[發(fā)明專利]一種離群錯(cuò)置RFID標(biāo)簽的識(shí)別方法及實(shí)現(xiàn)所述方法的系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110763648.4
• 申請日: 2021-07-06
• 公開（公告）號(hào): CN113609880A
• 公開（公告）日: 2021-11-05
• 發(fā)明（設(shè)計(jì)）人: 厲斌斌;劉文遠(yuǎn);于永濤;王林
• 申請（專利權(quán)）人: 燕山大學(xué)
• 主分類號(hào): G06K7/10
• 分類號(hào): G06K7/10;G06K9/62
• 代理公司: 北京君智知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11305
• 代理人: 劉秀娟

1.一種離群錯(cuò)置RFID標(biāo)簽的識(shí)別方法，所述方法包括以下步驟：

(1)數(shù)據(jù)采集

對(duì)于含有多個(gè)RFID標(biāo)簽的標(biāo)簽群，通過RFID閱讀器采集RFID標(biāo)簽的原始相位數(shù)據(jù)，在采集期間，使RFID閱讀器的天線隨機(jī)晃動(dòng)；所述相位數(shù)據(jù)描述為：

其中，d是標(biāo)簽與閱讀器天線之間的距離，λ是信號(hào)波長，θ_R是閱讀器引起的相位偏移,θ_Tag是標(biāo)簽引起的相位偏移，μ是常數(shù)；

(2)原始相位數(shù)據(jù)的預(yù)處理

為了消除閱讀器可能引入的π度偏移和閱讀器報(bào)告的相位可能出現(xiàn)的2π度偏移，定義θ_i,t為標(biāo)簽i在t時(shí)刻的測量相位值，以下式校準(zhǔn)原始相位數(shù)據(jù)的偏移：

其中，是校準(zhǔn)后的相位值，τ是經(jīng)驗(yàn)閾值；由于π度和2π度偏移引起的斷點(diǎn)被連接起來，從而獲得連續(xù)的相位流數(shù)據(jù)；

然后，通過離散小波變換對(duì)所得連續(xù)的相位流數(shù)據(jù)進(jìn)行分解，得到平滑連續(xù)的相位流數(shù)據(jù)；

然后，提取所得平滑連續(xù)的相位流的相位梯度，相位梯度定義為任意標(biāo)簽i的相位梯度G_i,t為連續(xù)兩個(gè)相位值的差值：

其中，Δd_i,t是天線隨機(jī)晃動(dòng)造成的天線與標(biāo)簽之間的距離變化，和分別是標(biāo)簽i在t時(shí)刻和t-1時(shí)刻預(yù)處理后的相位值，其中，將得到的相位梯度序列歸一化，使其值范圍在[-1,1]之間；

(3)基于正交多項(xiàng)式回歸分析的相位梯度降維

利用正交多項(xiàng)式回歸分析模型提取相位梯度的低維特征，所述模型將時(shí)間序列映射到另一個(gè)正交空間；

設(shè)標(biāo)簽i的梯度序列G_i＝{g_i,0,g_i,1,…,g_i,M}，則該相位梯度序列近似表示為：

其中，K是想要得到的低維特征的維度，k∈[0,K]，f_k(t)＝t^k+r_k,k-1t^k-1+...+r_k,1t+r_k,0，并且任意兩個(gè)多項(xiàng)式f_i(t)，f_j(t)(i≠j)內(nèi)積為0，即他們是正交的，即如下式所示：

f_i(t)|f_j(t)＝0

上式中的權(quán)值向量A＝{a₀,a₁,…,a_K}是一個(gè)K維向量，可以看做相位梯度序列在正交空間F＝{f₀(t),f₁(t),…,f_K(t)}中的坐標(biāo)，所以M維的相位梯度G可以用K維的特征向量A表示；

其中，a_k可以按如下式所示計(jì)算得到：

其中，

f_k+1(t)＝αf_k(t)+βf_k-1(t),

f_-1(t)＝0,f₁(t)＝1,

k＝0,1,…,K

(4)特征序列相似度度量

每個(gè)標(biāo)簽的相位梯度經(jīng)過正交多項(xiàng)式回歸分析模型提取特征后得到特征序列，選擇利用任意兩個(gè)標(biāo)簽的特征序列的歐式距離作為相似度度量的指標(biāo)，計(jì)算方法為：

其中，和分別表示標(biāo)簽和標(biāo)簽的特征序列，是特征序列長度，歐式距離值越大，特征序列間的相似度越??；

當(dāng)系統(tǒng)中存在n個(gè)標(biāo)簽時(shí)，標(biāo)簽特征序列兩兩之間進(jìn)行相似性度量，構(gòu)建n×n的相似度矩陣：

對(duì)所得相似度矩陣歸一化處理：使相似度矩陣具有以下性質(zhì)：

(a)自反性：標(biāo)簽自己與自己比較相似度為0，即s_ii＝0；

(b)對(duì)稱性：以矩陣主對(duì)角線為對(duì)稱軸，各相似度的值對(duì)應(yīng)相等，即s_ij＝s_ji；

(c)非負(fù)性：所有相似度的值都大與0，即s_ij≥0；

(5)構(gòu)建標(biāo)簽相對(duì)位置關(guān)系圖

將所述相似度矩陣S根據(jù)如下式所示轉(zhuǎn)化成鄰接矩陣B：

其中，thre是預(yù)設(shè)的閾值，b_ij＝b_ji，并且矩陣大小與相似度矩陣相同；

根據(jù)所得連接矩陣，相對(duì)位置關(guān)系圖表示為G(V,E)，其中V＝{v_i|i＝1,2,…,N}是所有標(biāo)簽對(duì)應(yīng)圖中節(jié)點(diǎn)的集合，N是系統(tǒng)中標(biāo)簽總數(shù)，E＝{(v_i,v_j)|v_i,v_j∈V}是圖中所有節(jié)點(diǎn)之間邊的集合，當(dāng)b_ij＝b_ji＝1時(shí)，(v_i,v_j)和(v_j,v_i)對(duì)應(yīng)同一條邊，并且每條邊默認(rèn)權(quán)值為1，所得相對(duì)位置關(guān)系圖是一個(gè)無權(quán)無向圖，得到相對(duì)位置關(guān)系圖；

(6)相對(duì)位置關(guān)系圖社區(qū)發(fā)現(xiàn)算法

對(duì)所得相對(duì)位置關(guān)系圖利用Louvain社區(qū)發(fā)現(xiàn)算法獲得標(biāo)簽的實(shí)際物理分組情況：

定義社區(qū)的模塊度如下式：

其中，W_ij表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間邊的權(quán)重，k_i＝∑_jW_ij是與節(jié)點(diǎn)i連接的所有邊的權(quán)重之和，表示圖中所有邊的權(quán)重之和，c_i是節(jié)點(diǎn)i所屬社區(qū)，如果c_i＝c_j則δ(c_i,c_j)為1，否則為0；

Louvain算法中還定義了模塊度增益，用于衡量一個(gè)節(jié)點(diǎn)劃分到一個(gè)社區(qū)中模塊度的變化量，模塊度增益計(jì)算如下：

其中，∑_in是社區(qū)C中所有邊的權(quán)重之和，∑_tot是所有與社區(qū)C連接的邊的權(quán)重之和，k_i是所有與節(jié)點(diǎn)i相連的邊的權(quán)重和，k_i,in是在社區(qū)C中與節(jié)點(diǎn)i相連的所有邊的權(quán)重之和，m是圖中所有邊的權(quán)重和；

(7)大規(guī)模標(biāo)簽應(yīng)對(duì)機(jī)制

通過靜默標(biāo)簽的方式，將多邏輯分組的場景轉(zhuǎn)換為單個(gè)邏輯分組的場景，從而可以逐個(gè)檢測每個(gè)邏輯分組的標(biāo)簽離群錯(cuò)置情況。

2.根據(jù)權(quán)利要求1所述的識(shí)別方法，其特征在于步驟(6)的Louvain社區(qū)發(fā)現(xiàn)算法還包括：

第一階段，將圖中所有節(jié)點(diǎn)分配到不同的社區(qū)中，隨機(jī)選擇一個(gè)節(jié)點(diǎn)i作為起點(diǎn)，考慮節(jié)點(diǎn)i任一鄰節(jié)點(diǎn)j，計(jì)算節(jié)點(diǎn)i加入節(jié)點(diǎn)j所在社區(qū)的模塊度增益ΔQ，節(jié)點(diǎn)i加入增益為正且值最大的鄰節(jié)點(diǎn)所在社區(qū)中；如果沒有正增益，節(jié)點(diǎn)i將留在原來的社區(qū)；對(duì)所有節(jié)點(diǎn)執(zhí)行該過程；

第二階段，對(duì)上一階段劃分結(jié)果進(jìn)行社區(qū)聚合，構(gòu)建一個(gè)新的圖，新圖中一個(gè)節(jié)點(diǎn)對(duì)應(yīng)上一階段中發(fā)現(xiàn)的一個(gè)社區(qū)，兩個(gè)節(jié)點(diǎn)之間的邊的權(quán)值則是上一階段兩個(gè)社區(qū)之間邊的權(quán)值之和；上一階段同一社區(qū)的節(jié)點(diǎn)之間的邊會(huì)導(dǎo)致在新圖中節(jié)點(diǎn)的自循環(huán)。

將這兩個(gè)階段定義為一個(gè)“pass”，迭代執(zhí)行pass，直到?jīng)]有更改，實(shí)現(xiàn)最大的模塊度，即可輸出檢測到的社區(qū)。