RFID标签分类及排序算法研究

发布时间：2020-10-02 10:17

　　随着物联网技术的新兴发展,万物互联的趋势愈发明显,为进一步减少仓储环境中的人力成本,人们开始更多的在仓储环境中使用物联网射频识别技术(RFID,Radio Frequency Indentification)。RFID系统通过监测传送带上的RFID标签来完成货物的出入库配置和行李的目的地匹配,使得如何在传送带上快速区分群读标签的先后顺序成为一个新的课题。针对上述情况,本文根据仓库-传送带场景,提出了一种同时运用标签多维信息的异常数据检测和容错算法(ADD-ET,Abnormal data detection and error tolerant algorithm),有效提高了传送带上RFID标签的排序正确率。另外,针对传送带排序场景下存在的场外标签,提出了一种基于kNN机器学习算法的RFID标签分类方法,该算法能够有效鉴别仓库环境内近99%的场外标签,为传送带上的标签排序算法提供了保障。论文的主要贡献如下:1)基于仓库-传送带场景,搭建了一套RFID系统仿真平台。平台首先计算了RFID标签在该场景下的所有多维信息理论值——标签返回信号强度(RSSI,Received Signal Strength Indicator)、相位信息和多普勒频移(DOPPLER,Doppler Frequency Shift),将理论值与标签选择性读取的响应接受比例原则(RRR,Response Reception Ratio)相结合,加入对RFID阅读器阅读能力的设置,实现了一套更加接近RFID真实系统的仿真试验平台。2)提出了一种同时运用RSSI和DOPPLER信息的ADD-ET算法,对RSSI测量值进行可靠性检测,在RSSI信息可靠时使用RSSI测量值直接进行排序,当RSSI信息不可靠时,辅助使用容错算法分析DOPPLER测量值并给出相对位置排序结果,在真实测试环境下展现出非常可观的排序效果。3)结合标签分类的无线射频识别的系统分析方法(SARFID,System Analysis of Radio Frequency Identification),提出了一种基于kNN机器学习算法的RFID标签分类方法,使用RFID标签返回的RSSI和DOPPLER测量值,计算其统计特征和匹配特征,结合kNN机器学习算法,在仿真测试实验中,RFID标签“是否位于传送带上”的分类正确率为98.8%,RFID标签动静态分类正确率高达99.99%。
【学位单位】：东南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.44;TP181
【部分图文】：

示意图,物理隔离,标签,示意图

以达到同一时刻只有一件包裹经过 RFID 阅读器的效果。物理隔离如图1.1 所示，通过固定天线的定向角，然后设置传送带拐角的方法有效屏蔽 RFID 标签。拐角角度越小，屏蔽效果越好。为实现更好的信号屏蔽效果，全封闭带门信号屏蔽设备被安装在传送带上，如图 1.2 所示，但目前该技术的应用并不能实现无停顿传输，在标签进入屏蔽区域时，屏蔽室需要进行开门和关门，比较耗费时间。但无论是以上哪种方法，都存在如下弊端：1）信号隔离不彻底，如有标签混入阅读区域，将导致判断失误，或系统报错；2）没有很好的利用 RFID 阅读器的群读性能，使得 RFID 系统的传输效率明显降低。在实际商用场景中，当标签距离缩小，如罐头制品或是微小零部件的出入库场景，这种排序方法将不再适用。所以，一种既可以实现 RFID 标签的群读，又能够在群读的同时辨别标签顺序的排序算法才能够解决这种实际应用问题。这时，学者将考虑到是否能够将 RFID 标签的定位算法应用到排序方面。RFID 定位算法

示意图,全封闭型,信号屏蔽,标签

图 1.2 使用全封闭型信号屏蔽设备的标签隔离示意图过定位以获取排序结果的方法被否定后，又有学者进行了关于传送带上 R排序的研究。文献[13]中通过相位整合、相位去周期等方法，使用相位测量天线的运动速度，从而获得标签位于天线正下方的时刻。本研究在仿真实个相位排序方法，该方法作为纯仿真内容确实会有非常可观的实验效果，环境因素影响较大。在远场天线或是办公室环境下，排序正确率较低，而屏蔽设备的半封闭实验环境下，使用近场天线，可以获得较好的排序效果论是 RSSI、相位或是 DOPPLER 测量值，都能够非常直观的找到 RFID 标的时刻。所以传送带下 RFID 标签排序的难点并不在于理论推导，而是在量值与理论值的巨大差异。由于当前比较优秀的 RFID 读写器 IMPINJ 系列司机密，并不能通过底层研究来探索实际测量值的具体物理意义或是对其个面向实际系统的操作就如同黑盒实验，只能在后期通过对畸形数据的J 系列阅读器的排序正确率，来期待更好的排序效果，这也是整个排序算法上所述，目前并不存在某一种算法，能够在实际传送带场景中有效地区分序。为了给出连续的，高正确率的标签排序结果，传送带上的 RFID 标签排序个亟待解决的问题。所以，RFID 标签的排序算法成为本文的一个研究方向

示意图,传送带,仓库,场景

产生传送带上 RFID 标签的排序错误，从而导致出入库配置的紊乱。那么，有效区分标签是否位于传送带上、是否静止，标记标签在某一时间范围内的运动状态也是一个值得研究的课题。文献[14]中将标签的类型划分为静态的（static）、游离的（nomad）和移动的（moving），并利用基于相位的 SARFID 技术，在标签是否移动这两个状态间进行二分类，实现了 99％的分类准确度。在这篇文章中，他们并没有指出游离标签与移动标签的相似程度，并且文中所使用的仿真数据是完整的仿真理论相位值，但在实际 RFID 系统中存在着大量的数据缺失和数据异常。将 SARFID 算法在本文考虑了多种影响因素的实验平台下进行实验，展现出的效果并没有描述的那么理想。此外，之前的很多关于分类的文章仅使用相位测量值作为分类的依据[15]，如果标签的相位测量存在问题，那么在实际应用中这将是一个不可挽回的灾难性事件。1.3研究内容与取得的成果1.3.1 研究内容与本文所做的工作本文的侧重点是研究仓库-传送带环境下，密集 RFID 标签在快速运动传送带上的排序算法，以及如何排除传送带场景中的场外标签。场景示意图如图 1.3 所示，其中标签 3、9、10是静止的（static），标签 2、11 是不在传送带上、不随传送带运动的游离标签（nomad），标签1、4、5、6、7、8 是位于传送带上匀速直线运动的标签（moving），图中灰色椭圆形是 RFID阅读器的阅读范围。在该场景下，只有 1、4、5、6、7、8 会被定义为场内标签并进行排序，其它标签都是场外标签，将被排除在 RFID 排序算法之外。V2V11

【相似文献】