丁建立，韓宇超，王家亮

(1.中國民航大學 計算機科學與技術學院，天津 300300； 2.天津市智能信號與圖像處理重點實驗室(中國民航大學)，天津 300300)(*通信作者電子郵箱hyccauc2015@163.com)

基于粗精二次估計的RFID標簽數(shù)目估算方法

丁建立1,2，韓宇超1*，王家亮1

(1.中國民航大學 計算機科學與技術學院，天津 300300； 2.天津市智能信號與圖像處理重點實驗室(中國民航大學)，天津 300300)(*通信作者電子郵箱hyccauc2015@163.com)

為了解決航空物聯(lián)網信息采集領域RFID標簽估算方法存在的估算精度和運算量之間的矛盾，以及標簽讀取過程隨機性所導致的估算方法性能不穩(wěn)定的問題,結合粗估計的快速、精估計的準確和二次估計算法性能的穩(wěn)定性，提出一種基于粗精二次估計的RFID標簽數(shù)目估算方法。首先,對幀時隙ALOHA算法標簽讀取過程進行建模，分析得出碰撞時隙中的平均標簽數(shù)目和碰撞時隙所占比例之間的數(shù)學模型;然后，基于上述數(shù)學模型進行標簽數(shù)目粗估計，評估粗估計值是否需要進行二次精估計。在二次精估計中，將粗估計值作為先驗知識，采用基于先驗知識的最大后驗概率(MAP)估計算法提高估算準確度，相比原始后驗概率估計算法的搜索范圍可減少90%。仿真實驗表明，基于粗精估計的RFID標簽數(shù)目估算平均誤差為3.8%，估算方法性能穩(wěn)定性顯著提高，運算量大幅下降，可有效地應用于航空物聯(lián)網信息采集過程。

射頻識別防碰撞算法；粗精二次估計；標簽數(shù)估計；最大后驗概率估計；建模分析

國內航空貨運過程中的數(shù)據(jù)采集與關鍵環(huán)節(jié)的貨物識別和跟蹤等工作主要是通過人工方式來完成，由于在流程上人為因素較多，導致貨物流通時間長，貨損率相對較高。隨著航空物流貨運量的快速增加，使得人為因素所造成的貨物處理效率低下問題更加突出。因此，航空物流產業(yè)急需信息化建設。

目前，射頻識別(Radio Frequency Identification, RFID)技術[1]被廣泛應用于現(xiàn)代物流產業(yè)中，如倉庫管理、資產管理、貨物定位追蹤等。與人工方式相比，RFID技術在進行信息采集與貨物識別和跟蹤時更加準確與快速。但在實際應用場景中大多數(shù)RFID標簽無源且不具有載波監(jiān)聽能力，當閱讀器閱讀范圍內同時存在多個標簽時，若多個標簽同時響應閱讀器指令，會出現(xiàn)信號沖突，閱讀器就不能準確識別出所有標簽，這就是標簽碰撞。多標簽碰撞是影響RFID系統(tǒng)識別效率的主要原因之一。解決這個問題的算法稱為標簽防碰撞算法，而對標簽數(shù)的準確估計是提高標簽防碰撞算法效率的重要環(huán)節(jié)。

為了提高RFID標簽防碰撞算法的效率，本文提出一種基于粗精二次估計的RFID標簽數(shù)目估算方法。對多標簽碰撞過程進行建模，構建了更具適應能力的標簽估計解析式，在此基礎上，與基于先驗知識的最大后驗概率估計方法結合，改善了標簽估計準確性與復雜度之間的矛盾，在確保估計準確性與估計穩(wěn)定性的前提下顯著降低了估計的復雜度。

1 相關工作

RFID防碰撞算法主要分為基于ALOHA(Aloha protocol)的防碰撞算法[2-4]和基于樹的防碰撞算法[5-6]兩大類?；贏LOHA的防碰撞算法當前研究熱點為動態(tài)幀時隙ALOHA算法，在原幀時隙ALOHA算法的基礎上，通過利用標簽數(shù)估計值動態(tài)調整幀長，提高了標簽識別效率。基于樹的防碰撞算法中，根節(jié)點表示最先發(fā)生碰撞的標簽集合，隨后閱讀器不斷分裂碰撞標簽集合，構成一系列子集，直到每個子集中只有一個電子標簽，閱讀器完成對標簽的識別。此類算法中由未識別的標簽數(shù)量來確定碰撞標簽集合分裂的數(shù)量，估計標簽數(shù)量可以使集合分裂數(shù)量更合理，提高算法的時隙利用率。但閱讀器識別區(qū)域標簽數(shù)量通常是未知的，所以準確估計標簽數(shù)量，有利于提高標簽防碰撞算法的效率。

現(xiàn)有的標簽估計算法主要分為解析式估計算法[7-9]和區(qū)間搜索估計算法[10-12]兩類。解析式估計算法包括Low Bound估計算法、Schoute估計算法、基于空閑時隙估計算法等；區(qū)間搜索估計算法包括基于切比雪夫不等式估計算法和最大后驗概率估計算法等。

Low Bound估計算法基于每個碰撞時隙中至少存在2個標簽的原理，得出待估計標簽數(shù)目的最低估計值Ntag：

Ntag=S+2C

(1)

其中：S為識別時隙數(shù)量，C為碰撞時隙數(shù)量。在標簽規(guī)模小于50時，Low Bound算法估計效率很高。但隨著標簽規(guī)模的增大，算法誤差增長率也隨之增大，所以Low Bound算法不能適應大規(guī)模標簽估計。Schoute估計算法假設閱讀過程中標簽選擇某一時隙的概率服從泊松分布，基于此假設得出每個碰撞時隙中平均包含的標簽數(shù)目為2.39個，進而可以得出未識別標簽的數(shù)目為2.39C，其中C為碰撞時隙的數(shù)量。此算法的估計準確率優(yōu)于Low Bound算法，但標簽選擇時隙的概率并不嚴格服從泊松分布，這就造成算法效率的不穩(wěn)定，同時在標簽規(guī)模過大的情況下也不適用?；诳臻e時隙估計算法主要思想是根據(jù)一幀中空閑時隙的理論期望值與實驗中統(tǒng)計得出的空閑時隙數(shù)值的關系進行標簽數(shù)量的估計。文獻[7]中提出的Adaptive Slotted ALOHA Protocol標簽估計算法與文獻[8]中提出的Fast Zero Estimation算法都是基于空閑時隙的標簽估計算法。但隨著標簽規(guī)模的增大，幀長度卻不能一直增大，一個時隙為空閑時隙的概率會越來越小，因此基于空閑時隙的估計算法準確度也會下降。

基于切比雪夫不等式的估計算法由H．Vogt提出，利用空閑時隙、識別時隙、碰撞時隙的統(tǒng)計量與理論期望值的距離進行標簽數(shù)量估計。搜索使得該距離取得最小值的理論期望值并確定其所對應的標簽數(shù)量Ntag。定義兩個空間向量(NE,NS,NC)、(N0(L,n),N1(L,n),Nx(L,n))分別代表時隙統(tǒng)計值與時隙理論期望值。其中NE、NS、NC分別為空閑時隙、識別時隙、碰撞時隙的統(tǒng)計量；N0(L,n),N1(L,n),Nx(L,n)分別代表幀長為L，標簽數(shù)量為n時空閑時隙、識別時隙、碰撞時隙的理論期望值，則Ntag為：

(2)

切比雪夫估計算法相比于Low Bound和Schoute具有更高的估計準確率，但是估計過程中運算量過大，不適合性能有限的嵌入式系統(tǒng)。文獻[11]提出的基于最大后驗概率的估計算法，不同于其他基于各時隙分布期望值的估計算法，此算法將最大后驗概率準則應用到標簽數(shù)量估計中，提高了估計的精度。但因為估計過程中搜索范圍太大需要進行多次的運算，同樣存在估計運算量過大的問題。

上述的估計算法雖然有各自的優(yōu)勢，但都存在一定的問題。解析式估計算法由于方法關系式固定，難以適應標簽數(shù)動態(tài)變化較大、標簽數(shù)量較多等場景。區(qū)間搜索估計算法實現(xiàn)復雜、計算量大，難以在性能較差的嵌入式設備中使用。

2 粗精標簽估計算法

2.1 粗精標簽估計算法流程

粗精標簽估計算法結合粗估計的快速、精估計的準確和二次估計算法性能的穩(wěn)定性，使得估計算法效率更高，適應場景更廣。圖1為算法的流程。

圖1 粗精二次標簽估計流程

基于粗精二次估計的RFID標簽估計算法主要分為三部分：標簽的粗估計、評估粗估計值的可信度、標簽的精估計。首先初始幀長為L，進行一次讀取后統(tǒng)計該讀取周期內的反饋信息：空閑時隙數(shù)E、識別時隙數(shù)S、碰撞時隙數(shù)C。利用這些反饋信息計算碰撞時隙所占總時隙的比例Bc=C/L。根據(jù)建模分析得出的Bc與每個碰撞時隙中平均標簽數(shù)nu的關系構建出的解析式粗估計算法的表達式來計算第一次標簽估計值Nr。粗估計之后需要對估計值Nr進行評估，評估標準由統(tǒng)計分析大量實驗中讀取周期內空閑時隙的比例范圍得出，可隨應用場景調整。若粗估計值滿足評估要求，則對標簽的估計完成。反之，需要進行二次精估計。精估計采用基于先驗知識的最大后驗概率估計算法。設定粗估計值Nr為二次精估計搜索的起點，通過一次后驗概率的計算來確定搜索的方向，然后按照確定的起點與方向進行最大后驗概率搜索，當滿足搜索停止條件時停止搜索，并輸出當前的標簽估計值。

2.2 解析式粗估計

解析式粗估計的數(shù)學模型定義如下：設閱讀器使用幀長度L，對N個標簽進行讀取，則選擇同一時隙的標簽數(shù)量為r，概率為P=1/L的二項分布。

(3)

可以得出空閑時隙概率Pe、碰撞時隙概率Pc、識別時隙概率Ps。

Pe=B(r=0)=(1-p)N

(4)

Ps=B(r=1)=Np(1-p)N-1

(5)

Pc=B(r=x)=1-Pe-Ps

(6)

一次讀取后統(tǒng)計出一幀中空閑時隙數(shù)為E、碰撞時隙數(shù)為C、識別時隙數(shù)為S，且E+S+C=L。

以此數(shù)學模型為基礎有幾種解析式估計方法。Low Bound估計算法與Schoute估計算法都是在假設每個碰撞時隙中的標簽數(shù)量的基礎上進行標簽的估計，而每個碰撞時隙中標簽的數(shù)量為固定的值，并不能隨標簽規(guī)模的增大而變化，所以隨著標簽規(guī)模增大估計誤差也會大幅增加。空閑時隙標簽估計算法優(yōu)于以上兩種估計算法的原因是可以根據(jù)空閑時隙所占比例的變化動態(tài)地估計標簽的數(shù)量。如圖2所示空閑時隙的比例在N/L大于2.5時變化趨于平緩，標簽數(shù)量的增加已經不能通過空閑時隙的比例得到體現(xiàn)，所以空閑時隙標簽估計算法已經不再適用。根據(jù)這個思路觀察圖2可以看出。

圖2 三種時隙的比例與N/L的關系

碰撞時隙所占比例Bc隨N/L增加呈現(xiàn)單調變化，同時更加接近線性變化。所以用Bc來估計標簽數(shù)量效果會更好。由于估計算法初始幀長固定，所以估計算法應不受不同幀長的影響。經過建模分析得出每個碰撞時隙中平均標簽數(shù)nu與碰撞時隙的比例Bc的關系不受幀長度影響。

圖3是幀長L分別為128、256、512，標簽數(shù)從100～1 000的條件下，進行10 000次實驗統(tǒng)計所得。由圖2可知，N/L小于2時，Bc小于0.6，N/L小于4時，Bc小于0.9。圖3中點的分布與此一致，可以看出：同等標簽數(shù)量在不同幀長條件下nu與Bc的關系穩(wěn)定；當Bc變化時，nu的變化呈現(xiàn)一定的規(guī)律性。按照nu的變化率可劃分成三個階段，對三個階段分別進行函數(shù)擬合。

圖3 不同幀長下nu與Bc關系

圖4為nu與Bc的分段擬合圖，獲得三段擬合曲線的數(shù)學表達式：

(7)

根據(jù)擬合曲線的數(shù)學表達式，閱讀器在一次搜索后依據(jù)反饋信息可以簡單地獲取nu的值，進而得出標簽數(shù)粗估計的結果Nr。

Nr=nu×C+S

(8)

2.3 標簽估計值評價過程與標準

設定評價標準來評價粗估計得到結果的準確性，決定是否需要進行第二次估計。

圖5是不同實驗條件下，一個讀取周期后空閑時隙占總時隙比例分布圖。圖中理論值隨著標簽數(shù)量的變化穩(wěn)定在0.367；實驗數(shù)據(jù)是在最優(yōu)幀長條件下(即L=N)，空閑時隙所占比例的分布；誤差1(模擬標簽估計值大于實際值)為在標簽數(shù)量大于幀長5%的條件下，空閑時隙所占比例的分布；誤差2(模擬標簽估計值小于估計值)為在標簽數(shù)量小于幀長5%的條件下，空閑時隙所占比例的分布。

圖4 Bc與nu分段擬合圖

圖5 空閑時隙所占比例分布

分析圖5可知，當標簽估計誤差超過5%時，空閑時隙所占比例分布與估計準確的情況下的分布有很大不同。在標簽數(shù)量小于200時分布有10%的重合，因為標簽數(shù)量小于200時粗估計的準確度高，所以重合部分影響很小。根據(jù)上述規(guī)律，可以設計基于空閑時隙比例的標簽估計值評價標準。如表1所示，不同的標簽數(shù)量對應著不同的空閑時隙比例范圍。進行標簽估計值評估的過程為：

1)根據(jù)粗估計的標簽數(shù)量初始化閱讀器評估指標。

2)設置幀長L為當前估計值的最優(yōu)幀長。

3)閱讀器進行一次讀取并統(tǒng)計這次讀取周期內的空閑時隙個數(shù)。

4)根據(jù)L計算空閑時隙所占的比例并判斷是否符合評估的標準。

5)若空閑時隙所占比例符合評估標準，粗估計的標簽數(shù)量為可信值；反之，粗估計的標簽數(shù)量不可信，需進行二次精估計。

表1 標簽估計值評價標準

1 000次最優(yōu)幀長條件下的實驗中有大約95%空閑時隙比例在標準比例范圍中，標簽估計值準確的情況下評估準確率為95%。標簽估計值誤差為5%時，2 000次實驗中有9%在標準比例范圍內，且大多都集中在標簽數(shù)量小于200的區(qū)間，若標簽估計誤差合格范圍設為5%，則標簽估計值錯誤的情況下評估的準確率最小為91%。綜上，基于空閑時隙的標簽估計值評估標準對標簽粗估計值的評估準確率可以達到92%。

2.4 基于先驗知識的后驗概率分布標簽精估計

將幀時隙ALOHA防碰撞算法對標簽的一次讀取過程建?？醋骶哂兄貜酮毩嶒灥亩囗椃植?每個實驗為幀中的一個時隙)，其中每個實驗有三個結果：空時隙、識別時隙、碰撞時隙；且每個時隙是空時隙的概率為Pe，是識別時隙的概率為Ps，是碰撞時隙的概率為Pc，約束條件為Pe+Ps+Pc=1。

在幀長L的讀取過程中，空時隙數(shù)量為E，識別時隙數(shù)量為S，碰撞時隙數(shù)量為C，這種情況發(fā)生的概率為P(E,S,C)。

(9)

P(E,S,C)為(Pe+Ps+Pc)L多項式展開的一般項。因此，對于具有幀長度L的讀取周期，當幀中時隙的分布為E個空時隙、S個識別時隙和C個碰撞時隙時，對于標簽數(shù)量n具有后驗概率，如下：

[(1-1/L)n]E[(n/L)(1-1/L)(n-1)]S×

[1-(1-1/L)n-(n/L)(1-1/L)(n-1)]C

(10)

基于后驗概率分布，確定使得概率最大化的標簽數(shù)量n。因此，利用后驗概率估計標簽數(shù)量的決策規(guī)則為：搜索標簽數(shù)量ng=n使得P(n|E,S,C)取得最大值。

在一次讀取周期中，若沒有先驗知識進行標簽數(shù)量ng的搜索則不能確定大致的搜索范圍，而每次搜索計算P(n|E,S,C)的運算量很大。這就導致標簽估計算法的效率很差，甚至在一些計算性能有限的系統(tǒng)中無法應用。

針對這一問題，提出基于解析式粗估計值的后驗概率標簽估計方法。該方法利用解析式估計的結果作為先驗知識，根據(jù)粗估計的值Nr確定搜索的大致范圍，通過結合Nr的大小和解析式估計的特點，決定搜索方向。

根據(jù)圖6所示，后驗概率隨標簽數(shù)量的變化呈正態(tài)分布。在進行后驗概率最優(yōu)搜索時，以粗估計標簽數(shù)量值Nr為開始，根據(jù)解析式估計在不同Nr大小時估計誤差分布情況選擇向前或向后搜索。

圖6 不同標簽數(shù)量下的后驗概率分布

確定搜索結束的不同情況：第一次搜索利用Nr計算出后驗概率P1。根據(jù)確定的方向進行第二次搜索，會出現(xiàn)兩種情況。

1)若第二次搜索的后驗概率P2>P1，繼續(xù)按照此方向搜索，當后驗概率值不再增加時，停止搜索，前一次搜索的n值即為標簽的估計數(shù)。

2)若第二次搜索的后驗概率P2

基于先驗知識的最大后驗概率標簽估計算法工作流程如圖7所示。

圖7 基于先驗知識的最大后驗概率估計算法流程

基于解析式粗估計值的后驗概率標簽估計方法相較于基于后驗概率的標簽估計方法能減少大約90%的搜索范圍，極大地降低了估計算法的運算量，提高了算法的運行效率。

3 算法仿真與分析

為了衡量基于粗精二次估計的RFID標簽數(shù)目估算方法的性能，進行了基于Matlab軟件平臺的仿真測試。與之前的算法進行比較，從估計誤差、穩(wěn)定性和運算量的大小三方面來說明算法的性能。初始幀長設為128，標簽量級為1 000以內。

3.1 估算誤差

估計誤差ε作為評估標簽估計方法準確性的指標，定義如式(11)所示，其中Ns為實際標簽數(shù)，Ng為標簽估計值。

ε=|Ns-Ng|/Ns

(11)

在標簽隨機分布的情況下不同估計方法的誤差如圖8所示，隨著標簽數(shù)量的增加，不同標簽估計方法的誤差率變化趨勢各異。Low Bound估計方法與Schoute估計方法誤差變化趨勢相近，Schoute估計方法在各個階段均優(yōu)于Low Bound估計方法。解析式估計的誤差率隨著標簽數(shù)量的增加呈現(xiàn)出不穩(wěn)定狀態(tài)，估算誤差在標簽數(shù)量小于400時保持在5%以下，但在標簽數(shù)量為500時誤差率卻達到10.33%；之后估算誤差率保持在10%以下，但在標簽數(shù)量為800時誤差率劇增為42.38%。后驗概率標簽估計方法的誤差率隨著標簽數(shù)量的增加變化比較平緩，誤差率保持在5%～10%。基于粗精二次估計的標簽估計算法的誤差率隨標簽數(shù)量增加變化最平緩且誤差率最低，算法的平均誤差率為3.8%。

圖8 不同標簽數(shù)下不同估計方法誤差比較

為了進一步評估不同估計算法的性能，固定標簽數(shù)量，對各個估計算法在不同標簽分布情況下的誤差進行了比較。設定標簽數(shù)量為500，標簽分布分散級別為從1～10，級別1表示標簽整體隨機分布，位置沒有明顯規(guī)律，級別2表示標簽聚集在2個不同位置上，以此類推級別10表示標簽聚集在10個不同位置上。各個估計算法估計誤差如圖9所示。

圖9 不同標簽分布下各個估計方法誤差比較

隨著標簽分布分散程度級別的增加，Low bound估計算法和Schoute估計算法誤差率只有小幅的上升，但誤差率都在40%以上。解析式估計算法的誤差率從級別1到級別5表現(xiàn)平穩(wěn)，保持在10%以下，但在級別5之后有大幅的增加，誤差率在級別10時達到30%。最大后驗概率估計算法的誤差率前期表現(xiàn)與解析式估計算法相近，在級別5之下誤差率保持在9%以下，但之后也出現(xiàn)了小幅的上升，最后誤差率穩(wěn)定在15%左右。粗精二次估計算法的誤差率一直保持在5%以下，在級別7之后有小幅上升，但誤差率一直保持10%以下。在不同標簽分布分散級別下，粗精估計算法平均誤差率為6%。

綜上所述，相較于其他幾種估算方法，粗精二次估計算法在不同標簽數(shù)量和不同標簽分布情況下的平均誤差率都保持最低，所以粗精二次估計算法標簽估計的結果更準確。

3.2 估計穩(wěn)定性

標簽估計是對一個隨機過程進行估計，不可避免地會出現(xiàn)隨機性誤差，估計算法應該具備一定抵抗隨機性誤差的能力，這種能力被稱為估計穩(wěn)定性。定義估計穩(wěn)定性的量化指標α=Kc/Kz，其中Kz為總的實驗次數(shù)，Kc為估計成功的實驗次數(shù)。估計成功定義為誤差率小于5%。量化指標α的數(shù)值越大說明估計算法的穩(wěn)定性越高，通過量化指標α來說明估計算法的穩(wěn)定性。每個估計算法進行10 000次實驗，次數(shù)在不同的標簽數(shù)量下平均分布。

不同標簽估計算法的穩(wěn)定性如圖10所示，隨著標簽數(shù)量的增加，不同估計算法穩(wěn)定性變化各異。Low Bound估計算法和Schoute估計算法的穩(wěn)定性極差，在標簽數(shù)量為100時取得最大值，分別為0.36、0.79，之后穩(wěn)定性急劇下降。解析式估計穩(wěn)定性相較于前兩者有了大幅的提高，但隨著標簽數(shù)量的增加降低幅度太大，在標簽數(shù)大于300時穩(wěn)定性已經在0.6以下，之后穩(wěn)定性總體呈下降趨勢。后驗概率估計穩(wěn)定性在標簽數(shù)量小于400時可以達到0.8以上，同時穩(wěn)定性下降幅度也小于解析式估計。粗精二次估計由于結合了解析式估計與后驗概率估計，具有更強的抵抗隨機性誤差的能力，其穩(wěn)定性表現(xiàn)優(yōu)于其余的估計算法。在標簽數(shù)量小于600時穩(wěn)定性變化幅度平緩保持在0.9以上，之后穩(wěn)定性下降幅度有所增加，但相較于其他估計算法還是具有明顯優(yōu)勢。

圖10 不同估計方法穩(wěn)定性比較

3.3 估計運算量

由于嵌入式設備的性能限制，標簽估計算法在保持估計的準確性與穩(wěn)定性的同時還需控制算法的運算量。

表2所示為不同標簽估計算法的性能指標對比。粗精二次估計算法通過結合解析式估計與后驗概率估計的優(yōu)點，在保證低誤差與高穩(wěn)定性的同時降低算法的運算量。

表2 不同標簽估計算法比較

圖11為不同標簽數(shù)量下各估計算法運算時間的對比結果，Low Bound估計算法、Schoute估計算法與解析式估計算法的計算復雜度為O(1)，算法運行時間不受標簽數(shù)量的影響，隨著標簽數(shù)量的增加，這三種算法的運行時間沒有太大的變化。最大后驗概率估計算法的計算復雜度為O(n2)，隨標簽數(shù)量的增加，算法的運行時間急劇增加。粗精二次估計算法的計算復雜度約為O(n)，隨標簽數(shù)量增加，算法的運算時間的增加趨勢大致呈線性。對比最大后驗概率估計算法，粗精二次估計算法的運行時間降低約90%。

圖11 不同標簽估計算法的運行時間對比

4 結語

通過對RFID標簽讀寫過程的建模分析，針對現(xiàn)有標簽估計算法存在的估計準確性與算法復雜性之間的矛盾，本文提出基于粗精二次估計的RFID標簽數(shù)目估算方法。通過仿真實驗，該方法比其他幾種標簽估計算法具有較低的平均誤差率，減少了標簽識別過程中的運算量。利用粗精二次估計使得算法對標簽估計過程中的隨機誤差具有更強的抵抗能力，算法的穩(wěn)定性優(yōu)于其他幾種標簽估計算法。在解決了估計準確性與運算量之間的矛盾的同時，其高穩(wěn)定性使得算法適用于計算性能有限的場景，有利于提高標簽防碰撞算法的效率。

References)

[1] WANT R. An introduction to RFID technology [J]. IEEE Pervasive Computing, 2006, 5(1): 25-33.

[2] HE Y, WANG X. An ALOHA-based improved anti-collision algorithm for RFID systems [J]. IEEE Wireless Communications, 2013, 20(5): 152-158.

[3] 王勇,唐小虎,張莉涓.RFID系統(tǒng)中停留標簽的組策略防碰撞算法[J].電子與信息學報,2016,38(3):594-599.(WANG Y, TANG X H, ZHANG L J. Group strategy for remaining tags in anti-collision algorithm for RFID system [J]. Journal of Electronics & Information Technology, 2016, 38(3): 594-599.)

[4] 潘雪峰,曹加恒.一種改進的動態(tài)幀時隙ALOHA算法[J].微電子學與計算機,2016,33(6):95-99.(PAN X F, CAO J H. An improved dynamic frame slotted ALOHA algorithm [J]. Microelectronics & Computer, 2016, 33(6): 95-99.)

[5] 丁治國,朱學永,雷迎科,等.基于啟發(fā)式函數(shù)的多叉樹防碰撞算法[J].計算機應用,2012,32(3):665-668.(DING Z G, ZHU X Y, LEI Y K, et al. Multi-tree anti-collision algorithm based on heuristic function [J]. Journal of Computer Applications, 2012, 32(3): 665-668.)

[6] SHAO M, JIN X, JIN L. An improved dynamic adaptive multi-tree search anti-collision algorithm based on RFID [C]// Proceedings of the 2014 International Conference on Data Science and Advanced Analytics. Piscataway, NJ: IEEE, 2014: 72-75.

[7] KHANDELWAL G, YENER A, LEE K, et al. ASAP : a MAC protocol for dense and time constrained RFID systems [C]// Proceedings of the 2006 IEEE International Conference on Communications. Piscataway, NJ: IEEE, 2006: 4028-4033.

[8] CUI Y, ZHAO Y. A fast zero estimation scheme for RFID systems [J]. Computer Communications, 2010, 33(11): 1318-1324.

[9] XU Y, CHEN Y. An improved dynamic framed slotted ALOHA anti-collision algorithm based on estimation method for RFID systems [C]// Proceedings of the 2015 IEEE International Conference on RFID. Piscataway, NJ: IEEE, 2015: 1-8.

[10] 李萌,錢志鴻,張旭,等.基于時隙預測的RFID防碰撞ALOHA算法[J].通信學報,2011,32(12):43-50.(LI M, QIAN Z H, ZHANG X, et al. Slot-predicting based ALOHA algorithm for RFID anti-collision [J]. Journal on Communications, 2011, 32(12): 43-50.)

[11] CHEN W T. An accurate tag estimate method for improving the performance of an RFID anticollision algorithm based on dynamic frame length ALOHA [J]. IEEE Transactions on Automation Science and Engineering, 2009, 6(1): 9-15.

[12] AHMED H A, SALAH H, ROBERT J, et al. An efficient RFID tag estimation method using biased Chebyshev inequality for dynamic frame slotted ALOHA [C]// Proceedings of the 2014 European Conference on Smart Objects, Systems and Technologies. Piscataway, NJ: IEEE, 2015: 1-4.

[13] VOGT H. Efficient object identification with passive RFID tags [M]// International Conference on Pervasive Computing, LNCS 2414. Berlin: Springer, 2002: 98-113.

EstimationmethodforRFIDtagsbasedonroughandfinedoubleestimation

DING Jianli1,2, HAN Yuchao1*, WANG Jialiang1

(1.CollegeofComputerScienceandTechnology,CivilAviationonUniversityofChina,Tianjin300300,China;2.TianjinKeyLabforAdvancedSignalProcessing(CivilAviationonUniversityofChina),Tianjin300300,China)

To solve the contradiction between the estimation accuracy and the calculation amount of the RFID tag estimation method, and the instability of the estimation method performance caused by the randomness of the tag reading process in the field of aviation logistics networking information gathering. Based on the idea of complementary advantages, a method for estimating the number of RFID tags based on rough and fine estimation was proposed. By modeling and analyzing the tag reading process of framed ALOHA algorithm, the mathematical model between the average number of tags in the collision slot and the proportion of the collision slot was established. Rough number estimation based on the model was made, and then, according to the value of rough estimation, the reliability of rough estimation was evaluated. The Maximum A Posteriori (MAP) estimation algorithm based on the value of rough estimation as priori knowledge was used to improve the estimation accuracy. Compared to the original maximum posteriori probability estimation algorithm, the search range can be reduced up to 90%. The simulation results show that, the average error of the RFID tag number estimation based on rough and fine estimation is 3.8%, the stability of the estimation method is significantly improved, and the computational complexity is greatly reduced. The proposed algorithm can be effectively applied to the information collection process aviation logistics networking.

Radio Frequency Identification (RFID) anti-collision algorithm; rough and fine double estimation; estimation of number of tags; Maximum A Posteriori (MAP) estimation; modeling analysis

2017- 03- 31;

2017- 05- 17。

民航局科技創(chuàng)新重大專項(MHRD20140106, MHRD20150107)；中國民航大學中央高?；鹳Y助項目(3122016A001, 3122015C020)。

丁建立(1963—)，男，河南洛陽人，教授，博士，CCF會員，主要研究方向：民航智能信息處理、航空物聯(lián)網； 韓宇超(1992—)，男，陜西扶風人，碩士研究生，主要研究方向：航空物聯(lián)網; 王家亮(1983—)，男，遼寧遼陽人，講師，博士，主要研究方向：民航信息系統(tǒng)。

1001- 9081(2017)09- 2722- 06

10.11772/j.issn.1001- 9081.2017.09.2722

TP391.5

A

This work is partially supported by the Major Projects of Civil Aviation Technology Innovation Funds of China (MHRD20140106, MHRD20150107), the Fundamental Research Funds for the Central Universities of Civil Aviation University of China (3122016A001, 3122015C020).

DINGJianli, born in 1963, Ph. D., professor. His research interests include civil aviation intelligent information processing, aviation logistics networking.

HANYuchao, born in 1992, M. S. candidate. His research interests include aviation logistics networking.

WAGJialiang, born in 1983, Ph. D., lecturer. His research interests include civil aviation information system.