论文部分内容阅读
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%。