一种基于kNN的RFID标签分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于kNN的RFID标签分类方法及装置，属于物联网射频识别技术领域，该方法包括：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，以每个标签号为一组训练数据；为每组训练数据计算信号强度RSSI和多普勒频移DOPPLER统计特征与匹配特征，构成kNN学习的输入特征向量；利用统计特征与匹配特征组成的特征向量，结合kNN机器学习方法，实现对仓库中阅读器范围内所有可读标签的识别及分类，有效区分了实际应用场景中的静止标签、游离标签和传送带上匀速运动的待排序标签。

A RFID tag classification method and device based on kNN

The invention discloses an RFID tag classification method and device based on kNN, which belongs to the field of Internet of Things radio frequency identification technology. The method includes: obtaining RFID tag data with known classification results in readable range from the interface of the RFID reader, using each tag number as a group of training data, and calculating strong signals for each group of training data. RSSI and Doppler frequency shift DOPPLER statistical features and matching features constitute the input eigenvectors of kNN learning. Using the eigenvectors composed of statistical features and matching features, combined with kNN machine learning method, the recognition and classification of all readable tags within the reader range in the warehouse are realized, and the practical application scenarios are effectively distinguished. Stationary labels, free labels and moving labels on the conveyor belt.

【技术实现步骤摘要】
一种基于kNN的RFID标签分类方法及装置
本专利技术涉及一种基于K最近邻(kNN，k-NearestNeighbor)的RFID标签分类方法及装置，属于物联网射频识别

技术介绍
物联网射频识别技术(RFID:RadioFrequencyIdentification)被广泛应用于机场行李分拣、无人超市、仓库货物盘存、快递物流等多种领域。RFID系统将含有物品信息的RFID芯片粘贴于商品表面，使得每一个RFID阅读器可读范围内的标签都可以被系统读取，用于实时监测标签状态、货物清点、货物传送等方面。当标签运动在传送带上时，往往需要进行标签的排序，以区分同时读取到的标签与货物之间的相互匹配，然而，位于传送带上方的标签有很大概率会读取到传送带以外的标签，从而导致标签的排序错误，影响传送带上标签与货物的匹配，从而导致行李分拣错误或快递物流发错地址等现象，为规避这些错误，希望将不是传送带上的标签作为场外标签而排除在排序算法以外，这就需要将RFID阅读器读取到的标签进行分类，区分是否位于传送带上；另外，当物品被缓慢移动或静止放于货架上时，所需要分配的关注角度和程度是不同的，所以，还需要对RFID阅读器读取到的标签进行动静态分类，以提高静态物品的定位精度，同时增加对缓慢移动的物体的关注度，如监测无人超市中货物是否被拿起，是否被放置在了错误的货架上，是否有被盗嫌疑等。
技术实现思路
专利技术目的：针对上述现有技术的不足，本专利技术的目的是提供一种基于kNN的RFID标签分类方法及装置，该方法利用射频识别技术，通过对仓库内已知分类标签的特征信息的存储，实时更新仓库内标签的当前运动状态，利用kNN机器学习方法找出当前标签所属分类，明确区分了仓库内的静止(static)、游离(nomadic)和位于传送带上的标签(moving)，使得对标签的后续识别工作更加精确。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于kNN的RFID标签分类方法，包括如下步骤：(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或静止和传送带上的标签两类数据；(2)每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；(3)获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；(4)根据分类决策规则，判决实测数据的类别。作为优选，所述RSSI的统计特征包括RSSI均值、方差、总和、每组训练数据RSSI向量的模值。作为优选，所述DOPPLER的统计特征包括DOPPLER均值、方差、总和、绝对值均值、每组训练数据DOPPLER向量的模值。作为优选，选取训练集中传送带上的标签的数据作为参考数据。作为优选，RSSI匹配特征取值为：其中：sr0(n),sri(n)分别表示参考数据和待匹配数据RSSI数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值。作为优选，DOPPLER匹配特征取值为：其中：sd0(n),sdi(n)分别表示参考数据和待匹配数据DOPPLER数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置；a和b分别是待匹配数据左、右平移量的最大值。作为优选，所述步骤(3)中距离度量为待测实例的特征向量与训练集中的某个训练实例的特征向量欧式距离。作为优选，所述步骤(4)中的分类决策规则为：将待测实例的预测结果判决为其最近邻的k个样本点中出现最多的类别。一种基于kNN的RFID标签分类装置，包括：训练数据收集模块，用于从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或或静止和传送带上的标签两类数据；特征提取模块，用于每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；kNN模块，用于获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；以及，分类决策模块，用于根据分类决策规则，判决实测数据的类别。有益效果：与现有技术相比，本专利技术的优点在于：使用本专利技术所涉及的标签分类方法，综合了已知分类标签的训练集数据，采用kNN方法判断当前标签分类，对于类域的交叉或者重叠较多的待分样本集来说，kNN方法较其他方法更为合适。该方法简单有效，重新训练的代价较低，对仓库环境改变的重新适应能力较强，计算时间和空间与训练集规模程线性关系，计算量适中，可以快速获得标签分类结果，本设计采用的11种标签分类特征值可以从多方面多角度显著地描述各类标签的特征，使得分类效果较好，动静态分类正确率可达99.9％，三分类(static/nomadic/moving)正确率在95.6％以上。附图说明图1为本专利技术实施例中标签分类方法的仓库标签摆放模型图；图2为本专利技术实施例中标签分类方法的流程示意图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细描述。如图1所示，是标签分类方法的实施仓库模型，仓库中的标签有三种形态，有的静止于货架上，有的由于人工搬运或某种原因呈现出一定速度的运动，方向不定，速度不定，但通常速度较慢，还有的位于传送带上正在以均匀的速度向某一个地点移动，通常速度较快，为更好的实现传送带上物品的排序，必须将传送带上的物体单独识别出来进行排序，而传统的定位方法最好排除传送带上快速运动的标签以减少不必要的计算，并提高整体定位的精度。每一个电子标签的标签号必须保持独立。由于标签的运动状态会随时间改变，所以每一个标签的分类结果并不是恒定不变的，需要采集标签在天线区域内的一整段RSSI与DOPPLER数据才能得出当前标签的运动状态，所以位于传送带上方的天线为保证读取到传送带上标签的正确分类，最好确保传送带长度大于阅读器范围，以保证标签进入阅读区域前和在阅读区域内都保持传送带运动特征；用于识别动静态从而实现定位等功能的天线和阅读器应设置最小刷新时间，以获得动态更新的分类结果。如图2所示，是本专利技术实例公开的一种基于kNN的RFID标签分类方法的算法流程图，具体包括如下步骤：(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中应大致均匀的包含静止(static)、游离(nomadic)和传送带上的标签(moving)，若不均匀，则采用随本文档来自技高网...

【技术保护点】
1.一种基于kNN的RFID标签分类方法，其特征在于：包括如下步骤：(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或静止和传送带上的标签两类数据；(2)每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；(3)获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；(4)根据分类决策规则，判决实测数据的类别。

【技术特征摘要】
1.一种基于kNN的RFID标签分类方法，其特征在于：包括如下步骤：(1)收集训练数据集数据：从RFID阅读器的接口中获取可读范围内已知分类结果的RFID标签数据，所述数据包括标签号EPC、时间TIME、信号强度RSSI和多普勒频移DOPPLER，以每个EPC号为一组训练数据，训练数据集中包含静止、游离和传送带上的标签三类数据，或静止和传送带上的标签两类数据；(2)每组训练数据记为一个实例，为每个实例计算并存储特征向量，包括RSSI的统计特征和DOPPLER的统计特征，以及RSSI和DOPPLER分别与参考数据的匹配特征；(3)获取实测数据，计算实测数据的特征向量，并计算实测数据特征向量与训练集中各特征向量的距离度量，找出最近邻的k个点；k≥1；(4)根据分类决策规则，判决实测数据的类别。2.根据权利要求1所述的一种基于kNN的RFID标签分类方法，其特征在于：所述RSSI的统计特征包括RSSI均值、方差、总和、每组训练数据RSSI向量的模值。3.根据权利要求1所述的一种基于kNN的RFID标签分类方法，其特征在于：所述DOPPLER的统计特征包括DOPPLER均值、方差、总和、绝对值均值、每组训练数据DOPPLER向量的模值。4.根据权利要求1所述的一种基于kNN的RFID标签分类方法，其特征在于：选取训练集中传送带上的标签的数据作为参考数据。5.根据权利要求1所述的一种基于kNN的RFID标签分类方法，其特征在于：RSSI匹配特征取值为：其中：sr0(n),sri(n)分别表示参考数据和待匹配数据RSSI数据的多项式拟合函数离散采样点；n1,n2和n3,n4分别为离散采样后的参考数据与待匹配数据的首末位置...

【专利技术属性】
技术研发人员：胡静，宋铁成，徐洁，杨丽，夏玮玮，燕锋，沈连丰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32