[发明专利]一种基于智能预测的门形RFID多天线部署系统及方法

说明书

技术领域

本发明涉及RFID技术领域，尤其涉及快速获得能够覆盖最多待识别标签的一种基于智能预测的门形RFID多天线部署系统及方法。

背景技术

RFID(Radio Frequency Identification，射频识别)是一种非接触式的自动识别技术，通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，能够工作于恶劣环境。由于其具有可唯一识别单个物体，一次可识别多个物体等优点，RFID被广泛应用在物流管理，生产管理，库存管理，物体追踪、回溯等领域中。

门形RFID系统是一种被广泛应用的RFID系统，其仿真真实的门的结构，在实际应用中被部署在仓库、房间等的出、入口处以及生产线上等地方，用于管理仓库、追踪物品、监控生产线。门形RFID系统是将RFID读写器天线部署在具有三组支撑杆(左侧立柱、右侧立柱及顶端横梁)的门形结构的任意一个支撑杆上。RFID天线有一定的识别范围，而在多目标识别的情况下，由于多个目标自身体积所占空间的限制，通常一个RFID天线很难覆盖所有的待识别目标。并且由于RFID技术的电磁通讯特性，其RFID系统的识别率容易受RFID系统组件(包括读写器、天线、标签、中间件)自身属性，RFID读写器天线位置，读写器天线之间的距离，RFID系统的部署环境、电磁噪声等的影响。为了覆盖所有的待识别目标，提高RFID系统的识别率，在实际的RFID应用中，通常部署多个RFID读写器天线。已有研究及实际RFID测试表明，在不同的RFID读写器天线部署下RFID系统的目标识别率相差可达到40％以上，这说明了RFID读写器天线部署对RFID系统性能影响的重要性。

目前已有的门形RFID系统多天线部署方法主要有两种，试错法，及基于理论模型及遗传算法的多天线部署方法。采集RFID数据需要花费很长的时间和较多的人力，因此，试错法获得多天线的最优部署效率极低。基于理论模型及遗传算法的多天线部署方法，由于理论模型预测实际RFID系统的性能准确率较低，根据理论模型获得的最优部署使实际RFID系统最优部署的准确率较低，并且理论模型的计算量较大。因此，需要一种能够快速部署门形RFID系统的多个天线，使系统能够识别所有目标的方法。

机器学习从观测到的数据中发现规律，并利用学习的规律预测未观测值。支持向量机是一种统计机器学习方法，建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。支持向量机具有1)小样本学习；2)抗噪性强的优点，在许多实际应用中取得很好的应用效果。利用支持向量机建立RFID系统预测模型，能够使用较少的样本获得较高的模型泛化和预测能力。

发明内容

本发明的目的是快速部署门形RFID系统的多个天线，使系统能够正确识别所有的待识别标签。

本发明所述一种方法，其原理是首先快速获得能够准确预测RFID系统在实际应用中读取结果的模型。在此模型基础上，利用优化或搜索算法求解多天线的最优部署。在优化或搜索过程中，利用该模型计算RFID系统在不同天线部署下的读取结果及性能，用以比较两个多天线部署的优劣，引导优化执行。

根据本发明的一方面，提供一种基于智能预测的门形RFID多天线部署系统，其特征在于：该系统包括门结构1、读写器天线2、读写器3、待识别标签4、存储RFID数据的数据库5、以及完成控制自动RFID数据采集和实现模型训练的计算机6，其中：

门结构1包含三个支撑杆：顶端支撑杆和左、右两个支撑杆；

所述门形RFID系统的读写器天线2分别部署在门的三个支撑杆上，以识别置于所述顶端支撑杆下方的所述待识别标签4；

所述读写器天线2为外置型读写器天线，其通过射频馈线与读写器3连接；

所述读写器3用于实现RFID标签的读取；

所述数据库5连接所述读写器3，以存储所述读写器3读取到的RFID数据；

所述计算机6通过有线网络连接所述读写器3及所述数据库5，以控制读写器读取RFID标签、控制RFID数据的存储及基于所读取的RFID数据预测最优读写器天线部署位置。

根据本发明的另一方面，提供一种基于智能预测的门形RFID系统多天线部署方法，其特征在于：该方法包括以下几个步骤：