CN117332796A - 一种利用起始帧碰撞波形估计标签数量的方法 - Google Patents
一种利用起始帧碰撞波形估计标签数量的方法 Download PDFInfo
- Publication number
- CN117332796A CN117332796A CN202311265445.8A CN202311265445A CN117332796A CN 117332796 A CN117332796 A CN 117332796A CN 202311265445 A CN202311265445 A CN 202311265445A CN 117332796 A CN117332796 A CN 117332796A
- Authority
- CN
- China
- Prior art keywords
- random forest
- sof
- collision
- labels
- estimating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007637 random forest analysis Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 16
- 230000001965 increasing effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 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.
- G06K7/10029—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 time domain, e.g. using binary tree search or RFID responses allocated to a random time slot
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Toxicology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种利用起始帧碰撞波形估计标签数量的方法，属于射频识别领域。本发明构造用于标签数量估计的随机森林离线模型：将DFSA算法初始Q值设置为0，盘点多组已知数量的标签，此时所有标签同时响应，起始帧(SOF)的碰撞波形与标签数量呈一一映射关系，将SOF碰撞波形和已知的标签数量分别作为训练随机森林样本集的特征集和标记空间，训练用于标签数量估计的随机森林离线模型；预估待盘点标签的数量：将未知数量密集标签的SOF碰撞波形作为随机森林离线模型的输入，其输出即为标签数量预估值。本发明能有效提升高频RFID系统盘点效率。
Description
技术领域
本发明属于射频识别领域，具体涉及一种利用起始帧碰撞波形估计标签数量的方法。
背景技术
高频RFID读写器的频率为13.56MHz，通过天线线圈电感耦合来传输能量，具有对环境噪声和电磁干扰有极强的抗干扰能力的优势。在多标签密集识读的应用场景下，多个标签同时向读写器发送响应会发生碰撞，这会严重影响通信的系统效率。当帧长度和标签数量相等时，DFSA达到理论最大吞吐量为36.8％。帧长度的值为2Q，可通过参数Q来调节，使帧长度与标签数量接近，从而提高盘点效率。但是若初始Q值设置的过大或者过小，为保证标签响应成功，则需要多轮Q值调整，这会导致盘点时间复杂度高。为了避免吞吐量的显着恶化，迫切需要一种能够预估标签数量的方法，以确定适当的帧长度，降低初始帧长对系统效率的影响。
在密集堆叠标签估计应用场景下，若标签数量估计算法复杂度过高，则不适合性能有限的嵌入式系统。相较于卷积神经网络等深度机器学习算法，随机森林集成学习算法中集成的众多决策树仅需执行少量计算复杂度低的比较运算，不仅能够以并行模式运行，而且决策树间的平均策略可有效保证估计准确度。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种利用起始帧碰撞波形估计标签数量的方法，以解决参数Q的估计问题。
(二)技术方案
为了解决上述技术问题，本发明提出一种利用起始帧碰撞波形估计标签数量的方法，该方法包括如下步骤：
S1、构造用于标签数量估计的随机森林集成学习离线模型，包括以下子步骤：
S11、随机森林样本集合采集：多标签密集场景下，将动态帧时隙ALOHA(DFSA，Dynamic Framed SlottedALOHA)算法中的Q值设置为0，盘点多组已知数量的标签，将多标签第一次响应的SOF碰撞波形为样本集的特征集，标签数量为样本集合的标记空间；
S12、随机森林离线模型训练：将采集到的样本集输入到随机森林中，将采集到的样本分为训练集和测试集，训练集用于标签数量估计的随机森林离线模型，测试集用于测试训练好的随机森林模型的准确度；
S2、待盘点标签的数量预估，包括以下子步骤:
S21、待盘点密集标签SOF碰撞波形采集：对于密集叠放的待盘点标签，设置DFSA算法Q值为0，采集所有标签第一次响应的SOF碰撞波形；
S22、待盘点标签数量估计：将待盘点标签的SOF碰撞波形输入到训练好的随机森林模型中，获得预估的标签数量N，根据预估的标签数量计算出Q＝[log2N]。
(三)有益效果
本发明提出一种利用起始帧碰撞波形估计标签数量的方法，本发明利用起始帧(SOF，Start ofFrame)碰撞波形特征展现标签数量信息，结合随机森林强大的细节特征学习能力，实现标签数量的估计，便于优化初始Q值设置，从而降低初始帧长对系统盘点效率的影响。
本发明提出的方法实现了高频RFID系统标签数量的估计，能够解决DFSA算法中初始帧长选择比较敏感，以及RFID动态帧时隙提前停止导致的估计误差大、时间复杂度高等问题，能有效提升高频RFID系统盘点效率。
附图说明
图1为本发明利用起始帧碰撞波形估计标签数量的方法的训练流程图；
图2是本发明利用起始帧碰撞波形估计标签数量方法的实施流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明涉及射频识别领域，具体是涉及一种利用起始帧碰撞波形估计标签数量的方法，便于设置参数，实现标签快速盘点的方法。
本发明公开了一种利用起始帧碰撞波形估计标签数量的方法，适用于采用动态帧时隙ALOHA算法(DFSA，Dynamic Framed SlottedALOHA)的高频射频识别(RFID，RadioFrequencyIdentification)系统。该方法主要包括：(1)构造用于标签数量估计的随机森林离线模型：将DFSA算法初始Q值设置为0，盘点多组已知数量的标签，此时所有标签同时响应，起始帧(SOF，Start ofFrame)的碰撞波形与标签数量呈一一映射关系，将SOF碰撞波形和已知的标签数量分别作为训练随机森林样本集的特征集和标记空间，训练用于标签数量估计的随机森林离线模型；(2)预估待盘点标签的数量：将未知数量密集标签的SOF碰撞波形作为随机森林离线模型的输入，其输出即为标签数量预估值。
本发明提出一种基于多标签SOF碰撞波形实现了标签数量的估计方法，该方法包括：
S1、构造用于标签数量估计的随机森林集成学习离线模型，包括以下子步骤：
S11、随机森林样本集合采集：多标签密集场景下，将动态帧时隙ALOHA(DFSA，Dynamic Framed SlottedALOHA)算法中的Q值设置为0，盘点多组已知数量的标签，将多标签第一次响应的SOF碰撞波形为样本集的特征集，标签数量为样本集合的标记空间。
S12、随机森林离线模型训练：将采集到的样本集输入到随机森林中，将采集到的样本分为训练集和测试集，样本总数的70％作为训练集，训练集用于标签数量估计的随机森林离线模型，样本总数的30％作为测试集，测试集用于测试训练好的随机森林模型的准确度。
S2、待盘点标签的数量预估。包括以下子步骤:
S21、待盘点密集标签SOF碰撞波形采集：对于密集叠放的待盘点标签，设置DFSA算法Q值为0，采集所有标签第一次响应的SOF碰撞波形。
S22、待盘点标签数量估计。将待盘点标签的SOF碰撞波形输入到训练好的随机森林模型中，获得预估的标签数量N，根据预估的标签数量可以计算出Q＝[log2N]。
实施例1：
本发明提出一种方法，基于多标签SOF碰撞波形实现了标签数量估计。下面以ISO18000-3协议Mode3模式为例，说明本发明的具体实施方式，但不作为具体实施方法的限定。如图2所示，本方法的具体实施流程如下。
(1)构造用于标签数量估计的随机森林离线模型
(11)构建用于训练随机森林的样本集合。密集标签堆叠场景下，将DFSA算法Q值设置为0，遍历盘点多组已知数量的标签，将多标签第一次响应的SOF碰撞波形为样本集的特征集，标签数量为样本集合的标记空间。为了避免噪声等的影响，每种相同标签数量下，采集SOF碰撞波形不少于100次。
以盘点100张以内标签为例子，标签数量N分别是1、2、4、8、16、32、64、128时，设置DFSA算法Q值为0，所有标签第一次响应的SOF碰撞波形为随机森林样本特征集，标签数量N是随机森林模型的标记空间。
(12)训练随机森林模型。按照本发明，将采集到的样本集输入到随机森林中，所述随机森林的训练流程和结构如图1所示。将样本总数的70％作为训练集，样本总数的30％作为测试集合，建立随机森林模型，随机森林的输出为预估的标签数量。
下面以盘点100张以内标签为例子，说明随机森林的结构：
一种用于标签数量估计的随机森林的训练流程图如图1。
原始数据集是遍历多组不同标签数量后获得的SOF碰撞波形的集合，用D表示。通过有放回随机采样可以从原始数据集中产生多组训练数据集，具体如下：对于包括S个SOF碰撞波形的原始数据集D，随机选择一个SOF碰撞波形放入训练数据集Dn中，然后将该SOF碰撞波形放回D中，这样在下一次随机选择中该SOF碰撞波形仍可能被选中。重复上述过程S次后，可以得到包含S个SOF碰撞波形的Dn，这样就生成了用来训练一棵决策树的训练数据集，不断迭代以上过程以生成多组训练数据集。有放回采样可以使得各种训练数据集之间存在差异的同时保留一定相似性，这种求同存异的思想使得随机森林能够通过群集智能实现高估计性能。
为适用于性能有限的嵌入式系统，用于标签数量估计的随机森林复杂度不能过高。决定随机森林复杂度和性能的两个主要超参数是随机森林最大深度最优值MD和决策树数量最优值T。当决策树数量一定，随着决策树最大深度的增加，随机森林性能逐渐提升到最优，即使决策树数量继续增加，随机森林的性能也保持不变，但是随机森林的复杂度持续增加；当最大深度一定，随着决策树数量的增加，随机森林的性能逐渐提升到最优而后保持不变，但是随机森林的复杂度持续增加。能使得随机森林性能最优并且复杂度最小的决策树数量和最大深度的最小值为最优值。为了使得最终的随机森林性能最优并且复杂度最低，需要先在不考虑随机森林复杂度的情况下，训练随机森林获得这两个超参数的最优值。
基于随机森林最优决策树数量T，利用有放回随机采样得到T组训练数据集，这T组训练数据集并行完成T棵决策树的训练，一棵决策树的详细训练过程如下。
首先，从SOF碰撞波形的M个特征中随机选择m个子特征，构建一个随机特征子空间(RFSC,RandomFeature Subspace Construction)，并将其设为根节点。根据经验法则，m的取值遵循m＝[log2M]+1；
然后根据最优划分标准，将一个根节点划分为两个子节点，每次划分完成都需要确定该子节点的此时决策树深度是否与最大深度最优值MD一致，如果不一致再从RFSC中重新选择特征进行递归操作，随着递归操作的执行，子节点的最大深度逐渐增加直到与最大深度最优值一致，递归操作停止，决策树训练过程结束，输出标签数量估计值，标签数量估计值是叶子节点的输出值。
训练完成后，每一棵决策树都会输出一个标签数量估计值，因此T棵决策树训练完成后得到T个标签数量估计值。为了减少每个决策树的偏差影响，最终随机森林估计的标签数量是这T个标签数量估计值的最小均方差。
标签数量估计是属于回归中的数值预测问题，所以本方案采用回归式算法。性能度量采用平均绝对误差，它表示T次测试结果中，随机森林的标签数量估计值yest和标签真实数量ytrue之间绝对误差的平均值。平均绝对误差能更好地反映预测值误差的实际情况。如式(1)所示。
(2)预估待盘点标签的数量
(21)采集待盘点标签SOF碰撞波形。对于未知数量的待盘点标签，设置DFSA算法Q值为0，此时所有标签同时响应，产生碰撞，采集所有标签第一次响应的SOF碰撞波形。
(22)预估待盘点标签数量。将待盘点标签对应的所有标签第一次响应的SOF碰撞波形输入到训练好的随机森林模型中，获得标签数量估计值。
实施例2：
一种利用起始帧碰撞波形估计标签数量的方法，包括以下步骤：
(1)构造用于标签数量估计的随机森林模型；
(2)预估待盘点标签的数量。
一种利用起始帧碰撞波形估计标签数量的方法，所述步骤(1)中，判定方法如下：
(11)随机森林样本集合采集。多标签密集场景下，将DFSA算法Q值设置为0，盘点多组已知数量的标签，标签数量为2的幂次，例如，1、2、4、8、16、32等；每组标签的盘点次数不小于100次；将标签第一次响应的SOF碰撞波形为样本集的特征集，标签实际数量为样本集合的标记空间。
(12)随机森林离线模型训练。将样本集输入到随机森林中，样本总数的70％作为训练集，建立用于标签数量估计的随机森林离线模型，样本总数的30％作为测试集，测试训练好的随机森林模型的准确度。
一种利用起始帧碰撞波形估计标签数量的方法，所述步骤(2)中，判定方法如下：
(21)待盘点标签波形采集。对于密集叠放的待盘点标签，设置DFSA算法Q值为0，采集所有标签第一次响应的SOF碰撞波形。
(22)待盘点标签数量预估。将该波形输入到训练好的随机森林模型中，获得预估的标签数量N。
本发明利用起始帧(SOF，Start ofFrame)碰撞波形特征展现标签数量信息，结合随机森林强大的细节特征学习能力，实现标签数量的估计，便于优化初始Q值设置，从而降低初始帧长对系统盘点效率的影响。
本发明提出的方法实现了高频RFID系统标签数量的估计，能够解决DFSA算法中初始帧长选择比较敏感，以及RFID动态帧时隙提前停止导致的估计误差大、时间复杂度高等问题，能有效提升高频RFID系统盘点效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种利用起始帧碰撞波形估计标签数量的方法，其特征在于，该方法包括如下步骤：
S1、构造用于标签数量估计的随机森林集成学习离线模型，包括以下子步骤：
S11、随机森林样本集合采集：多标签密集场景下，将动态帧时隙ALOHA(DFSA，DynamicFramed SlottedALOHA)算法中的Q值设置为0，盘点多组已知数量的标签，将多标签第一次响应的SOF碰撞波形为样本集的特征集，标签数量为样本集合的标记空间；
S12、随机森林离线模型训练：将采集到的样本集输入到随机森林中，将采集到的样本分为训练集和测试集，训练集用于训练标签数量估计的随机森林离线模型，测试集用于测试训练好的随机森林模型的准确度；
S2、待盘点标签的数量预估，包括以下子步骤:
S21、待盘点密集标签SOF碰撞波形采集：对于密集叠放的待盘点标签，设置DFSA算法Q值为0，采集所有标签第一次响应的SOF碰撞波形；
S22、待盘点标签数量估计：将待盘点标签的SOF碰撞波形输入到训练好的随机森林模型中，获得预估的标签数量N，根据预估的标签数量计算出Q＝[log2N]。
2.如权利要求1所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，所述S11中，每种相同标签数量下，采集SOF碰撞波形不少于100次。
3.如权利要求2所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，对于盘点100张以内标签，标签数量N分别是1、2、4、8、16、32、64、128时，设置DFSA算法Q值为0，所有标签第一次响应的SOF碰撞波形为随机森林样本特征集，标签数量N是随机森林模型的标记空间。
4.如权利要求1所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，所述步骤S12中，样本总数的70％作为训练集，样本总数的30％作为测试集。
5.如权利要求1所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，所述步骤S11中，原始数据集是遍历多组不同标签数量后获得的SOF碰撞波形的集合，用D表示，通过有放回随机采样可以从原始数据集中产生多组训练数据集。
6.如权利要求5所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，有放回随机采样方法包括：对于包括S个SOF碰撞波形的原始数据集D，随机选择一个SOF碰撞波形放入训练数据集Dn中，然后将该SOF碰撞波形放回D中，这样在下一次随机选择中该SOF碰撞波形仍可能被选中；重复上述过程S次后，得到包含S个SOF碰撞波形的Dn，这样就生成了用来训练一棵决策树的训练数据集，不断迭代以上过程以生成多组训练数据集。
7.如权利要求1-6任一项所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，决定随机森林复杂度和性能的两个超参数是随机森林最大深度最优值MD和决策树数量最优值T；当决策树数量一定，随着决策树最大深度的增加，随机森林性能逐渐提升到最优，即使决策树数量继续增加，随机森林的性能也保持不变，但是随机森林的复杂度持续增加；当最大深度一定，随着决策树数量的增加，随机森林的性能逐渐提升到最优而后保持不变，但是随机森林的复杂度持续增加；能使得随机森林性能最优并且复杂度最小的决策树数量和最大深度的最小值为最优值；为了使得最终的随机森林性能最优并且复杂度最低，需要先在不考虑随机森林复杂度的情况下，训练随机森林获得这两个超参数的最优值。
8.如权利要求7所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，基于随机森林最优决策树数量T，利用有放回随机采样得到T组训练数据集，这T组训练数据集并行完成T棵决策树的训练。
9.如权利要求8所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，一棵决策树的详细训练过程包括：
首先，从SOF碰撞波形的M个特征中随机选择m个子特征，构建一个随机特征子空间(RFSC,RandomFeature Subspace Construction)，并将其设为根节点；根据经验法则，m的取值遵循m＝[log2M]+1；
然后，根据最优划分标准，将一个根节点划分为两个子节点，每次划分完成都需要确定该子节点的此时决策树深度是否与最大深度最优值MD一致，如果不一致再从RFSC中重新选择特征进行递归操作，随着递归操作的执行，子节点的最大深度逐渐增加直到与最大深度最优值一致，递归操作停止，决策树训练过程结束，输出标签数量估计值，标签数量估计值是叶子节点的输出值；
训练完成后，每一棵决策树都会输出一个标签数量估计值，因此T棵决策树训练完成后得到T个标签数量估计值；最终随机森林估计的标签数量是这T个标签数量估计值的最小均方差。
10.如权利要求9所述的利用起始帧碰撞波形估计标签数量的方法，其特征在于，标签数量估计采用回归式算法：性能度量采用平均绝对误差，表示T次测试结果中，随机森林的标签数量估计值yest和标签真实数量ytrue之间绝对误差的平均值，平均绝对误差能更好地反映预测值误差的实际情况，如式(1)所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311265445.8A CN117332796A (zh) | 2023-09-27 | 2023-09-27 | 一种利用起始帧碰撞波形估计标签数量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311265445.8A CN117332796A (zh) | 2023-09-27 | 2023-09-27 | 一种利用起始帧碰撞波形估计标签数量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332796A true CN117332796A (zh) | 2024-01-02 |
Family
ID=89282317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311265445.8A Pending CN117332796A (zh) | 2023-09-27 | 2023-09-27 | 一种利用起始帧碰撞波形估计标签数量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332796A (zh) |
-
2023
- 2023-09-27 CN CN202311265445.8A patent/CN117332796A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Myung et al. | An adaptive memoryless protocol for RFID tag collision arbitration | |
| CN101944171B (zh) | 一种rfid阅读器的多标签识别方法 | |
| CN103020568B (zh) | 基于标签id预处理的rfid防碰撞方法 | |
| US20080106383A1 (en) | Query tree based tag identification method in RFID systems | |
| EP1914659A1 (en) | Bi-slot tree based tag identification method in RFID systems | |
| Xie et al. | Efficiently collecting histograms over RFID tags | |
| Liu et al. | Fast counting the key tags in anonymous RFID systems | |
| CN104573593B (zh) | 一种基于帧时隙的欠定盲分离rfid防碰撞方法 | |
| CN114143210A (zh) | 一种基于深度学习的指挥控制网络关键节点识别方法 | |
| Han et al. | A protocol for detecting missing target tags in RFID systems | |
| CN109635611A (zh) | 一种基于帧时隙的优化动态分组防碰撞方法 | |
| CN101517972A (zh) | 无线装置集合的基数的估计 | |
| CN104680209A (zh) | 一种符合epc c1g2标准的基于时隙状态的射频识别标签数量估计方法 | |
| Umelo et al. | Efficient Tag Grouping RFID Anti-Collision Algorithm for Internet of Things Applications Based on Improved K-Means Clustering | |
| Alsalih et al. | Optimal distance-based clustering for tag anti-collision in RFID systems | |
| CN117332796A (zh) | 一种利用起始帧碰撞波形估计标签数量的方法 | |
| Nguyen et al. | Tag cardinality estimation using expectation-maximization in ALOHA-based RFID systems with capture effect and detection error | |
| CN112529035B (zh) | 识别不同电台个体种类的智能识别方法 | |
| US10095892B2 (en) | RFID reader and method for recognizing RFID tags | |
| Cui | System efficiency of collision recover binary tree algorithm in RFID | |
| Ferdous et al. | Comparative analysis of tag estimation algorithms on RFID EPC Gen-2 performance | |
| CN110852129B (zh) | 一种动态标签估计方法 | |
| He et al. | An anti-collision protocol based on UAV for Internet of Things | |
| Ahmed et al. | Time aware closed form frame slotted ALOHA frame length optimization | |
| Cui et al. | Mathematical analysis for binary tree algorithm in RFID |
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 |