论文研究-基于机器学习的RFID二进制碰撞算法优化 .pdf

基于机器学习的RFID二进制碰撞算法优化，张科，宋峥，本文在保证二进制搜索算法高准确度的基础上，以尽量缩短RFID识别时间为最终目的。通过对一个具体环境的分析，利用机器学习的方法��
山国武获论文在丝 http:/www.paper.edu.cn 由于算法识别每个标签都是独立的,因此总的识别次数5为: ∑log2n+ 随着标笠数目的增多,总识别次数会呈指数级增长。算法的执行过程,其实是遍历了 65颗平衠的哈夫曼树,从根节点到叶节点,平均查询一个标签,需要迭代log2N+1次。但是, 从实际情况米看,一段时间,往往存在于读卡器作用场中的标签EPC,会呈一定概率的存 在。因此,在二进制分支的节点处,应该综合利用这些信息。 2机器学习对二进制防碰撞算法的优化 21学习过程 根据算法需要,做以下假设: 1)假设标签FPC6有8位 2)假设医院A分四个时段,采集一周的RFID数据,出现几率如下: 表1RFD标签出现几率表 早上(8am11am)中午(1lam2pm)下午(2pm-7pm)其他(7pm8am) TAG EPC /出现可能性 /出现可能性 /出现可能性出现可能性 tagl11001100 L80/0.282 262/0.204 198/0.186 12/0.500 2430.190 3/0.125 tag310000110 120/0.18 270/0.211 220/0.207 4/0.167 1050.164 310/0.291 0/0.000 tag510001101 89/0.139 256/0.200 1760.165 5/0.208 Total 639/1.000 1282/1.000 1064/1.000 24/1.000 3)假设标签在接到读卡器的指令后,能在同·时刻将序列号传送给读卡器,以准确检 测到冲突的位置。 4)一个标签,既可以用二进制算法识别,也可以用机器学习的规律识别(分两种情况, 识别出来与识别不出来),两者相互独立。 假设一个标签被认别出米的概率为p,这个月中在该时间段(如早上),出现的次数为 80n,总的出现的次数为To1al,因此被机器学习识别出来的概率为p为 p=n 根掂以上原理,可计算出每个标签,在一个时间段内实时出现概率,训算周期可以设置 为一周 22算法优化 85根据以上的机器学习过程,可将二进制优化为下图 山国武获论文在丝 http:/www.paper.edu.cn Start 阅读器发出 REQUEST指令 个应答者 有碰掩? 阅读器发出 Selec1指令, 选择当前标签,修改标签将最高碰掩位置“0”,高于 出现几率表 碰撞位不变,低于全置 “1”,产生下一步问询指令 阅读器发出Rad指令,读 查询标签出现几率表,设 取当前标签数据 置 REQUEST指令 阅读器发出 nSelect指 是雪还有未 令,使当前标签静默 标签 End 图2优化后的RFID识别算法 根据上文的例子,算法详细步骤如下 步骤1)阅读器发出 REQUEST指令,若第一次发送该指令, REQUEST为全“1111 步骤2)如果应答标签不止一个,则发生碰撞, REQUEST指令最高碰撞位置“0”,髙 于碰撞位不变,低于全置“1”产生下一步问询指令,转步骤2);如果只有一个应答,则 识别出」一个标签。 步骤3)阅读器发出 Select指令,选择当前标签,设置为“已识别”,并修改标签山 现的几率衣; 步骤4)阅读器发出Read指令,读取当前“已识别”标签的数据信息,包括EPC、时 间、信号强度等 步骤5)阅读器发出 UnSelect指令,使当前标签静默; 步骤6)判断当前是否还有未读标签,若有,则査询标签岀现几率表,选择当前所在 时间段(上文所述的四个时间段)中出现概率最人的标签EPC,作为新的 REQUEST指令, 100转步骤1):如果标签已识别完仝,本次识别结束 23优化算法的优缺点 该优化算法优点很明显,可以在一个特定场合下,经过一段时间,在系统学习出一定规 律后,识别效率和准确度会越来越高。计算过程比较简单,都是在读卡器服务端进行。 但是,毋容置疑,该优化过程也存在很严重的缺陷,上要是刚开始部署到系统稳定这段 105时间,系统识别效率低,并且准确度低。天线交叠区域,如果岀现多个RFID标签时,容易 出现丢包、误读等现象。 3仿真测试 为了衡量改进后算法的实际效果,本文做以下几种假设测试: Casc1.单独二进制搜索识别算法 山国武获论文在丝 http:/www.paper.edu.cn 110 Case2.基于机器学丬的识别优化算法 硬件环境: Impinj读卡器一个,天线一个,RFID标签一个 试验策略:针对 Cascl和Casc2,在四个时间段,分别执行1000次,试验数据如下表 表2化前后识别准确度对比 早上(8am11am) 中午(1lm2pm) 其他 TAG 识别次数总次数识别次数总次数识别次数总次数识别次数 总次数 248 250 50 247 250 Case2 230 250 235 250 218 250 226 250 115 选择早上时间段,选择等时间间隔(时间间隔为12 hours)的30个采样点,比较 Cascl 和Case2优化前后识别一个RFI标签的时间长度,结果如下图所示 20 16 14 12 - Case1 VAA -+ Case2 135791113151719212325272931 图3优化前后识别时间对比 由图分析可知,优化前, Casel情况远好于Case2,但是进过一段时间,Case2明显好 120于 Case l,并趋向于稳定,因此,本文所述的优化算法是可行和有效的 4结论 本文给出了RFID二进制搜索识别的优化算法,在特定环境下,·段吋间的机器学习, 学习出每个RFID标签岀现的可能性衣。该优化算法‘定程度上,改进了算法的性能和效率, 具有很好的可行性和应用价值。但是,本文只是适用于特定的环境下,才能呈现该优化算法 125的优点,所以有待进一步的改进。 参考文献]( References) [1]陈聪传,程良伦.区域细化的RFID室内定位算法计算机应用与软件,2011,28(1):43-45. [2]孙作雷.基于粒子滤波和概率神经网络的步行者定位参数校正[N].上海交通人学学报,2009,43(6) [3]于洁潇基于RFID的情景感知关键技术研究[D]天津:天津人学,2010. 130[4]孙群英密集环境屮有源RFD防冲撞算法的硏究与应用[D].杭州:浙江大学,2011 [5]张航,唐明浩,程晖.改进的返回八二进制防碰撞算沄[J.计算机工程与应用,201,47(25):2-4 [6 Levi R w, Judd T. Dead reckoning navigational system using accelerometer to measure foot impactsPl USP:583776.1996-12-10 [7] Renaudin v, Yalak O. Tom P. Hybridization of MEMs and assisted GPs for pedestrian navigation[J]. Inside 135GNsS,2007,2(1)34-42

...展开详情

机器学习 基于机器学习的rfid二进制碰撞算法优化