CN115204204A - 基于mt-bp电磁感知的uhf多标签自适应识读方法及系统 - Google Patents
基于mt-bp电磁感知的uhf多标签自适应识读方法及系统 Download PDFInfo
- Publication number
- CN115204204A CN115204204A CN202211133968.2A CN202211133968A CN115204204A CN 115204204 A CN115204204 A CN 115204204A CN 202211133968 A CN202211133968 A CN 202211133968A CN 115204204 A CN115204204 A CN 115204204A
- Authority
- CN
- China
- Prior art keywords
- tag
- antenna
- reading
- parameters
- channel
- 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
- 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
- G06K7/10366—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 the interrogation device being adapted for miscellaneous applications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Toxicology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于MT‑BP电磁感知的UHF多标签自适应识读方法及系统。所述方法包括：获取标签特征数据库；基于电磁感知构建多天线多标签下简化系统模型；对IM×M(ω)求解获得所有天线与标签间信道传输矩阵，并使其中每列中各元素减去对应列的平均值得到差分信道模型；基于其获得若干组信道参数，将它们输入MT‑BP神经网络对其进行迭代优化；得到优化的MT‑BP神经网络及若干识读增强模板；基于实际识读场景选择识读增强模板进行天线参数初始化，通过优化的MT‑BP神经网络对初始化后的天线参数进行适应性调整；基于调整后天线参数进行多标签识读。本发明提高了多标签读取率，具有良好可实施性。
Description
技术领域
本发明涉及射频识别技术领域，具体涉及基于MT-BP电磁感知的UHF多标签自适应识读方法及系统。
背景技术
在RFID的实际应用中，通常存在需要同时读取大量贴附在不同货物上不同类型的标签的情况，比如对仓库中货物数量进行盘点，对超市中自动结算时候商品进行计数等。
保证该类多标签情况下的读取率是RFID在实践过程中进行有效应用的关键。目前常见的提升多标签下读取率的方法多通过多次读取或增加读取时长等算法或软件控制进行，具体包括如下几种方法实施：方法一：进行多标签下的拥塞控制和防碰撞；方法二：扩大阅读器的读取范围，并延长阅读器的读取时间；方法三：增加多标签与阅读器之间的信息交换次数；方法四：在阅读器与多标签之间进行高速化通信交互。但上述各类方法在实施过程中多需要依靠工程人员的经验进行，而无法进行量化调整。如方法二中虽然提出可通过扩大阅读器的读取范围提高读取率，但无法对所述读取范围进行可行性量化。再如方法三中虽然提出可通过增加多标签与阅读器之间的信息交换次数提高读取率，但无法决定所提到的交换次数应该是多少。同时上述基于增加读取次数、增加读取时长的各类方法还会导致读取效率低、读取耗时长的缺点。
目前也有通过硬件控制提高多标签下读取率的方法。如在进行多标签读取时，通常采用龙门架部署多个天线，并通过天线角度和位置的调整实现标签识读性能的提升。但由于龙门架一般在工程实施的时候已经按照完成，因此进行人工调整时不但耗时耗力；且随着使用环境的变化，现场调整的难度也更大。
由上述分析可见，现有的提升多标签读取率的各类方法，无论是涉及软件算法优化的方法，还是涉及硬件控制的方法，均存在缺乏具体可实施性，而无法进行有效识读的缺陷。
发明内容
本发明目的在于提供基于MT-BP电磁感知的UHF多标签自适应识读方法及系统，以改善现有提升多标签读取率的各类方法由于无量化标准、读取速率低或调节难度大等而缺乏可实施性的技术问题。
为达成上述目的，本发明提出如下技术方案：
基于MT-BP电磁感知的UHF多标签自适应识读方法，包括：
获取标签特征数据库，其中包括与各类货物相应的标签类型及射频特性；其中，所述射频特性包括前向激活灵敏度曲线、后向反射灵敏度曲线；
基于电磁感知构建多天线多标签下的简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
其中，ω为载波角频率，M为天线的个数；R 1×M (ω)为任一标签接收的信号强度；L 1×M (ω)为各天线间发生信号干扰时的载波泄漏函数；S 1×M (ω)为所有天线的发射信号向量；I M×M (ω)为所有天线的自干扰信道交织矩阵；T M×M (ω)为标签对自身信号的耦合函数；其中，R 1×M (ω)、L 1×M (ω)及S 1×M (ω)均基于ook调制测量获取，T M×M (ω)通过所述标签特征数据库中相应的射频特征获取；
基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω) 求解以获得H 1×M (ω)；其中，H 1×M (ω)为所有天线与任一标签间的信道传输函数；进而获得多天线多标签下所有天线与所有标签间的信道传输矩阵H N×M (ω)，并使所述信道传输矩阵中每列的各元素减去对应列的平均值得到一差分信道模型H c (ω)；
将若干典型场景下的实测数据代入所述差分信道模型以获得若干组信道参数作为训练样本，将其输入MT-BP神经网络，并以天线参数为输出，以识读性能评价矩阵的二阶范数最大为目标对所述MT-BP神经网络进行迭代优化；进而得到优化的MT-BP神经网络，及与各典型场景相应的若干识读增强模板；其中，所述典型场景指仅包括单一种类货物的识读场景；所述识读增强模板包括与典型场景相应的最优天线参数；所述天线参数包括：增益强度、相位及载波对消度；
基于实际识读场景选择一所述识读增强模板进行天线参数初始化以获得对应的实际信道参数，并以识读性能评价矩阵的二阶范数最大为目标，通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；
基于前述适应性调整优化后的天线参数进行多标签识读。
进一步的，所述简化系统模型为一M×M的线性系统，该线性系统的传输函数为：
I M×M (ω)·T M×M (ω)=Hr M×1(ω)·Tr M×1(ω)×Ts M×1(ω)·Hs M×1(ω)；
其中，Hr M×1(ω)为信道接收传输函数，Hs M×1(ω)为信道发送传输函数，Tr M×1(ω)为标签前向激活性能函数，Ts M×1(ω)为标签后向散射性能函数。
进一步的，所述基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω)求解以获得H 1×M (ω)，包括：
将所述简化系统模型简化为：y=S×(I·T)；
其中，y=R 1×M (ω)-L 1×M (ω)，S=S 1×M (ω)，I=I M×M (ω)，T=T M×M (ω)；
设定代价函数为：
求解
，以得到：I=T H ·(S H S) -1 S H y·T；
通过I M×M (ω)=H 1×M (ω)T×H 1×M (ω)计算得到H 1×M (ω)。
进一步的，所述识读性能评价矩阵为：
P(ω)=R N×M (ω)-R r (ω)-C(ω)；
其中，R N×M (ω)为所有标签接收的信号强度矩阵，N为标签的个数；R r (ω)为阅读器的灵敏度矩阵，C(ω)为载波对消矩阵。
进一步的，所述基于实际识读场景选择一所述识读增强模板进行天线参数初始化，包括：
基于实际识读场景对应的仓库类型进行天线参数的第一次初始化，并获得对应的第一射频特性；
通过极大相关估计法及所述第一射频特性在所述标签特征数据库中进行查找以确定第二射频特性；其中，所述极大相关估计法为：
其中，k为阅读器在跳频模式下的识读频点数；A Mk为实际多天线多频点接收信号矩
阵，Ā Mk为实际多天线多频点接收信号平均矩阵，Ā Mk通过对A Mk求元素平均值获得；B Mk为所
述标签特征数据库中的理想多天线多频点接收信号矩阵，
为理想多天线多频点接收信
号平均矩阵，
通过对B Mk求元素平均值获得；
将所述第二射频特性代入所述差分信道模型H c (ω)以选择一所述识读增强模板，并进行天线参数的第二次初始化。
进一步的，所述通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；包括：
基于所述第二次初始化的天线参数获取实际识读场景中的实际信道参数；
将所述实际信道参数代入所述优化后的MT-BP神经网络以获取预测天线参数，并基于所述识读性能评价矩阵判断当前天线性能是否最优；
若当前天线性能已达到最优，则基于其进行标签识读；反之，则基于优化后的MT-BP神经网络中的最速梯度下降法进行搜索以对天线参数进行优化直至天线性能达到最优。
基于MT-BP电磁感知的UHF多标签自适应识读系统，包括：
第一获取模块，用于获取标签特征数据库，其中包括与各类货物相应的标签类型及射频特性；其中，所述射频特性包括前向激活灵敏度曲线、后向反射灵敏度曲线；
第一构建模块，用于基于电磁感知构建多天线多标签下的简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
其中，ω为载波角频率，M为天线的个数；R 1×M (ω)为任一标签接收的信号强度；L 1×M (ω)为各天线间发生信号干扰时的载波泄漏函数；S 1×M (ω)为所有天线的发射信号向量；I M×M (ω)为所有天线的自干扰信道交织矩阵；T M×M (ω)为标签对自身信号的耦合函数；其中，R 1×M (ω)、L 1×M (ω)及S 1×M (ω)均基于ook调制测量获取，T M×M (ω)通过所述标签特征数据库中相应的射频特征获取；
第二构建模块，用于基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω) 求解以获得H 1×M (ω)；其中，H 1×M (ω)为所有天线与任一标签间的信道传输函数；进而获得多天线多标签下所有天线与所有标签间的信道传输矩阵H N×M (ω)，并使所述信道传输矩阵中每列的各元素减去对应列的平均值得到一差分信道模型H c (ω)；
第三构建模块，用于将若干典型场景下的实测数据代入所述差分信道模型以获得若干组信道参数作为训练样本，将其输入MT-BP神经网络，并以天线参数为输出，以识读性能评价矩阵的二阶范数最大为目标对所述MT-BP神经网络进行迭代优化；进而得到优化的MT-BP神经网络，及与各典型场景相应的若干识读增强模板；其中，所述典型场景指仅包括单一种类货物的识读场景；所述识读增强模板包括与典型场景相应的最优天线参数；所述天线参数包括：增益强度、相位及载波对消度；
自适应优化模块，用于基于实际识读场景选择一所述识读增强模板进行天线参数初始化以获得对应的实际信道参数，并以识读性能评价矩阵的二阶范数最大为目标，通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；
标签识读模块，用于基于前述适应性调整优化后的天线参数进行多标签识读。
进一步的，包括：
第四构建模块，用于将所述简化系统模型简化为：y=S×(I·T)；
其中，y=R 1×M (ω)-L 1×M (ω)，S=S 1×M (ω)，I=I M×M (ω)，T=T M×M (ω)；
第五构建模块，用于设定代价函数为：
第一计算模块，用于求解
，以得到：I=T H ·(S H S) -1 S H y·T；
第二计算模块，用于通过I M×M (ω)=H 1×M (ω)T×H 1×M (ω)计算得到H 1×M (ω)。
进一步的，包括：
第一初始化模块，用于基于实际识读场景对应的仓库类型进行天线参数的第一次初始化，并获得对应的第一射频特性；
第三计算模块，用于通过极大相关估计法及所述第一射频特性在所述标签特征数据库中进行查找以确定第二射频特性；其中，所述极大相关估计法为：
其中，k为阅读器在跳频模式下的识读频点数；A Mk为实际多天线多频点接收信号矩
阵，Ā Mk为实际多天线多频点接收信号平均矩阵，Ā Mk通过对A Mk求元素平均值获得；B Mk为所
述标签特征数据库中的理想多天线多频点接收信号矩阵，
为理想多天线多频点接收信
号平均矩阵，
通过对B Mk求元素平均值获得；
第二初始化模块，用于将所述第二射频特性代入所述差分信道模型H c (ω)以选择一所述识读增强模板，并进行天线参数的第二次初始化。
进一步的，包括：
第二获取模块，用于基于所述第二次初始化的天线参数获取实际识读场景中的实际信道参数；
第一预测模块，用于将所述实际信道参数代入所述优化后的MT-BP神经网络以获取预测天线参数，并基于所述识读性能评价矩阵判断当前天线性能是否最优；
第一判断模块，用于在当前天线性能已达到最优时，基于其进行标签识读；反之，则基于优化后的MT-BP神经网络中的最速梯度下降法进行搜索以对天线参数进行优化直至天线性能达到最优。
有益效果：
由以上技术方案可知，本发明的技术方案提供了一种全新的基于MT-BP电磁感知的UHF多标签自适应识读方法，其不但可有效提高多天线多标签下的读取率，还具有良好的可实施性。
本技术方案整体上的工作原理为类相控阵天线法。即通过动态调整各个天线的增益强度、相位及载波对消度，在天线覆盖范围内形成了强弱变化的非均匀场，以提高多标签的读写信号强度，提升标签识读性能。并提出了多标签多天线下的MT-BP神经网络在整个方法中进行相应模型解算及实际识读时的适应性搜索优化。
基于此，本技术方案首先针对多天线多标签的复杂场景，借助电磁感知创建了与该复杂场景相应的简化系统模型，并在该简化系统模型中考虑多径时延较小，忽略了信号的多径及信道噪声等次要因素；而只关注信号的叠加及散射等主要因素。并基于各实际识读场景的差异性考虑，对所述简化系统模型通过ook调制下的高速AD采样及LS最小二乘估计法进行解算得到信道传输矩阵，进而得到一差分信道模型。由于所述差分信道模型由信道传输矩阵中每列中各元素减去对应列的平均值得到，因此所述差分信道模型中只涉及相对变化的部分，即所述差分信道模型只对相对衰减的信道特征敏感，而对货物的摆放位置等不敏感。从而在实际使用及后期通过MT-BP神经网络学习时不需要再考虑实际的货物摆放或混合情况，只需要考虑变化的信道特征即可。
其次，基于多标签多天线的情况，提出了MT-BP神经网络，并基于典型场景下的所述差分信道模型创建若干训练样本，并以识读性能评价矩阵的二阶范数最大化为目标，进行所述MT-BP神经网络的迭代优化。在训练结束后同时获得了优化的MT-BP神经网络及与各典型场景相应的识读增强模板。
最终，在实际识读场景中，则可基于前述优化后的MT-BP神经网络对天线参数进行适应性调整以实现实际识读场景中天线参数的优化设置。并由于在适应性调整前，首先以相应的所述识读增强模板对各天线参数进行了初始化设置。由于识读增强模板本身即为相对较好的设置，因此以其进行天线参数初始化，可有效降低MT-BP神经网络自适应调整时的搜索范围，即只需再通过较小范围的搜索即可获得相应实际识读场景下的最优天线参数。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1 为与本实施例中所述的基于MT-BP电磁感知的UHF多标签自适应识读方法相应的多天线多标签部署结构示意图；
图2 为本实施例所述的基于MT-BP电磁感知的UHF多标签自适应识读方法的流程图；
图3 为图2中采用LS最小二乘估计法求解H 1×M (ω)的流程图；
图4 为图2中基于实际识读场景选择一所述识读增强模板进行天线参数初始化的流程图；
图5 为图2中通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样, 除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件, 并不排除一个或多个其它特征、整体、步骤、 操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
现有技术中，各类用于提升多标签多天线下读取率的方法要么难以进行控制过程量化，要么调控过程耗时长、效率低，要么操作难度大；从而导致各类现有方法均存在在具体应用过程中可实施性低的技术缺陷。基于此，本申请采用类相控阵天线原理，提出多天线多标签下的MT-BP神经网络，并结合电磁感知设计了一种新的基于MT-BP电磁感知的UHF多标签自适应识读方法，以改善上述现有方法中存在的缺陷。
下面结合具体实施例，对本发明公开的基于MT-BP电磁感知的UHF多标签自适应识读方法做进一步具体介绍。
结合图2所示，所述方法包括如下步骤：
步骤S102、获取标签特征数据库。
如图1所示，本实施例中将各天线部署于龙门架上，且作为一种优选的部署方式，各天线沿所述龙门架的轴线进行对称设置。UHF标签标识的货物摆放在龙门架下方的货物摆放区。所述标签特征数据库可通过以下手段获取：手段一：事先针对即将通过龙门架的带UHF标签的货物的多天线射频性能进行单样品测试，并对各样本的射频特征记录形成标签特征数据库。手段二：由仓库的仓储中心在货物进仓前完成标签特征数据库的创建。手段三：由各货物的生产厂家直接提供货物的射频特性，由仓储中心等基于来自生产厂家的货物射频特性创建标签特征数据库。
所述标签特征数据库中，除了标签的射频特性，还包括与之相应的标签类型、标签贴附物属性，及标签在标签数据库中的ID。所述射频特性包括：前向激活灵敏度曲线、后向反射灵敏度曲线。
步骤S104、基于电磁感知构建多天线多标签下的简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
其中，ω为载波角频率，M为天线的个数；R 1×M (ω)为任一标签接收的信号强度；L 1×M (ω)为各天线间发生信号干扰时的载波泄漏函数；S 1×M (ω)为所有天线的发射信号向量；I M×M (ω)为所有天线的自干扰信道交织矩阵；T M×M (ω)为标签对自身信号的耦合函数。
所述简化系统模型的创建过程为：
针对图1所述的天线及待识读货物的结构部署，基于电磁感知构建的简化系统模型实际工作于小场景下。而在小场景中，多径延时很小，因此可忽略信号的多径及信道噪声等次要影响因素，而重点关注信号的叠加及散射等主要因素。基于此，
首先，构建所有天线的发射信号向量为：
其中，si为第i个天线的发射信号强度，σ为一虚数，ϕ i为第i个天线的发射信号相位。
其次，构建所有天线与任一标签间的信道传输函数为：
其中，h i为第i个天线与任一标签间的信道信号强度，σ为一虚数，θ i为第i个天线与任一标签间信道信号的相位偏移。
然后，创建各天线间发生信号干扰时的载波泄漏函数为：
L 1×M (ω)=S 1×M (ω)×HL M×M (ω)；
其中，HL M×M (ω)为天线间的载波泄漏系数矩阵，其表达式为：
其中，aij为第i个天线对第j个天线的载波泄漏系数。
最终，得到所述简化系统模型为：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))。
由所述简化系统模型的表达式可见，其为一M×M的线性系统，该线性系统的传输函数为：
I M×M (ω)·T M×M (ω)=Hr M×1(ω)·Tr M×1(ω)×Ts M×1(ω)·Hs M×1(ω)；
其中，Hr M×1(ω)为信道接收传输函数，Hs M×1(ω)为信道发送传输函数，Tr M×1(ω)为标签前向激活性能函数，Ts M×1(ω)为标签后向散射性能函数。
基于所述简化系统模型，采用ook调制的情况下，在标签返回调制信号为1时，可通过高速AD采用测得R 1×M (ω)、L 1×M (ω)及S 1×M (ω)。基于所述简化系统模型的传输函数，可通过所述标签特征数据库中相应的射频特征获取T M×M (ω)。
步骤S106、求解H 1×M (ω)对天线与标签间的信道特征进行解算，并获取所有天线与所有标签间的信道传输矩阵H N×M (ω)；进而创建一差分信道模型。
本步骤中，基于所述简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
进行I M×M (ω)求解。由于R 1×M (ω)、L 1×M (ω)、S 1×M (ω)、T M×M (ω)均已获得，因此求解I M×M (ω)转换为已知方程组的求解。
由于I M×M (ω)为Hermitan矩阵，因此其可表示为：I M×M (ω)=H 1×M (ω)T×H 1×M (ω)。若直接采用其进行一非齐次高阶方程组求解以得到H 1×M (ω)，则由于测试数据与实际数据间的误差及噪声，会影响H 1×M (ω)的精确性。
因此作为一种优选的实施方式，采用LS最小二乘估计法求解H 1×M (ω)。具体如图3所示，包括：
步骤S202、将所述简化系统模型简化为：y=S×(I·T)；
其中，y=R 1×M (ω)-L 1×M (ω)，S=S 1×M (ω)，I=I M×M (ω)，T=T M×M (ω)。
步骤S204、设定代价函数为：
步骤S206、求解
，以得到：I=T H ·(S H S) -1 S H y·T。
步骤S208、通过I M×M (ω)=H 1×M (ω)T×H 1×M (ω)计算得到H 1×M (ω)。
此时，得到多天线多标签下所有标签接收的信号强度矩阵为：
其中，N为标签的个数，R ij(ω)为第i个标签接收的第j个天线的信号强度。
得到所有天线与所有标签间的信道传输矩阵为：
其中，H ij(ω)为第i个标签与第j个天线间的信道信号强度。
由于实际场景下货物的摆放位置不确定，因此只关心信道的相对变化。进而通过对所述信道传输矩阵进行差分运算，即使所述信道传输矩阵中每列中各元素减去对应列的平均值得到一差分信道模型H c (ω)为：
其中，H avgj(ω)为第j列各元素的平均值。
步骤S108、基于差分信道模型获得若干典型场景下的若干组信道参数作为训练样本以对MT-BP神经网络进行迭代优化，并获得优化的MT-BP神经网络，及与各典型场景相应的若干识读增强模板。
所述典型场景指仅包括单一种类货物的识读场景。结合实际应用场景，选取所述典型场景包括：典型场景一：酒类乳制品等液态货物；典型场景二：服装等软质的纺织货物；典型场景三：饼干等固体货物。以其进行MT-BP神经网络训练，一方面可降低训练样本的获取难度，提高样本量。另一方面，可为后续的实际识读提供可靠的初始设置量。
所述识读增强模板包括典型场景下最优的天线参数。
所述天线参数包括：增益强度、相位及载波对消度。
在所述MT-BP神经网络的优化过程中，具体以训练样本为MT-BP神经网络的输入量，以天线参数为输出量；并以识读性能评价矩阵的二阶范数最大为目标进行迭代。
具体的，所述识读性能评价矩阵为：
P(ω)=R N×M (ω)-R r (ω)-C(ω)；
其中，R N×M (ω)为所有标签接收的信号强度矩阵，N为标签的个数；R r (ω)为阅读器的灵敏度矩阵，C(ω)为载波对消矩阵。
使其二阶范数最大，即使
最大。
步骤S110、基于实际识读场景选择一所述识读增强模板进行天线参数初始化以获得对应的实际信道参数，并以识读性能评价矩阵的二阶范数最大为目标，通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化。
如图4所示，所述基于实际识读场景选择一所述识读增强模板进行天线参数初始化，包括如下步骤：
步骤S302、基于实际识读场景对应的仓库类型进行天线参数的第一次初始化，并获得对应的第一射频特性。
由于各仓库存储的货物类型与仓库类型具有强相关性。如饮料企业的仓库多存放液体类货物，纺织企业的仓库多存放纺织类货物等。因此基于该仓库类型先进行天线参数的第一次初始化，并以该初始化后的第一射频特性作为先验信息以选择合适的识读增强模板。
步骤S304、通过极大相关估计法及所述第一射频特性在所述标签特征数据库中进行查找以确定第二射频特性；其中，所述极大相关估计法为：
其中，k为阅读器在跳频模式下的识读频点数；A Mk为实际多天线多频点接收信号矩
阵，Ā Mk为实际多天线多频点接收信号平均矩阵，Ā Mk通过对A Mk求元素平均值获得；B Mk为所
述标签特征数据库中的理想多天线多频点接收信号矩阵，
为理想多天线多频点接收信
号平均矩阵，
通过对B Mk求元素平均值获得。
由于UHF 阅读器为了抗干扰，一般工作于跳频模式下。因此步骤S304则基于每一天线在跳频的每个频点上的信号强度进行上述各矩阵构建。
本步骤中最终得到的第二射频特性包括前向激活灵敏度曲线，即所述标签前向激活性能函数Tr M×1(ω)；后向散射功率曲线，即所述标签后向散射性能函数Ts M×1(ω)。
步骤S306、将所述第二射频特性代入所述差分信道模型H c (ω)以选择一所述识读增强模板，并进行天线参数的第二次初始化。
步骤S112、基于前述适应性调整优化后的天线参数进行多标签识读。
结合图5所示，所述通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；包括：
步骤S402、基于所述第二次初始化的天线参数获取实际识读场景中的实际信道参数。
步骤S404、将所述实际信道参数代入所述优化后的MT-BP神经网络以获取预测天线参数，并基于所述识读性能评价矩阵判断当前天线性能是否最优。
具体实施时，在预测天线参数过程中，所述MT-BP神经网络的输入层对应的参数为Hr(ω)，神经元节点为N个(与标签个数一致)。输出层为M个天线的增益强度、相位及载波对
消度，神经元节点为M个(与天线个数一致)。隐藏层为前后神经元之间的权重值矩阵，节点
数为
，其中，b为0~10的常数。
步骤S406、若当前天线性能已达到最优，则基于其进行标签识读；反之，则基于优化后的MT-BP神经网络中的最速梯度下降法进行自动搜索以对天线参数进行优化直至天线性能达到最优。
在步骤S406的自动搜索过程中，由于以相应的所述识读增强模板对各天线参数进行了初始化设置，因此可有效降低MT-BP神经网络自适应调整时的搜索范围。在具体的搜索过程中，MT-BP神经网络通过反向传播不断修正、调整网络前后层神经元间的权重值，以不断扩大搜索范围检测识读性能，使实际输出值与期望值的误差均方值小于基于所述识读性能评价矩阵确定的给定值，或超出迭代次数。
在具体实施中，若进行运载货物更换，只需重复进行步骤S110~步骤S112，并具体重复步骤S302~步骤S306(优选的，对于同一仓库类型，直接从步骤S304开始即可)，及步骤S402~步骤S406即可。
上述程序可以运行在处理器中，或者也可以存储在存储器中（或称为计算机可读存储介质），计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体，如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
在本实施例中，就提供了这样一种系统，该系统可以称为一种基于MT-BP电磁感知的UHF多标签自适应识读系统。该系统依次包括：
第一获取模块，用于获取标签特征数据库，其中包括与各类货物相应的标签类型及射频特性；其中，所述射频特性包括前向激活灵敏度曲线、后向反射灵敏度曲线。
第一构建模块，用于基于电磁感知构建多天线多标签下的简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
其中，ω为载波角频率，M为天线的个数；R 1×M (ω)为任一标签接收的信号强度；L 1×M (ω)为各天线间发生信号干扰时的载波泄漏函数；S 1×M (ω)为所有天线的发射信号向量；I M×M (ω)为所有天线的自干扰信道交织矩阵；T M×M (ω)为标签对自身信号的耦合函数；其中，R 1×M (ω)、L 1×M (ω)及S 1×M (ω)均基于ook调制测量获取，T M×M (ω)通过所述标签特征数据库中相应的射频特征获取。
第二构建模块，用于基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω) 求解以获得H 1×M (ω)；其中，H 1×M (ω)为所有天线与任一标签间的信道传输函数；进而获得多天线多标签下所有天线与所有标签间的信道传输矩阵H N×M (ω)，并使所述信道传输矩阵中每列的各元素减去对应列的平均值得到一差分信道模型H c (ω)。
第三构建模块，用于将若干典型场景下的实测数据代入所述差分信道模型以获得若干组信道参数作为训练样本，将其输入MT-BP神经网络，并以天线参数为输出，以识读性能评价矩阵的二阶范数最大为目标对所述MT-BP神经网络进行迭代优化；进而得到优化的MT-BP神经网络，及与各典型场景相应的若干识读增强模板；其中，所述典型场景指仅包括单一种类货物的识读场景；所述识读增强模板包括与典型场景相应的最优天线参数；所述天线参数包括：增益强度、相位及载波对消度。
自适应优化模块，用于基于实际识读场景选择一所述识读增强模板进行天线参数初始化以获得对应的实际信道参数，并以识读性能评价矩阵的二阶范数最大为目标，通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化。
标签识读模块，用于基于前述适应性调整优化后的天线参数进行多标签识读。
该系统用于实现上述实施例中方法的步骤，已经进行说明的，在此不再赘述。
例如，还依次包括：
第四构建模块，用于将所述简化系统模型简化为：y=S×(I·T)；
其中，y=R 1×M (ω)-L 1×M (ω)，S=S 1×M (ω)，I=I M×M (ω)，T=T M×M (ω)。
第五构建模块，用于设定代价函数为：
第一计算模块，用于求解
，以得到：I=T H ·(S H S) -1 S H y·T。
第二计算模块，用于通过I M×M (ω)=H 1×M (ω)T×H 1×M (ω)计算得到H 1×M (ω)。
例如，还依次包括：
第一初始化模块，用于基于实际识读场景对应的仓库类型进行天线参数的第一次初始化，并获得对应的第一射频特性。
第三计算模块，用于通过极大相关估计法及所述第一射频特性在所述标签特征数据库中进行查找以确定第二射频特性；其中，所述极大相关估计法为：
其中，k为阅读器在跳频模式下的识读频点数；A Mk为实际多天线多频点接收信号矩
阵，Ā Mk为实际多天线多频点接收信号平均矩阵，Ā Mk通过对A Mk求元素平均值获得；B Mk为所
述标签特征数据库中的理想多天线多频点接收信号矩阵，
为理想多天线多频点接收信
号平均矩阵，
通过对B Mk求元素平均值获得。
第二初始化模块，用于将所述第二射频特性代入所述差分信道模型H c (ω)以选择一所述识读增强模板，并进行天线参数的第二次初始化。
例如，还依次包括：
第二获取模块，用于基于所述第二次初始化的天线参数获取实际识读场景中的实际信道参数。
第一预测模块，用于将所述实际信道参数代入所述优化后的MT-BP神经网络以获取预测天线参数，并基于所述识读性能评价矩阵判断当前天线性能是否最优。
第一判断模块，用于在当前天线性能已达到最优时，基于其进行标签识读；反之，则基于优化后的MT-BP神经网络中的最速梯度下降法进行搜索以对天线参数进行优化直至天线性能达到最优。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.基于MT-BP电磁感知的UHF多标签自适应识读方法，其特征在于，包括：
获取标签特征数据库，其中包括与各类货物相应的标签类型及射频特性；其中，所述射频特性包括前向激活灵敏度曲线、后向反射灵敏度曲线；
基于电磁感知构建多天线多标签下的简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
其中，ω为载波角频率，M为天线的个数；R 1×M (ω)为任一标签接收的信号强度；L 1×M (ω)为各天线间发生信号干扰时的载波泄漏函数；S 1×M (ω)为所有天线的发射信号向量；I M×M (ω)为所有天线的自干扰信道交织矩阵；T M×M (ω)为标签对自身信号的耦合函数；其中，R 1×M (ω)、L 1×M (ω)及S 1×M (ω)均基于ook调制测量获取，T M×M (ω)通过所述标签特征数据库中相应的射频特征获取；
基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω) 求解以获得H 1×M (ω)；其中，H 1×M (ω)为所有天线与任一标签间的信道传输函数；进而获得多天线多标签下所有天线与所有标签间的信道传输矩阵H N×M (ω)，并使所述信道传输矩阵中每列的各元素减去对应列的平均值得到一差分信道模型H c (ω)；
将若干典型场景下的实测数据代入所述差分信道模型以获得若干组信道参数作为训练样本，将其输入MT-BP神经网络，并以天线参数为输出，以识读性能评价矩阵的二阶范数最大为目标对所述MT-BP神经网络进行迭代优化；进而得到优化的MT-BP神经网络，及与各典型场景相应的若干识读增强模板；其中，所述典型场景指仅包括单一种类货物的识读场景；所述识读增强模板包括与典型场景相应的最优天线参数；所述天线参数包括：增益强度、相位及载波对消度；
基于实际识读场景选择一所述识读增强模板进行天线参数初始化以获得对应的实际信道参数，并以识读性能评价矩阵的二阶范数最大为目标，通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；
基于前述适应性调整优化后的天线参数进行多标签识读。
2.根据权利要求1所述的基于MT-BP电磁感知的UHF多标签自适应识读方法，其特征在于，所述简化系统模型为一M×M的线性系统，该线性系统的传输函数为：
I M×M (ω)·T M×M (ω)=Hr M×1(ω)·Tr M×1(ω)×Ts M×1(ω)·Hs M×1(ω)；
其中，Hr M×1(ω)为信道接收传输函数，Hs M×1(ω)为信道发送传输函数，Tr M×1(ω)为标签前向激活性能函数，Ts M×1(ω)为标签后向散射性能函数。
3.根据权利要求1所述的基于MT-BP电磁感知的UHF多标签自适应识读方法，其特征在于，所述基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω)求解以获得H 1×M (ω)，包括：
将所述简化系统模型简化为：y=S×(I·T)；
其中，y =R 1×M (ω)-L 1×M (ω)，S=S 1×M (ω)，I=I M×M (ω)，T=T M×M (ω)；
设定代价函数为：
求解
，以得到：I=T H ·(S H S) -1 S H y·T；
通过I M×M (ω)=H 1×M (ω)T×H 1×M (ω)计算得到H 1×M (ω)。
4.根据权利要求1所述的基于MT-BP电磁感知的UHF多标签自适应识读方法，其特征在于，所述识读性能评价矩阵为：
P(ω)=R N×M (ω)-R r (ω)-C(ω)；
其中，R N×M (ω)为所有标签接收的信号强度矩阵，N为标签的个数；R r (ω)为阅读器的灵敏度矩阵，C(ω)为载波对消矩阵。
5.根据权利要求1所述的基于MT-BP电磁感知的UHF多标签自适应识读方法，其特征在于，所述基于实际识读场景选择一所述识读增强模板进行天线参数初始化，包括：
基于实际识读场景对应的仓库类型进行天线参数的第一次初始化，并获得对应的第一射频特性；
通过极大相关估计法及所述第一射频特性在所述标签特征数据库中进行查找以确定第二射频特性；其中，所述极大相关估计法为：
其中，k为阅读器在跳频模式下的识读频点数；A Mk为实际多天线多频点接收信号矩阵，Ā Mk为实际多天线多频点接收信号平均矩阵，Ā Mk通过对A Mk求元素平均值获得；B Mk为所述标
签特征数据库中的理想多天线多频点接收信号矩阵，
为理想多天线多频点接收信号平
均矩阵，
通过对B Mk求元素平均值获得；
将所述第二射频特性代入所述差分信道模型H c (ω)以选择一所述识读增强模板，并进行天线参数的第二次初始化。
6.根据权利要求5所述的基于MT-BP电磁感知的UHF多标签自适应识读方法，其特征在于，所述通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；包括：
基于所述第二次初始化的天线参数获取实际识读场景中的实际信道参数；
将所述实际信道参数代入所述优化后的MT-BP神经网络以获取预测天线参数，并基于所述识读性能评价矩阵判断当前天线性能是否最优；
若当前天线性能已达到最优，则基于其进行标签识读；反之，则基于优化后的MT-BP神经网络中的最速梯度下降法进行搜索以对天线参数进行优化直至天线性能达到最优。
7.基于MT-BP电磁感知的UHF多标签自适应识读系统，其特征在于，包括：
第一获取模块，用于获取标签特征数据库，其中包括与各类货物相应的标签类型及射频特性；其中，所述射频特性包括前向激活灵敏度曲线、后向反射灵敏度曲线；
第一构建模块，用于基于电磁感知构建多天线多标签下的简化系统模型：
R 1×M (ω)-L 1×M (ω)=S 1×M (ω)×(I M×M (ω)·T M×M (ω))；
其中，ω为载波角频率，M为天线的个数；R 1×M (ω)为任一标签接收的信号强度；L 1×M (ω)为各天线间发生信号干扰时的载波泄漏函数；S 1×M (ω)为所有天线的发射信号向量；I M×M (ω)为所有天线的自干扰信道交织矩阵；T M×M (ω)为标签对自身信号的耦合函数；其中，R 1×M (ω)、L 1×M (ω)及S 1×M (ω)均基于ook调制测量获取，T M×M (ω)通过所述标签特征数据库中相应的射频特征获取；
第二构建模块，用于基于所述简化系统模型及LS最小二乘估计法对I M×M (ω)=H 1×M (ω)T×H 1×M (ω) 求解以获得H 1×M (ω)；其中，H 1×M (ω)为所有天线与任一标签间的信道传输函数；进而获得多天线多标签下所有天线与所有标签间的信道传输矩阵H N×M (ω)，并使所述信道传输矩阵中每列的各元素减去对应列的平均值得到一差分信道模型H c (ω)；
第三构建模块，用于将若干典型场景下的实测数据代入所述差分信道模型以获得若干组信道参数作为训练样本，将其输入MT-BP神经网络，并以天线参数为输出，以识读性能评价矩阵的二阶范数最大为目标对所述MT-BP神经网络进行迭代优化；进而得到优化的MT-BP神经网络，及与各典型场景相应的若干识读增强模板；其中，所述典型场景指仅包括单一种类货物的识读场景；所述识读增强模板包括与典型场景相应的最优天线参数；所述天线参数包括：增益强度、相位及载波对消度；
自适应优化模块，用于基于实际识读场景选择一所述识读增强模板进行天线参数初始化以获得对应的实际信道参数，并以识读性能评价矩阵的二阶范数最大为目标，通过所述优化的MT-BP神经网络对初始化后的所述天线参数进行适应性调整优化；
标签识读模块，用于基于前述适应性调整优化后的天线参数进行多标签识读。
8.根据权利要求7所述的基于MT-BP电磁感知的UHF多标签自适应识读系统，其特征在于，包括：
第四构建模块，用于将所述简化系统模型简化为：y=S×(I·T)；
其中，y=R 1×M (ω)-L 1×M (ω)，S=S 1×M (ω)，I=I M×M (ω)，T=T M×M (ω)；
第五构建模块，用于设定代价函数为：
第一计算模块，用于求解
，以得到：I=T H ·(S H S) -1 S H y·T；
第二计算模块，用于通过I M×M (ω)=H 1×M (ω)T×H 1×M (ω)计算得到H 1×M (ω)。
9.根据权利要求7所述的基于MT-BP电磁感知的UHF多标签自适应识读系统，其特征在于，包括：
第一初始化模块，用于基于实际识读场景对应的仓库类型进行天线参数的第一次初始化，并获得对应的第一射频特性；
第三计算模块，用于通过极大相关估计法及所述第一射频特性在所述标签特征数据库中进行查找以确定第二射频特性；其中，所述极大相关估计法为：
其中，k为阅读器在跳频模式下的识读频点数；A Mk为实际多天线多频点接收信号矩阵，Ā Mk为实际多天线多频点接收信号平均矩阵，Ā Mk通过对A Mk求元素平均值获得；B Mk为所述标
签特征数据库中的理想多天线多频点接收信号矩阵，
为理想多天线多频点接收信号平
均矩阵，
通过对B Mk求元素平均值获得；
第二初始化模块，用于将所述第二射频特性代入所述差分信道模型H c (ω)以选择一所述识读增强模板，并进行天线参数的第二次初始化。
10.根据权利要求7所述的基于MT-BP电磁感知的UHF多标签自适应识读系统，其特征在于，包括：
第二获取模块，用于基于所述第二次初始化的天线参数获取实际识读场景中的实际信道参数；
第一预测模块，用于将所述实际信道参数代入所述优化后的MT-BP神经网络以获取预测天线参数，并基于所述识读性能评价矩阵判断当前天线性能是否最优；
第一判断模块，用于在当前天线性能已达到最优时，基于其进行标签识读；反之，则基于优化后的MT-BP神经网络中的最速梯度下降法进行搜索以对天线参数进行优化直至天线性能达到最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211133968.2A CN115204204B (zh) | 2022-09-19 | 2022-09-19 | 基于mt-bp电磁感知的uhf多标签自适应识读方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211133968.2A CN115204204B (zh) | 2022-09-19 | 2022-09-19 | 基于mt-bp电磁感知的uhf多标签自适应识读方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115204204A true CN115204204A (zh) | 2022-10-18 |
| CN115204204B CN115204204B (zh) | 2022-12-02 |
Family
ID=83572949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211133968.2A Active CN115204204B (zh) | 2022-09-19 | 2022-09-19 | 基于mt-bp电磁感知的uhf多标签自适应识读方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115204204B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5890068A (en) * | 1996-10-03 | 1999-03-30 | Cell-Loc Inc. | Wireless location system |
| CN1309793A (zh) * | 1998-05-15 | 2001-08-22 | 因芬尼昂技术股份公司 | 无接触传输数据的设备 |
| US6727935B1 (en) * | 2002-06-28 | 2004-04-27 | Digeo, Inc. | System and method for selectively obscuring a video signal |
| CN1639726A (zh) * | 2002-03-18 | 2005-07-13 | 精密动力公司 | 增强的识别器具 |
| CN1761503A (zh) * | 2003-01-17 | 2006-04-19 | 雷达高尔夫公司 | 与可发现的高尔夫球有关的设备、方法和系统 |
| CN101507047A (zh) * | 2005-11-03 | 2009-08-12 | 讯宝科技公司 | 低返回损耗的粗壮rfid天线 |
| WO2011130335A2 (en) * | 2010-04-12 | 2011-10-20 | Tufts University | Silk electronic components |
| US20130201003A1 (en) * | 2010-04-26 | 2013-08-08 | Sithamparanathan Sabesan | Rfid tag location systems |
| US20140353383A1 (en) * | 2010-10-22 | 2014-12-04 | I E R | Matrix of adhesive rfid tags |
| CN104484690A (zh) * | 2014-12-23 | 2015-04-01 | 苏州宽温电子科技有限公司 | 一种用于消除接收回路载波干扰的载波消除电路系统 |
| CN105825158A (zh) * | 2015-01-08 | 2016-08-03 | 中国移动通信集团公司 | Nfc设备、阅读器、系统、及配置数据传输方法 |
| US20170109554A1 (en) * | 2010-09-01 | 2017-04-20 | Quake Global, Inc. | Pluggable small form-factor uhf rfid reader |
| US20170199268A1 (en) * | 2014-07-16 | 2017-07-13 | Clairvoyant Technology Llc | Rfid tag tracking using phase likelihood |
| CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| CN113449531A (zh) * | 2021-06-25 | 2021-09-28 | 无锡科睿坦电子科技股份有限公司 | 一种自动测试rfid标签读写距离的方法及装置 |
| CN114006799A (zh) * | 2021-10-29 | 2022-02-01 | 西安交通大学 | 一种面向无源rfid的扩频与宽带感知增强方法及系统 |
| WO2022033377A1 (zh) * | 2020-08-14 | 2022-02-17 | 华为技术有限公司 | 一种媒体信息传输方法及电子设备 |
-
2022
- 2022-09-19 CN CN202211133968.2A patent/CN115204204B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5890068A (en) * | 1996-10-03 | 1999-03-30 | Cell-Loc Inc. | Wireless location system |
| CN1309793A (zh) * | 1998-05-15 | 2001-08-22 | 因芬尼昂技术股份公司 | 无接触传输数据的设备 |
| CN1639726A (zh) * | 2002-03-18 | 2005-07-13 | 精密动力公司 | 增强的识别器具 |
| US6727935B1 (en) * | 2002-06-28 | 2004-04-27 | Digeo, Inc. | System and method for selectively obscuring a video signal |
| CN1761503A (zh) * | 2003-01-17 | 2006-04-19 | 雷达高尔夫公司 | 与可发现的高尔夫球有关的设备、方法和系统 |
| CN101507047A (zh) * | 2005-11-03 | 2009-08-12 | 讯宝科技公司 | 低返回损耗的粗壮rfid天线 |
| WO2011130335A2 (en) * | 2010-04-12 | 2011-10-20 | Tufts University | Silk electronic components |
| US20130201003A1 (en) * | 2010-04-26 | 2013-08-08 | Sithamparanathan Sabesan | Rfid tag location systems |
| US20170109554A1 (en) * | 2010-09-01 | 2017-04-20 | Quake Global, Inc. | Pluggable small form-factor uhf rfid reader |
| US20140353383A1 (en) * | 2010-10-22 | 2014-12-04 | I E R | Matrix of adhesive rfid tags |
| US20170199268A1 (en) * | 2014-07-16 | 2017-07-13 | Clairvoyant Technology Llc | Rfid tag tracking using phase likelihood |
| CN104484690A (zh) * | 2014-12-23 | 2015-04-01 | 苏州宽温电子科技有限公司 | 一种用于消除接收回路载波干扰的载波消除电路系统 |
| CN105825158A (zh) * | 2015-01-08 | 2016-08-03 | 中国移动通信集团公司 | Nfc设备、阅读器、系统、及配置数据传输方法 |
| CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| WO2022033377A1 (zh) * | 2020-08-14 | 2022-02-17 | 华为技术有限公司 | 一种媒体信息传输方法及电子设备 |
| CN113449531A (zh) * | 2021-06-25 | 2021-09-28 | 无锡科睿坦电子科技股份有限公司 | 一种自动测试rfid标签读写距离的方法及装置 |
| CN114006799A (zh) * | 2021-10-29 | 2022-02-01 | 西安交通大学 | 一种面向无源rfid的扩频与宽带感知增强方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| MUN LENG NG等: "Analysis of constraints in small UHF RFID tag", 《2005 IEEE INTERNATIONAL SYMPOSIUM ON MICROWAVE, ANTENNA, PROPAGATION AND EMC TECHNOLOGIES FOR WIRELESS COMMUNICATIONS》 * |
| PAVOL PECHO: "Internal Damage Detection of Composite Structures Using Passive RFID Tag Antenna Deformation MethodBasic Research", 《SENSORS》 * |
| 佘开等: "无源超高频RFID系统链路预算分析", 《仪器仪表学报》 * |
| 杨博等: "基于多进制查询数的多标签识别方法", 《计算机工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115204204B (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rezaie et al. | Location-and orientation-aided millimeter wave beam selection using deep learning | |
| CN108037520B (zh) | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 | |
| Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
| CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
| CN111965632A (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
| Morais et al. | Position-aided beam prediction in the real world: How useful GPS locations actually are? | |
| CN105005035A (zh) | 基于二维滑窗稳健空时自适应处理的目标检测方法 | |
| CN114124623A (zh) | 一种无线通信信道估计方法和装置 | |
| CN115393440B (zh) | 一种光端机信标光斑中心定位方法、存储介质及电子设备 | |
| CN108627819B (zh) | 基于雷达观测的距离扩展目标检测方法和系统 | |
| CN104991237A (zh) | 基于稳健空时自适应处理的目标检测方法 | |
| CN111751811A (zh) | 一种多基站雷达构型下的距离扩展目标检测方法 | |
| CN115204204B (zh) | 基于mt-bp电磁感知的uhf多标签自适应识读方法及系统 | |
| Rahmani et al. | Robust and rapid converging adaptive beamforming via a subspace method for the signal‐plus‐interferences covariance matrix estimation | |
| CN106960083A (zh) | 一种基于主瓣波束图优化的鲁棒自适应波束形成方法 | |
| Tian et al. | Cooperative localization for passive RFID backscatter networks and theoretical analysis of performance limit | |
| Salehi et al. | Kernelized-likelihood ratio tests for binary phase-shift keying signal detection | |
| Ito et al. | Radio propagation estimation in a long-range environment using a deep neural network | |
| CN116634358A (zh) | 终端定位方法、装置及非易失性存储介质 | |
| CN111628837A (zh) | 一种信道建模的方法及设备 | |
| US11240680B2 (en) | Device and method for analyzing propagation characteristics in wireless communication system | |
| Wang et al. | Prediction of the RFID Identification Rate Based on the Neighborhood Rough Set and Random Forest for Robot Application Scenarios | |
| JP2023042280A (ja) | 端末位置特定システム、端末位置特定方法、及び、プログラム | |
| KR102415990B1 (ko) | 공간 다중모드 검출을 수행하는 방법 및 장치 | |
| Klus et al. | C2R: A Novel Architecture for Boosting Indoor Positioning With Scarce Data |
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 |