摘" 要： 為避免調(diào)整參數(shù)布置導致多次驗證實驗，探尋各因素對識讀效率的影響程度，提出一種基于支持向量機的動態(tài)RFID系統(tǒng)識讀效率分類模型。建立支持向量機模型預動態(tài)場景下的RFID識讀效率，并使用網(wǎng)格搜索法尋優(yōu)模型。結(jié)果表明，基于支持向量機的動態(tài)RFID系統(tǒng)識讀效率分類準確率可達92.3%。使用此模型對各影響因素進行分析，可以得到動態(tài)場景下對RFID識讀效率影響最大的因素，并在動態(tài)場景中能夠依此進行最佳參數(shù)設(shè)置。

關(guān)鍵詞： 物流傳送帶場景； 射頻識別； 高斯濾波； 支持向量機； 動態(tài)RFID系統(tǒng)； 樸素貝葉斯； 盤點； RFID識讀率

中圖分類號： TN99?34"""""""""""""""""""""""""" 文獻標識碼： A""""""""""""""""""""""""" 文章編號： 1004?373X（2024）09?0150?07

0" 引" 言

超高頻（Ultra High Frequency， UHF）無源射頻識別（Radio Frequency Identification， RFID）技術(shù)在物流管理、智能倉儲、軍事作戰(zhàn)、交通管理、防偽技術(shù)、藥品監(jiān)管等領(lǐng)域具有重要的應用價值[1]。研究RFID技術(shù)在物流傳送帶場景中的應用，是適應現(xiàn)代社會物流迅速發(fā)展環(huán)境的一項重要研究[2]。通過對物流工程體系從生產(chǎn)到分銷等各個環(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，并精準實現(xiàn)各物品數(shù)據(jù)與系統(tǒng)數(shù)據(jù)的對應，有效降低人工分揀產(chǎn)生的出錯率和成本，對于促進物流行業(yè)的發(fā)展有巨大的意義。

經(jīng)典的RFID應用通常是靜態(tài)識別，如天線與標簽固定不動，或使用手持設(shè)備來識別標簽。在動態(tài)識別場景中，讀寫器和標簽總是相對移動的。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，往往會出現(xiàn)RFID識讀效率無法達到最優(yōu)效果。文獻[3]使用基于指紋模型的定位算法，有效降低了測距誤差，但是環(huán)境因素對該模型影響較大，在變化較大的環(huán)境中耗費時間較長；文獻[4]提出的橢圓模型雖然有效降低了環(huán)境改變造成的影響，能夠長期穩(wěn)定的工作，但是由于二維模型的限制，存在較大的預測誤差。對此，一些學者提出了支持向量機模型[5]，具有預測精度準確、能夠有效處理多種樣本數(shù)據(jù)等優(yōu)勢，對于RFID識讀效率的預測提出了新的思路。以上思想雖然都突破性地提出了RFID識讀效率方面的新研究方法，但是主要應用場景為RFID靜態(tài)識別，想要實現(xiàn)RFID動態(tài)識讀效率的模型預測與影響因素的研究，不僅需要在模型建立方面有所創(chuàng)新，還需要滿足RFID讀寫器在物體的運動中完成對動態(tài)物品標簽的識別，對RFID讀寫系統(tǒng)的性能和協(xié)議設(shè)計提出了新的挑戰(zhàn)。本文主要研究物流傳送帶場景下的多天線移動RFID系統(tǒng)的識讀性能問題。

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

1" 面向物流傳送帶的動態(tài)RFID系統(tǒng)識讀性能

1.1" RFID移動場景識別及識讀性能

在RFID技術(shù)的實際運用中，時常會出現(xiàn)多標簽識讀場景，例如倉儲物資的盤點、機場行李分揀，同時也包含了物流傳送帶上多個物品標簽的識讀情況。然而，在實際場景中由于情況復雜[6]，動態(tài)RFID多標簽識讀性能往往會受到影響。

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

[Psuccess=NcorrectNtotal]"" （1）

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

對于移動場景識讀性能的判斷，需要考慮多種因素的影響。針對能夠讀取到的標簽，所能采集的數(shù)據(jù)包含接收的信號強度（Received Signal Strength Indication， RSSI）、能讀取到的標簽的平均盤點次數(shù)、標簽被讀取到的具體時間、標簽相位等數(shù)據(jù)，選取RSSI、讀取到一半標簽的平均首次識讀時間、能讀取到的標簽的平均盤點次數(shù)作為主要考慮的數(shù)據(jù)集，進行識讀性能的判斷。

1.2" 動態(tài)RFID系統(tǒng)識讀效率的分類評估

在移動環(huán)境中，RFID識讀性能的評估需要針對性地對整體的識別策略與參數(shù)進行自動調(diào)整，由此通過建立基于SVM的動態(tài)RFID系統(tǒng)識讀效率分類模型，對作為判斷識讀性能的重要系統(tǒng)指標的識讀效率進行跟蹤與評估。

同時，對系統(tǒng)RFID識讀效率進行分類，以實際測試環(huán)境與數(shù)據(jù)為基準，結(jié)合物流管理的實際場景進行精確劃分，將獲得的RFID識讀效率（Rate）按照數(shù)值由小到大分為三類，如表1所示。

2" 移動場景RFID識讀效率分類識別算法

2.1" SVM分類模型

SVM是一種二類分類模型，可對線性和非線性數(shù)據(jù)進行分類。其學習方法包含構(gòu)建由簡至繁的模型：線性可分支持向量機、線性支持向量機以及非線性支持向量機。當訓練數(shù)據(jù)線性可分時，通過硬間隔最大化，學習一個線性的分類器，即線性可分支持向量機，又稱為硬間隔支持向量機；當訓練數(shù)據(jù)線性不可分時，通過使用核技巧及軟間隔最大化，學習非線性支持向量機。

1） 線性支持向量機

對于給定的線性不可分訓練數(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）

以及相應的分類決策函數(shù)：

[fx=sgnω*?x+b*] （3）

稱為線性支持向量機。

2） 非線性支持向量機

利用核技巧，可以將線性分類的學習方法應用到非線性分類問題中。

從非線性分類訓練集，通過核函數(shù)與軟間隔最大化或凸二次規(guī)劃，學習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。

對于移動場景中RFID的識讀性能問題，移動狀態(tài)中各標簽參數(shù)分布較為離散，使用線性分類模型無法準確分類，或存在大量樣本被錯誤分類等問題。需要使用非線性函數(shù)實現(xiàn)特征空間映射，在新的特征空間進行分類。具體步驟如下：

1） 選取適當?shù)暮撕瘮?shù)[Kx，z]和適當?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*]的一個正交分量[0≤αj≤d]，計算：

[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的動態(tài)RFID識讀效率分類算法

基于SVM的動態(tài)RFID系統(tǒng)識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)預處理、支持向量機模型建模、參數(shù)優(yōu)化。

2.2.1" 數(shù)據(jù)預處理

實驗室室內(nèi)環(huán)境擺放較多的儀器設(shè)備，測試時會存在多徑效應，測量的RSSI值在同一位置處也有波動。RSSI數(shù)據(jù)測量值的波動影響最終的測距精度，為了減小數(shù)據(jù)誤差的影響，本文采用高斯濾波對采集到的RSSI數(shù)據(jù)集進行濾波處理[8]。

在對數(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：

對于含有[N]個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表示標準差；[ρlt;1]，[ρ]稱為相關(guān)系數(shù)[9]。

2.2.2" 基于SVM動態(tài)RFID系統(tǒng)識讀效率分類建模

基于支持向量機RFID識讀效率分類建模主要包括三個步驟，將采集到的數(shù)據(jù)集以8∶2的比例分作訓練集和測試集，對模型進行訓練與測試，對模型進行測試后通過引入核函數(shù)和參數(shù)尋優(yōu)對模型進行進一步完善，具體步驟如下：

1） 構(gòu)建非線性支持向量機的訓練集與測試樣本集

為進行RFID識讀效率的研究，實現(xiàn)SVM分類，構(gòu)造特征值子集{能讀取到的標簽返回的信號強度均值，能讀取到的標簽的平均盤點次數(shù)，傳送帶速度，發(fā)射功率，讀取到一半標簽的平均首次識讀時間，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)集進行歸一化處理。經(jīng)過處理后，將RFID識讀效率樣本數(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)樣本作為訓練集訓練非線性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)作為測試集，對訓練好的模型進行測試。

2） 高斯核函數(shù)選取

當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，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)可以學習非線性支持向量機，等價于隱式地在高維的特征空間中學習線性支持向量機，這樣的方法稱為核技巧。

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

[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。

同時引入懲罰因子[c]，若[c]較大，則對樣本的擬合性較好，預測效果較差，容易出現(xiàn)過擬合；[c]的取值較小時，錯分的可能性變大，對樣本的擬合性下降。

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

3） 參數(shù)優(yōu)化

采用網(wǎng)格搜索法對式（9）中的懲罰因子[c]和高斯核函數(shù)[σ]進行參數(shù)尋優(yōu)[11]。非線性支持向量機的分類性能取決于懲罰函數(shù)[c]和高斯核函數(shù)[σ]，預測精度無法達到預期時，可通過添加新樣本數(shù)據(jù)與支持向量自動修正模型，同時避免模型過學習和欠學習的現(xiàn)象發(fā)生。以訓練集最小均方根誤差為適應度函數(shù)來進行參數(shù)尋優(yōu)。當達到最小均方根誤差時，所得到的[c]和[σ]為最佳參數(shù)。

3" 移動場景RFID識讀效率分類識別算法性能驗證

3.1" 移動場景RFID系統(tǒng)測試方案

針對所提出的動態(tài)RFID系統(tǒng)識讀效率分類模型，構(gòu)建物流傳送帶動態(tài)UHF無源RFID多標簽測試環(huán)境。動態(tài)RFID系統(tǒng)選擇空曠的實驗室環(huán)境（13 m×8 m×4 m），測試環(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。

測試方法分類如圖3所示，測試方法的參數(shù)列表如表3所示。

測試中標簽數(shù)目為30個，在長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)，每種標簽數(shù)目、功率與速度下測試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[c]=6.964 4、[σ]=1.319 5時模型最優(yōu)，識讀效率分類準確率為92.333 3%，精度符合預期。

3.2" 與其他算法的結(jié)果比較

進一步綜合對比本文提出動態(tài)RFID系統(tǒng)識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對比分析，預測精度越高，訓練時間越短，越適用于動態(tài)物流內(nèi)場景的RFID工程應用項目的需求。

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

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類別的概率，確定對應概率最大的類別。

以上兩種分類預測模型和SVM模型訓練同一組數(shù)據(jù)，將訓練后所得的預測模型對300組測試數(shù)據(jù)進行預測，預測結(jié)果如表4、圖5所示，對比以上3種方法的預測精度、訓練時間、預測時間，仿真結(jié)果表明，SVM分類模型預測精度最大，說明預測模型對實際系統(tǒng)分類有較好的擬合精確度和預測效果。對比三種模型訓練集與預測集運行時間，SVM雖然訓練時間長于決策樹，但整體運行速率更快，空間復雜度更低。

3.3" 移動場景RFID識讀性能影響因素

在選取固定標簽數(shù)目的前提下，依據(jù)實際測試數(shù)值對各種移動場景下RFID識讀效率影響因素進行（高、中、低）分類，因素分類如表5所示。

在通過基于SVM動態(tài)RFID[14?16]系統(tǒng)識讀效率分類模型對識讀效率進行預測后，加入各主要因素，以得到的識讀效率為重要系統(tǒng)指標進行識讀性能分類，通過三種識讀效率在影響因素依次改變時增長或縮減的幅度的變化，確認各因素對識讀性能的影響程度。對于選取的4 800組數(shù)據(jù)集，通過改變各影響因素，記錄并計算出識讀效率分類結(jié)果，取極值等于1，計算RFID識讀效率各等級所占比例。通過RFID識讀效率等級Ⅰ、等級Ⅱ與等級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RFID識讀性能的影響。

所得到的RFID識讀效率分類為等級Ⅰ、等級Ⅱ、等級Ⅲ所占數(shù)據(jù)在總測試數(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識讀效率導致等級Ⅰ與等級Ⅲ所占比例最終改變的幅度，并以等級Ⅱ的數(shù)據(jù)作為次要參照，計算均值與均方差等，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)指標的識讀效率受到基于SVM的動態(tài)RFID系統(tǒng)識讀效率分類模型中所選取的各個特征值影響，認為其次要的影響因素為基于SVM的動態(tài)RFID系統(tǒng)識讀效率分類模型所選取的各個特征值。

4" 結(jié)" 語

為避免調(diào)整參數(shù)布置導致多次驗證實驗，探尋各因素對識讀效率的影響程度，本文提出一種基于支持向量機的動態(tài)RFID系統(tǒng)識讀效率分類模型。選取能讀取到的標簽返回的信號強度均值、能讀取到的標簽的平均盤點次數(shù)、傳送帶速度、發(fā)射功率、標簽數(shù)目、讀取到一半標簽的平均首次識讀時間、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，建立支持向量機模型移動場景下的RFID識讀效率，并使用網(wǎng)格搜索法尋優(yōu)模型。對模型進行測試后，動態(tài)RFID系統(tǒng)識讀效率分類準確率可達92.3%?？紤]到標簽自身對于RFID識讀效率造成的影響，后期研究將圍繞對各個標簽進行分析，尋找標簽誤差等數(shù)據(jù)，從而研究出標簽自身對于數(shù)據(jù)造成的影響。

參考文獻

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

[2] 宋月玲，李曉武.一種單閱讀器移動RFID系統(tǒng)性能評估方法[J].計算機工程與應用，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].計算機工程，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].計算機工程與應用，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的射頻識別系統(tǒng)識別率預測[J].計算機集成制造系統(tǒng)，2019，25（12）：3170?3180.

[6] 王宏偉，王華.復雜倉儲場景下的RFID電子標簽識別問題[J].物聯(lián)網(wǎng)技術(shù)，2023，13（3）：30?32.

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

[8] 熊昌鎮(zhèn)，王潤玲，鄒建成.基于多高斯相關(guān)濾波的實時跟蹤算法[J] .浙江大學學報（工學版），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].北京郵電大學學報，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)向量機方法[J].華南理工大學學報（自然科學版），2017，45（1）：88?94.

[11] 劉小生，章治邦.基于改進網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].江西理工大學學報，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].國防科技大學學報，2022，44（3）：67?76.

[13] 陳曦，張坤.一種基于樹增強樸素貝葉斯的分類器學習方法[J].電子與信息學報，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[J].現(xiàn)代電子技術(shù)，2021，44（24）：11?15.

[15] 周旋，鄔云文，向長青，等.應用標簽并行識別技術(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.基于支持向量機的物流傳送帶場景下RFID識讀性能研究[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：基于支持向量機的物流傳送帶場景下RFID識讀性能研究

王耀偉，等：基于支持向量機的物流傳送帶場景下RFID識讀性能研究

王耀偉，等：基于支持向量機的物流傳送帶場景下RFID識讀性能研究

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