基于BSO?BP改進(jìn)動(dòng)態(tài)幀時(shí)隙算法的密集環(huán)境下RFID標(biāo)簽讀寫(xiě)優(yōu)化方法

摘" 要： 無(wú)線射頻識(shí)別技術(shù)作為物聯(lián)網(wǎng)的關(guān)鍵技術(shù)，正在不斷發(fā)展并廣泛應(yīng)用于我國(guó)制造業(yè)領(lǐng)域。為了解決大量無(wú)線射頻識(shí)別標(biāo)簽讀寫(xiě)時(shí)相互競(jìng)爭(zhēng)信道而產(chǎn)生的數(shù)據(jù)碰撞現(xiàn)象，需要對(duì)標(biāo)簽數(shù)量進(jìn)行準(zhǔn)確估計(jì)。文章在傳統(tǒng)動(dòng)態(tài)幀時(shí)隙算法的基礎(chǔ)上，利用天牛群搜索算法尋找BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始權(quán)值和閾值，并將最優(yōu)值應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)定中，實(shí)現(xiàn)了對(duì)標(biāo)簽數(shù)量的準(zhǔn)確估計(jì)。通過(guò)實(shí)驗(yàn)和企業(yè)實(shí)際使用RFID綁定電源線的生產(chǎn)效果證明，與傳統(tǒng)的動(dòng)態(tài)幀時(shí)隙算法相比，所提出的改進(jìn)算法既保證了讀取的準(zhǔn)確性，又縮短了讀取時(shí)間，有效地提高了系統(tǒng)的效率。

關(guān)鍵詞： 無(wú)線射頻識(shí)別技術(shù)； 動(dòng)態(tài)幀時(shí)隙； 密集環(huán)境； BSO算法； BP神經(jīng)網(wǎng)絡(luò)； 天牛群搜索算法

中圖分類號(hào)： TN915.04?34" " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）08?0061?07

Optimization method for RFID tag reading and writing in dense environments based on BSO?BP improved dynamic frame time slot algorithm

WANG Siyuan， HONG Tao， JIANG Yixuan

（College of Quality amp; Safety Engineering， China Jiliang University， Hangzhou 310018， China）

Abstract： Wireless radio frequency identification technology， as a key technology of the Internet of Things， is constantly developing and widely applied in the manufacturing industry of China. In order to solve the data collision phenomenon caused by the competition of channels during the reading and writing of a large number of wireless radio frequency identification tags， accurate estimation of the number of tags is required. On the basis of the traditional dynamic frame time slot algorithm， the Tian Niu swarm search algorithm is used to find the optimal initial weight and threshold of the BP neural network， and the optimal value is used to the parameter set of BP neural network， achieving accurate estimation of the number of labels. The production effect of RFID （radio frequency identification） bound power cords by experiments and actual use by enterprises proves that， in combination with the traditional dynamic frame time slot algorithm， the proposed improved algorithm can not only ensure the accuracy of reading， but also shorten the reading time， effectively improving the efficiency of the system.

Keywords： RFID; dynamic frame time slots; dense environment; BSO algorithm; BP neural network; Tian Niu Qun search algorithm

0" 引" 言

無(wú)線射頻識(shí)別技術(shù)（Radio Frequency Identification， RFID）作為物聯(lián)網(wǎng)的一種關(guān)鍵技術(shù)，正在不斷發(fā)展，在我國(guó)制造領(lǐng)域得到廣泛的應(yīng)用。根據(jù)應(yīng)用對(duì)象的實(shí)際生產(chǎn)背景、工藝、流程等，RFID技術(shù)會(huì)呈現(xiàn)不同的使用效果，實(shí)現(xiàn)了實(shí)時(shí)監(jiān)控、質(zhì)量追溯、自動(dòng)化生產(chǎn)等目標(biāo)，更好地輔助生產(chǎn)[1]。在實(shí)際應(yīng)用中，企業(yè)生產(chǎn)電源線現(xiàn)場(chǎng)環(huán)境復(fù)雜，標(biāo)簽綁定在無(wú)規(guī)律擺放的電源線上，讀寫(xiě)器需要在眾多擺放密集的標(biāo)簽之間讀取信息，因此常常會(huì)受到其他標(biāo)簽信息干擾，使得標(biāo)簽性能總體降低，最終導(dǎo)致部分標(biāo)簽出現(xiàn)漏讀的現(xiàn)象。

燕怒等人通過(guò)檢測(cè)不同輸入阻抗、雷達(dá)散射面積等值，并且考慮了在密集環(huán)境下，標(biāo)簽天線會(huì)發(fā)生相互影響的現(xiàn)象，建立了一個(gè)網(wǎng)絡(luò)模型來(lái)分析標(biāo)簽天線的阻抗，并通過(guò)暗箱測(cè)試得出測(cè)試距離，以及仿真計(jì)算得出標(biāo)簽天線的最大識(shí)別距離[2]。周偉輝等人提出一種新算法，將分組動(dòng)態(tài)幀和混合查詢樹(shù)相結(jié)合，以提高在大量標(biāo)簽的使用場(chǎng)景下的整體吞吐率，將每一次沒(méi)有識(shí)別出來(lái)的標(biāo)簽通過(guò)標(biāo)識(shí)分組，提高了吞吐率，有效解決了標(biāo)簽碰撞的問(wèn)題[3]。M. Golsorkhtabaramiri等人提出一種分布式方法和信道監(jiān)聽(tīng)技術(shù)，以有效地讀取密集RFID網(wǎng)絡(luò)中的所有標(biāo)簽。該方法通過(guò)幾何概率分布函數(shù)選擇時(shí)間間隔以獲取控制信道，并且通過(guò)測(cè)量來(lái)自相鄰讀取器的信號(hào)強(qiáng)度并共享標(biāo)簽信息，利用無(wú)線電波增加識(shí)別系統(tǒng)的吞吐量，同時(shí)避免控制信道中的各種沖突[4]。Su Z等人提出了一種基于相鄰信息的多通道RFID讀寫(xiě)器防沖突協(xié)議，以解決RFID系統(tǒng)中可能發(fā)生的讀寫(xiě)器沖突問(wèn)題[5]。

考慮到實(shí)際情況的多變性，已有研究利用動(dòng)態(tài)幀時(shí)隙算法，該算法可以確保在標(biāo)簽數(shù)量動(dòng)態(tài)變化的情況下系統(tǒng)依舊以最大效率運(yùn)行[6?7]。但是動(dòng)態(tài)幀時(shí)隙算法初始幀的長(zhǎng)度不定，沒(méi)有參考幀長(zhǎng)，當(dāng)出現(xiàn)起始幀長(zhǎng)度與標(biāo)簽總數(shù)相差較大的情況，RFID系統(tǒng)將對(duì)所有標(biāo)簽進(jìn)行識(shí)別，進(jìn)而確定調(diào)整方案。故本文利用天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法來(lái)準(zhǔn)確估計(jì)標(biāo)簽數(shù)量，提高讀取效率，提升系統(tǒng)吞吐率。

1" RFID系統(tǒng)讀取關(guān)系模型研究

RFID系統(tǒng)讀取關(guān)系模型的數(shù)學(xué)分析部分是將密集環(huán)境下的眾多標(biāo)簽與單個(gè)讀寫(xiě)器數(shù)據(jù)交換的過(guò)程轉(zhuǎn)換成數(shù)學(xué)模型。本文的主要目標(biāo)是建立一個(gè)RFID系統(tǒng)讀取關(guān)系模型，在讀寫(xiě)器輸出功率大小以及讀寫(xiě)器和標(biāo)簽之間距離高度限制的條件下，找出一種在多標(biāo)簽情況下讀寫(xiě)的最佳條件。

根據(jù)在自由空間中傳播損耗原理可知，當(dāng)傳播路徑越長(zhǎng)時(shí)，傳播損耗越多，電磁波的信號(hào)傳播影響越小。在讀寫(xiě)器讀取信息過(guò)程中，存在RFID標(biāo)簽密集擺放的情況。在RFID系統(tǒng)中，由讀寫(xiě)器向標(biāo)簽發(fā)送信號(hào)，RFID標(biāo)簽接收該信號(hào)，最后將處理好的數(shù)據(jù)發(fā)送給讀寫(xiě)器。讀寫(xiě)器開(kāi)始發(fā)射出的信號(hào)在經(jīng)過(guò)前向和反向的傳播后，期間損失的能量可能無(wú)法滿足讀寫(xiě)器天線的激勵(lì)要求。通常，通過(guò)讀寫(xiě)器中RSSI信號(hào)值來(lái)作為判斷RFID系統(tǒng)性能的好壞指標(biāo)[8]。電源線RFID標(biāo)簽讀寫(xiě)變量關(guān)系模型如圖1所示。

圖1中各符號(hào)的含義如下：

1） [D1]～[D5]：電源線上捆綁的標(biāo)簽1～5；

2） [U]：讀寫(xiě)器信號(hào)發(fā)射時(shí)距離標(biāo)簽D1的距離；

3） [M]：標(biāo)簽之間縱向的距離；

4） [N]：標(biāo)簽之間橫向的距離；

5） [P]：讀寫(xiě)器輸出功率；

6） [Pj1]：電源線上標(biāo)簽[D1]接收到讀寫(xiě)器發(fā)送的信號(hào)功率；

7） [Pf1]：電源線上標(biāo)簽[D1]返回給讀寫(xiě)器的信號(hào)功率；

8） [Tr]：電源線上標(biāo)簽[D1]返回的信號(hào)輸送給讀寫(xiě)器所在位置的功率；

9） [T'r]：電源線上標(biāo)簽[D4]返回的信號(hào)輸送給讀寫(xiě)器所在位置的功率。

為了使RFID系統(tǒng)讀寫(xiě)能夠達(dá)到最優(yōu)的情況，設(shè)立限定條件來(lái)滿足讀寫(xiě)的需要，即：將RFID標(biāo)簽[D1]返回的信號(hào)輸送給讀寫(xiě)器所在位置的功率[Tr]需要盡可能得大，以此來(lái)保證返回到該位置時(shí)的功率能夠達(dá)到信號(hào)值的最低限度；讀寫(xiě)器輸出信號(hào)的位置距離標(biāo)簽[D1]的距離[U]也要盡可能得短[9?10]。

綜上所述，建立的數(shù)學(xué)模型如下：

目標(biāo)函數(shù)：

[k1=maxTrk2=minU] （1）

式中：[k1]表示電源線上標(biāo)簽[D1]返回的信號(hào)輸送給讀寫(xiě)器所在位置的功率的最大值；[k2]表示讀寫(xiě)器信號(hào)發(fā)射時(shí)距離標(biāo)簽[D1]的距離的最小值。

約束條件：

[s.t.s.t.s.t.Ugt;0" " " " " " " " " Mgt;D1，Ngt;D1Trgt;Tlimit" " " " " " ] （2）

式中[Tlimit]表示電源線工作的標(biāo)簽返回的信號(hào)輸送給讀寫(xiě)器所在位置的臨界值。

將建立的電源線生產(chǎn)過(guò)程RFID系統(tǒng)讀取關(guān)系模型與本文重點(diǎn)研究的改進(jìn)動(dòng)態(tài)幀時(shí)隙算法相結(jié)合，用實(shí)際的生產(chǎn)效果展現(xiàn)RFID系統(tǒng)最佳的讀寫(xiě)性能。

2" 改進(jìn)動(dòng)態(tài)幀時(shí)隙算法優(yōu)化研究

在使用單個(gè)讀寫(xiě)器進(jìn)行讀寫(xiě)多個(gè)標(biāo)簽時(shí)，標(biāo)簽的響應(yīng)會(huì)出現(xiàn)一系列的數(shù)據(jù)碰撞，造成讀取效率低的現(xiàn)象[11]。現(xiàn)在很多改進(jìn)動(dòng)態(tài)幀時(shí)隙算法雖然提高了RFID系統(tǒng)的識(shí)別率，但是一定程度上加重了讀寫(xiě)器的負(fù)擔(dān)，讀取的時(shí)間變久了，算法的復(fù)雜度也變高了。本研究針對(duì)這種現(xiàn)象，提出一種改進(jìn)算法，能夠有效地解決基礎(chǔ)動(dòng)態(tài)幀時(shí)隙算法帶來(lái)的局限性。

2.1" 基于BSO?BP神經(jīng)網(wǎng)絡(luò)模型搭建

在密集環(huán)境中，讀寫(xiě)器會(huì)因?yàn)榻邮諄?lái)自不同方位RFID標(biāo)簽發(fā)射的信號(hào)而造成數(shù)據(jù)紊亂，受到該密集環(huán)境下非線性的影響。目前在對(duì)動(dòng)態(tài)幀時(shí)隙算法的研究中，由于BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力強(qiáng)，這一特性滿足對(duì)動(dòng)態(tài)幀時(shí)隙算法的建模需求[12?13]。選擇合適的參數(shù)是提升BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練精度的關(guān)鍵因素。由于參數(shù)的隨機(jī)性，可能會(huì)限制算法收斂速度并陷入局部最優(yōu)，因此有必要設(shè)計(jì)有效的參數(shù)優(yōu)化策略，以更快地收斂至全局最優(yōu)，從而提高模型的準(zhǔn)確率[12，14]。因此，本文采取利用天牛群搜索算法來(lái)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)（BSO?BP）的算法，其模型建立流程如圖2所示。

模型建立步驟如下：

1） 定義模型結(jié)構(gòu)。該模型結(jié)構(gòu)為3?5?5?1。其中3表示為BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為3個(gè)，分別表示為空閑時(shí)隙數(shù)[n1]、成功讀取到標(biāo)簽時(shí)的時(shí)隙數(shù)[n2]、碰撞時(shí)隙數(shù)[n3]；5為隱含層神經(jīng)元個(gè)數(shù)，共有2個(gè)隱藏層；1表示為輸出層的神經(jīng)元個(gè)數(shù)，表示估計(jì)標(biāo)簽的數(shù)量[ne]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

2） 設(shè)置感知因子[mt]。通過(guò)設(shè)定足夠大的初始步長(zhǎng)[mt]來(lái)控制天牛的搜索區(qū)域，以免陷入局部最優(yōu)。在學(xué)習(xí)天牛群最優(yōu)時(shí)，采取定向?qū)W習(xí)策略。感知因子[mt]公式如下：

[mt=Mmax-Mmax-Mmingt-gtmingtmax-gtavgMmax，" gt≥gtavgmt=Mmax，" gtlt;gtavg] （3）

式中：[gt]、[gtmin]、[gtmax]和[gtavg]分別表示經(jīng)過(guò)[t]次迭代后天牛單個(gè)個(gè)體的適應(yīng)度、天牛群體的最小適應(yīng)度、天牛群體的最大適應(yīng)度以及天牛群體平均適應(yīng)度。

3） 適應(yīng)度函數(shù)的確認(rèn)。測(cè)試數(shù)據(jù)的誤差和適應(yīng)度評(píng)價(jià)函數(shù)兩者將被用來(lái)促進(jìn)空間區(qū)域的搜索能力。適應(yīng)度函數(shù)如公式（4）所示：

[fit=i=1NRi-R'i] （4）

式中：[N]代表訓(xùn)練所需的樣本數(shù)量；[Ri]為第[i]個(gè)樣本的輸出值；[R'i]為第[i]個(gè)樣本的實(shí)際值。

4） 初始化天牛群。使用Tent映射創(chuàng)建良好的初始天牛群，并為每只天牛分配隨機(jī)向量。

5） 評(píng)估。根據(jù)公式（4）來(lái)計(jì)算初始位置的適應(yīng)度函數(shù)值。

6） 更新天牛位置。

7） 更新解。利用已知天牛個(gè)體的位置坐標(biāo)，通過(guò)算法計(jì)算公式得到天牛個(gè)體適應(yīng)度[gt]與天牛群體的平均適應(yīng)度[gtavg]。根據(jù)公式（3）和公式（5）更新單個(gè)天牛的位置，并調(diào)整和更新BP神經(jīng)網(wǎng)絡(luò)的閾值與權(quán)值，以計(jì)算當(dāng)前坐標(biāo)下的適應(yīng)度函數(shù)值，實(shí)現(xiàn)解的更新。

[Yt+1=Yt-mtsignfYtsr-fYtslX+dtδYszbest-Yst] （5）

式中：[mt]表示感知因子；[signfYtsr-fYtslX]表示感知方向，在經(jīng)過(guò)[t]次迭代的氣味濃度基礎(chǔ)上，若左須的適應(yīng)度值大于右須，[sign·]取1，天牛往左須方向移動(dòng)，反之，則相反；[dtδYszbest -Yst]表示學(xué)習(xí)策略，[dt]表示學(xué)習(xí)因子，[Yszbest]表示天牛群中表現(xiàn)效果最好的個(gè)體，[ δ]為服從（0，1）隨機(jī)分布的隨機(jī)值，[Yszbest-Yst]表示在經(jīng)過(guò)[s]次迭代中，比較天牛群體最優(yōu)個(gè)體和單個(gè)天牛個(gè)體，以便考慮天牛群體最優(yōu)個(gè)體對(duì)單個(gè)天牛個(gè)體的指導(dǎo)作用。

8） 控制迭代更新。確定滿足下述條件時(shí)，執(zhí)行步驟9）：適應(yīng)度函數(shù)值達(dá)到設(shè)定精度（0.02）和最大迭代次數(shù)（20 000），否則，返回步驟6）。

9） 生成最優(yōu)解。當(dāng)算法迭代完成時(shí)且適應(yīng)度函數(shù)值達(dá)到設(shè)定的精度0.02或迭代次數(shù)達(dá)到20 000代時(shí)，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練將得到最優(yōu)初始權(quán)值和閾值，并將其輸入至BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行二次訓(xùn)練，最終輸出標(biāo)簽預(yù)測(cè)模型[MN]。

2.2" 估計(jì)剩余標(biāo)簽數(shù)

每輪讀寫(xiě)器檢測(cè)到的空閑時(shí)隙數(shù)[n1]、成功時(shí)隙數(shù)[n2]、碰撞時(shí)隙數(shù)[n3]和估計(jì)剩余標(biāo)簽[ne]，兩者本質(zhì)上是一種函數(shù)關(guān)系[F]，如式（6）所示，可以用來(lái)表示在某一時(shí)刻，標(biāo)簽的重新分布狀態(tài)和新的估計(jì)值之間的關(guān)系。

[ne=Fn1，n2，n3] （6）

使用改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模擬目標(biāo)函數(shù)，通過(guò)執(zhí)行一個(gè)復(fù)雜的離線訓(xùn)練過(guò)程，可以獲得準(zhǔn)確的模型，并使用一個(gè)簡(jiǎn)單的向前計(jì)算過(guò)程來(lái)估計(jì)剩余標(biāo)簽的數(shù)量，從而實(shí)現(xiàn)對(duì)目標(biāo)函數(shù)的預(yù)測(cè)。整體的標(biāo)簽估計(jì)算法流程如圖4所示。

通過(guò)將動(dòng)態(tài)幀時(shí)隙得到的時(shí)隙數(shù)代入本節(jié)得出的BSO?BP模型實(shí)現(xiàn)標(biāo)簽數(shù)估計(jì)，具體流程如下：

1） 利用式（7）～式（10）計(jì)算出不同待讀取標(biāo)簽數(shù)[n]處于不同幀長(zhǎng)[N]（假設(shè)待讀取標(biāo)簽數(shù)[n∈0，1，2，…，5N]）時(shí)期的時(shí)隙空閑數(shù)[n1]、成功讀取數(shù)[n2]、碰撞數(shù)[n3]、估計(jì)剩余標(biāo)簽數(shù)[ne]。

[n1=nP1] （7）

[n2=nP2] （8）

[n3=nP3] （9）

[ne=n-n2]" " " （10）

式中：空閑時(shí)隙概率為[P1]；成功時(shí)隙概率為[P2]；碰撞時(shí)隙概率為[P3]。[n1]、[n2]、[n3]組成數(shù)據(jù)集[TN=nen1，n2，n3]。

2） 每個(gè)幀長(zhǎng)度對(duì)應(yīng)的[TN]數(shù)據(jù)集分別輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，網(wǎng)絡(luò)指標(biāo)收斂后，得到相應(yīng)幀長(zhǎng)為[N]的網(wǎng)絡(luò)模型[MN]。

3） 把讀寫(xiě)器每輪的閱讀周期檢測(cè)到的實(shí)際空閑時(shí)隙數(shù)、成功時(shí)隙數(shù)、碰撞時(shí)隙數(shù)（n1、n2、n3）輸入相應(yīng)的網(wǎng)絡(luò)模型[MN]，最終輸出估計(jì)剩余標(biāo)簽數(shù)[ne]，閱讀器根據(jù)表1調(diào)整下一次讀寫(xiě)周期幀長(zhǎng)。

3" 仿真及性能分析

3.1" 仿真實(shí)驗(yàn)設(shè)計(jì)

本節(jié)通過(guò)將改進(jìn)后的BSO算法應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)來(lái)優(yōu)化閾值和權(quán)值，提升BP神經(jīng)網(wǎng)絡(luò)對(duì)RFID標(biāo)簽的估計(jì)運(yùn)算能力，并且可以減少讀取標(biāo)簽的時(shí)間消耗，同時(shí)也保證了標(biāo)簽估計(jì)性能的精密度。實(shí)驗(yàn)階段對(duì)BP、BSO?BP和傳統(tǒng)的Vogt[15]結(jié)合動(dòng)態(tài)幀時(shí)隙算法進(jìn)行了比較。

假設(shè)幀長(zhǎng)為[F]，待識(shí)別標(biāo)簽數(shù)目為[n]，則任意一個(gè)時(shí)隙中同時(shí)存在[x]個(gè)標(biāo)簽響應(yīng)閱讀器的概率如式（11）所示：

[Bn，1Fx=nx1Fx1-1Fn-x] （11）

通過(guò)式（11）可以得出空閑時(shí)隙概率[Pi]、成功時(shí)隙概率[Ps]和碰撞時(shí)隙概率[Pc]，如下：

[Pi=1-1Fn] （12）

[Ps=nF1-1Fn-1] （13）

[Pc=1-Ps-Pi] （14）

一幀結(jié)束后產(chǎn)生的各種時(shí)隙數(shù)估計(jì)值[si]、[ss]和[sc]如下：

[si=FPi=F1-1Fn] （15）

[ss=FPs=n1-1Fn-1] （16）

[sc=F-si-ss] （17）

3.2" 性能分析

3.2.1" 數(shù)據(jù)預(yù)處理

使用Matlab 2019作為實(shí)驗(yàn)的仿真平臺(tái)，對(duì)本節(jié)中改進(jìn)的RFID標(biāo)簽數(shù)量估計(jì)算法進(jìn)行仿真驗(yàn)證，并將其與BP神經(jīng)網(wǎng)絡(luò)以及基于Vogt估計(jì)算法的動(dòng)態(tài)幀時(shí)隙算法進(jìn)行比較。

數(shù)據(jù)預(yù)處理階段，將數(shù)據(jù)進(jìn)行歸一化、數(shù)據(jù)洗牌以及選擇8折的交叉驗(yàn)證處理操作，將學(xué)習(xí)率設(shè)置為0.02，最大迭代數(shù)設(shè)置為20 000，激活函數(shù)采用softsign函數(shù)，該函數(shù)隨著定義域取值的變大，其函數(shù)圖像不斷趨近于1，而隨著定義域的縮小，函數(shù)圖像逐步趨近于-1。函數(shù)圖像在靠近定義域中心0時(shí)速度變快，但是分散到兩端相對(duì)平滑。圖5展示了softsign（x）函數(shù)與tanh（x）函數(shù)的對(duì)比圖像。從圖中可以看出，由于softsign（x）函數(shù)在原點(diǎn)附近的平滑性，它在梯度下降過(guò)程中提供了更穩(wěn)定的性能，這有助于避免在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)出現(xiàn)的梯度消失問(wèn)題。這種特性使得softsign（x）函數(shù)在本應(yīng)用場(chǎng)景下優(yōu)于tanh（x）函數(shù)，尤其是在處理極端輸入值時(shí)。同時(shí)，損失函數(shù)采用均方誤差（MSE）函數(shù)。

訓(xùn)練結(jié)果如圖6所示。當(dāng)?shù)螖?shù)為100次時(shí)，最后的損失值即均方誤差為0.005 2。

3.2.2" 算法效率分析

常用評(píng)價(jià)標(biāo)簽閱讀效率的指標(biāo)一般為以下兩種：一是系統(tǒng)吞吐率；二是消耗時(shí)隙數(shù)。在動(dòng)態(tài)幀時(shí)隙算法中，系統(tǒng)吞吐率定義為：在一次讀取中，成功識(shí)別的標(biāo)簽數(shù)與總共消耗時(shí)隙數(shù)的比值。仿真實(shí)驗(yàn)中將初始幀長(zhǎng)固定為128，系統(tǒng)吞吐率對(duì)比結(jié)果如圖7所示。經(jīng)過(guò)天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)后的吞吐率穩(wěn)定在0.35左右，效果明顯優(yōu)于未經(jīng)過(guò)天牛群改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)Vogt算法。

另外一種衡量指標(biāo)是系統(tǒng)在一次閱讀過(guò)程中消耗的總時(shí)隙數(shù)。消耗的總時(shí)隙數(shù)越少，表明對(duì)剩余標(biāo)簽數(shù)量估計(jì)越準(zhǔn)確。三種算法消耗時(shí)隙數(shù)的對(duì)比結(jié)果如圖8所示。經(jīng)過(guò)天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)后的動(dòng)態(tài)幀時(shí)隙算法消耗的時(shí)隙數(shù)明顯少于未經(jīng)過(guò)天牛群改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)Vogt算法消耗的時(shí)隙數(shù)。

3.2.3" 時(shí)間消耗分析

因?yàn)楸疚母倪M(jìn)的算法復(fù)雜程度不同，每次讀取的系統(tǒng)消耗時(shí)間也會(huì)有不同。本文提出的基于天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的標(biāo)簽估計(jì)算法在實(shí)際讀取過(guò)程中，網(wǎng)絡(luò)的前向計(jì)算只是計(jì)算了復(fù)雜度較低的矩陣乘法，同時(shí)使用了softsign激活函數(shù)，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)以及Vogt算法相比較，大大降低了算法的復(fù)雜度。

在實(shí)驗(yàn)中，進(jìn)行了15 000次的讀取，統(tǒng)計(jì)匯總?cè)N算法的總消耗時(shí)間，對(duì)比結(jié)果如表2所示。

從表2可以得出，經(jīng)過(guò)天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)后的動(dòng)態(tài)幀時(shí)隙算法相較于Vogt與BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法消耗的時(shí)間明顯少很多，效果更好。因此，本文提出的基于天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法在效率上比傳統(tǒng)的方法高很多，系統(tǒng)吞吐率及消耗時(shí)隙數(shù)等指標(biāo)也更好，在消耗時(shí)隙數(shù)上的情況下能夠達(dá)到更高的吞吐率，更加準(zhǔn)確地預(yù)估標(biāo)簽數(shù)目、幀長(zhǎng)，從而提高整個(gè)讀取系統(tǒng)的效率。

3.3" 系統(tǒng)驗(yàn)證

針對(duì)密集環(huán)境下電源線RFID標(biāo)簽信息讀取能力，在實(shí)際生產(chǎn)中進(jìn)行了驗(yàn)證。本次驗(yàn)證以車間一周內(nèi)加入基于天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法前后的讀寫(xiě)器對(duì)電源線讀取數(shù)量設(shè)置為驗(yàn)證對(duì)象，以某一周的電源線綁定的標(biāo)簽數(shù)量以及漏讀數(shù)量作為評(píng)價(jià)指標(biāo)，以此來(lái)判斷本次改進(jìn)對(duì)企業(yè)實(shí)際生產(chǎn)過(guò)程的能力提升效果，直觀地展現(xiàn)數(shù)據(jù)讀寫(xiě)的準(zhǔn)確性與系統(tǒng)的效率。基于改進(jìn)前后的手持端RFID讀寫(xiě)軟件讀取RFID標(biāo)簽數(shù)量的統(tǒng)計(jì)結(jié)果如表3和表4所示。

結(jié)合上述本文研究算法的改進(jìn)前后讀寫(xiě)器漏讀的情況進(jìn)行統(tǒng)計(jì)分析，第二車間一周內(nèi)電源線標(biāo)簽漏讀數(shù)量如圖9所示。

由圖9分析可得，使用天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法，標(biāo)簽平均漏讀數(shù)量一周內(nèi)由原先的128個(gè)減少至目前的3個(gè)，漏讀率減少了97.65%?？梢宰C明該算法有效地改善了標(biāo)簽碰撞的情況。在數(shù)據(jù)的準(zhǔn)確讀寫(xiě)方面有了很大的提升，讀取準(zhǔn)確率由未改進(jìn)算法前的90%左右的水平到加入天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法后99%左右的水平，提高了近10%，整個(gè)系統(tǒng)效率由此提高。

4" 結(jié)" 語(yǔ)

本文以密集環(huán)境下電源線RFID標(biāo)簽信息讀寫(xiě)方法為研究對(duì)象，對(duì)RFID標(biāo)簽數(shù)量進(jìn)行更準(zhǔn)確的估計(jì)。通過(guò)Matlab進(jìn)行了模擬仿真實(shí)驗(yàn)，實(shí)驗(yàn)證明隨著標(biāo)簽數(shù)目的不斷增加，算法的吞吐率穩(wěn)定在0.35的水平，相對(duì)于之前的算法有了很大的提升，并且具有消耗時(shí)隙數(shù)少、消耗時(shí)間少、效率高的優(yōu)點(diǎn)，有效解決了原有網(wǎng)絡(luò)訓(xùn)練測(cè)試穩(wěn)定性差、容易陷入局部最優(yōu)的問(wèn)題。在實(shí)際應(yīng)用中，以一周讀取標(biāo)簽數(shù)量為例，標(biāo)簽漏讀率減少了97.65%，該算法有效地改善了標(biāo)簽碰撞的情況。在數(shù)據(jù)的準(zhǔn)確讀寫(xiě)方面也有了很大的提升，由未改進(jìn)算法前的90%左右的水平到加入天牛群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙算法后99%左右的水平，讀取準(zhǔn)確率提高了近10%，整個(gè)系統(tǒng)效率由此得到提高。

注：本文通訊作者為洪濤。

參考文獻(xiàn)

[1] 魏圣坤，張遠(yuǎn)輝.用于復(fù)雜機(jī)床車間環(huán)境下的多參數(shù)RFID傳感器設(shè)計(jì)[J].機(jī)床與液壓，2023，51（18）：168?172.

[2] 燕怒，李達(dá)，韓冬桂，等.密集環(huán)境下無(wú)源超高頻系統(tǒng)RFID標(biāo)簽識(shí)別性能研究[J].現(xiàn)代電子技術(shù)，2019，42（14）：18?21.

[3] 周偉輝，蔣年德.智能包裝中的RFID標(biāo)簽防碰撞算法研究[J].包裝工程，2018（21）：11?16.

[4] GOLSORKHTABARAMIRI M， TAHMASBI M， ANSARI S. A distributed mobile reader collision avoidance protocol for dense RFID networks [J]. Wireless personal communications， 2022， 6（1）： 1?17.

[5] SU Z， WAN C， HE G， et al. NIAP： a neighbor information based multichannel RFID reader anti?collision protocol [C]// 2022 7th International Conferenceon Intelligent Information Technology. Foshan： IEEE， 2022： 70?76.

[6] 陳紅琳.RFID系統(tǒng)防碰撞算法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2016，26（10）：108?112.

[7] 吳凡.UHFRFID標(biāo)簽防碰撞算法分析與研究[D].南京：南京郵電大學(xué)，2019.

[8] 何勇，郭政鑫，桂林卿，等.基于RSSI序列特性的RFID多標(biāo)簽相對(duì)定位方法[J].計(jì)算機(jī)科學(xué)，2023，50（11）：296?305.

[9] 李文峰.物聯(lián)網(wǎng)感知層關(guān)鍵技術(shù)研究[D].成都：電子科技大學(xué)，2017.

[10] 姚金玲，劉婕，閆雪鋒.食品質(zhì)量追溯中RFID多標(biāo)簽識(shí)別防碰撞算法[J].食品與機(jī)械，2021，37（6）：97?101.

[11] 陳祥營(yíng)，朱正偉.基于RFID系統(tǒng)的防碰撞算法研究與改進(jìn)[J].電子測(cè)量技術(shù)，2021，44（11）：84?89.

[12] 明東岳，王尚鵬，雷鳴，等.結(jié)合BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)幀時(shí)隙ALOHA改進(jìn)算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2021，42（9）：1920?1923.

[13] 張軍翠，王立成.基于天牛須搜索優(yōu)化支持向量機(jī)液壓泵故障診斷[J].噪聲與振動(dòng)控制，2022，42（3）：105?109.

[14] HE F， ZHANG L. Mold breakout prediction in slab continuous casting based on combined method of GA?BP neural network and logic rules [J]. International journal of advanced manufacturing technology， 2018， 95（9/12）： 4081?4089.

[15] 董軒江，李世寶，蔡麗萍，等.基于分組映射的防碰撞查詢樹(shù)算法[J].計(jì)算機(jī)工程，2020，46（8）：184?189.

作者簡(jiǎn)介：王思源（1997—），男，浙江杭州人，碩士，研究方向?yàn)榛赗FID的質(zhì)量追溯方法。

洪" 濤（1970—），男，陜西安康人，正高級(jí)工程師，碩士生導(dǎo)師，研究方向?yàn)镽FID質(zhì)量追溯系統(tǒng)。

姜逸璇（1998—），女，浙江建德人，碩士，研究方向?yàn)镽FID標(biāo)簽天線結(jié)構(gòu)優(yōu)化。