基于支持向量機(jī)的物流傳送帶場(chǎng)景下RFID識(shí)讀性能研究

摘" 要： 為避免調(diào)整參數(shù)布置導(dǎo)致多次驗(yàn)證實(shí)驗(yàn)，探尋各因素對(duì)識(shí)讀效率的影響程度，提出一種基于支持向量機(jī)的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型。建立支持向量機(jī)模型預(yù)動(dòng)態(tài)場(chǎng)景下的RFID識(shí)讀效率，并使用網(wǎng)格搜索法尋優(yōu)模型。結(jié)果表明，基于支持向量機(jī)的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類準(zhǔn)確率可達(dá)92.3%。使用此模型對(duì)各影響因素進(jìn)行分析，可以得到動(dòng)態(tài)場(chǎng)景下對(duì)RFID識(shí)讀效率影響最大的因素，并在動(dòng)態(tài)場(chǎng)景中能夠依此進(jìn)行最佳參數(shù)設(shè)置。

關(guān)鍵詞： 物流傳送帶場(chǎng)景； 射頻識(shí)別； 高斯濾波； 支持向量機(jī)； 動(dòng)態(tài)RFID系統(tǒng)； 樸素貝葉斯； 盤點(diǎn)； RFID識(shí)讀率

中圖分類號(hào)： TN99?34"""""""""""""""""""""""""" 文獻(xiàn)標(biāo)識(shí)碼： A""""""""""""""""""""""""" 文章編號(hào)： 1004?373X（2024）09?0150?07

0" 引" 言

超高頻（Ultra High Frequency， UHF）無(wú)源射頻識(shí)別（Radio Frequency Identification， RFID）技術(shù)在物流管理、智能倉(cāng)儲(chǔ)、軍事作戰(zhàn)、交通管理、防偽技術(shù)、藥品監(jiān)管等領(lǐng)域具有重要的應(yīng)用價(jià)值[1]。研究RFID技術(shù)在物流傳送帶場(chǎng)景中的應(yīng)用，是適應(yīng)現(xiàn)代社會(huì)物流迅速發(fā)展環(huán)境的一項(xiàng)重要研究[2]。通過對(duì)物流工程體系從生產(chǎn)到分銷等各個(gè)環(huán)節(jié)中提高RFID技術(shù)的使用率，可以滿足在惡劣環(huán)境中使用的需求，并精準(zhǔn)實(shí)現(xiàn)各物品數(shù)據(jù)與系統(tǒng)數(shù)據(jù)的對(duì)應(yīng)，有效降低人工分揀產(chǎn)生的出錯(cuò)率和成本，對(duì)于促進(jìn)物流行業(yè)的發(fā)展有巨大的意義。

經(jīng)典的RFID應(yīng)用通常是靜態(tài)識(shí)別，如天線與標(biāo)簽固定不動(dòng)，或使用手持設(shè)備來(lái)識(shí)別標(biāo)簽。在動(dòng)態(tài)識(shí)別場(chǎng)景中，讀寫器和標(biāo)簽總是相對(duì)移動(dòng)的。傳統(tǒng)的固定式RFID系統(tǒng)由于空間的局限性以及硬件部署的主觀性，往往會(huì)出現(xiàn)RFID識(shí)讀效率無(wú)法達(dá)到最優(yōu)效果。文獻(xiàn)[3]使用基于指紋模型的定位算法，有效降低了測(cè)距誤差，但是環(huán)境因素對(duì)該模型影響較大，在變化較大的環(huán)境中耗費(fèi)時(shí)間較長(zhǎng)；文獻(xiàn)[4]提出的橢圓模型雖然有效降低了環(huán)境改變?cè)斐傻挠绊懀軌蜷L(zhǎng)期穩(wěn)定的工作，但是由于二維模型的限制，存在較大的預(yù)測(cè)誤差。對(duì)此，一些學(xué)者提出了支持向量機(jī)模型[5]，具有預(yù)測(cè)精度準(zhǔn)確、能夠有效處理多種樣本數(shù)據(jù)等優(yōu)勢(shì)，對(duì)于RFID識(shí)讀效率的預(yù)測(cè)提出了新的思路。以上思想雖然都突破性地提出了RFID識(shí)讀效率方面的新研究方法，但是主要應(yīng)用場(chǎng)景為RFID靜態(tài)識(shí)別，想要實(shí)現(xiàn)RFID動(dòng)態(tài)識(shí)讀效率的模型預(yù)測(cè)與影響因素的研究，不僅需要在模型建立方面有所創(chuàng)新，還需要滿足RFID讀寫器在物體的運(yùn)動(dòng)中完成對(duì)動(dòng)態(tài)物品標(biāo)簽的識(shí)別，對(duì)RFID讀寫系統(tǒng)的性能和協(xié)議設(shè)計(jì)提出了新的挑戰(zhàn)。本文主要研究物流傳送帶場(chǎng)景下的多天線移動(dòng)RFID系統(tǒng)的識(shí)讀性能問題。

本文通過建立基于支持向量機(jī)（Support Vector Machine， SVM）的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型，對(duì)移動(dòng)場(chǎng)景下RFID識(shí)讀效率進(jìn)行預(yù)測(cè)，并通過與樸素貝葉斯、決策樹等分類方法進(jìn)行比較，驗(yàn)證其有效性和精確性。以此模型為依據(jù)，進(jìn)行移動(dòng)場(chǎng)景下各因素對(duì)RFID識(shí)讀性能的分析研究，得到各因素在移動(dòng)場(chǎng)景下對(duì)RFID識(shí)讀性能的影響程度，為以后在類似場(chǎng)景進(jìn)行參數(shù)選取提供了幫助。

1" 面向物流傳送帶的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀性能

1.1" RFID移動(dòng)場(chǎng)景識(shí)別及識(shí)讀性能

在RFID技術(shù)的實(shí)際運(yùn)用中，時(shí)常會(huì)出現(xiàn)多標(biāo)簽識(shí)讀場(chǎng)景，例如倉(cāng)儲(chǔ)物資的盤點(diǎn)、機(jī)場(chǎng)行李分揀，同時(shí)也包含了物流傳送帶上多個(gè)物品標(biāo)簽的識(shí)讀情況。然而，在實(shí)際場(chǎng)景中由于情況復(fù)雜[6]，動(dòng)態(tài)RFID多標(biāo)簽識(shí)讀性能往往會(huì)受到影響。

傳統(tǒng)的RFID系統(tǒng)識(shí)讀性能采用識(shí)讀率進(jìn)行判斷，識(shí)讀率定義為已讀取的標(biāo)簽占標(biāo)簽總數(shù)的百分比[7]，其量化表達(dá)式為：

[Psuccess=NcorrectNtotal]"" （1）

式中：[Psuccess]為識(shí)讀率；[Ncorrect]為已讀取的標(biāo)簽數(shù)量；[Ntotal]為標(biāo)簽總數(shù)。

對(duì)于移動(dòng)場(chǎng)景識(shí)讀性能的判斷，需要考慮多種因素的影響。針對(duì)能夠讀取到的標(biāo)簽，所能采集的數(shù)據(jù)包含接收的信號(hào)強(qiáng)度（Received Signal Strength Indication， RSSI）、能讀取到的標(biāo)簽的平均盤點(diǎn)次數(shù)、標(biāo)簽被讀取到的具體時(shí)間、標(biāo)簽相位等數(shù)據(jù)，選取RSSI、讀取到一半標(biāo)簽的平均首次識(shí)讀時(shí)間、能讀取到的標(biāo)簽的平均盤點(diǎn)次數(shù)作為主要考慮的數(shù)據(jù)集，進(jìn)行識(shí)讀性能的判斷。

1.2" 動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率的分類評(píng)估

在移動(dòng)環(huán)境中，RFID識(shí)讀性能的評(píng)估需要針對(duì)性地對(duì)整體的識(shí)別策略與參數(shù)進(jìn)行自動(dòng)調(diào)整，由此通過建立基于SVM的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型，對(duì)作為判斷識(shí)讀性能的重要系統(tǒng)指標(biāo)的識(shí)讀效率進(jìn)行跟蹤與評(píng)估。

同時(shí)，對(duì)系統(tǒng)RFID識(shí)讀效率進(jìn)行分類，以實(shí)際測(cè)試環(huán)境與數(shù)據(jù)為基準(zhǔn)，結(jié)合物流管理的實(shí)際場(chǎng)景進(jìn)行精確劃分，將獲得的RFID識(shí)讀效率（Rate）按照數(shù)值由小到大分為三類，如表1所示。

2" 移動(dòng)場(chǎng)景RFID識(shí)讀效率分類識(shí)別算法

2.1" SVM分類模型

SVM是一種二類分類模型，可對(duì)線性和非線性數(shù)據(jù)進(jìn)行分類。其學(xué)習(xí)方法包含構(gòu)建由簡(jiǎn)至繁的模型：線性可分支持向量機(jī)、線性支持向量機(jī)以及非線性支持向量機(jī)。當(dāng)訓(xùn)練數(shù)據(jù)線性可分時(shí)，通過硬間隔最大化，學(xué)習(xí)一個(gè)線性的分類器，即線性可分支持向量機(jī)，又稱為硬間隔支持向量機(jī)；當(dāng)訓(xùn)練數(shù)據(jù)線性不可分時(shí)，通過使用核技巧及軟間隔最大化，學(xué)習(xí)非線性支持向量機(jī)。

1） 線性支持向量機(jī)

對(duì)于給定的線性不可分訓(xùn)練數(shù)據(jù)集，通過求解凸二次規(guī)劃問題，即軟間隔最大化問題，得到的分離超平面為：

[ω*?x+b*=0] （2）

以及相應(yīng)的分類決策函數(shù)：

[fx=sgnω*?x+b*] （3）

稱為線性支持向量機(jī)。

2） 非線性支持向量機(jī)

利用核技巧，可以將線性分類的學(xué)習(xí)方法應(yīng)用到非線性分類問題中。

從非線性分類訓(xùn)練集，通過核函數(shù)與軟間隔最大化或凸二次規(guī)劃，學(xué)習(xí)得到的分類決策函數(shù)為：

[fx=sgni=1Nα*iyiKx，xi+b*] （4）

稱為非線性支持向量機(jī)。

對(duì)于移動(dòng)場(chǎng)景中RFID的識(shí)讀性能問題，移動(dòng)狀態(tài)中各標(biāo)簽參數(shù)分布較為離散，使用線性分類模型無(wú)法準(zhǔn)確分類，或存在大量樣本被錯(cuò)誤分類等問題。需要使用非線性函數(shù)實(shí)現(xiàn)特征空間映射，在新的特征空間進(jìn)行分類。具體步驟如下：

1） 選取適當(dāng)?shù)暮撕瘮?shù)[Kx，z]和適當(dāng)?shù)膮?shù)[d]，構(gòu)造并求解最優(yōu)化問題：

[minα12i=1Nj=1NαiαjyiyjKxi，xj-i=1Nαi]""" （5）

式中[i=1Nαiyi=0]，[0≤αi≤d，i=1，2，…，N]，求得最優(yōu)解[α*=α*1，α*2，…，α*NT]。

2） 選擇[α*]的一個(gè)正交分量[0≤αj≤d]，計(jì)算：

[b*=yi-i=1Nα*iyiKxi，xj] （6）

3） 得出非線性條件下最優(yōu)分類構(gòu)造決策函數(shù)為：

[fx=sgni=1Nα*iyiKx，xi+b*]"" （7）

2.2" 基于SVM的動(dòng)態(tài)RFID識(shí)讀效率分類算法

基于SVM的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型如圖1所示。建模步驟主要分為：數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、支持向量機(jī)模型建模、參數(shù)優(yōu)化。

2.2.1" 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)室室內(nèi)環(huán)境擺放較多的儀器設(shè)備，測(cè)試時(shí)會(huì)存在多徑效應(yīng)，測(cè)量的RSSI值在同一位置處也有波動(dòng)。RSSI數(shù)據(jù)測(cè)量值的波動(dòng)影響最終的測(cè)距精度，為了減小數(shù)據(jù)誤差的影響，本文采用高斯濾波對(duì)采集到的RSSI數(shù)據(jù)集進(jìn)行濾波處理[8]。

在對(duì)數(shù)據(jù)的處理中，高斯濾波是選取RSSI數(shù)據(jù)中高概率范圍內(nèi)的RSSI值，舍棄范圍外的RSSI值，再對(duì)高概率范圍內(nèi)的RSSI值取均值，作為最終的RSSI值。高斯濾波可以有效地濾除出現(xiàn)概率低且干擾大的RSSI值，從而提高數(shù)據(jù)的有效性，其具體濾波步驟如下：

對(duì)于含有[N]個(gè)RSSI值的數(shù)據(jù)集，其高斯分布如式（8）所示：

[fx，y=12Πσ1σ21-ρ2e121-ρ2x-u1σ12-2ρx-u1σ1y-u2σ2+y-u2σ22] （8）

式中：[u1]、[u2]代表均值；[σ1]、[σ2]gt;0表示標(biāo)準(zhǔn)差；[ρlt;1]，[ρ]稱為相關(guān)系數(shù)[9]。

2.2.2" 基于SVM動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類建模

基于支持向量機(jī)RFID識(shí)讀效率分類建模主要包括三個(gè)步驟，將采集到的數(shù)據(jù)集以8∶2的比例分作訓(xùn)練集和測(cè)試集，對(duì)模型進(jìn)行訓(xùn)練與測(cè)試，對(duì)模型進(jìn)行測(cè)試后通過引入核函數(shù)和參數(shù)尋優(yōu)對(duì)模型進(jìn)行進(jìn)一步完善，具體步驟如下：

1） 構(gòu)建非線性支持向量機(jī)的訓(xùn)練集與測(cè)試樣本集

為進(jìn)行RFID識(shí)讀效率的研究，實(shí)現(xiàn)SVM分類，構(gòu)造特征值子集{能讀取到的標(biāo)簽返回的信號(hào)強(qiáng)度均值，能讀取到的標(biāo)簽的平均盤點(diǎn)次數(shù)，傳送帶速度，發(fā)射功率，讀取到一半標(biāo)簽的平均首次識(shí)讀時(shí)間，天線狀態(tài)}，構(gòu)成4 800[×6]維數(shù)據(jù)作為條件樣本數(shù)據(jù)集進(jìn)行歸一化處理。經(jīng)過處理后，將RFID識(shí)讀效率樣本數(shù)據(jù)從小到大分為三類（見表1），即Ⅰ、Ⅱ、Ⅲ。分別選取第Ⅰ類的1～2 211，第Ⅱ類的2 765～2 977，第Ⅲ類的3 033～4 446組的數(shù)據(jù)樣本作為訓(xùn)練集訓(xùn)練非線性SVM模型；選取第Ⅰ類的2 212～2 764，第Ⅱ類的2 978～3 032，第Ⅲ類的4 447～4 800組的樣本數(shù)據(jù)作為測(cè)試集，對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試。

2） 高斯核函數(shù)選取

當(dāng)輸入空間為歐氏空間或離散集合，特征空間為希爾伯特空間時(shí)，核函數(shù)表示將輸入從輸入空間映射到特征空間得到的特征向量之間的內(nèi)積。通過使用核函數(shù)可以學(xué)習(xí)非線性支持向量機(jī)，等價(jià)于隱式地在高維的特征空間中學(xué)習(xí)線性支持向量機(jī)，這樣的方法稱為核技巧。

本文核函數(shù)在進(jìn)行多次對(duì)比后選取高斯核函數(shù)，高斯核[10]的表達(dá)式為：

[K（x，z）=expγx2*expγz2*exp-2γxTz，γ=-12σ2] （9）

式中：[expγx2=n=0∞γxnn！]；[σ]為高斯核函數(shù)參數(shù)（[σ]gt;0），代表著空間樣本的復(fù)雜度；[x]是數(shù)據(jù)集中樣本的特征向量；[z]是選定的支持向量；[γ]是函數(shù)的寬度。

同時(shí)引入懲罰因子[c]，若[c]較大，則對(duì)樣本的擬合性較好，預(yù)測(cè)效果較差，容易出現(xiàn)過擬合；[c]的取值較小時(shí)，錯(cuò)分的可能性變大，對(duì)樣本的擬合性下降。

通過引入高斯核函數(shù)與懲罰因子[c]，將會(huì)減少不必要的工作量，獲得實(shí)驗(yàn)中更好的識(shí)讀效率。

3） 參數(shù)優(yōu)化

采用網(wǎng)格搜索法對(duì)式（9）中的懲罰因子[c]和高斯核函數(shù)[σ]進(jìn)行參數(shù)尋優(yōu)[11]。非線性支持向量機(jī)的分類性能取決于懲罰函數(shù)[c]和高斯核函數(shù)[σ]，預(yù)測(cè)精度無(wú)法達(dá)到預(yù)期時(shí)，可通過添加新樣本數(shù)據(jù)與支持向量自動(dòng)修正模型，同時(shí)避免模型過學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象發(fā)生。以訓(xùn)練集最小均方根誤差為適應(yīng)度函數(shù)來(lái)進(jìn)行參數(shù)尋優(yōu)。當(dāng)達(dá)到最小均方根誤差時(shí)，所得到的[c]和[σ]為最佳參數(shù)。

3" 移動(dòng)場(chǎng)景RFID識(shí)讀效率分類識(shí)別算法性能驗(yàn)證

3.1" 移動(dòng)場(chǎng)景RFID系統(tǒng)測(cè)試方案

針對(duì)所提出的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型，構(gòu)建物流傳送帶動(dòng)態(tài)UHF無(wú)源RFID多標(biāo)簽測(cè)試環(huán)境。動(dòng)態(tài)RFID系統(tǒng)選擇空曠的實(shí)驗(yàn)室環(huán)境（13 m×8 m×4 m），測(cè)試環(huán)境如圖2所示。系統(tǒng)的設(shè)備類型及設(shè)備參數(shù)如表2所示。

測(cè)試方法分類如圖3所示，測(cè)試方法的參數(shù)列表如表3所示。

測(cè)試中標(biāo)簽數(shù)目為30個(gè)，在長(zhǎng)20 cm、寬13.5 cm、高6 cm的盒子（材質(zhì)為塑料）中如圖2所示等間隔均勻分布。依據(jù)表3中的參數(shù)，每種標(biāo)簽數(shù)目、功率與速度下測(cè)試100組數(shù)據(jù)，數(shù)據(jù)集共14 400組。

圖4a）為參數(shù)尋優(yōu)的3D圖示，圖4b）為參數(shù)尋優(yōu)的等高線圖。

由圖4a）、圖4b）可得，當(dāng)[c]=6.964 4、[σ]=1.319 5時(shí)模型最優(yōu)，識(shí)讀效率分類準(zhǔn)確率為92.333 3%，精度符合預(yù)期。

3.2" 與其他算法的結(jié)果比較

進(jìn)一步綜合對(duì)比本文提出動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型的性能優(yōu)劣。分別選取決策樹、樸素貝葉斯與支持向量機(jī)對(duì)比分析，預(yù)測(cè)精度越高，訓(xùn)練時(shí)間越短，越適用于動(dòng)態(tài)物流內(nèi)場(chǎng)景的RFID工程應(yīng)用項(xiàng)目的需求。

決策樹算法[12]為一種逼近離散函數(shù)值的方法，依據(jù)選擇的特征評(píng)估標(biāo)準(zhǔn)，由上至下遞歸地生成子節(jié)點(diǎn)，直到數(shù)據(jù)集不可分則決策樹停止生長(zhǎng)。

樸素貝葉斯[13]分類的核心思想是：求解樣本在此特征組合情況下屬于各個(gè)類別的概率，確定對(duì)應(yīng)概率最大的類別。

以上兩種分類預(yù)測(cè)模型和SVM模型訓(xùn)練同一組數(shù)據(jù)，將訓(xùn)練后所得的預(yù)測(cè)模型對(duì)300組測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表4、圖5所示，對(duì)比以上3種方法的預(yù)測(cè)精度、訓(xùn)練時(shí)間、預(yù)測(cè)時(shí)間，仿真結(jié)果表明，SVM分類模型預(yù)測(cè)精度最大，說明預(yù)測(cè)模型對(duì)實(shí)際系統(tǒng)分類有較好的擬合精確度和預(yù)測(cè)效果。對(duì)比三種模型訓(xùn)練集與預(yù)測(cè)集運(yùn)行時(shí)間，SVM雖然訓(xùn)練時(shí)間長(zhǎng)于決策樹，但整體運(yùn)行速率更快，空間復(fù)雜度更低。

3.3" 移動(dòng)場(chǎng)景RFID識(shí)讀性能影響因素

在選取固定標(biāo)簽數(shù)目的前提下，依據(jù)實(shí)際測(cè)試數(shù)值對(duì)各種移動(dòng)場(chǎng)景下RFID識(shí)讀效率影響因素進(jìn)行（高、中、低）分類，因素分類如表5所示。

在通過基于SVM動(dòng)態(tài)RFID[14?16]系統(tǒng)識(shí)讀效率分類模型對(duì)識(shí)讀效率進(jìn)行預(yù)測(cè)后，加入各主要因素，以得到的識(shí)讀效率為重要系統(tǒng)指標(biāo)進(jìn)行識(shí)讀性能分類，通過三種識(shí)讀效率在影響因素依次改變時(shí)增長(zhǎng)或縮減的幅度的變化，確認(rèn)各因素對(duì)識(shí)讀性能的影響程度。對(duì)于選取的4 800組數(shù)據(jù)集，通過改變各影響因素，記錄并計(jì)算出識(shí)讀效率分類結(jié)果，取極值等于1，計(jì)算RFID識(shí)讀效率各等級(jí)所占比例。通過RFID識(shí)讀效率等級(jí)Ⅰ、等級(jí)Ⅱ與等級(jí)Ⅲ（見表1）在影響因素改變下造成的所占比例改變的幅度，探究各因素對(duì)RFID識(shí)讀性能的影響。

所得到的RFID識(shí)讀效率分類為等級(jí)Ⅰ、等級(jí)Ⅱ、等級(jí)Ⅲ所占數(shù)據(jù)在總測(cè)試數(shù)據(jù)中所占比例由于各因素而造成的幅度改變?nèi)鐖D6所示。

如圖6a）、圖6b）所示，綜合考慮各因素造成的RFID識(shí)讀效率導(dǎo)致等級(jí)Ⅰ與等級(jí)Ⅲ所占比例最終改變的幅度，并以等級(jí)Ⅱ的數(shù)據(jù)作為次要參照，計(jì)算均值與均方差等，將各影響因素按照影響程度由大到小進(jìn)行排序，依次為：發(fā)射功率、傳送帶速度、天線狀態(tài)。由于作為重要系統(tǒng)指標(biāo)的識(shí)讀效率受到基于SVM的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型中所選取的各個(gè)特征值影響，認(rèn)為其次要的影響因素為基于SVM的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型所選取的各個(gè)特征值。

4" 結(jié)" 語(yǔ)

為避免調(diào)整參數(shù)布置導(dǎo)致多次驗(yàn)證實(shí)驗(yàn)，探尋各因素對(duì)識(shí)讀效率的影響程度，本文提出一種基于支持向量機(jī)的動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類模型。選取能讀取到的標(biāo)簽返回的信號(hào)強(qiáng)度均值、能讀取到的標(biāo)簽的平均盤點(diǎn)次數(shù)、傳送帶速度、發(fā)射功率、標(biāo)簽數(shù)目、讀取到一半標(biāo)簽的平均首次識(shí)讀時(shí)間、天線狀態(tài)作為樣本數(shù)據(jù)，使用高斯分布濾波去除偏移數(shù)據(jù)后，建立支持向量機(jī)模型移動(dòng)場(chǎng)景下的RFID識(shí)讀效率，并使用網(wǎng)格搜索法尋優(yōu)模型。對(duì)模型進(jìn)行測(cè)試后，動(dòng)態(tài)RFID系統(tǒng)識(shí)讀效率分類準(zhǔn)確率可達(dá)92.3%?？紤]到標(biāo)簽自身對(duì)于RFID識(shí)讀效率造成的影響，后期研究將圍繞對(duì)各個(gè)標(biāo)簽進(jìn)行分析，尋找標(biāo)簽誤差等數(shù)據(jù)，從而研究出標(biāo)簽自身對(duì)于數(shù)據(jù)造成的影響。

參考文獻(xiàn)

[1] 高俊.RFID技術(shù)在物流工程體系中的應(yīng)用研究[J].中國(guó)物流與采購(gòu)，2022（21）：63?64.

[2] 宋月玲，李曉武.一種單閱讀器移動(dòng)RFID系統(tǒng)性能評(píng)估方法[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（23）：228?234.

[3] 宋寧佳，崔英花.基于GA?GRNN的RFID室內(nèi)定位算法[J].計(jì)算機(jī)工程，2019，45（11）：298?302.

[4] 何偉健，陸江城，朱耀磷，等.RFID旋轉(zhuǎn)天線中的橢圓模型室內(nèi)定位算法[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（9）：87?93.

[5] 王宏剛，王姍姍，姚佳，等.基于鄰域粗糙集與支持向量機(jī)的射頻識(shí)別系統(tǒng)識(shí)別率預(yù)測(cè)[J].計(jì)算機(jī)集成制造系統(tǒng)，2019，25（12）：3170?3180.

[6] 王宏偉，王華.復(fù)雜倉(cāng)儲(chǔ)場(chǎng)景下的RFID電子標(biāo)簽識(shí)別問題[J].物聯(lián)網(wǎng)技術(shù)，2023，13（3）：30?32.

[7] 喬魯豫，楊建國(guó)，周虎，等.基于粗糙集理論的RFID系統(tǒng)識(shí)讀率的關(guān)鍵指標(biāo)優(yōu)化[J].制造業(yè)自動(dòng)化，2014，36（4）：13?16.

[8] 熊昌鎮(zhèn)，王潤(rùn)玲，鄒建成.基于多高斯相關(guān)濾波的實(shí)時(shí)跟蹤算法[J] .浙江大學(xué)學(xué)報(bào)（工學(xué)版），2019，53（8）：1488?1495.

[9] 余修武，余昊，劉永，等.基于加權(quán)混合濾波和重心法的APIT定位算法[J].北京郵電大學(xué)學(xué)報(bào)，2019，42（4）：32?37.

[10] 許玉格，劉莉，羅飛.基于自優(yōu)化的多屬性高斯核函數(shù)相關(guān)向量機(jī)方法[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（1）：88?94.

[11] 劉小生，章治邦.基于改進(jìn)網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].江西理工大學(xué)學(xué)報(bào)，2019，40（1）：5?9.

[12] 高虹雷，門昌騫，王文劍.多核貝葉斯優(yōu)化的模型決策樹算法[J].國(guó)防科技大學(xué)學(xué)報(bào)，2022，44（3）：67?76.

[13] 陳曦，張坤.一種基于樹增強(qiáng)樸素貝葉斯的分類器學(xué)習(xí)方法[J].電子與信息學(xué)報(bào)，2019，41（8）：2001?2008.

[14] 范江東，王偉，高瞻.基于RFID技術(shù)的電力企業(yè)物資管理系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2021，44（24）：11?15.

[15] 周旋，鄔云文，向長(zhǎng)青，等.應(yīng)用標(biāo)簽并行識(shí)別技術(shù)的RFID防碰撞算法[J].現(xiàn)代電子技術(shù)，2023，46（10）：1?6.

[16] 秦玨.基于RFID電子標(biāo)簽內(nèi)的圖書信息分類編目系統(tǒng)[J].現(xiàn)代電子技術(shù)，2021，44（7）：169?172.

Study on SVM?based RFID reading performance in logistics conveyor belt scenario

WANG Yaowei， LIU Yuanlin， PAN Ruoyu， CHEN Baowen， LUO Fangxin

（School of Communications and Information Engineering， Xi’an University of Posts and Telecommunications， Xi’an 710121， China）

Abstract： A dynamic radio frequency identification （RFID） system reading efficiency classification model based on support vector machine （SVM） is proposed to avoid multiple verification experiments caused by parameter arrangement adjustment and explore the influence of various factors on reading efficiency. The SVM model is established to predict the reading efficiency of RFID in pre?dynamic scenarios， and the grid search method is used to optimize this model. The results show that the classification accuracy of the dynamic SVM?based RFID system′s reading efficiency can reach 92.3%. This model is used to analyze various influencing factors， and the factors with the greatest impact on RFID reading efficiency in dynamic scenarios can be obtained， based on which the best parameters can be selected in dynamic scenes.

Keywords： logistics conveyor belt scenario; RFID; Gaussian filtering; SVM; dynamic RFID system; naive Bayes; inventory; RFID recognition rate

DOI：10.16652/j.issn.1004?373x.2024.09.027

引用格式：王耀偉，劉原麟，潘若禹，等.基于支持向量機(jī)的物流傳送帶場(chǎng)景下RFID識(shí)讀性能研究[J].現(xiàn)代電子技術(shù)，2024，47（9）：150?156.

收稿日期：2023?10?08"""""""""" 修回日期：2023?10?31

王耀偉，等：基于支持向量機(jī)的物流傳送帶場(chǎng)景下RFID識(shí)讀性能研究

王耀偉，等：基于支持向量機(jī)的物流傳送帶場(chǎng)景下RFID識(shí)讀性能研究

王耀偉，等：基于支持向量機(jī)的物流傳送帶場(chǎng)景下RFID識(shí)讀性能研究

作者簡(jiǎn)介：王耀偉（1985—），男，碩士，工程師，主要從事物聯(lián)網(wǎng)技術(shù)研究。