CN118261173A - 一种rfid多标签识别优化方法及系统 - Google Patents

一种rfid多标签识别优化方法及系统 Download PDF

Info

Publication number
CN118261173A
CN118261173A CN202410155083.5A CN202410155083A CN118261173A CN 118261173 A CN118261173 A CN 118261173A CN 202410155083 A CN202410155083 A CN 202410155083A CN 118261173 A CN118261173 A CN 118261173A
Authority
CN
China
Prior art keywords
tag
time
reader
strategy
data
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
CN202410155083.5A
Other languages
English (en)
Inventor
曹剑斌
陆建平
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.)
Shenzhen Ruidiyou Technology Co ltd
Original Assignee
Shenzhen Ruidiyou Technology 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 Shenzhen Ruidiyou Technology Co ltd filed Critical Shenzhen Ruidiyou Technology Co ltd
Priority to CN202410155083.5A priority Critical patent/CN118261173A/zh
Publication of CN118261173A publication Critical patent/CN118261173A/zh
Pending legal-status Critical Current

Links

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
    • G06K7/10039—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 interrogator driven, i.e. synchronous
    • G06K7/10049—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 interrogator driven, i.e. synchronous binary tree
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Toxicology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种RFID多标签识别优化方法及系统，方法包括数据收集、数据序列化、时序特征预测、碰撞避免和实时反馈与调整。本发明属于无线射频识别技术领域，具体是指一种RFID多标签识别优化方法及系统，本方案构建GRU网络识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，动态地适应输入序列的长度，运行效率快，实时性高，提高了多标签识别的灵活性；设计碰撞避免策略有效降低了碰撞概率，通过动态选择时隙划分策略和二进制树策略，系统可以更有效地利用通信时间和频谱资源，且更精确地定位标签，避免不必要的查询和通信冲突，有助于系统在不同工作条件下维持较好的性能。

Description

一种RFID多标签识别优化方法及系统
技术领域
本发明涉及无线射频识别技术领域，具体是指一种RFID多标签识别优化方法及系统。
背景技术
RFID是一种用于无线识别和追踪标签的技术，它基于射频通信原理，通过在阅读器和标签之间传递无线射频信号来实现数据的读写和通信，RFID技术在自动识别、物流、供应链管理、库存追踪等领域已得到广泛应用，一般的阅读器在接收到标签信号时直接进行识别，没有考虑标签的响应特性及标签分布的时序特征，且通信过程中常常存在网络延迟，导致标签的识别速度变慢从而造成信道拥塞的问题；一般的多标签识别特别是在高速移动或密集移动的情况下会发生碰撞，且由于信号传播的复杂性和通信信道中的信号干扰，标签定位存在误差，从而导致识别错误或标签丢失的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种RFID多标签识别优化方法及系统，针对一般的阅读器在接收到标签信号时直接进行识别，没有考虑标签的响应特性及标签分布的时序特征，且通信过程中常常存在网络延迟，导致标签的识别速度变慢从而导致信道拥塞的问题，本方案构建GRU网络识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，动态地适应输入序列的长度，运行效率快，实时性高，提高了多标签识别的灵活性；针对一般的多标签识别特别是在高速移动或密集移动的情况下会发生碰撞，且由于信号传播的复杂性和通信信道中的信号干扰，标签定位存在误差，从而导致识别错误或标签丢失的问题，本方案设计碰撞避免策略有效降低了碰撞概率，通过动态选择时隙划分策略和二进制树策略，系统可以更有效地利用通信时间和频谱资源，且更精确地定位标签，避免不必要的查询和通信冲突，有助于系统在不同工作条件下维持较好的性能。
本发明采用的技术方案如下：本发明提供的一种RFID多标签识别优化方法，该方法包括以下步骤：
步骤S1：数据收集，使用中央处理器根据阅读器接收到的标签信息构建标签历史响应数据集，标签历史响应数据集包括标签的时序响应、信号强度、响应时间，所述阅读器是指给标签发送激活信号并接收标签信息的设备，所述标签是存储和传输信息的电子设备，标签信息由标签ID和用户数据区组成；
步骤S2：数据序列化，将标签历史响应数据集以时间步为单位转换成时序数据，得到转换后的标签历史响应数据集，在转换后的标签历史响应数据集中随机选取70%作为训练集，30%作为测试集；
步骤S3：时序特征预测，构建GRU网络，识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率；
步骤S4：碰撞避免，建立阅读器和标签的通信信道，设计碰撞避免策略，包括时隙划分策略和二进制树策略，使用碰撞检测算法检测通信信道中标签的响应情况，根据GRU网络的输出和响应情况选择碰撞避免策略；
步骤S5：实时反馈与调整，中央处理器持续监听通信信道，根据响应情况动态调整GRU网络的参数和碰撞避免策略的参数。
进一步地，在步骤S3中，所述时序特征预测，具体包括以下步骤：
步骤S31：网络构建，构建GRU网络识别时序数据之间的非线性关系，GRU网络由更新门、重置门、隐藏状态组成，GRU网络包含多个细胞单元，每个细胞单元的隐藏状态作为下一个细胞单元的输入数据，初始输入数据为时序数据，步骤如下：
步骤S311：更新门构建，使用上一个时间步的隐藏状态和当前时间步的输入数据构建更新门，所用公式如下：
；
式中，表示更新门，表示sigmoid函数，表示当前时间步，表示更新门的权 重，表示更新门的偏置值，表示上一个时间步的隐藏状态，表示输入数据；
步骤S312：重置门构建，使用上一个时间步的隐藏状态和当前时间步的输入数据构建重置门，所用公式如下：
；
式中，表示重置门，表示sigmoid函数，表示重置门的权重，表示重置门的 偏置值；
步骤S313：候选隐藏状态，根据上一个时间步的隐藏状态、当前时间步的输入数据和重置门计算候选隐藏状态，所用公式如下：
；
式中，表示候选隐藏状态，表示tanh函数，表示隐藏权重，表示隐藏偏 置值，表示逐元素相乘；
步骤S314：隐藏状态更新，使用上一个时间步的隐藏状态、更新门和候选隐藏状态更新隐藏状态，所用公式如下：
；
式中，表示更新后的隐藏状态；
步骤S32：添加输出层，构建全连接层作为输出层添加在GRU网络中最后一个隐藏状态之后，使用softmax函数将最后一个隐藏状态的输出结果转换成类别概率，并将每个输入数据的类别概率组合成类别概率向量，所用公式如下：
；
；
式中，表示预测值，表示最后一个隐藏状态的输出向量，表示输出权重， 表示输出偏置值，表示softmax函数，表示最后一个隐藏状态的输出向量的第 个元素，表示标签的类别数量，表示对最后一个隐藏状态的输出向量中所有元 素的指数和；
步骤S33：模型训练，将训练集输入至GRU网络中进行前向传播，计算GRU网络的预测值；
步骤S34：损失函数计算，使用交叉熵损失函数计算GRU网络的预测值与实际值之间的差异，所用公式如下：
；
式中，表示交叉熵损失函数，是实际值，是预测值；
步骤S35：反向传播，使用梯度下降算法更新GRU网络的参数，包括更新门、重置门、隐藏状态、输出层的权重和偏置值，所用公式如下：
；
式中，表示更新后的参数，表示原始参数，表示学习率；
步骤S36：模型测试，将测试集输入至GRU网络中，使用混淆矩阵计算GRU模型的分类准确率，所用公式如下：
；
；
式中，分别是分类结果混淆矩阵中的真正例、假反例、假正例和 真反例，表示模型正确预测正例的能力，表示模型错误预测为正例的能力。
进一步地，在步骤S4中，所述碰撞避免，具体包括以下步骤：
步骤S41：通信信道建立，建立阅读器和标签的通信信道，通信信道用于传输阅读器发送的查询请求和激活信号及标签发送的响应和标签信息；
步骤S42：策略初步选择，根据GRU网络预测的标签数量设定阈值初步选择碰撞避免策略，碰撞避免策略包括时隙划分策略和二进制树策略，若标签数量少于阈值则使用时隙划分策略，若标签数量多于阈值则使用二进制树策略；
步骤S43：时隙划分策略，将时间划分为固定时隙，在每个时隙内阅读器和标签进行通信，在时隙结束后进行碰撞检测，设置最大重传次数，若检测到碰撞则进行重传，若达到最大重传次数时仍检测到碰撞，则使用二进制树策略进行查询，步骤如下：
步骤S431：时隙长度确定，根据标签的传输时间和通信过程中的其他开销确定时隙长度，并根据系统的利用率调整时隙长度，所用公式如下：
；
；
式中，表示时隙长度，表示数据长度，表示标签的传输速率，表示通信过程中 的其他开销，表示系统的利用率，表示标签发送的概率，表示标签的数量；
步骤S432：计数器初始化，设计时隙计数器，将时隙计数器初始化为0；
步骤S433：数据传输，在每个时隙开始时，阅读器和标签进行通信，阅读器向附近的标签发送查询请求检查当前是否有标签要进行数据传输，如果有标签感知到查询请求并准备好传输数据则向阅读器发送响应，阅读器接收到响应后向标签发送激活信号将标签激活，标签激活后通过通信信道将标签信息传输给阅读器；
步骤S434：时隙计数器更新，当一个时隙结束后数据传输完成，将时隙计数器加1，指向下一个时隙；
步骤S435：碰撞检测，在每个时隙结束后，若阅读器识别到有多个标签信息，则判定为发生碰撞，阅读器向标签发送冲突通知，标签收到冲突通知后在下一个时隙中进行重传，达到最大重传次数后使用二进制树策略进行查询标签ID；
步骤S436：循环，重复步骤S433至步骤S435，直到没有标签进行响应或达到最大重传次数后结束循环；
步骤S44：二进制树策略，构建二进制树将标签集合分割为小子集，使用逐级查询的方式定位标签位置，步骤如下：
步骤S441：根节点确定，从标签的ID中选择一位二进制位作为ID特定位，根据ID特定位将标签集合分为两个子集；
步骤S442：内部节点划分，在划分后的子集中重新选择一位二进制位作为ID特定位，根据ID特定位将子集划分为两个更小的子集，逐级将每个子集进一步分为更小的子集，直到最后的子集中只剩一位二进制位时结束划分，构成一棵二进制树；
步骤S443：叶节点标识，二进制树构建完成后，每个叶节点唯一标识一个标签ID；
步骤S444：标签位置确定，阅读器和标签通信时发生碰撞后，阅读器根据GRU网络预测的标签概率遍历二进制树，从叶节点中读取标签的ID，确定标签的位置；
步骤S445：数据读取，确定标签的位置后，阅读器直接从标签中读取用户数据区。
本发明提供的一种RFID多标签识别优化系统，包括数据收集模块、数据序列化模块、时序特征预测模块、碰撞避免模块和实时反馈与调整模块；
所述数据收集模块使用中央处理器根据阅读器接收到的标签信息构建标签历史响应数据集，标签历史响应数据集包括标签的时序响应、信号强度、响应时间，所述阅读器是指给标签发送激活信号并接收标签信息的设备，所述标签是存储和传输信息的电子设备，标签信息由标签ID和用户数据区组成，将标签历史响应数据集发送至数据序列化模块；
所述数据序列化模块接收来自数据收集模块的标签历史响应数据集，将标签历史响应数据集以时间步为单位转换成时序数据，得到转换后的标签历史响应数据集，在转换后的标签历史响应数据集中随机选取70%作为训练集，30%作为测试集，将训练集和测试集发送至时序特征预测模块；
所述时序特征预测模块接收来自数据序列化模块的训练集和测试集，构建GRU网络，识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，将GRU网络的输出结果发送至碰撞避免模块和实时反馈与调整模块；
所述碰撞避免模块接收来自时序特征预测模块的GRU网络的输出结果，建立阅读器和标签的通信信道，设计时隙划分策略和二进制树策略，使用碰撞检测算法检测通信信道中标签的响应情况，根据GRU网络的输出和响应情况选择碰撞避免策略，将碰撞避免策略发送至实时反馈与调整模块；
所述实时反馈与调整模块接收来自时序特征预测模块的GRU网络的输出结果和来自碰撞避免模块的碰撞避免策略，中央处理器持续监听通信信道，根据响应情况动态调整GRU网络的参数和碰撞避免策略的参数。
采用上述方案本发明取得的有益效果如下：
（1）针对一般的阅读器在接收到标签信号时直接进行识别，没有考虑标签的响应特性及标签分布的时序特征，且通信过程中常常存在网络延迟，导致标签的识别速度变慢从而导致信道拥塞的问题，本方案构建GRU网络识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，动态地适应输入序列的长度，运行效率快，实时性高，提高了多标签识别的灵活性。
（2）针对一般的多标签识别特别是在高速移动或密集移动的情况下会发生碰撞，且由于信号传播的复杂性和通信信道中的信号干扰，标签定位存在误差，从而导致识别错误或标签丢失的问题，本方案设计碰撞避免策略有效降低了碰撞概率，通过动态选择时隙划分策略和二进制树策略，系统可以更有效地利用通信时间和频谱资源，且更精确地定位标签，避免不必要的查询和通信冲突，有助于系统在不同工作条件下维持较好的性能。
附图说明
图1为本发明提出的一种RFID多标签识别优化方法的流程示意图；
图2为本发明提出的一种RFID多标签识别优化系统的示意图；
图3为步骤S3的流程示意图；
图4为步骤S31的流程示意图；
图5为步骤S4的流程示意图；
图6为步骤S43的流程示意图；
图7为步骤S44的流程示意图；
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种RFID多标签识别优化方法，该方法包括以下步骤：
步骤S1：数据收集，使用中央处理器根据阅读器接收到的标签信息构建标签历史响应数据集，标签历史响应数据集包括标签的时序响应、信号强度、响应时间，所述阅读器是指给标签发送激活信号并接收标签信息的设备，所述标签是存储和传输信息的电子设备，标签信息由标签ID和用户数据区组成；
步骤S2：数据序列化，将标签历史响应数据集以时间步为单位转换成时序数据，得到转换后的标签历史响应数据集，在转换后的标签历史响应数据集中随机选取70%作为训练集，30%作为测试集；
步骤S3：时序特征预测，构建GRU网络，识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率；
步骤S4：碰撞避免，建立阅读器和标签的通信信道，设计碰撞避免策略，包括时隙划分策略和二进制树策略，使用碰撞检测算法检测通信信道中标签的响应情况，根据GRU网络的输出和响应情况选择碰撞避免策略；
步骤S5：实时反馈与调整，中央处理器持续监听通信信道，根据响应情况动态调整GRU网络的参数和碰撞避免策略的参数。
实施例二，参阅图1、图3和图4，该实施例基于上述实施例，在步骤S3中，时序特征预测，具体包括以下步骤：
步骤S31：网络构建，构建GRU网络识别时序数据之间的非线性关系，GRU网络由更新门、重置门、隐藏状态组成，GRU网络包含多个细胞单元，每个细胞单元的隐藏状态作为下一个细胞单元的输入数据，初始输入数据为时序数据，步骤如下：
步骤S311：更新门构建，使用上一个时间步的隐藏状态和当前时间步的输入数据构建更新门，所用公式如下：
；
式中，表示更新门，表示sigmoid函数，表示当前时间步，表示更新门的权 重，表示更新门的偏置值，表示上一个时间步的隐藏状态，表示输入数据；
步骤S312：重置门构建，使用上一个时间步的隐藏状态和当前时间步的输入数据构建重置门，所用公式如下：
；
式中，表示重置门，表示sigmoid函数，表示重置门的权重，表示重置门的 偏置值；
步骤S313：候选隐藏状态，根据上一个时间步的隐藏状态、当前时间步的输入数据和重置门计算候选隐藏状态，所用公式如下：
；
式中，表示候选隐藏状态，表示tanh函数，表示隐藏权重，表示隐藏偏 置值，表示逐元素相乘；
步骤S314：隐藏状态更新，使用上一个时间步的隐藏状态、更新门和候选隐藏状态更新隐藏状态，所用公式如下：
；
式中，表示更新后的隐藏状态；
步骤S32：添加输出层，构建全连接层作为输出层添加在GRU网络中最后一个隐藏状态之后，使用softmax函数将最后一个隐藏状态的输出结果转换成类别概率，并将每个输入数据的类别概率组合成类别概率向量，所用公式如下：
；
；
式中，表示预测值，表示最后一个隐藏状态的输出向量，表示输出权重， 表示输出偏置值，表示softmax函数，表示最后一个隐藏状态的输出向量的第 个元素，表示标签的类别数量，表示对最后一个隐藏状态的输出向量中所有元 素的指数和；
步骤S33：模型训练，将训练集输入至GRU网络中进行前向传播，计算GRU网络的预测值；
步骤S34：损失函数计算，使用交叉熵损失函数计算GRU网络的预测值与实际值之间的差异，所用公式如下：
；
式中，表示交叉熵损失函数，是实际值，是预测值；
步骤S35：反向传播，使用梯度下降算法更新GRU网络的参数，包括更新门、重置门、隐藏状态、输出层的权重和偏置值，所用公式如下：
；
式中，表示更新后的参数，表示原始参数，表示学习率；
步骤S36：模型测试，将测试集输入至GRU网络中，使用混淆矩阵计算GRU模型的分类准确率，所用公式如下：
；
；
式中，分别是分类结果混淆矩阵中的真正例、假反例、假正例和 真反例，表示模型正确预测正例的能力，表示模型错误预测为正例的能力。
通过执行所述操作，针对一般的阅读器在接收到标签信号时直接进行识别，没有考虑标签的响应特性及标签分布的时序特征，且通信过程中常常存在网络延迟，导致标签的识别速度变慢从而导致信道拥塞的问题，本方案构建GRU网络识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，动态地适应输入序列的长度，运行效率快，实时性高，提高了多标签识别的灵活性。
实施例三，参阅图1、图5、图6和图7，该实施例基于上述实施例，在步骤S4中，碰撞避免，具体包括以下步骤：
步骤S41：通信信道建立，建立阅读器和标签的通信信道，通信信道用于传输阅读器发送的查询请求和激活信号及标签发送的响应和标签信息；
步骤S42：策略初步选择，根据GRU网络预测的标签数量设定阈值初步选择碰撞避免策略，碰撞避免策略包括时隙划分策略和二进制树策略，若标签数量少于阈值则使用时隙划分策略，若标签数量多于阈值则使用二进制树策略；
步骤S43：时隙划分策略，将时间划分为固定时隙，在每个时隙内阅读器和标签进行通信，在时隙结束后进行碰撞检测，设置最大重传次数，若检测到碰撞则进行重传，若达到最大重传次数时仍检测到碰撞，则使用二进制树策略进行查询，步骤如下：
步骤S431：时隙长度确定，根据标签的传输时间和通信过程中的其他开销确定时隙长度，并根据系统的利用率调整时隙长度，所用公式如下：
；
；
式中，表示时隙长度，表示数据长度，表示标签的传输速率，表示通信过程中 的其他开销，表示系统的利用率，表示标签发送的概率，表示标签的数量；
步骤S432：计数器初始化，设计时隙计数器，将时隙计数器初始化为0；
步骤S433：数据传输，在每个时隙开始时，阅读器和标签进行通信，阅读器向附近的标签发送查询请求检查当前是否有标签要进行数据传输，如果有标签感知到查询请求并准备好传输数据则向阅读器发送响应，阅读器接收到响应后向标签发送激活信号将标签激活，标签激活后通过通信信道将标签信息传输给阅读器；
步骤S434：时隙计数器更新，当一个时隙结束后数据传输完成，将时隙计数器加1，指向下一个时隙；
步骤S435：碰撞检测，在每个时隙结束后，若阅读器识别到有多个标签信息，则判定为发生碰撞，阅读器向标签发送冲突通知，标签收到冲突通知后在下一个时隙中进行重传，达到最大重传次数后使用二进制树策略进行查询标签ID；
步骤S436：循环，重复步骤S433至步骤S435，直到没有标签进行响应或达到最大重传次数后结束循环；
步骤S44：二进制树策略，构建二进制树将标签集合分割为小子集，使用逐级查询的方式定位标签位置，步骤如下：
步骤S441：根节点确定，从标签的ID中选择一位二进制位作为ID特定位，根据ID特定位将标签集合分为两个子集；
步骤S442：内部节点划分，在划分后的子集中重新选择一位二进制位作为ID特定位，根据ID特定位将子集划分为两个更小的子集，逐级将每个子集进一步分为更小的子集，直到最后的子集中只剩一位二进制位时结束划分，构成一棵二进制树；
步骤S443：叶节点标识，二进制树构建完成后，每个叶节点唯一标识一个标签ID；
步骤S444：标签位置确定，阅读器和标签通信时发生碰撞后，阅读器根据GRU网络预测的标签概率遍历二进制树，从叶节点中读取标签的ID，确定标签的位置；
步骤S445：数据读取，确定标签的位置后，阅读器直接从标签中读取用户数据区。
通过执行所述操作，针对一般的多标签识别特别是在高速移动或密集移动的情况下会发生碰撞，且由于信号传播的复杂性和通信信道中的信号干扰，标签定位存在误差，从而导致识别错误或标签丢失的问题，本方案设计碰撞避免策略有效降低了碰撞概率，通过动态选择时隙划分策略和二进制树策略，系统可以更有效地利用通信时间和频谱资源，且更精确地定位标签，避免不必要的查询和通信冲突，有助于系统在不同工作条件下维持较好的性能。
实施例四，参阅图2，该实施例基于上述实施例，本发明提供的一种RFID多标签识别优化系统，包括数据收集模块、数据序列化模块、时序特征预测模块、碰撞避免模块和实时反馈与调整模块；
所述数据收集模块使用中央处理器根据阅读器接收到的标签信息构建标签历史响应数据集，标签历史响应数据集包括标签的时序响应、信号强度、响应时间，所述阅读器是指给标签发送激活信号并接收标签信息的设备，所述标签是存储和传输信息的电子设备，标签信息由标签ID和用户数据区组成，将标签历史响应数据集发送至数据序列化模块；
所述数据序列化模块接收来自数据收集模块的标签历史响应数据集，将标签历史响应数据集以时间步为单位转换成时序数据，得到转换后的标签历史响应数据集，在转换后的标签历史响应数据集中随机选取70%作为训练集，30%作为测试集，将训练集和测试集发送至时序特征预测模块；
所述时序特征预测模块接收来自数据序列化模块的训练集和测试集，构建GRU网络，识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，将GRU网络的输出结果发送至碰撞避免模块和实时反馈与调整模块；
所述碰撞避免模块接收来自时序特征预测模块的GRU网络的输出结果，建立阅读器和标签的通信信道，设计碰撞避免策略，包括时隙划分策略和二进制树策略，使用碰撞检测算法检测通信信道中标签的响应情况，根据GRU网络的输出和响应情况选择碰撞避免策略，将碰撞避免策略发送至实时反馈与调整模块；
所述实时反馈与调整模块接收来自时序特征预测模块的GRU网络的输出结果和来自碰撞避免模块的碰撞避免策略，中央处理器持续监听通信信道，根据响应情况动态调整GRU网络的参数和碰撞避免策略的参数。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种RFID多标签识别优化方法，其特征在于：该方法包括以下步骤：
步骤S1：数据收集，使用中央处理器根据阅读器接收到的标签信息构建标签历史响应数据集，标签历史响应数据集包括标签的时序响应、信号强度、响应时间，所述阅读器是指给标签发送激活信号并接收标签信息的设备，所述标签是存储和传输信息的电子设备，标签信息由标签ID和用户数据区组成；
步骤S2：数据序列化，将标签历史响应数据集以时间步为单位转换成时序数据，得到转换后的标签历史响应数据集，在转换后的标签历史响应数据集中随机选取70%作为训练集，30%作为测试集；
步骤S3：时序特征预测，构建GRU网络，识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率；
步骤S4：碰撞避免，建立阅读器和标签的通信信道，设计碰撞避免策略，包括时隙划分策略和二进制树策略，使用碰撞检测算法检测通信信道中标签的响应情况，根据GRU网络的输出和响应情况选择碰撞避免策略；
步骤S5：实时反馈与调整，中央处理器持续监听通信信道，根据响应情况动态调整GRU网络的参数和碰撞避免策略的参数。
2.根据权利要求1所述的一种RFID多标签识别优化方法，其特征在于：在步骤S3中，所述时序特征预测，具体包括以下步骤：
步骤S31：网络构建，构建GRU网络识别时序数据之间的非线性关系，GRU网络由更新门、重置门、隐藏状态组成，GRU网络包含多个细胞单元，每个细胞单元的隐藏状态作为下一个细胞单元的输入数据，初始输入数据为时序数据，步骤如下：
步骤S311：更新门构建，使用上一个时间步的隐藏状态和当前时间步的输入数据构建更新门，所用公式如下：
；
式中，表示更新门，表示sigmoid函数，表示当前时间步，表示更新门的权重，表示更新门的偏置值，表示上一个时间步的隐藏状态，表示输入数据；
步骤S312：重置门构建，使用上一个时间步的隐藏状态和当前时间步的输入数据构建重置门，所用公式如下：
；
式中，表示重置门，表示sigmoid函数，表示重置门的权重，表示重置门的偏置值；
步骤S313：候选隐藏状态，根据上一个时间步的隐藏状态、当前时间步的输入数据和重置门计算候选隐藏状态，所用公式如下：
；
式中，表示候选隐藏状态，表示tanh函数，表示隐藏权重，表示隐藏偏置值，表示逐元素相乘；
步骤S314：隐藏状态更新，使用上一个时间步的隐藏状态、更新门和候选隐藏状态更新隐藏状态，所用公式如下：
；
式中，表示更新后的隐藏状态；
步骤S32：添加输出层，构建全连接层作为输出层添加在GRU网络中最后一个隐藏状态之后，使用softmax函数将最后一个隐藏状态的输出结果转换成类别概率，并将每个输入数据的类别概率组合成类别概率向量，所用公式如下：
；
；
式中，表示预测值，表示最后一个隐藏状态的输出向量，表示输出权重，表示输出偏置值，表示softmax函数，表示最后一个隐藏状态的输出向量的第个元素，表示标签的类别数量，表示对最后一个隐藏状态的输出向量中所有元素的指数和；
步骤S33：模型训练，将训练集输入至GRU网络中进行前向传播，计算GRU网络的预测值；
步骤S34：损失函数计算，使用交叉熵损失函数计算GRU网络的预测值与实际值之间的差异，所用公式如下：
；
式中，表示交叉熵损失函数，是实际值，是预测值；
步骤S35：反向传播，使用梯度下降算法更新GRU网络的参数，包括更新门、重置门、隐藏状态、输出层的权重和偏置值，所用公式如下：
；
式中，表示更新后的参数，表示原始参数，表示学习率；
步骤S36：模型测试，将测试集输入至GRU网络中，使用混淆矩阵计算GRU模型的分类准确率，所用公式如下：
；
；
式中，分别是分类结果混淆矩阵中的真正例、假反例、假正例和真反例，表示模型正确预测正例的能力，表示模型错误预测为正例的能力。
3.根据权利要求2所述的一种RFID多标签识别优化方法，其特征在于：在步骤S4中，所述碰撞避免，具体包括以下步骤：
步骤S41：通信信道建立，建立阅读器和标签的通信信道，通信信道用于传输阅读器发送的查询请求和激活信号及标签发送的响应和标签信息；
步骤S42：策略初步选择，根据GRU网络预测的标签数量设定阈值初步选择碰撞避免策略，碰撞避免策略包括时隙划分策略和二进制树策略，若标签数量少于阈值则使用时隙划分策略，若标签数量多于阈值则使用二进制树策略；
步骤S43：时隙划分策略，将时间划分为固定时隙，在每个时隙内阅读器和标签进行通信，在时隙结束后进行碰撞检测，设置最大重传次数，若检测到碰撞则进行重传，若达到最大重传次数时仍检测到碰撞，则使用二进制树策略进行查询；
步骤S44：二进制树策略，构建二进制树将标签集合分割为小子集，使用逐级查询的方式定位标签位置。
4.根据权利要求3所述的一种RFID多标签识别优化方法，其特征在于：在步骤S43中，所述时隙划分策略，包括以下步骤：
步骤S431：时隙长度确定，根据标签的传输时间和通信过程中的其他开销确定时隙长度，并根据系统的利用率调整时隙长度，所用公式如下：
；
；
式中，表示时隙长度，表示数据长度，表示标签的传输速率，表示通信过程中的其他开销，表示系统的利用率，表示标签发送的概率，表示标签的数量；
步骤S432：计数器初始化，设计时隙计数器，将时隙计数器初始化为0；
步骤S433：数据传输，在每个时隙开始时，阅读器和标签进行通信，阅读器向附近的标签发送查询请求检查当前是否有标签要进行数据传输，如果有标签感知到查询请求并准备好传输数据则向阅读器发送响应，阅读器接收到响应后向标签发送激活信号将标签激活，标签激活后通过通信信道将标签信息传输给阅读器；
步骤S434：时隙计数器更新，当一个时隙结束后数据传输完成，将时隙计数器加1，指向下一个时隙；
步骤S435：碰撞检测，在每个时隙结束后，若阅读器识别到有多个标签信息，则判定为发生碰撞，阅读器向标签发送冲突通知，标签收到冲突通知后在下一个时隙中进行重传，达到最大重传次数后使用二进制树策略进行查询标签ID；
步骤S436：循环，重复步骤S433至步骤S435，直到没有标签进行响应或达到最大重传次数后结束循环。
5.根据权利要求4所述的一种RFID多标签识别优化方法，其特征在于：在步骤S44中，所述二进制树策略，包括以下步骤：
步骤S441：根节点确定，从标签的ID中选择一位二进制位作为ID特定位，根据ID特定位将标签集合分为两个子集；
步骤S442：内部节点划分，在划分后的子集中重新选择一位二进制位作为ID特定位，根据ID特定位将子集划分为两个更小的子集，逐级将每个子集进一步分为更小的子集，直到最后的子集中只剩一位二进制位时结束划分，构成一棵二进制树；
步骤S443：叶节点标识，二进制树构建完成后，每个叶节点唯一标识一个标签ID；
步骤S444：标签位置确定，阅读器和标签通信时发生碰撞后，阅读器根据GRU网络预测的标签概率遍历二进制树，从叶节点中读取标签的ID，确定标签的位置；
步骤S445：数据读取，确定标签的位置后，阅读器直接从标签中读取用户数据区。
6.一种RFID多标签识别优化系统，用于实现如权利要求1-5中任一项所述的一种RFID多标签识别优化方法，其特征在于：包括数据收集模块、数据序列化模块、时序特征预测模块、碰撞避免模块和实时反馈与调整模块；
所述数据收集模块使用中央处理器根据阅读器接收到的标签信息构建标签历史响应数据集，标签历史响应数据集包括标签的时序响应、信号强度、响应时间，所述阅读器是给标签发送激活信号并接收标签信息的设备，所述标签是存储和传输信息的电子设备，标签信息由标签ID和用户数据区组成，将标签历史响应数据集发送至数据序列化模块；
所述数据序列化模块接收来自数据收集模块的标签历史响应数据集，将标签历史响应数据集以时间步为单位转换成时序数据，得到转换后的标签历史响应数据集，在转换后的标签历史响应数据集中随机选取70%作为训练集，30%作为测试集，将训练集和测试集发送至时序特征预测模块；
所述时序特征预测模块接收来自数据序列化模块的训练集和测试集，构建GRU网络，识别时序数据之间的非线性关系，预测未来时序内输出的标签类型及其响应概率，将GRU网络的输出结果发送至碰撞避免模块和实时反馈与调整模块；
所述碰撞避免模块接收来自时序特征预测模块的GRU网络的输出结果，建立阅读器和标签的通信信道，设计时隙划分策略和二进制树策略，使用碰撞检测算法检测通信信道中标签的响应情况，根据GRU网络的输出和响应情况选择碰撞避免策略，将碰撞避免策略发送至实时反馈与调整模块；
所述实时反馈与调整模块接收来自时序特征预测模块的GRU网络的输出结果和来自碰撞避免模块的碰撞避免策略，中央处理器持续监听通信信道，根据响应情况动态调整GRU网络的参数和碰撞避免策略的参数。
CN202410155083.5A 2024-02-04 2024-02-04 一种rfid多标签识别优化方法及系统 Pending CN118261173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410155083.5A CN118261173A (zh) 2024-02-04 2024-02-04 一种rfid多标签识别优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410155083.5A CN118261173A (zh) 2024-02-04 2024-02-04 一种rfid多标签识别优化方法及系统

Publications (1)

Publication Number Publication Date
CN118261173A true CN118261173A (zh) 2024-06-28

Family

ID=91604288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410155083.5A Pending CN118261173A (zh) 2024-02-04 2024-02-04 一种rfid多标签识别优化方法及系统

Country Status (1)

Country Link
CN (1) CN118261173A (zh)

Similar Documents

Publication Publication Date Title
Shih et al. Taxonomy and survey of RFID anti-collision protocols
US7068148B2 (en) Method for the efficient reading of a population of radio frequency identification tags with unique identification numbers over a noisy air channel
Floerkemeier Transmission control scheme for fast RFID object identification
US7612672B2 (en) Query tree based tag identification method in RFID systems
US20100019883A1 (en) Methods of identifying RFID tag for preventing RFID tag collision, RFID reader and RFID tag using the same
US20180268177A1 (en) Systems and Methods for Estimation of a Population of Passive RFID Sensors
CN114970581A (zh) 一种数据传输方法及装置
US7429912B2 (en) Method for multi-reading a plurality of IDs
CN104794509B (zh) 一种基于信息位编码的自适应搜索的rfid防碰撞方法
Liu et al. Revisiting RFID missing tag identification
Kim et al. Performance improvement of hybrid tag anti‐collision protocol for radio frequency identification systems
Chen et al. Efficient and accurate identification of missing tags for large-scale dynamic RFID systems
CN118261173A (zh) 一种rfid多标签识别优化方法及系统
Chen et al. Modeling and analyzing RFID generation-2 under unreliable channels
US20220369115A1 (en) Predicting a radio spectrum usage
CN109784434B (zh) 一种智能货柜及其rfid标签查询、盘点方法和系统
Kalache et al. Performances comparison of RFID anti-collision algorithms
Su et al. Analysis of energy consumption for multiple object identification system with active RFID tags
Chu et al. Efficient and robust missing key tag identification for large-scale RFID systems
KR100926673B1 (ko) 태그 수 추정을 이용한 확률적 전자태그 충돌방지 방법
Xie et al. Fast temporal continuous scanning in RFID systems
Wang et al. Anti-collision scheme analysis of RFID system
Xie et al. Fast collection of data in sensor-augmented RFID networks
Loganathan et al. Reinforcement learning based anti-collision algorithm for RFID systems
Nazir et al. Optimal dynamic frame-slotted Aloha

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