预测的RFID识别速率基于邻域粗糙集和随机森林为机器人应用程序场景

文摘

物联网技术的快速发展,射频识别技术已广泛应用于各个领域。为了优化射频识别系统硬件部署策略,提高部署效率,射频识别系统识别速度的预测已经成为一个新的挑战。在这篇文章中,邻域粗糙集和随机森林(NRS-RF)组合模型来预测提出了射频识别系统的识别速度。首先,RFID系统的初始影响因素识别速度减少使用邻域粗糙集理论结合启发式属性约简的原则社区加权的依赖,从而获得一个内核因素子集。其次,建立了随机森林预测模型基于内核因素子集,并使用out-of-bag建立混淆矩阵(OOB)数据对预测结果进行评估。构建RFID实验环境下进行测试,其结果表明,该模型可以预测射频识别系统的识别速度在一个快速和有效的方式,和分类精度可以达到90.5%。它可以有效地指导硬件部署系统的协议和通信参数设置,提高系统性能。与BP神经网络相比(摘要)和其他预测模型,NRS-RF预测时间短和更快的计算速度。最后,验证了该模型的有效性RFID智能档案管理平台。

1。介绍

近年来,超高频(UHF)无源射频识别技术已广泛应用于无人驾驶的应用仓库,工业区,新的零售商店管理以及其他场景由于其在长途和multitag阅读能力1]。对传统的准静态RFID系统,通常部署在一个固定的方式在特定的地区,其系统结构和参数配置在某种程度上是不可调节的,很难适用于实际情况。为了应对上述情况下,一种新型移动RFID系统,因此,建议。射频识别机器人不仅是简单地组装机器人与射频识别系统还结合移动机器人的RFID系统形成一个统一的系统。射频识别系统的优化和控制需要充分考虑环境因素,如标签,空间,移动速度,和其他因素。与现有传统的准静态射频识别系统相比,机器人上的RFID系统是一个典型的动态系统。在传统的准静态射频识别系统,系统部署和阅读策略是相对固定的,而在移动射频识别机器人,射频识别系统需要不断调整参数和控制机器人移动最大化适应环境的获得最好的应用程序的性能。当移动射频识别任务领域的机器人,它能自适应地调整协议参数和硬件部署策略来完成标签阅读任务可靠地在动态场景下,从而提高系统的识别效率。在项目规划和设计领域,射频识别系统识别速度是关键技术指标测量系统的质量。为了提高系统的架构和工程部署效率,预测小说移动RFID系统的识别速度是关键的优先事项。

现有的预测模型中射频识别系统的识别速度,刘等人先后提出了逻辑回归分析模型,学习矢量量化神经网络,和其他智能算法预测射频识别系统识别的速度,取得了良好的预测效果。尽管良好的效果通过采用上述建议,某些缺点仍然发生在实际应用涉及大量的计算和过度拟合(2,3]。通过引入邻域粗糙集理论,乔等人进行优化工作对射频识别系统的识别速度影响因素来提高识别效率。然而,这些因素从实际测试场景,而主观的选择,这可能会对识别的潜在不利影响的实际系统4]。

所有上述算法用于预测的系统辨识率传统的准静态RFID系统,然而,很少有研究关注系统在动态场景。为了应对各种标记数字,复杂的多径干扰,和其他因素中遇到设计和部署RFID系统在动态场景目前,巨大的努力已经在验证测试和标签来避免调整参数的缺页率减少部署大量的测试。通过将射频识别技术应用到移动机器人而延长其相应的应用程序计划动态场景,一种新型的移动RFID系统,因此,建立了,一个新的智能学习算法被称为邻域粗糙集和随机森林(NRS-RF)组合模型介绍了预测系统的识别速度。

从射频识别系统硬件部署的角度,全面选择初始影响因素探索系统辨识率之间的关系和每一个影响因素。这种方法避免了做了很多验证测试,以获得最佳的部署策略。NRS-RF模型预测系统辨识率在一个快速和有效的方式,以扭转指导硬件部署和RFID系统的通信协议参数,提高射频识别系统的性能,满足工程的需要。这部小说移动RFID系统打破了传统的准静态RFID系统设计和提供更深入的场景感知和实时读写策略优化实际工程的需要。

NRS-RF模型的具体步骤如下:

首先,多个初始影响因素综合影响RFID识别系统的识别速度。在特定的关系,理论是采用减少影响因素,这些因素之间的数据冗余,内核的选择因素子集。其次,引导方法用于重新取样训练集训练随机森林预测模型的支持(5- - - - - -7]。NRS-RF模型与其他预测模型相比,如反向传播神经网络(摘要)来验证其优势预测射频识别系统的识别速度。NRS-RF的试验结果表明,模型能够准确、迅速完成预测射频识别系统的识别速度,和分类精度可以达到90.5%。它有效地指导项目部署和提高RFID系统的性能。

与其他模型相比,如摘要、NRS-RF模型有明显优势的分类精度和训练时间。最后但并非最不重要的是,该模型应用于RFID智能的项目档案管理平台,从而验证,验证该模型的有效性。

本文的其余部分组织如下:部分2提供了一个全面回顾相关工作。部分3强调相关理论方法。部分4概述了实验测试和分析。部分5详细分析仿真结果和工程应用。部分6总结结论。

2。相关工作

一般来说,传统的射频识别系统的部署环境通常是位于固定场景,如走廊、通道的入口和出口,原因是不方便的在这些领域应用标签识别。现场有大量的情况下识别区域,multireader机制通常是采用(8]。然而,支出改善机制将是巨大的和负担不起,更不用说读者之间潜在的碰撞。目前,不同算法的出现,协议算法的读者防撞吸引了太多的关注,其中心跳算法(9)和颜色波算法,以及相应算法的改进版本,繁荣(10,11]。在这篇文章中,我们的研究主要集中于单一移动阅读器机制,RFID系统与多个读者,因此,不需要特别详细介绍了。

最先进的移动RFID系统适用于中小型地区的标签识别。这个移动RFID系统在超高频工作不需要任何电源(被动),具有特色的识别距离,体积小,方向性强,和优秀的鲁棒性与环境变化12]。系统不仅可以确保所有标签覆盖在读者的信号的识别范围,可以阅读成功但也相应的信息处理属于传统的固定射频识别系统的扩展应用程序。但是,上述动态射频识别系统不能实现其最佳状态由于脆弱识别速率受到外部干扰严重影响可能引起主观性,经验,和实时硬件系统的部署。因此,动态射频识别应用程序场景需要保证更深入的场景感知和实时读写策略优化,这对射频识别读写技术提出了新的挑战。

在新技术策略和格式(如人工智能,大数据,新一代的机器人,智能制造、和新零售,射频识别技术是促进机器人完成仓库管理自动化和非人化,工业区,新的零售管理(13]。米尼奥等人介绍了刺射频识别系统识别速度和影响因素之间的关系在移动系统中,建立了支持向量机(SVM)模型,并预测射频识别系统识别。然而,仍然存在某些错误预测结果和实际之间的识别速度。在上述方法,影响系统辨识率的因素是选择的不足,与实际场景既不确认也不验证(14]。

2016年1月,Keonn美国科技公司提出了一个RFID机器人被称为advanrobot和应用到服装零售场景实现快速、准确的移动阅读15]。2016年4月,一位著名的美国制造商命名Thingmagic引入自适应读者工作周期技术减少读者的工作时间对标签数量,从而减少功耗(16]。王等人提出了一个有效的能量检测和计算方法为RFID系统在动态场景,有别于传统的避碰算法。标签有助于读者判断标签识别领域相互碰撞或不通过发送PBD破裂时间。如果发生碰撞,碰撞的问题将由递归解决轮询,从而提高系统的标签识别速度(17]。2016年8月,Impinj提出了一个方案,高速公路革命RFID阅读器,它自动性能设置介绍基于环境噪声检测和自动动态天线切换技术来优化读写时间和效率18]。

本文针对促进可持续发展的射频识别技术,射频识别机器人研究和开发新一代的适应性读写技术,因此,开展,满足特定需求的利基市场,加速行业的技术进步。为了提高系统识别硬件部署从物理的角度来看,一个名为射频识别系统识别速率预测的智能学习算法,提出了基于NRS-RF模型。通过使用我们的方法,不仅是各种影响因素之间的关系挖掘和系统辨识率还智能场景知觉意识到通过模型匹配,而不是使用传统的方法,从而提高预测精度。此外,通过结合小说移动RFID系统,硬件部署配置的最优组合方案获得提高RFID系统的识别速度,从而最大限度地提高效率和有效性的硬件部署同时确保成本效率的劳动力和资源。

使用NRS-RF模型的哲学可以概括如下:(1)射频识别系统的识别速度影响因素选为样本数据,评分量表的理论用于减少这些因素的属性,选择内核因素子集影响识别的速度,并减少非线性映射的输入维数。(2)基于内核的因素集,构造预测模型与随机森林2-classification RFID系统具有识别速度,对一种新型移动RFID相应地建立实验测试平台。由于NRS-RF之间执行比较分析模型和摘要和其他预测模型在办公自动化方面,Kappa系数、RMSE,美,培训时间和预测时间和相关性。测试结果显示NRS-RF模型的优越性。(3)预测模型应用于智能档案管理平台,和影响因素的重要性分布射频识别系统识别速度分类预测分析,验证该模型的有效性和效率。

3所示。方法

3.1。减少特征因素

成为一个创新在经典粗糙集理论中,邻域粗糙集(NRS)林于1988年提出的理论是(19,20.]。评分算法的思想是,在现实空间中,每个数据点将形成一个社区和社区家庭中的数据将构成粒子的基本信息(21- - - - - -23]。数值数据集的关系,解决问题不容易被处理在经典粗糙集理论中,删除冗余数据特征,并选择的关键因素,影响识别的RFID系统(24,25]。

在射频识别系统中,信息系统W由quad-tupleW=Y (U, V, f),在那里U样本数量的识别速度,Y是识别的样本集率( ),C影响因素的识别速度功能属性设置,然后呢D分类的识别水平率功能作为决策属性。这quad-tuple信息系统W被称为决策表,其中V表示属性和值字段f代表了映射关系用于指定属性值的样本x,也就是说,f=U×Y⟶V。

如果样品 ,的社区条件x_我需要满足 ,任何Δ表示距离函数,在哪里 ,和Δ满足

对于任何属性设置l分类时,看不见的数据将被分组到一个类。他们属于看不见的关系,可以由以下方程:

不可区分关系组H⊆Y,一个∊H,如果关系 是满意,认为{h}是冗余数据H,这可以减少。它可以定义理论字段的值V R相当于关系V,上近似、下近似邻域粗糙集,和边界的子集x分别满足以下方程: 在哪里 是积极的域子集X和 是负域。对于任何c∊C,决策属性的依赖程度D在条件属性c被定义为

如果两个随机变量的定义,关联度计算互信息度量可以满足以下方程:

3.2。随机森林预测

随机森林(RF)算法是基于决策树作为一个学习机器构建装袋集成(26,27),从而进一步引入随机属性的选择。具体地说,传统的决策树算法选择最优的属性在当前属性组在选择分区属性,而RF算法包含随机选择一个子集Kth属性的属性集,通过选择一个最优属性子集选择的分类。使用这种随机选择,随机森林可以避免过度拟合的缺点,表现出良好的抗噪声性能。优于其他智能算法,它只需要简单计算,同时保持成本效率。下面的RF算法原理,如图1。

随机森林算法采用一个集成的算法;算法的分类精度比其他单一算法本身要高得多,因此,精度较高。随机森林算法能够处理高维数据的特征选择。对训练样本进行引导抽样时,out-of-bag将生成的数据。无偏估计真正的错误可以获得模型生成过程中没有训练数据的损失。由于简单的实现、精度高和antioverfitting能力强的算法,当面对非线性数据,如射频识别系统的识别速度,模型还显示高分类精度和合适的基准模型。

由于标签数量的变化和复杂的多路径通道干扰的架构和部署RFID系统,RFID系统辨识率的预测价值,因此,离散。为了避免调整参数来获得最优部署策略和做大量的测试和验证,有必要全面选择影响因素,因此矿业RFID系统辨识率之间的非线性关系及其影响因素。从硬件的角度部署RFID硬件部署和通信协议参数优化和调整的目的在于减少错过的标签和提高系统的性能。影响因素之间的关系并使用射频识别速率得到分类预测算法,其数学模型可以表达了以下方程:

在方程(8),RFP随机森林预测模型的参数集,Tn是回归树模型中,的数量米影响因素的数量。在方程(9),预测方法定义射频识别系统的识别速度,f是随机森林分类的不确定性函数关系算法,d是系统辨识率,是我- - - - - -th指数影响因素的识别速度,包括标签的数量,数量的天线,阅读距离,和其他参数。n的数量影响因素系统的识别速度。随机森林算法的另一个优点是,可以测量的影响因素参与算法的重要性程度分类。影响因素的贡献值可以由计算信息增益率的数据集。信息增益率呈正相关的影响因素,表明信息增益率越高,越强的确定影响因素。计算信息增益是由以下方程: 在哪里H (D)是数据集的信息熵D,即 在哪里带来的熵变吗变量条件下的数据集D。

4所示。实验

4.1。选择的影响因素

我们使用超高频无源RFID系统作为实验背景构建小说移动超高频无源RFID测试平台。这种类型的射频识别系统有许多优点,用户无法拒绝。这种技术可以实现没有人工干预,不接触识别。这种技术可以实现非人类干预和非接触识别。系统可以使用在许多恶劣的环境,如自动集装箱码头堆场作业系统识别、高速移动物体识别、multitag识别,以低成本和其他场景。

新颖的移动RFID系统,因为它的流动性,标签识别领域有机会识别和处理,可线性扩展识别范围的读者。这部小说在相同的测试条件下,移动RFID系统可以识别更多的标签和获得系统的识别速度比传统的准静态RFID系统。然而,当系统投入实际工程部署,它将遇到等因素改变标签的数量和复杂的多径干扰。当我们调整硬件部署系统,会有主观性和及时性,导致读者的识别范围。盲区,我们可以减少错误的射频识别系统的识别速度,优化硬件配置合理,以最大化系统的性能。

RFID系统项目规划和设计、系统辨识率表示库存过程中被成功读取的标签数量占总数量的标签。它是衡量系统性能的重要指标。一般来说,系统辨识率与可控因素涉及到读者的移动速度,数量的标签,和其他因素和不可控因素包括多径干扰、多普勒效应,和其他因素,如图2。在实验中,11个可控因素选为条件,包括天线的高度 ,数量的标签 ,标签和货架之间的水平距离 ,读者投票的循环次数 ,天线的移动速度 ,水平角的天线 ,垂直天线的角度 ,数量的天线 ,光强度(阳光,黑暗的房间里没有光在相同实验条件下选择) ,货架的高度 ,和读者传递力量 。射频识别系统识别速度的水平被认为是决定属性。

为了验证该智能预测方法的预测精度对于射频识别系统,首先,使用variable-controlling方法进行正交实验。天线的高度设置为0.6米,0.9米,1.2米,分别;标签的数量设置为90,130年,150年和180年,分别;标签和天线之间的距离设置为0.8米,1.5米,1.9米,分别;轮询的读者的数量设置为1时,2和3,分别;天线的移动速度设置为0.3 m / s, 0.6 m / s, 0.9 m / s,分别;天线的水平角设置为0°和30°,分别;天线的垂直角度设置为0°和30°,分别;天线的数量相同的规范设置为1和2,分别;光强度设置为0(阳光)和1(暗室),分别; the shelf height is set to 0.6 m and 1.2 m, respectively; and the reader transmitting power is set to 18 dBm, 23 dBm, and 28 dBm, respectively.

我们需要遍历10368套交叉实验和记录射频识别系统的识别速度,每组的影响因素是用来进行3实验,和的平均值RFID系统辨识率和影响因素可以作为示例数据。

在实际工程应用中,新型的便携式RFID系统应该在标记的辨认率将达到100%的商品库存。在实际应用程序中,然而,由于多路径效应等复杂的制约因素,并不是理想的依靠当前的硬件。因此,鉴定率只能达到95%的门槛,需要调整根据实际情况对不同的项目。我们相信,识别速度是否合格与否在于满足实际情况的要求。如果系统的辨识率超过95%,它被认为是高速率,可分为1型;否则,它是贴上不合格2型如果鉴定率小于95%的阈值。

4.2。综合分析测试平台

根据预测模型提出了射频识别系统的识别速度,构造新颖的移动超高频无源RFID系统结合移动机器人汽车作为RFID阅读器天线和其他设备实验测试平台。9米长,4米宽,3.75米高,平台是建立在开放的教室的走廊,如图3(一个)。水滴的机器人的产物北京Yunji科技公司选择实验中使用的机器人车辆,机动能力的高度敏感的智能感知和定位导航。

如图3 (b),机器人车辆,启用路径扫描功能可以调整其移动速度后,实验要求。车辆扫描测试网站,白色代表了区域内行走,灰色代表了未知的区域,黑色实线代表了障碍成立于地图的信息。扫描结果如图4。移动机器人车辆配备了一个可调节三脚架,阅读器和天线。详细介绍了实验规范如下。

一个RFID阅读器(Mercury6模型,ThingMagic采用),读写性能稳定支持阅读ISO 18000 - 6 c协议标准在有线模式9 dBi天线圆偏振读者。但是书架左边是1.5米2 m,一定数量的书均匀分布在每层和档案标签贴在每一本书。标签使用超高频无源及其主要工作频率范围从860兆赫到920兆赫,表现出良好的方向性和满意的阅读距离。

这部小说移动射频识别实验系统具有以下特点:(1)这部小说移动RFID系统克服了传统的准静态射频识别系统识别区是静态的,因为总有盲点的问题识别,避免了人工手持阅读器的缺点,导致大错误在射频识别系统的识别速度(2)为了确定区域中的所有标签,这部小说移动RFID系统需要一个移动机器人调查标签在阅读区,和标签是被读者信号覆盖区域,至少一次(3)一些标签将不断进入和离开的信号区域读者(4)有些标签会被读者发现多次

实验构建小说移动超高频无源RFID测试平台。因为只有一个活动单一阅读器机制可以用来实现multitag识别,成本远低于multireader机制的RFID系统,也节省了多个读数。它还节省了设备安装和布线成本。然而,该系统仍有以下限制。

由于扇形天线辐射场的RFID移动机器人车辆,标签的回波信号两岸的部门较弱,容易受到干扰。行业覆盖的范围,远端标记的回波信号很弱,而附近结束标记B是强大的。过程中识别标签,标签上的两端部门可能会阻止读者天线如果车辆移动太快,从而导致信息丢失。

为了方便简单,直接识别、车辆选择的不同移动速度作为初始RFID系统的影响因素。如图5,要求车辆必须沿着线性路径信号辐射半径R在一个合理的和恒定的速度在指定条件下获得最佳的射频识别系统的识别速度。我们的未来的研究将集中在最优磁盘路径指向获得系统的最大识别速率。

识别标签的整个过程中,只有通过调整参数从物理的角度来看的硬件部署的优化部署方案组合可以获得。在上述实验中,然而,理想的识别100%的速度不能仅仅通过调整硬件配置来实现。不可否认,还是有其他不利的障碍可能诱发盲区问题,限制涉及天线极化失配和多路径衰落主要可以归结。

根据情况架子上的标签的数量和存储区域的大小呈正相关,只选择小型标签统一放置在识别区域没有考虑场景中严重的标签碰撞问题密集多个超高频标签。关于其他的初始因素中选择部分4.1,如天线高度,轮询的读者,和天线之间的水平距离和货架,应该认真选择一个合理的测试范围。此外,仍有许多重要的任务要完成,其中包括,但不限于,进行正交组合的可控变量和测试影响因素的不同组合,以及记录RFID系统辨识率。

4.3。算法

4.3.1。减少影响因素

节4.1,11个可控因素(见部分4.1)被选为条件属性,射频识别系统的识别速度级别作为决策属性。

为了减少上述11组之间的冗余性影响因素和提高系统识别的预测精度,减少启发式算法的邻域加权的依赖,因此,采用。使用这个算法的目的目的是减少影响因素的属性约简和获取内核因素子集R(28,29日]。向前算法是一个贪婪的基于属性的属性约简算法加权依赖(算法的重要性1)。详细解释的算法描述如下30.,31日]。

在一个社区决策系统W= (U,C∪D,V,f,ε),Z⊂C,我们定义属性x∊Z−B和w定义为调整参数和加权的依赖,所以程度的重要性Z和D基于加权的依赖程度满足以下方程:

邻域半径ε= 0.28被选中,从空集选择的属性子集,并减少子集依次选择建立一个有序减少属性子集。11组的影响因素的依赖增加增加减少的重要属性子集,从而最终获得决策表M1,如表所示1。从表1,很明显,有500组数据后减少样本集U这是由 ,和 。与最初的影响因素相比,执行后邻域粗糙集的启发式约简算法加权依赖性,消除了冗余的因素,改变了从原始的输入特性11集7集。

4.3.2。随机森林预测

本文的预测模型是基于随机森林工具箱由科罗拉多大学(32),和相应的代码写在MATLAB7.1的操作环境。RFID识别速率预测模型基于NRS-RF包括6个步骤。具体的预测步骤NRS-RF证明如下:(1)标准化的输入数据。内核因素子集{天线高度 ,数量的标签 ,标签和货架之间的距离 ,轮询的循环次数 ,天线的移动速度 ,数量的天线 ,和传输功率的读者}通过邻域粗糙集理论的属性约简是500年用于构造7-dimensional随机森林模型的样本数据作为输入变量。示例数据处理由以下方程: 系统的识别速度的预测价值转换 在哪里x最初的射频识别系统识别速度值和吗和的最大和最小值是系统辨识率,分别。(2)引导采样训练子集和决策树。是用来执行的引导方法n次重采样的样本集年代和随机生成n训练子集与相同数量的样本。在引导训练样本的抽样,1/3 out-of-bag (OOB)数据将会被抛之脑后。OOB精度估计每个决策树可以通过实际样品。左派和右派的OOB精度估计决策树在森林里平均可以获得随机森林的泛化精度估计。对所有样本子集 ,购物车执行算法构造决策树,从而结合这些树形成一个随机森林,表示为 。(3)节点分裂增长。在决策树的节点分裂和生长,Mtry块预测模型的输入参数是随机作为当前节点的分割子集。Mtry代表的价值模型的扰动程度因为模型中的值敏感属性直接影响模型的预测精度。根据给定的值可以是经验方程: 在哪里米输入变量的数量是6在这项研究。因此,根据方程(16)和(17),米试值是2。当节点分成子集,基尼系数在CART算法作为最小原则选择最优分割影响因素和最优分割价值。在分裂过程中,没有修剪操作执行,米try块度保持不变。基尼系统是由以下方程: 在哪里代表了当前影响因素,K代表的数量影响因素组 ,和表示样本点属于的概率K类。在确定最优分割影响因素 ,如果一个子集分为两个子集和关于 ,最优分割价值”一个“可以由以下公式计算: 在哪里 ,是我们的样品 , ,和 ,分别。(4)预测样本的类别。每次构造决策树后从底部到顶部,树是保存的完整性没有执行修剪操作,和所有的决策树与测试集测试X获得测试样本的预测类别射频识别系统的识别速度,可以表示为 。(5)最后预测分类。培训后,样本数据x从测试集数据输入X到模型获取预测分类结果和测试集的选择最终的分类结果投票机制。投票机制的原则可以表示由以下方程: (6)评价模型。混淆矩阵建立了验证的OOB数据集和分类结果进行评估。基于混淆矩阵,选择四个评价指标,包括总体精度(OA), Kappa系数,均方根误差(RMSE)和平均绝对误差(MAE)。射频识别系统识别的最终预测结果率与系统辨识率的阈值条件在实际的项目。因此,可以认为RFID系统的硬件部署方案是否能满足应用需求。OA, Kappa系数、RMSE美表达由以下方程,分别为:

4.3.3。时间复杂度分析

提出了一种邻域粗糙集模型和随机森林组合的射频识别系统的识别速度预测模型。的本质是减少维度X样品和Y最初的影响因素。首先,最初的影响因素是减少使用邻域粗糙集理论结合邻域加权依赖的启发式属性约简的原理,从而获得一个内核因素子集。因此,维Y减少到V。此时,时间复杂度的计算内核系数邻域粗糙集的集合O(V²X日志X)。然后,选中的内核子集的因素是作为输入的随机森林模型建立RFID系统辨识率预测模型。此时,模型的时间复杂度O(变电站(日志)²),K代表基本分类器车的数量年代代表的数量的训练集的随机森林算法。很明显,这个时候时间复杂度低于随机森林的直接处理最初的影响因素。毕竟,样品已经在尺寸上减少,V≤Y。

5。结果与讨论

5.1。优化n次和构造决策树

在执行随机森林算法之前,有必要优化超参数n次决策树的数量。500年7-dimensional样本数据是随机森林模型的输入变量。通过改变n次值,相对应的OOB精度不同的n次值可以计算。决策树的数量可以通过OOB估计精度,如图6。

从图6,它的值可以看出,n次增加模型分类所得的进步。当n次的值大于500,相应精度的增加,增加的趋势不明显,但反而下降。因此,在模型的识别分类精度和分类时间作为参考标准,n次的最终价值是500。一旦确定数量的决策树,每棵树是除以基尼系数表达式和最优分割价值的部分4.3.2从根节点到每棵树实现增长。在这里,我们选择一个决策树来观察其分裂和生长过程。最优分割的影响因素和最优分割价值分裂过程决策树中的每个节点如表所示2。完整的施工过程从决策树的根节点,如图7。

5.2。测试结果

测试集是用于验证所构造的随机森林模型的分类精度。射频识别系统的识别速度是通过模拟,如图8。根据预测结果图8,分类精度为90.5%。水平和垂直轴表示500组数据,红色星号的形状代表了错误分类样本,和蓝色的圆圈表示正确分类样本。蓝色方块代表中的数据容易出错范围,样本250决策树方法,越接近越难做出决定,而容易使分类错误。

从样本数据的角度来看,在500组样本数据,有357套合格的样品满足阈值条件,这意味着RFID系统辨识率高于95%。有143台不合格的样本不满足阈值条件;也就是说,RFID系统辨识率小于95%。100组数据在测试设置中,有80组合格鉴定率和准确的预测率大约是96.25%,平均误判3数据组。在不合格的识别速度,有20组的准确率90%,平均误判2数据组。这个时候,NRS-RF模型展览优秀的性能预测RFID系统辨识率。

为了验证预测精度可以通过使用改进的邻域粗糙集减少最初的影响因素,预测精度之间的关系和影响因素的数量,因此,分析采用variable-controlling比较实验。首先,精度验证添加到测试样品一个接一个根据影响因素的重要性,如图9。从图可以看出9的条件下,确保其他参数的一致性,分类预测精度明显改善,因影响因素数量的增加。

当影响因素的数量达到5,测试样本的总体预测精度增加缓慢。数量增加到7时,精度达到90.5%,然后稳定下来后略有下降。分类是在一个上升趋势随着影响因素数量的增加。当影响因素达到11,精度提高更显著。考虑预测精度和分类的结合时间,7个影响因素得到属性约简是组合最优特性,有效地提高分类精度,同时减少分类。

为了进一步验证的优点NRS-RF模型在预测射频识别系统的识别速度,两个新的预测算法来构造预测网络模型选择和比较分析与提出NRS-RF模型,包括K最近的neighbor-naive贝叶斯(KNN-NB)和反向传播神经网络(摘要)33- - - - - -35]。这三个模型预测300组射频识别系统识别样本数据,相比较而言,OA, Kappa系数、RMSE,梅,培训时间和预测时间和相关性。预测结果如表所示3和数字10- - - - - -12。

Kappa统计评价一致性的测量值,这表明是否存在一致性模型的预测结果和实际结果。当Kappa系数大于0.75,它表明该模型是更好的和有一定的价值。从表可以看出3NRS-RF模式分类精度最高的OA和Kappa系数为88.5%和0.875,远高于其他两个模型。这表明NRS-RF方法可以有效地屏蔽核转录因子的系统辨识率,提高模型的分类精度。

诚然,与性能优良适用性、NRS-RF方法可以有效地消除影响射频识别系统识别速率的影响因素。在图10、RMSE美NRS-RF模型的值相对较小,预测误差小,分类精度较高。比较三个模型的训练集和预测集的操作时间,NRS-RF模型需要短时间同时确保较低的计算复杂度和提高计算速度,从而更好地满足工程应用程序,如图11。

不同于KNN-NB和摘要模型,随机森林模型是一个内核子集组成的500模型的样本集作为输入。然而,由于其简单的分岔结构基础学习者决策树,其学习时间小于6 s。

同时,构造决策树时,它的随机选择部分功能为基础的分类树的生长,当构建内部基础学习设备,采用随机抽样将训练样本放回原处,这确保了最终模型的泛化能力。因此,随机森林算法模型具有较高的营运。

之间的相关性的预测价值识别的三个模型和实际值进行了分析,如图12。相关系数R的三个模型R_NRS-RF= 0.891,R_KNN-NB= 0.824,R_摘要利用分别为= 0.798。的RNRS-RF模型更接近于1,表明模型的预报值更接近实际测量值,表现出更好的预测效果。

NRS-RF模型与其它两种预测模型相比显示出了巨大的优势,这主要是因为冗余属性的初始影响因素更重要的是,他们不仅增加分类器识别时间,但也使射频识别系统的分类精度明显下降。通过“全国读者人数调查”的算法,减少内核因素子集。内核的分类因素集包含强灵敏度特性,提高了预测精度,减少模型的计算复杂度。

KNN-NB组合算法使用资讯算法来计算样本数据之间的距离进行测试和样本集。选择的样本数据作为训练样本的NB算法,然后,NB模型用于预测和分类K= 3。因为NB模型需要知道先验概率,往往取决于假设的先验概率模型。然而,有很多种假设的模型,所以在某些情况下,预测效果会差由于之前假设的模型,所以有一定的错误率在分类决策。

我们使用三层摘要模型。隐层节点的数量设置为6,和输出层节点的数量是1。自从摘要模型本质上是一个梯度下降法,优化的目标函数是更复杂的和容易“锯齿现象,”这使得摘要模型的收敛速度缓慢,影响最终的预测测试集的分类精度。

5.3。工程应用

随着智能档案管理库存技术迅速的发展(36,37),超高频无源射频识别技术解放的档案管理由条形码相对“刻板”的印象。为了进一步提高阅读效率的存档库存,射频识别系统是安装在移动机器人车辆,和NRS-RF模型的有效性验证档案管理应用程序。不同硬件部署条件下,本研究选择300套射频识别系统的识别速度和影响因素作为样本数据,在初始影响因素的启发式属性约简是使用邻域粗糙集理论进行的。影响因素的重要性分布给出本文通过减少邻域粗糙集和的OOB误差分析的随机森林。

高分数表明重要性影响因素对分类结果有更大的影响和贡献,如图13。可以看出,重要性得分都超过5,涉及天线高度 ,读者传动功率 ,标记和天线之间的距离 ,和其他四个影响因素。最后,选择内核的因素,其中包括天线高度 ,数量的标签 ,标签和天线之间的距离 ,读者的轮询周期 ,天线移动速度 ,天线数量 ,和读者传递力量 。

平均准确率下降和平均下降7组的基尼系数的影响因素是通过分析基尼系数。上述平均准确率下降和平均下降基尼系数可以表示精度下降的程度影响因素被替换时,这两者都是正相关的影响因素的重要性。如图14,值越大的上述率和系数,较高的影响因素的重要性。此外,一些影响射频识别系统识别样本率如表所示4。

从240年300年的样本数据,组织被选为训练集训练模型,和其余60组测试集数据验证和预测。十组测试数据从测试集样本,随机选择和散点图,如表所示5和图15。均方根误差为0.548,和相关系数R是0.951,表明突出模型的预测精度。

从表可以看出5预测分类水平的10组测试样本数据基本上是符合实际的分类,满足工程要求。通过比较样品的第三和第四组表5,可以分析,可以提高系统辨识率1型通过减少天线的移动速度或者增加读者的轮询周期的数量当其他影响因素是一致的。第二、五组样本的比较分析表5显示系统辨识率可以提高时1型标记的数量减少或读者的轮询周期的数量增加,从而完成标签阅读在最大的程度上。射频识别系统的识别速度,因此,预测在一个迅速和有效的方式通过矿业的辨认率之间的关系和影响因素。此外,系统辨识率可以提高通过有目的地优化和调整相应的硬件部署,通过这个应用程序需求工程的库存将会满意。

6。结论

为了优化硬件部署RFID系统,提高系统的识别速度,射频识别系统识别速率的预测模型的基础上,结合邻域粗糙集模型和随机森林提出通过矿业相关影响因素之间的关系和系统辨识率。本研究使用邻域粗糙集理论进行加权依赖的启发式属性约简的初始影响因素和需要内核因子设置为输入变量的随机森林模型,模型的训练。射频识别的模型验证和验证实验测试平台。仿真结果表明,NRS-RF模型的拟合精度高于的摘要和其他预测模型。最后,该模型应用于RFID智能档案管理平台,从而证明NRS-RF模型的性能优良。该模型相对地可以配置的参数设置RFID硬件部署和系统辨识率,因此,改进以满足工程应用的要求。

尽管上述发现,天线极化失配的影响,多路径衰落,或其他可能的盲区限制过程中没有充分考虑移动机器人车辆库存标签,这可能影响标签库存的过程。我们的未来的研究将集中在自动标签计数技术的深入探索和实现自动跟踪的功能,移动机器人路径规划和机器人车辆,为未来铺平道路发展的自动化标记阅读和写作。

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有关的出版。

确认

这项研究是由国家教育部社会科学基金陕西省(没有。2018 jk0704),西安的科技计划项目(201805040 yd18cg24-3号和2019年gxyd173),陕西省的关键研究和发展计划(号。2018 zdxm - gy - 041和2018 gy - 150),咸阳的科学技术研究计划项目(2018号zdxm - gy - 041和2018 gy - 150),和佛山创业和创新的团队项目(2017 it100032)。

引用

1. k . Kapucu和c Dehollain”,无源超高频射频识别系统低功耗电容传感器接口,”2014年IEEE射频识别技术及应用研讨会论文集(RFID-TA)2014年9月,坦佩雷,芬兰,。视图:谷歌学术搜索
2. s . b . y . l . Liu胡,f . y .严”分析嵌入式RFID系统辨识率的关键因素,”《工程设计,12卷,不。45岁,479 - 484年,2012页。视图:谷歌学术搜索
3. 邓y, y, y . f .杨x h . Cheng和c李问:“射频识别研究基于BP神经网络的室内定位算法,”小型微型计算机系统,40卷,不。8,1707 - 1712年,2019页。视图:谷歌学术搜索
4. l . y .乔·j·g·杨,h, s . s .戴和p . c .傅”优化阅读速度的关键指标基于粗糙集理论,射频识别系统”制造自动化,36卷,不。45岁,13 - 16,2014页。视图:谷歌学术搜索
5. m·A . " s亚希尔m .罗伯特·c·诺埃尔,“机器/深度学习模型的比较分析停车空间可用性预测,“传感器,20卷,不。1,1卷,2020页。视图:出版商的网站|谷歌学术搜索
6. n . t . Rafia e·p·亚历山大,m . k .金正日“感应电动机的轴承故障诊断使用遗传算法和机器学习分类器,”传感器,20卷,不。1,第1523 - 1504页,2020。视图:出版商的网站|谷歌学术搜索
7. k . Ashima m . Rajni n . Anand k . Jeamin g·k . Byeong和c·a·纳文,“小说deep-learning-based缺陷严重程度分类技术使用卷积神经网络和随机森林与提高,”传感器,19卷,不。3、1329 - 1351年,2019页。视图:出版商的网站|谷歌学术搜索
8. y Kang m . Kim和h·A·李,“基于hiercrchical结构防撞协议密集的RFID阅读器网络,”学报》第13次国际会议上先进的通信技术2011年12月,首尔,韩国,。视图:谷歌学术搜索
9. 美国Kwangcheol和美国Wonil RAC-multi:读者防撞多通道移动RFID网络的算法,”传感器,10卷,不。1,第1351 - 1329页,2010。视图:出版商的网站|谷歌学术搜索
10. 李z h·杨,j . Li c .他和j .周”一个增强neighbor-friendly读者防撞algorithmin移动RFID网络”学报》2014年第四届IEEE国际会议信息科学和技术2014年4月,中国深圳,。视图:谷歌学术搜索
11. n .阮b . Liu和v . a .范教授“Dynamic-range-based reader-tag避碰算法部署RFID网络”学报2016年国际会议上电子、信息和通信(ICEIC)2016年1月,越南岘港。视图:谷歌学术搜索
12. 诉铁,a . Luz, a . Lucrecio”小金属应用程序远程超高频标签,”学报2013年IEEE国际会议上rfid技术和应用程序(RFID-TA)2013年9月,马来西亚新山市。视图:谷歌学术搜索
13. g . Cicirelli a Milella, d . Di,“RFID传感器模型的监督学习使用移动机器人”学报2011年IEEE国际会议上rfid技术和应用程序2011年,西班牙Sitges Septmber。视图:谷歌学术搜索
14. j .米y Yonu、Cha s和h . Choo,“移动RFID标签检测影响因素和预测检测能力,”传感器,9卷,不。2、112 - 119年,2009页。视图:出版商的网站|谷歌学术搜索
15. Keonn”商店Keonn超高频RFID产品,”2020年,https://www.atlasrfidstore.com/keonn-rfid-eaders-antennas/。视图:谷歌学术搜索
16. w . j . Liu, z,肖,l·杨和f . Tan“能源效率的方法通过自适应频宽比在社会交往的场景中,”学报》第25届国际会议上并行计算和分布式系统(ICPADS)中国,天津,2019年12月。视图:谷歌学术搜索
17. j . s . h . Wang Wang姚明et al .,“有效的防冲突算法RFID机器人系统,”装配自动化,40卷,不。1,55 - 64、2019页。视图:出版商的网站|谷歌学术搜索
18. Impinj高速公路连接Impinj RFID阅读器软件,http://www.idshi.com/ProductView.aspx?Id=84,2020年。
19. z h .周机器学习,清华大学出版社,北京,2016。
20. 郑z z邓,邓d, t . Wang y,和d .张”特征选择多标记学习F-neighborhood粗糙集的基础上,“IEEE访问,8卷,不。1,第39688 - 39678页,2020。视图:出版商的网站|谷歌学术搜索
21. 黄c . Wang y、m .邵和x的粉丝,“模糊粗糙使用距离措施基于集合的属性约简,”以知识为基础的系统,卷164,不。1,第212 - 205页,2019。视图:出版商的网站|谷歌学术搜索
22. m . y . c . Wang Wang邵,y钱,和d·陈,“模糊粗糙分类数据属性约简,”IEEE模糊系统,28卷,不。5,818 - 830年,2019页。视图:谷歌学术搜索
23. c . Wang y黄m .邵问:胡,d·陈,“基于社区self-information特征选择,”IEEE控制论,50卷,不。9日,第4042 - 4031页,2020年。视图:出版商的网站|谷歌学术搜索
24. j .赵和x锅”,遥感图像特征选择基于粗糙集理论和多主体系统,”学报2015年12日国际会议上模糊系统和知识发现(FSKD)2015年8月,张家界,中国,。视图:出版商的网站|谷歌学术搜索
25. m . Ren, y, a .邓“覆盖粗糙特征选择基于集合的三方决定,”学报》2018年第十届国际会议上先进的计算智能(ICACI)厦门,中国,2018年3月。视图:出版商的网站|谷歌学术搜索
26. 诉刘贤吴和n h . Vaidya RFID树:分布式射频识别标签存储基础设施的森林搜救,”第七届IEEE通信学会学报会议上传感器,网格和临时通信和网络(SECON)美国,波士顿,MA, 2010年7月。视图:出版商的网站|谷歌学术搜索
27. p . n . Samarakoon n . e . p . Promayon, c . Fouard”光随机森林回归自动多器官定位在CT图像,”美国14日生物医学成像(2017位ISBI)国际研讨会2017年6月,墨尔本,澳大利亚,。视图:谷歌学术搜索
28. n Spolaor和m . c . Monard”评估ReliefF-based多标记特征选择算法,”2014年人工Intelligence-IBERAMIA进步,40卷,不。1,第205 - 194页,2014。视图:出版商的网站|谷歌学术搜索
29. 林y,问:胡、刘j .和j .段“多标记特征选择基于max-dependency min-redundancy,“Neurocomputing,卷168,不。1,第103 - 92页,2015。视图:出版商的网站|谷歌学术搜索
30. m . c .姚明和m . f .曹国伟“属性约简的贪婪算法,”佳木斯大学学报(自然ence版)》第六卷,没有。12日,第130 - 125页,2013年。视图:谷歌学术搜索
31. l . i米娜和c·w·峡谷”,探索贪婪与属性约简算法,”计算机工程,38卷,不。19日,163 - 166年,2013页。视图:出版商的网站|谷歌学术搜索
32. 随机森林的工具箱,https://download.csdn.net/download/u011727648/10502334?utm_source=bbsseo,2020年。
33. b . Sanniv k . Anwesha b罗希特,d . n . Tibarewala“下肢运动图像分类使用再和naive-bayesian分类器,”学报》第三届国际会议在信息技术的最新进展(RAIT),Dhanbad,印度,2016年7月。视图:谷歌学术搜索
34. y Yu和l .张”,基于BP神经网络的传感器网络位置方法在仿真结果的环境中,”《无线通信国际会议上,传感器网络2014年12月,武汉,中国,。视图:谷歌学术搜索
35. s p·d·徐y Wang Peng北仑,z邓,郭和h,“基于kernel-KNN实时道路交通状态预测,“Transportmetrica答:运输科学,16卷,不。1,第118 - 104页,2020。视图:出版商的网站|谷歌学术搜索
36. 问:l .沈邵,陈和l . j .,“书的设计和实现基于超高频射频识别库存机器人,”图书馆学研究,7卷,不。1 - 28,2016页。视图:谷歌学术搜索
37. n张和y l .郭台铭”应用程序的智能档案管理的新insect-proof射频识别标签,”兰太世界,7卷,不。1,第105 - 103页,2018。视图:谷歌学术搜索

版权

版权©2020王Hong-Gang et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。