文摘
时代人们生活在大数据的时代,和大规模数据携带大量的信息。本研究旨在分析RFID数据基于大数据和聚类算法。在这项研究中,一个RFID数据提取技术提出了基于联合卡尔曼滤波融合。系统中,提出了数据提取技术可以有效地读取RFID标签。数据记录和KM-KL RFID数据的聚类算法,结合k - means算法的优点。改进KM-KL聚类算法可以有效地分析和评估RFID数据。本研究的实验结果证明的识别错误率RFID数据提取技术基于联合卡尔曼滤波融合仅为2.7%。改进KM-KL聚类算法也比传统算法更好的性能。
1。介绍
自人类社会进入了信息时代,信息技术相关产业迅速发展,推动变化在许多领域,如计算机、通信和数据存储。随着这一变化,人民日报工作的主要内容已逐渐改变了各种数据信息的处理。软件和硬件技术的支持下,大量的数据以各种形式已经成为人们生活的重要组成部分。然而,这些庞大的数据信息往往没有明显的结构特点乍一看,和传统的方法和想法是难以实现的目的完全理解和理解他们。再加上大量的数据和丰富的类型的数据,传统统计方法无法完全提取有效信息,它变得更加难以获得有价值的信息数据。这种困境,数据挖掘技术得到了广泛的关注。数据挖掘技术的帮助下,人们可以提取原本隐藏的,未知的,并从大量的有价值的信息杂乱无章的数据。通过使用它在其他领域,信息的价值已经充分体现。数据挖掘技术是一个多学科领域技术的迅速发展对信息的巨大需求下数据处理技术在过去的十年里。
本研究主要分析了合理解决这个问题的时间和空间需求,并试图提出一个有效的RFID数据的聚类方案。与先前的研究相比,本研究主要有以下两个创新:(1)基于大数据技术,RFID数据提取技术已得到改进,和RFID数据提取技术提出了基于联合卡尔曼滤波融合。(2)改进KM-KL聚类算法。
1.1。相关工作
射频识别技术是物联网的重要技术和大数据。它意识到事物之间的传播,大量的数据在传输过程中生成的。国内外有许多研究。王,江泽民提出了一个10月预测方法利用秩序和实时车间RFID数据的组合。它使用精确的RFID数据来描述实时负载情况下我工作的商店,并试图RFID数据之间的映射关系,从历史数据(10月1]。Fazzinga等人调查的方法解释RFID数据上下文中的对象跟踪。它由RFID-tracked移动物体所产生的数据转换成语义位置在地图上利用一些完整性约束(2]。中国超市购物等人创建了一个系统的研究,使人们快速扫描项目本身和工资。他们专注于系统中使用射频识别技术(3]。诺维科夫Microcontrolled设备研究了et al .,,他们的目标是开发一个个人便携式有效剂量剂量计有一个RFID数据通道没有内置电源(4]。在分析的过程中,聚类分析通常用于大规模RFID数据。Yunoh等人关注疲劳应变信号的分析基于聚类和分类的方法。他们分组特征提取使用k - means聚类方法获得适当数量的数据集。执行分类过程通过使用优化的人工神经网络(ANN)模式识别。实验表明,他们的算法中约92%是准确的5]。王等人通过建模气象灾害预测自然灾害。他们聚集在拘留的自然灾害通过分析方法,总结了每个天气系统的特征,在此基础上设计灾难控制项目。他们的实验表明,控制工程中心高与灾害的发生,可以减少灾害和工程实现(6]。陈用MATLAB软件进行统计分析和聚类分析在《每日PM_(2.5)浓度观察2014年在上海。结果表明,PM_(2.5)集中在春季和冬季高于夏季和秋季,和的年度分布PM_(2.5)浓度是u型(7]。Balik等人相比,卫生指标和卫生支出在28日欧盟(EU)国家,6欧盟候选成员国国家,3个欧洲自由贸易协会(欧洲自由贸易联盟)国家使用聚类分析方法。作为聚类分析的结果,国家被分为三个集群,第一个集群包括土耳其人均最低公共,私人和现金卫生支出的三个集群8]。它可以很容易地从研究射频识别技术的相关研究在应用程序级别比数据分析,所以RFID数据的聚类分析是研究很少。
2。射频识别技术
无线识别技术,也被称为无线射频识别技术,通常被称为RFID(射频识别)技术。这种通信技术起源于英国战斗机的识别应用在二战期间,自1960年代以来已商业化。特别的推广和应用,美国食品和药物管理局(FDA)和沃尔玛超市,例如实时检测的新鲜商品在超市,智能标签系统,库存控制系统和智能购物车,极大地扩大了射频识别技术的应用市场在世界上9,10]。
射频识别系统通常由三个部分组成的:读者(读者),电子标签(标签),和应用软件。标签可以分为两个部分:天线和一种特殊的芯片,芯片是附有一个独特的识别代码,显示基本信息附加到对象。原则是读者发射射频信号传输到电子标签通过电磁或电感耦合,从而驱动电子标签电路传输其读者的内部数据。读者接受和解释中的相关数据序列和使用相关的软件系统处理11]。射频识别非接触的特点,不受环境因素的影响,大量的存储信息,可读,可写,识别速度快,识别距离长,和防撞功能。它可以处理多个射频卡的同时,和射频识别的两种识别方法如图所示1:
射频识别设备获取数据的方式会导致严重的不确定性数据(12,13]。有三个主要原因RFID数据的不确定性,即缺少阅读,通读,脏数据。与三相比,multireading和脏数据现象更偶然和不太可能发生。缺少阅读的现象比较普遍,这是主要因素导致RFID数据的不确定性。
2.1。Antong数据收集的原则
因为射频识别技术具有快速、实时的,它还广泛分析领域的数据收集。RFID数据采集系统一般包括三个部分:目标与电子标签,射频识别基站和信息中心。系统组成如图2:
基于射频识别技术的工作原理,RFID数据采集系统执行目标配备射频识别电子标签和识别数据传送到交通信息中心。其工作原理如下:(1)系统从休眠状态进入采集状态,(2)决定停止收购的停止标志位判断阅读射频标签。如果没有停止命令时,系统开始阅读目标信息。(3)RFID基站法官是否进入射频标签通过射频技术领域。(4)发送请求后,马克被选中来确认是否检测到特定的目标。(5)验证通过后,居民的作家开始读标签由目标和回报和传输读取响应数据操作成功后的信息中心。RFID数据采集系统的工作流图所示3:
2.2。联合卡尔曼滤波的融合射频识别技术和线圈技术
相同的多传感器信息的融合方法检测部分,融合方法适合动态交通参数主要包括联合滤波融合,集中过滤融合,和神经网络融合方法。
联合卡尔曼滤波器的基本结构采用两级处理的数据和分散的方法过滤。结合过滤器主要由过滤器和几个subfilters。
联合卡尔曼滤波算法的结构图在这项研究中的应用是图所示4:
在联合卡尔曼滤波器的结构在图4,subfilter首先执行独立的过滤,过滤结果传送到主过滤器,同时完成收集信息的最佳融合。
其中,滤波器的状态公式和测量公式方程(1)和(2),分别为: 在哪里动态模型的噪声,其协方差是什么 。 是观测噪声,其协方差是什么 。由于线圈传感器收集的交通量是略小于实际值,本研究提高了联合卡尔曼滤波器。在这项研究中,一个传感器和一个已知的收购错误被选为参考传感器,和第一个比较的方法,然后采用融合。其过滤公式方程所示(3)和(4):
主要的过滤器不执行过滤但直接执行数据融合。融合方法方程所示(5)和(6):
主要的过滤器是融合时,反馈信息subfilters根据融合结果,反馈因素方程所示(7)和(8):
当的条件问1 <问2是不满意,可以看出从方程(5)(7), 。 ,也就是说,融合的结果将一个值之间和 ,和两个值之间的变化反馈系数的变化。同时,subfilters根据融合结果,反馈和信息重新分配来提高融合精度。
与集中式卡尔曼滤波和人工神经网络相比,联合卡尔曼滤波器的优点是灵活的设计,一个简单的算法,更好的容错,更适合实时系统。
在这项研究中,数据问1由射频识别技术和数据收集问2收集的线圈传感器直接结合卡尔曼滤波(以下简称通用核聚变)。与此同时,它的大小比较问1,问2,然后根据融合融合方法(以下简称改进的融合),如图5。
从图可以看出5,当交通量收集的RFID技术和线圈传感器比实际值小,融合效果很差。当射频识别技术收集的交通量小于线圈传感器,收集的交通量线圈传感器直接作为融合值。融合曲线恰逢交通线圈传感器收集的体积变化曲线,大大提高了融合结果的准确性。
从表可以看出1在数据集1中,错误的改进的融合通用核聚变是一样的,所以改进的融合方法在这项研究中有一定的适用条件。时,射频识别技术收集的交通量小于已知小传感器或收集的交通量大于已知大型传感器收集的交通量,在这项研究中提出的改进的融合会产生更好的结果。从数据集数据集2和3中,可以看到,相对误差显著降低通过使用改进的融合方法在本研究中。
3所示。分析和结果
3.1。聚类分析
模式识别是研究模式的自动处理和解释通过计算机,数学技术的使用和环境和对象统称为”模式。“随着计算机技术的发展,人类有可能研究复杂的信息处理过程。这个过程的一种重要形式的识别环境和对象的活体。在模式识别领域的统计分析,聚类分析一直是学术界的关注和研究方向。到目前为止,大量的理论和方法已经被提出,并取得了显著的研究成果。经过长期的研究和发展,聚类分析可分为如下(14,15]:
3.1.1。而基于分区的方法
典型的算法k - means算法及其特点进行了总结表1在这里,所以它不会重复。
3.1.2。分层的方法
层次聚类方法使用自顶向下的分裂或自底向上的凝聚层次树结构来表示数据集。每个对象首先是作为一个单独的集群,这些集群融合为越来越大的簇,直到满足给定的结束条件。这种聚类方法是一种自底向上的烧结的聚类方法。分裂的层次聚类正好相反,所有对象首先被组合成一个大型集群。然后,它逐渐分成越来越小的集群根据相似性,直到满足结束条件。
3.1.3。Density-Based方法
Density-based根据不同的聚合方法分为不同集群密度数据对象集,与类似的密度和集群分为一个集群。然而,它计算很大,通常是 。此外,基于密度,参数的设置对算法的性能有很大的影响,目前没有好的解决方案,主要取决于用户的经验来选择参数。
3.1.4。基于网格的方法
基于网格的聚类方法将数据空间划分为一定数量的ultrarectangular网格细胞根据分区参数,将数据对象映射到相应的网格细胞,然后合并相邻网格细胞连接区域,也就是说,一个集群。基于网格的聚类方法对数据集的大小,具有良好的可伸缩性可以处理大规模数据集,可以找到具有任意形状的簇。基于网格的聚类方法通常是结合density-based聚类方法(16]。
3.1.5。基于模型的方法
基于模型的聚类方法是使用一个特定的模式聚类分析,试图优化符合实际数据和模型。神经网络聚类方法和基于统计学习的聚类方法是两种类型的基于模型的聚类方法。在聚类分析中常用的神经网络模型自组织映射(SOM)模型(17),自适应共振理论模型(18),和学习矢量量化(LVQ)模型。EM聚类算法基于高斯混合模型是一个典型的基于统计学习的聚类方法(19]。
3.1.6。模糊聚类方法
上述聚类方法可以被看作是硬聚类。不同于硬聚类,模糊聚类是一个软聚类方法。模糊c均值聚类算法(20.)是一种目前流行的模糊聚类算法,将聚类问题转化为一个优化问题,并使用一个迭代的方法来解决这个问题。它有一个简单的设计,良好的聚类性能和广泛的应用。然而,该算法对初始条件敏感,容易陷入局部最优,需要大量的计算,和有一个低分辨率的对象类重叠区域的边界。
表2总结了目前常用的聚类方法,每种方法的优点和缺点,在这NCA意味着确定类的数量提前敏感的初始值和异常值。
3.2。而基于分区的集群Algorithm-KM-KL算法
3.2.1之上。KM-KL算法的基本概念
而基于分区的传统的聚类算法,给出的组不确定对象分为K集群根据彼此的距离。KM-KL算法在这项研究之前,而基于分区的思想传统的聚类算法,将不确定数据集包含n不确定的对象k集群。他们被指示为 ,分别使用符号每个集群的中心点,并使用中心点代表集群 。而基于分区的聚类算法,包括以下属性如下:(1)所有集群属于不确定数据集, 。(2)每个集群包含至少一个数据记录, 。(3)每个数据记录属于一个集群,只属于一个集群,也就是说,当方程(9)满足方程(10)可以满足:
而基于分区的传统聚类的基础上,KM-KL算法在本研究中采用KL散度作为相似性度量。
该算法将不确定的对象k集群和集群选择最优的中心点为每个集群整体KL散度之和最小化。在聚类算法中,在该部门由一个聚类过程,KL的总和所有对象之间的分歧如下所示:
这个公式是用来衡量聚类的质量。设备价值越大,更糟的是这种聚类的质量,和设备值越小,这种聚类的质量就越好。在方程(11),代表了KL距离对象P集群中心 ,用于对象分配给每个集群。
公式(12)代表KL距离之和集群中的每个对象P集群中心 ,根据集群的结构可以调整。
3.2.2。KM-KL算法描述
KM-KL算法在本研究中是一个扩展的K-medoids算法利用KL分歧作为相似性度量。该算法以概率相似性(集群不确定数据11- - - - - -22]。算法分为两个部分,初始聚类划分阶段和中心替换阶段。
(1)初始化聚类阶段。在初始聚类和分裂阶段,算法选择k集群中心点来初始化一个接一个的集群和部门其他对象。第一个中心点选择的对象具有最小和的KL散度的其他对象不确定对象集啊,也就是说,公式:
剩下的k−1中心迭代点选择。在第i个迭代,算法选择的对象最大限度地减少设备。当它计算将分配给集群P作为新集群中心点,这种分配的贡献减少设备是如下所示:
从公式(14),它可以计算的总和减少设备部门的所有未经选择的对象在这个圆的,表示为 。在KM-KL算法,选择的中心点i迭代是最大的对象 ,也就是说,公式:
这将确保初始聚类中心选择在每一个时间点是最优的,因为这个选择可以减少集群之间的不同。初始聚类划分阶段结束时k集群选择中心点,然后进入第二阶段的算法,中心替换阶段。
(2)中心更换阶段。在中心置换阶段,该算法迭代替换集群中心集群中的点与所有noncenter点并选择最优聚类中心指向提高聚类质量。每次发生再分配,它记录该设备减少价值再分配和选择对象后最大的值作为新的聚类中心,如下面所示:
在这个时候,如果它是 ,这意味着这一轮交流提高了聚类效果。否则,算法结束,最终生成聚类。在图所示的例子6是用来说明KM-KL算法流程。
(一)
(b)
如图6,图6(一个)显示了不确定的对象集的分布。假设不确定对象a1, a2和a3满足相同的分布,它形成一个集群。不确定对象b1, b2, b3满足另一个分布和形成另一个集群中,基准的聚类结果。图6(b)显示了KL不确定对象之间的分歧和TKL的初始化值。由于不对称KL发散,在图6(一),例如,从a1, a2散度不等于散度从a2 a1。这时,KM-KL算法用于集群中的不确定对象图6(一)和输入参数k等于2。
最后,KM-KL算法形式两个集群{a1, a2, a3}和{b1, b2 b3} a1和b2为中心分,分别,该部门是最优。
3.3。算法性能测试和有效性分析
实验平台配置如下:英特尔(R)处理器,2.94 GHz的主要频率,2 g内存,使用操作系统Windows7多。实验程序是用c++语言编写,编译和运行在VS2010,并通过MATLAB仿真。
本研究离散和连续域生成数据集,分别。在连续域,一个不确定的对象是一个示例取自一个连续分布,在离散域,数据集转换从一个连续模型。连续域使用网格离散方法,将每个维度划分为两个相等的部分,因此采用数据空间划分成相同的2 d细胞。物体在某一单位的概率是所有样本点的概率之和的对象在这个单元。数据的值范围是[0,1]d。将使用三个不同的概率分布在这项研究中,即均匀分布、高斯分布,和逆高斯分布,这是由高斯分布,如图7。
(一)
(b)
(c)
实验研究中主要分为三个部分:首先,聚类算法利用KL散度的影响进行了分析。第二,它显示了聚类算法的计算效率的提高后,本研究使用一个高效的实现方法和一种改进的快速高斯变换。最后,实验表明该算法在大型数据集的可伸缩性。
而基于分区的古典和density-based集群算法,KL散度和几何距离作为相似性度量,分别比较聚类质量。在UK-means而基于分区的聚类算法,算法利用几何距离(表示英国)和KM-KL RKM-KL算法提出了研究进行了比较。density-based聚类算法中,FDBSCAN算法使用几何距离DB-KL算法(FD)表示,在这项研究中进行了比较。
在实验中,设置为基地的对象n= 100在默认情况下,每个对象都包含年代= 100个采样点,数据维度d= 4,聚类产生的默认设置k= 6集群。density-based算法,k不是作为一个参数,参数的密度阈值和距离半径需要设置在这里。其中,密度阈值 根据建议,和半径的距离在实验中不断调整,z FD和DB-KL可以产生聚类结果的近似k集群。
自从density-based算法的复杂性DB-KL成倍增加对数据对象的数量,该算法不适合大量的数据对象。RKM-KL算法主要是测试的可伸缩性。数据默认为4维度和包含10集群。
数据8和9显示的效果RKM-KL算法和RKM-KL-FGT算法在算法的聚类质量数据对象的数量基数大,对象样本很大。可以看出,当物体基数非常大或者样本的数量很大,算法也有类似的质量趋势时的数据量很小。此外,正如在前面的实验分析,RKM-KL-FGT算法的聚类质量将减少在一定程度上比RKM-KL算法。
图10显示了RKM-KL算法的运行时间和集较大时RKM-KL-FGT算法。可以看出RKM-KL算法的运行时间线性增加的基数数据对象增加。RKM-KL-FGT算法使用一种改进的快速高斯变换来获得近似,所以算法的运行时间是短的,和顺利运行时间增加而增加,基数。然而,由于计算的总和KL-divergence直接增加对样本的数量的对象,算法的计算时间RKM-KL样本数据量迅速增加而增加。虽然RKM-KL-FGT算法的计算时间几乎不受影响(成正比),显然,RKM-KL-FGT更有效的数据量很大的时候。
4所示。结论
应用射频识别技术已经相对成熟,在很多地方也有应用。尤其是经过这几年的发展,射频识别技术已经相对成熟的应用在许多方面,如超市、快递、物流等行业。在这项研究中,分析了射频识别技术所产生的大量数据和集群挖掘有效信息,减少系统运行时间。本研究从大数据和计算机科学的相关背景,介绍了射频识别技术的相关研究背景。随后,本研究将详细介绍射频识别技术,从定义到计算过程。在这项研究中,详细介绍了聚类分析,提出一种改进的KM-KL算法,证明是非常有效的。然而,也有一些缺点在这项研究中,也就是说,数据提取太广泛,和随后的研究可以进行具体分析某一行业的数据,如物流数据。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这个研究是由访问学者在高校教师专业发展项目(项目编号:00058 df2014401010101)。这个项目是感谢的支持。