摘" 要： 無線射頻識別技術作為物聯(lián)網(wǎng)的關鍵技術，正在不斷發(fā)展并廣泛應用于我國制造業(yè)領域。為了解決大量無線射頻識別標簽讀寫時相互競爭信道而產(chǎn)生的數(shù)據(jù)碰撞現(xiàn)象，需要對標簽數(shù)量進行準確估計。文章在傳統(tǒng)動態(tài)幀時隙算法的基礎上，利用天牛群搜索算法尋找BP神經(jīng)網(wǎng)絡的最優(yōu)初始權值和閾值，并將最優(yōu)值應用到BP神經(jīng)網(wǎng)絡的參數(shù)設定中，實現(xiàn)了對標簽數(shù)量的準確估計。通過實驗和企業(yè)實際使用RFID綁定電源線的生產(chǎn)效果證明，與傳統(tǒng)的動態(tài)幀時隙算法相比，所提出的改進算法既保證了讀取的準確性，又縮短了讀取時間，有效地提高了系統(tǒng)的效率。

關鍵詞： 無線射頻識別技術； 動態(tài)幀時隙； 密集環(huán)境； BSO算法； BP神經(jīng)網(wǎng)絡； 天牛群搜索算法

中圖分類號： TN915.04?34" " " " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " 文章編號： 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

無線射頻識別技術（Radio Frequency Identification， RFID）作為物聯(lián)網(wǎng)的一種關鍵技術，正在不斷發(fā)展，在我國制造領域得到廣泛的應用。根據(jù)應用對象的實際生產(chǎn)背景、工藝、流程等，RFID技術會呈現(xiàn)不同的使用效果，實現(xiàn)了實時監(jiān)控、質量追溯、自動化生產(chǎn)等目標，更好地輔助生產(chǎn)[1]。在實際應用中，企業(yè)生產(chǎn)電源線現(xiàn)場環(huán)境復雜，標簽綁定在無規(guī)律擺放的電源線上，讀寫器需要在眾多擺放密集的標簽之間讀取信息，因此常常會受到其他標簽信息干擾，使得標簽性能總體降低，最終導致部分標簽出現(xiàn)漏讀的現(xiàn)象。

燕怒等人通過檢測不同輸入阻抗、雷達散射面積等值，并且考慮了在密集環(huán)境下，標簽天線會發(fā)生相互影響的現(xiàn)象，建立了一個網(wǎng)絡模型來分析標簽天線的阻抗，并通過暗箱測試得出測試距離，以及仿真計算得出標簽天線的最大識別距離[2]。周偉輝等人提出一種新算法，將分組動態(tài)幀和混合查詢樹相結合，以提高在大量標簽的使用場景下的整體吞吐率，將每一次沒有識別出來的標簽通過標識分組，提高了吞吐率，有效解決了標簽碰撞的問題[3]。M. Golsorkhtabaramiri等人提出一種分布式方法和信道監(jiān)聽技術，以有效地讀取密集RFID網(wǎng)絡中的所有標簽。該方法通過幾何概率分布函數(shù)選擇時間間隔以獲取控制信道，并且通過測量來自相鄰讀取器的信號強度并共享標簽信息，利用無線電波增加識別系統(tǒng)的吞吐量，同時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讀寫器防沖突協(xié)議，以解決RFID系統(tǒng)中可能發(fā)生的讀寫器沖突問題[5]。

考慮到實際情況的多變性，已有研究利用動態(tài)幀時隙算法，該算法可以確保在標簽數(shù)量動態(tài)變化的情況下系統(tǒng)依舊以最大效率運行[6?7]。但是動態(tài)幀時隙算法初始幀的長度不定，沒有參考幀長，當出現(xiàn)起始幀長度與標簽總數(shù)相差較大的情況，RFID系統(tǒng)將對所有標簽進行識別，進而確定調整方案。故本文利用天牛群改進BP神經(jīng)網(wǎng)絡的動態(tài)幀時隙算法來準確估計標簽數(shù)量，提高讀取效率，提升系統(tǒng)吞吐率。

1" RFID系統(tǒng)讀取關系模型研究

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

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

圖1中各符號的含義如下：

1） [D1]～[D5]：電源線上捆綁的標簽1～5；

2） [U]：讀寫器信號發(fā)射時距離標簽D1的距離；

3） [M]：標簽之間縱向的距離；

4） [N]：標簽之間橫向的距離；

5） [P]：讀寫器輸出功率；

6） [Pj1]：電源線上標簽[D1]接收到讀寫器發(fā)送的信號功率；

7） [Pf1]：電源線上標簽[D1]返回給讀寫器的信號功率；

8） [Tr]：電源線上標簽[D1]返回的信號輸送給讀寫器所在位置的功率；

9） [T'r]：電源線上標簽[D4]返回的信號輸送給讀寫器所在位置的功率。

為了使RFID系統(tǒng)讀寫能夠達到最優(yōu)的情況，設立限定條件來滿足讀寫的需要，即：將RFID標簽[D1]返回的信號輸送給讀寫器所在位置的功率[Tr]需要盡可能得大，以此來保證返回到該位置時的功率能夠達到信號值的最低限度；讀寫器輸出信號的位置距離標簽[D1]的距離[U]也要盡可能得短[9?10]。

綜上所述，建立的數(shù)學模型如下：

目標函數(shù)：

[k1=maxTrk2=minU] （1）

式中：[k1]表示電源線上標簽[D1]返回的信號輸送給讀寫器所在位置的功率的最大值；[k2]表示讀寫器信號發(fā)射時距離標簽[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簽返回的信號輸送給讀寫器所在位置的臨界值。

將建立的電源線生產(chǎn)過程RFID系統(tǒng)讀取關系模型與本文重點研究的改進動態(tài)幀時隙算法相結合，用實際的生產(chǎn)效果展現(xiàn)RFID系統(tǒng)最佳的讀寫性能。

2" 改進動態(tài)幀時隙算法優(yōu)化研究

在使用單個讀寫器進行讀寫多個標簽時，標簽的響應會出現(xiàn)一系列的數(shù)據(jù)碰撞，造成讀取效率低的現(xiàn)象[11]?，F(xiàn)在很多改進動態(tài)幀時隙算法雖然提高了RFID系統(tǒng)的識別率，但是一定程度上加重了讀寫器的負擔，讀取的時間變久了，算法的復雜度也變高了。本研究針對這種現(xiàn)象，提出一種改進算法，能夠有效地解決基礎動態(tài)幀時隙算法帶來的局限性。

2.1" 基于BSO?BP神經(jīng)網(wǎng)絡模型搭建

在密集環(huán)境中，讀寫器會因為接收來自不同方位RFID標簽發(fā)射的信號而造成數(shù)據(jù)紊亂，受到該密集環(huán)境下非線性的影響。目前在對動態(tài)幀時隙算法的研究中，由于BP神經(jīng)網(wǎng)絡的非線性映射能力強，這一特性滿足對動態(tài)幀時隙算法的建模需求[12?13]。選擇合適的參數(shù)是提升BP神經(jīng)網(wǎng)絡算法訓練精度的關鍵因素。由于參數(shù)的隨機性，可能會限制算法收斂速度并陷入局部最優(yōu)，因此有必要設計有效的參數(shù)優(yōu)化策略，以更快地收斂至全局最優(yōu)，從而提高模型的準確率[12，14]。因此，本文采取利用天牛群搜索算法來改進BP神經(jīng)網(wǎng)絡（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） 定義模型結構。該模型結構為3?5?5?1。其中3表示為BP神經(jīng)網(wǎng)絡輸入層神經(jīng)元個數(shù)為3個，分別表示為空閑時隙數(shù)[n1]、成功讀取到標簽時的時隙數(shù)[n2]、碰撞時隙數(shù)[n3]；5為隱含層神經(jīng)元個數(shù)，共有2個隱藏層；1表示為輸出層的神經(jīng)元個數(shù)，表示估計標簽的數(shù)量[ne]。BP神經(jīng)網(wǎng)絡結構圖如圖3所示。

2） 設置感知因子[mt]。通過設定足夠大的初始步長[mt]來控制天牛的搜索區(qū)域，以免陷入局部最優(yōu)。在學習天牛群最優(yōu)時，采取定向學習策略。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[t]次迭代后天牛單個個體的適應度、天牛群體的最小適應度、天牛群體的最大適應度以及天牛群體平均適應度。

3） 適應度函數(shù)的確認。測試數(shù)據(jù)的誤差和適應度評價函數(shù)兩者將被用來促進空間區(qū)域的搜索能力。適應度函數(shù)如公式（4）所示：

[fit=i=1NRi-R'i] （4）

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

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向量。

5） 評估。根據(jù)公式（4）來計算初始位置的適應度函數(shù)值。

6） 更新天牛位置。

7） 更新解。利用已知天牛個體的位置坐標，通過算法計算公式得到天牛個體適應度[gt]與天牛群體的平均適應度[gtavg]。根據(jù)公式（3）和公式（5）更新單個天牛的位置，并調整和更新BP神經(jīng)網(wǎng)絡的閾值與權值，以計算當前坐標下的適應度函數(shù)值，實現(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[t]次迭代的氣味濃度基礎上，若左須的適應度值大于右須，[sign·]取1，天牛往左須方向移動，反之，則相反；[dtδYszbest -Yst]表示學習策略，[dt]表示學習因子，[Yszbest]表示天牛群中表現(xiàn)效果最好的個體，[ δ]為服從（0，1）隨機分布的隨機值，[Yszbest-Yst]表示在經(jīng)過[s]次迭代中，比較天牛群體最優(yōu)個體和單個天牛個體，以便考慮天牛群體最優(yōu)個體對單個天牛個體的指導作用。

8） 控制迭代更新。確定滿足下述條件時，執(zhí)行步驟9）：適應度函數(shù)值達到設定精度（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。當算法迭代完成時且適應度函數(shù)值達到設定的精度0.02或迭代次數(shù)達到20 000代時，BP神經(jīng)網(wǎng)絡訓練將得到最優(yōu)初始權值和閾值，并將其輸入至BP神經(jīng)網(wǎng)絡中進行二次訓練，最終輸出標簽預測模型[MN]。

2.2" 估計剩余標簽數(shù)

每輪讀寫器檢測到的空閑時隙數(shù)[n1]、成功時隙數(shù)[n2]、碰撞時隙數(shù)[n3]和估計剩余標簽[ne]，兩者本質上是一種函數(shù)關系[F]，如式（6）所示，可以用來表示在某一時刻，標簽的重新分布狀態(tài)和新的估計值之間的關系。

[ne=Fn1，n2，n3] （6）

使用改進后的BP神經(jīng)網(wǎng)絡模擬目標函數(shù)，通過執(zhí)行一個復雜的離線訓練過程，可以獲得準確的模型，并使用一個簡單的向前計算過程來估計剩余標簽的數(shù)量，從而實現(xiàn)對目標函數(shù)的預測。整體的標簽估計算法流程如圖4所示。

通過將動態(tài)幀時隙得到的時隙數(shù)代入本節(jié)得出的BSO?BP模型實現(xiàn)標簽數(shù)估計，具體流程如下：

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

[n1=nP1] （7）

[n2=nP2] （8）

[n3=nP3] （9）

[ne=n-n2]" " " （10）

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

2） 每個幀長度對應的[TN]數(shù)據(jù)集分別輸入網(wǎng)絡中進行訓練，網(wǎng)絡指標收斂后，得到相應幀長為[N]的網(wǎng)絡模型[MN]。

3） 把讀寫器每輪的閱讀周期檢測到的實際空閑時隙數(shù)、成功時隙數(shù)、碰撞時隙數(shù)（n1、n2、n3）輸入相應的網(wǎng)絡模型[MN]，最終輸出估計剩余標簽數(shù)[ne]，閱讀器根據(jù)表1調整下一次讀寫周期幀長。

3" 仿真及性能分析

3.1" 仿真實驗設計

本節(jié)通過將改進后的BSO算法應用于BP神經(jīng)網(wǎng)絡來優(yōu)化閾值和權值，提升BP神經(jīng)網(wǎng)絡對RFID標簽的估計運算能力，并且可以減少讀取標簽的時間消耗，同時也保證了標簽估計性能的精密度。實驗階段對BP、BSO?BP和傳統(tǒng)的Vogt[15]結合動態(tài)幀時隙算法進行了比較。

假設幀長為[F]，待識別標簽數(shù)目為[n]，則任意一個時隙中同時存在[x]個標簽響應閱讀器的概率如式（11）所示：

[Bn，1Fx=nx1Fx1-1Fn-x] （11）

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

[Pi=1-1Fn] （12）

[Ps=nF1-1Fn-1] （13）

[Pc=1-Ps-Pi] （14）

一幀結束后產(chǎn)生的各種時隙數(shù)估計值[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)預處理

使用Matlab 2019作為實驗的仿真平臺，對本節(jié)中改進的RFID標簽數(shù)量估計算法進行仿真驗證，并將其與BP神經(jīng)網(wǎng)絡以及基于Vogt估計算法的動態(tài)幀時隙算法進行比較。

數(shù)據(jù)預處理階段，將數(shù)據(jù)進行歸一化、數(shù)據(jù)洗牌以及選擇8折的交叉驗證處理操作，將學習率設置為0.02，最大迭代數(shù)設置為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時速度變快，但是分散到兩端相對平滑。圖5展示了softsign（x）函數(shù)與tanh（x）函數(shù)的對比圖像。從圖中可以看出，由于softsign（x）函數(shù)在原點附近的平滑性，它在梯度下降過程中提供了更穩(wěn)定的性能，這有助于避免在訓練神經(jīng)網(wǎng)絡時出現(xiàn)的梯度消失問題。這種特性使得softsign（x）函數(shù)在本應用場景下優(yōu)于tanh（x）函數(shù)，尤其是在處理極端輸入值時。同時，損失函數(shù)采用均方誤差（MSE）函數(shù)。

訓練結果如圖6所示。當?shù)螖?shù)為100次時，最后的損失值即均方誤差為0.005 2。

3.2.2" 算法效率分析

常用評價標簽閱讀效率的指標一般為以下兩種：一是系統(tǒng)吞吐率；二是消耗時隙數(shù)。在動態(tài)幀時隙算法中，系統(tǒng)吞吐率定義為：在一次讀取中，成功識別的標簽數(shù)與總共消耗時隙數(shù)的比值。仿真實驗中將初始幀長固定為128，系統(tǒng)吞吐率對比結果如圖7所示。經(jīng)過天牛群改進BP神經(jīng)網(wǎng)絡后的吞吐率穩(wěn)定在0.35左右，效果明顯優(yōu)于未經(jīng)過天牛群改進的BP神經(jīng)網(wǎng)絡與傳統(tǒng)Vogt算法。

另外一種衡量指標是系統(tǒng)在一次閱讀過程中消耗的總時隙數(shù)。消耗的總時隙數(shù)越少，表明對剩余標簽數(shù)量估計越準確。三種算法消耗時隙數(shù)的對比結果如圖8所示。經(jīng)過天牛群改進BP神經(jīng)網(wǎng)絡后的動態(tài)幀時隙算法消耗的時隙數(shù)明顯少于未經(jīng)過天牛群改進的BP神經(jīng)網(wǎng)絡與傳統(tǒng)Vogt算法消耗的時隙數(shù)。

3.2.3" 時間消耗分析

因為本文改進的算法復雜程度不同，每次讀取的系統(tǒng)消耗時間也會有不同。本文提出的基于天牛群改進BP神經(jīng)網(wǎng)絡的標簽估計算法在實際讀取過程中，網(wǎng)絡的前向計算只是計算了復雜度較低的矩陣乘法，同時使用了softsign激活函數(shù)，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡以及Vogt算法相比較，大大降低了算法的復雜度。

在實驗中，進行了15 000次的讀取，統(tǒng)計匯總三種算法的總消耗時間，對比結果如表2所示。

從表2可以得出，經(jīng)過天牛群改進BP神經(jīng)網(wǎng)絡后的動態(tài)幀時隙算法相較于Vogt與BP神經(jīng)網(wǎng)絡的動態(tài)幀時隙算法消耗的時間明顯少很多，效果更好。因此，本文提出的基于天牛群改進BP神經(jīng)網(wǎng)絡的動態(tài)幀時隙算法在效率上比傳統(tǒng)的方法高很多，系統(tǒng)吞吐率及消耗時隙數(shù)等指標也更好，在消耗時隙數(shù)上的情況下能夠達到更高的吞吐率，更加準確地預估標簽數(shù)目、幀長，從而提高整個讀取系統(tǒng)的效率。

3.3" 系統(tǒng)驗證

針對密集環(huán)境下電源線RFID標簽信息讀取能力，在實際生產(chǎn)中進行了驗證。本次驗證以車間一周內加入基于天牛群改進BP神經(jīng)網(wǎng)絡的動態(tài)幀時隙算法前后的讀寫器對電源線讀取數(shù)量設置為驗證對象，以某一周的電源線綁定的標簽數(shù)量以及漏讀數(shù)量作為評價指標，以此來判斷本次改進對企業(yè)實際生產(chǎn)過程的能力提升效果，直觀地展現(xiàn)數(shù)據(jù)讀寫的準確性與系統(tǒng)的效率?；诟倪M前后的手持端RFID讀寫軟件讀取RFID標簽數(shù)量的統(tǒng)計結果如表3和表4所示。

結合上述本文研究算法的改進前后讀寫器漏讀的情況進行統(tǒng)計分析，第二車間一周內電源線標簽漏讀數(shù)量如圖9所示。

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

4" 結" 語

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

注：本文通訊作者為洪濤。

參考文獻

[1] 魏圣坤，張遠輝.用于復雜機床車間環(huán)境下的多參數(shù)RFID傳感器設計[J].機床與液壓，2023，51（18）：168?172.

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

[3] 周偉輝，蔣年德.智能包裝中的RFID標簽防碰撞算法研究[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].計算機技術與發(fā)展，2016，26（10）：108?112.

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

[8] 何勇，郭政鑫，桂林卿，等.基于RSSI序列特性的RFID多標簽相對定位方法[J].計算機科學，2023，50（11）：296?305.

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

[10] 姚金玲，劉婕，閆雪鋒.食品質量追溯中RFID多標簽識別防碰撞算法[J].食品與機械，2021，37（6）：97?101.

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

[12] 明東岳，王尚鵬，雷鳴，等.結合BP神經(jīng)網(wǎng)絡的動態(tài)幀時隙ALOHA改進算法[J].小型微型計算機系統(tǒng)，2021，42（9）：1920?1923.

[13] 張軍翠，王立成.基于天牛須搜索優(yōu)化支持向量機液壓泵故障診斷[J].噪聲與振動控制，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算法[J].計算機工程，2020，46（8）：184?189.

作者簡介：王思源（1997—），男，浙江杭州人，碩士，研究方向為基于RFID的質量追溯方法。

洪" 濤（1970—），男，陜西安康人，正高級工程師，碩士生導師，研究方向為RFID質量追溯系統(tǒng)。

姜逸璇（1998—），女，浙江建德人，碩士，研究方向為RFID標簽天線結構優(yōu)化。