaluating positioning parameters and system
CN117972538A (zh) 基于对抗神经网络实现数据资产健康度评估处理的方法、装置、处理器及其存储介质
CN117151727A (zh) 基于用户行为分析的客服智能切换方法
CN110674845B (zh) 一种结合多感受野注意与特征再校准的菜品识别方法
KR20110062274A (ko) 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법
CN115174421B (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
CN112529035B (zh) 识别不同电台个体种类的智能识别方法
Houthuys et al. Unpaired multi-view kernel spectral clustering
Dangelmayr et al. Time series prediction by estimating Markov probabilities through topology preserving maps
CN114329065A (zh) 视频标签预测模型的处理方法、视频标签预测方法和装置
CN112085040B (zh) 对象标签确定方法、装置和计算机设备
CN111797910B (zh) 一种基于平均偏汉明损失的多维标签预测方法
CN114372559B (zh) 一种基于鲁棒软标签的深度适应网络的构建方法
CN109766467A (zh) 基于图像分割和改进vlad的遥感图像检索方法及系统
CN117055818B (zh) 基于区块链的客户信息存储管理方法及系统
KR102711475B1 (ko) 딥러닝 모델에서의 전역적 특징 증강 방법 및 데이터 처리 장치
Pudasaini et al. On maximising tag reading efficiency of a multi‐packet reception capable radio frequency identification reader
CN117113077B (zh) 目标序列确定方法、装置、电子设备和存储介质
CN114077681B (zh) 一种图像数据处理方法、装置、计算机设备及存储介质

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