一种基于智能预测的门形RFID多天线部署系统及方法技术方案

本发明专利技术公开了一种基于智能预测的门形RFID多天线部署系统及方法，该系统包括门结构、读写器天线、读写器、待识别标签、存储RFID数据的数据库、以及完成控制自动RFID数据采集和实现模型训练的计算机。该方法首先利用支持向量机，通过迭代的在线训练，实现利用少量训练样本，对RFID系统进行建模，获得满足用户要求的模型泛化能力和预测精度的RFID系统预测模型，然后利用学习得到的预测模型，通过遗传算法选择RFID多个天线的最优部署位置及方向，以达到用尽量短的时间获得多天线RFID系统最好部署效果的目的。本发明专利技术利用少量的RFID数据训练获得泛化及预测能力尽量强的模型，从而节约了大量采集真实RFID数据所需的时间和人力，以及获得能够识别所有待识别标签的多天线部署位置及方向所需的时间。

【技术实现步骤摘要】

本专利技术涉及RFID
，尤其涉及快速获得能够覆盖最多待识别标签的ー种基于智能预测的门形RFID多天线部署系统及方法。
技术介绍
RFID (Radio Frequency Identif ication,射频识别)是一种非接触式的自动识别技术，通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，能够工作于恶劣环境。由于其具有可唯一识别 单个物体，一次可识别多个物体等优点，RFID被广泛应用在物流管理，生产管理，库存管理，物体追踪、回溯等领域中。门形RFID系统是ー种被广泛应用的RFID系统，其仿真真实的门的结构，在实际应用中被部署在仓库、房间等的出、入口处以及生产线上等地方，用于管理仓库、追踪物品、监控生产线。门形RFID系统是将RFID读写器天线部署在具有三组支撑杆(左侧立柱、右侧立柱及顶端横梁)的门形结构的任意ー个支撑杆上。RFID天线有一定的识别范围，而在多目标识别的情况下，由于多个目标自身体积所占空间的限制，通常ー个RFID天线很难覆盖所有的待识别目标。并且由于RFID技术的电磁通讯特性，其RFID系统的识别率容易受RFID系统组件(包括读写器、天线、标签、中间件)自身属性，RFID读写器天线位置，读写器天线之间的距离，RFID系统的部署环境、电磁噪声等的影响。为了覆盖所有的待识别目标，提高RFID系统的识别率，在实际的RFID应用中，通常部署多个RFID读写器天线。已有研究及实际RFID测试表明，在不同的RFID读写器天线部署下RFID系统的目标识别率相差可达到40%以上，这说明了 RFID读写器天线部署对RFID系统性能影响的重要性。目前已有的门形RFID系统多天线部署方法主要有两种，试错法，及基于理论模型及遗传算法的多天线部署方法。采集RFID数据需要花费很长的时间和较多的人力，因此，试错法获得多天线的最优部署效率极低。基于理论模型及遗传算法的多天线部署方法，由于理论模型预测实际RFID系统的性能准确率较低，根据理论模型获得的最优部署使实际RFID系统最优部署的准确率较低，并且理论模型的计算量较大。因此，需要一种能够快速部署门形RFID系统的多个天线，使系统能够识别所有目标的方法。机器学习从观测到的数据中发现规律，并利用学习的规律预测未观测值。支持向量机是ー种统计机器学习方法，建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。支持向量机具有I)小样本学习；2)抗噪性强的优点，在许多实际应用中取得很好的应用效果。利用支持向量机建立RFID系统预测模型，能够使用较少的样本获得较高的模型泛化和预测能力。
技术实现思路
本专利技术的目的是快速部署门形RFID系统的多个天线，使系统能够正确识别所有的待识别标签。本专利技术所述ー种方法，其原理是首先快速获得能够准确预测RFID系统在实际应用中读取结果的模型。在此模型基础上，利用优化或捜索算法求解多天线的最优部署。在优化或搜索过程中，利用该模型计算RFID系统在不同天线部署下的读取结果及性能，用以比较两个多天线部署的优劣，引导优化执行。根据本专利技术的一方面，提供一种基于智能预测的门形RFID多天线部署系统，其特征在于该系统包括门结构I、读写器天线2、读写器3、待识别标签4、存储RFID数据的数据库5、以及完成控制自动RFID数据采集和实现模型训练的计算机6，其中门结构I包含三个支撑杆顶端 支撑杆和左、右两个支撑杆；所述门形RFID系统的读写器天线2分别部署在门的三个支撑杆上，以识别置于所述顶端支撑杆下方的所述待识别标签4 ;所述读写器天线2为外置型读写器天线，其通过射频馈线与读写器3连接；所述读写器3用于实现RFID标签的读取；所述数据库5连接所述读写器3，以存储所述读写器3读取到的RFID数据；所述计算机6通过有线网络连接所述读写器3及所述数据库5，以控制读写器读取RFID标签、控制RFID数据的存储及基于所读取的RFID数据预测最优读写器天线部署位置。根据本专利技术的另一方面，提供一种基于智能预测的门形RFID系统多天线部署方法，其特征在于该方法包括以下几个步骤步骤I :在门形RFID系统门结构的三个支撑杆上分別设置多个测试点，该测试点的数目可根据实际应用的需要来选择，在各支撑杆的多个测试点中随机选择ー个分别部署一个读写器天线，井随机设置ー个读写器天线的方向，用射频馈线连接读写器天线与读写器，用有线连接读写器和计算机，将多个待识别物体摆放在门结构下，并将识别标签贴在待识别物体上或嵌入到待识别物体内；步骤2 :初始化迭代次数i = I ;步骤3 :对于每个支撑杆，在第i次数据采集中，随机抽取多个测试点中的Ni个测试点，其中，Ni为正整数，在每个选择的测试点上分別部署RFID读写器天线，并设置m个RFID读写器天线的方向，打开读写器，在每个测试点的m个方向上分别读取所有待识别物体上的RFID标签，得到Ν，πι组RFID数据，其中，ー组RFID数据包含k条数据，k为RFID天线在ー个天线位置及方向下成功读取到的标签个数，k的取值为之间的正整数，K为所有待识别标签的总数；步骤4 :对所述读写器天线获得的RFID数据进行预处理，所述预处理包括根据预测模型进行数据标识及数据的归一化，其中，所述预测模型用于预测RFID系统在不同天线部署下读取不同位置RFID标签的结果，所述天线部署包括天线的位置及方向部署；步骤5 :对于每个支撑杆，从所述Ni个测试点的Ν，πι组RFID数据中随机抽取Iii组RFID数据，其中，O < Iii < Ν，πι，使用Iii组经过预处理后的RFID数据作为学习所述预测模型的训练样本，对所述预测模型进行学习；步骤6 :以剩下的N-Hi-Iii组经过预处理后的RFID数据作为测试样本，来测试已建立的所述预测模型的预测准确度；步骤7 :判断所述预测模型的预测准确度是否大于或等于预先设置的阈值α或者迭代次数i = Τ，其中，T为最大迭代次数，若是，则建模结束进入步骤8 ;若否，则执行i =i+1, Ni = Ni+AT，其中，AT为一正整数，表示测试点的増加量，并返回步骤3，从未执行过读取操作的测试点中抽取AT个测试点，并在AT个测试点上分別部署RFID天线，在每个测试点的m个方向上分別执行读取操作获得Λ T*m组RFID数据，进行后续的预处理及预测模型学习、测试、判断步骤；步骤8 :基于建立的所述预测模型，采用解决优化目标的方法寻找多个读写器天线的最优部署位置及方向；步骤9 :按照所述步骤8获得的最优部署位置及方向部署三个读写器天线，并且执行读取操作，如果在该最优部署位置及方 向下所述RFID系统能够满足所述步骤8中的优化目标的要求，则所述步骤8获得的最优部署位置及方向即为最后的读写器天线部署方案；若否，则返回步骤8，再次执行遗传算法，获得新的多个读写器天线的最优部署位置及方向。本专利技术的有益效果是I)与现有技术不同，本专利技术结合支持向量机建立的RFID预测模型与优化方法，优化RFID系统多天线部署，能够提高实际应用RFID系统获得最优部署的几率及效率。2)与现有技术不本文档来自技高网...

【技术保护点】
一种基于智能预测的门形RFID系统多天线部署系统，其特征在于，该系统包括门结构(1)、读写器天线(2)、读写器(3)、待识别标签(4)、存储RFID数据的数据库(5)、以及完成控制自动RFID数据采集和实现模型训练的计算机(6)，其中：门结构(1)包含三个支撑杆：顶端支撑杆和左、右两个支撑杆；所述门形RFID系统的读写器天线(2)分别部署在门的三个支撑杆上，以识别置于所述顶端支撑杆下方的所述待识别标签(4)；所述读写器天线(2)为外置型读写器天线，其通过射频馈线与读写器(3)连接；所述读写器(3)用于实现RFID标签的读取；所述数据库(5)连接所述读写器(3)，以存储所述读写器(3)读取到的RFID数据；所述计算机(6)通过有线网络连接所述读写器(3)及所述数据库(5)，以控制读写器读取RFID标签、控制RFID数据的存储及基于所读取的RFID数据预测最优读写器天线部署位置。

【技术特征摘要】

【专利技术属性】
技术研发人员：程虹，刘禹，倪晚成，关强，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：