RFID读写器抗冲突问题研究AET

读写器的冲突是指由一个读写器检测到,并且由另一个读写器所引起的干扰。它主要有三种表现形式。

(1)读写器与读写器之问的干扰

当一个读写器发射较强的信号与一射频标签反射回的微弱信号相干扰时,就引起了读写器与读写器之间的干扰,其示意图如图1所示。读写器R1位于读写器R2干扰区。从射频标签Tl反射回的信号到达读写器R1,很容易被读写器R2发射的信号干扰。这种干扰即使两个读写器阅读范围没有重叠也有可能产生。

(2)多读写器到标签问的干扰

当多个读写器同时阅读同一个标签时引起了多读写器到标签间的干扰,如图2所示,两个读写器阅读范围重叠。从读写器Rl和R2发射的信号可能在射频标签Tl处产生干扰。在这种情况下,标签T1不能解密任何查询信号并且读写器R1和R2都不能阅读T1。因为读写器冲突,读写器Rl能阅读标签T2和T3,但是不能阅读标签Tl,因此,读写器R1指示两个射频标签存在而不是3个。

(3)读写器冲突使载波侦听无效

另外一种读写器冲突的情况如图3所示。两个读写器阅读范围没有重叠,但读写器R2发射的信号与读写器R1发射的信号在标签T处干扰。这种情况同时发生在两个读写器不在相互侦听范围内时,使射频识别网络中载波侦听无效。

除了误操作,读写器冲突同时使射频识别系统总的阅读速率减慢,而且这些问题在移动或手持式读写器中更加严重。因此,减少读写器冲突是必须的。

2.1读写器冲突的主要特点

读写器冲突主要有下列特点:

①隐藏节点问题是读写器冲突问题的一个方面。两个读写器不在相互侦听范围内而在标签处干扰时,使射频识别网络中正常的载波侦听无法工作。

②当多个读写器询问/发射的信号在某射频标签处冲突时,该点的信号会变得非常杂乱并且射频标签不能再接收任何读写器询问/发射的信号。

③所研究的射频标签是被动式标签,因此标签本身既不能调整也不能主动与读写器通信以避免冲突。射频标签是在被读写器询问信号激活后才能通信。

常用的多址机制不能直接应用在射频识别系统中,因为:

①FDMA。FDMA方式中,读写器使用不同的频率和射频标签通信。由于射频标签没有频率调谐电路,因此射频标签不能选择一个特定的读写器与其通信。如果射频标签增设频率调谐电路功能,将大大增加射频标签的成本,因此FDMA不适合应用在射频识别系统中。

②TDMA。TDMA方式中,读写器被分配不同的时隙,以避免读写器同时询问/发送射频信号。这类似于图论中的图形着色问题,是一个NP-hard问题。在移动式网络中,没有干扰的读写器因为移动靠近而出现干扰,需要重新分配时隙。动态的分配时隙减小了RFID系统阅读速率。

③CSMA。RFID网络,像其他的无线网络一样,存在隐藏节点问题。读写器不在互相侦听范围内在标签处发生干扰,因此仅仅依靠载波侦听无法避免RFID网络中的冲突问题。

④CDMA。CDMA需要在射频标签上增设额外的电路,大大增加了标签的成本,并且分配码给所有网络中的标签是一件非常复杂的工作。因此CDMA不是一种成本低且有效的方案。

常见的抗冲突协议,如RTS-CTS,不能直接应用在RFID系统中,因为:

①传统的无线网络,只有一个节点回发CTS信号给发送者。然而在RFID系统中,如果读写器广播发送一RTS信号,所有在读写器阅读范围内的标签都得回发CTS信号给发送者读写器。这需要给这些CTS信号设计另外的抗冲突机制,将使这种协议更加复杂。

②有可能因为冲突,一些标签(如T1)没有接收到RTS信号而另外一些标签(如T2)接收到了RTS信号。在这种情况下,从T2回发的CTS信号不能确定在读写器的阅读范围内没有冲突。如何确定读写器接收了在其阅读范围内的所有标签的CTS信号,对于读写器是否存在冲突是非常重要的。

2.4.1UHF第二代标签标准

UHF第二代标签标准是由EPCglobal制定的。该标准把读写器和射频标签的信号传输分割开,这样冲突只能在标签与标签间或者读写器与读写器问发生。这种分割使读写器和射频标签信号在不同的频道上传输,解决了读写器问的干扰。然而,标签没有频率选择性。因为当两个读写器用不同的频率同时与标签通信时,标签不能调谐到特定的频率.所以会在标签处发生冲突。因此该标准仍存在多读写器到标签间的干扰。

2.4.2Colorwave算法

Colorwave算法是一种基于TDMA分布式算法。该算法规定每一个读写器从0到maxColors中随机选择一个时隙(颜色)传输数据。如果发生了冲突,读写器选择一个新的时隙(颜色),并且发送一个kick(较小的控制包)给它所有邻近的读写器,告诉它们它选择了一个新的时隙(颜色)。如果邻近的读写器有同样的时隙(颜色),它重新选择一个新的时隙(颜色)并发送一个kick。这样一直继续下去。这种转换和驻留的动作就被称为kick。每一个读写器跟踪当前的时隙是什么颜色。

2.4.3ETSlEN208标准

2.4.4Q学习算法

Q学习算法提出了一种HiQ、多层、在线的学习算法。该算法通过学习读写器的冲突模式和有效地分配频率给读写器,动态地解决RFID系统中读写器的冲突问题。Q学习算法多层结构如图4所示。读写器发送冲突消息给读写器级服务器层(R-Server)。然后单个的R-server然后分配资源给它的读写器,这样的方式可使它们之间的相互通信不出现干扰。R-Server通过Q学习服务器(Q-server)被分配到频率和时隙。根Q-server具有所有频率和时隙资源的全部知识,并且能分配它们。Qserver不像R-Server一样,没有单个读写器问约束关系,这种关系通过该层下面的服务器之问的相互作用来推断。

这种方法如果应用在RFID系统中,将存在下面的问题:

①协议保持多层结构需要额外的管理开销。

③Q学习假定读写器的冲突检测不在读写器相互的侦听范围内。然而,并不是所有的冲突都能检测到,这将导致协议的不正确操作。

④使用时隙需要所有的读写器同步,这种同步将是整个系统的额外开销。

综上所述,这些读写器抗冲突方法不适合具有移动读写器的RFID网络系统。因此,必须寻求一种具有实际意义且有效的适合各种情况的RFID系统。

3一种减少读写器冲突的新算法

3.1新算法的提出

在设计读写器抗冲突协议时,要考虑的一个重要因素就是射频标签是被动式的,因此不能参与抗冲突;同时任何增加给标签的新功能都将增加标签的成本。因此希望寻求一种标签不参与的抗冲突协议。

RFTD网络存在隐藏节点问题,如图5所示。R1和R2不在相互的侦听范围内,但是在T处从读写器R2发射的信号与从读写器R1发射的信号发生干扰。在这种情形下,R1和R2间需要一个通知机制。这样,当Rl和T正在通信,R2被通知R1的通信,因此R2可以延迟与射频标签的通信。我们把这种通过广播形式发送的消息称为“信标”。当一个读写器正在与射频标签通信时,它将周期性地在一个独立的控制通道里发送信标。

控制通道的通信范围,指任何两个读写器在相互的数据通道(该通道用来阅读标签)干扰,能够在控制通道通信。图5中尽管读写器R1和R2相互在数据通道干扰,但它们将在控制通道通信。这是通过在控制通道比数据通道发射更高的功率达到的。控制通道是RFID频谱中除那些用作读写器与标签间通信的频谱外的子频带。因此,在控制通道上的传播不影响任何在数据通道上正在进行的通信。数据通道被用作读写器与标签之间的通信,而控制通道被用作读写器与读写器之间的通信。假定读写器能够同时接收控制通道和数据通道上的信号。

3.2新算法信标的帧格式

新算法只为读写器设计,因为射频标签不参与抗冲突活动。信标的帧格式如下:

①帧类型,指示该数据包是信标数据。它可以分割成帧类型和序列号,序列号指明将被发送的信标的数量。

②源地址,包括发射信标的读写器的地址。在该结构中信标没有目标地址,因为信标是在控制通道广播发送。

③CRC检验,用来检测错误和校正,是数据包循环冗余检验部分。

3.3新算法的工作流程和步骤

图6为该算法的工作流程图,主要包括下列步骤:

③当读写器与标签通信时,读写器在控制通道上每隔一信标间隔时长发送一个信标。该信标通知邻近的读写器,以便阻止它们与标签的通信,这样避免了冲突。在与标签通信结束后,读写器重新回位到等待状态,继续余下的周期。

4结论

分布式读写器抗冲突算法,通过在控制通道上周期地发送信标来达到抗冲突的目的。与CSMA机制相比,它可以降低读写器冲突1%~2%,提高读写器的阅读速率高达98%。它需要读写器较少的花销,完全不需要射频标签参与抗冲突。该算法同时还适合移动或手持式阅读器的射频网络,具有重大的实用价值。

THE END
1.AI系统计算图的调度与执行腾讯云开发者社区神经网络模型的整体训练流程,则对应了计算图的数据流动的执行过程。算子的调度根据计算图描述的数据依赖关系,确定算子的执行顺序,由运行时系统调度计算图中的节点到设备上执行。 实际上,计算图的执行方式,可以分为两种模式:1)逐算子下发执行的交互式方式,如 PyTroch 框架;2)以及整个计算图或者部分子图一次性下发到https://cloud.tencent.com/developer/article/2474347
2.算法流程图绘制方法,简单画算法流程图算法流程图是一种图形化表示算法解决问题过程的工具,可以把算法直观可视化地呈现出来。 算法流程图使用用途也较为广泛,例如写程序时可用于说明程序的算法情况;数学教学时用于逻辑运算,有利于学生整理学习思路;制作活动策划时用于展示创作者策划的逻辑思路,让参与者明白并跟上活动节奏等。 https://m.liuchengtu.com/tutorial/sflcthzjc.html
3.详情项目公示基于卷积神经网络的STIV流程如图5.4所示,将基于卷积神经网络的回归或模型代替传统检测算法,将时空图像输入到训练好的模型中即可检测出纹理主方向,进而计算出流速矢量。 图5.4 基于CNN的STIV流程 搭建ResNet50回归模型 ResNet50原始模型的全连接层用于分类任务,而该案例经过设计使其进行回归任务。图5.5显示ResNet50中每https://sjjx.hhu.edu.cn/hhu/CXCY/HHU/Item/Detail/e804030b-1d3b-466c-ab12-8cb0a9eb0faa
4.高二数学教案重点:算法的顺序结构与选择结构。 难点:用含有选择结构的流程图表示算法。 三、学法与教学用具 学法:学生通过动手作图,.用自然语言表示算法,用图表示算法,体会到用流程图表示算法,简洁、清晰、直观、便于检查,经历设计流程图表达解决问题的过程。进而学习顺序结构和选择结构表示简单的流程图。 https://www.fwsir.com/jiaoan/html/jiaoan_20221204150736_2117816.html
5.高中数学单元教学设计(精选5篇)对生活中的实际问题通过对解决具体问题过程与步骤的分析(喝茶,如二元一次方程组求解问题),体会算法的思想,了解算法的含义,能用自然语言描述算法。 2.算法的流程图教学过程分析 对生活中的实际问题通过模仿、操作、探索,经历通过设计流程图表达解决问题的过程,了解算法和程序语言的区别;在具体问题的解决过程中,理解流程https://www.ruiwen.com/jiaoxuesheji/8242675.html
6.图像细化深度学习方法图像细化算法流程图图像细化 深度学习方法 图像细化算法流程图 最近在实验室里遇到了一个问题,就是在有一张轮廓二值图的情况下,如何才能将轮廓进行细化,得到轮廓的骨架。 效果如图: 可以看到,右边图中的数字变瘦了,这就是细化算法的作用 下面我们来讲一下,Thining-Algorithm的算法原理。https://blog.51cto.com/u_13527/9029884
7.高中信息技术免费在线预览全文 教学设计一、教学目标: 1.知识与技能:了解算法的含义;了解算法的表示方法;学会用流程图表示算法用流程图解决一些最简单的实际问题。 2.过程与方法:通过剖析日常生活中的算法问题来了解算法在日常生活中的应用形式,并掌握运用流程图表示的分支模式进行绘制;通过用流程图表示寻找最大值的算法让学生掌握https://max.book118.com/html/2021/1107/6144123012004043.shtm
8.Python集成学习之Blending算法详解python三、Blending流程图第一步:将原始训练数据划分为训练集和验证集。 第二步:使用训练集对训练T个不同的模型。 第三步:使用T个基模型,对验证集进行预测,结果作为新的训练数据。 第四步:使用新的训练数据,训练一个元模型。 第五步:使用T个基模型,对测试数据进行预测,结果作为新的测试数据。 第六步:使用元模型https://www.jb51.net/article/212156.htm
9.MindSpore图7 MindSpore全场景协同 三大黑科技加速AI模型训练 黑科技一:二阶优化算法 常见的深度学习优化算法多为一阶算法,是否存在高阶的优化算法能够在不损失精度的同时,加速模型的收敛呢?常规的二阶优化算法虽然收敛速度快,但二阶矩阵求逆时间复杂。在深度学习模型中, 常常在数百万的量级,此时二阶信息矩阵的逆无法计算。https://www.mindspore.cn/news/newschildren/en?id=262
10.机器学习算法的整体流程(非常易懂)TheChosenOne(3)输入基础训练数据集利用scaler对其进行数据归一化处理 (4)对于归一化的数据集进行机器学习算法的训练fit过程; (5)输入测试数据集对其结果进行预测predict; (6)将预测结果与真实结果进行对比,输出其算法的准确率score(或者混淆矩阵) 2、机器学习的具体流程图如下:https://www.cnblogs.com/Yanjy-OnlyOne/p/11295980.html1
11.趣学算法(第2版)本书是用轻松有趣的方法学习算法的入门指南。按照算法策略分为8章。第1章以算法之美、趣味故事引入算法,讲解算法复杂度的计算方法,以及爆炸性增量问题。2~7章讲解经典算法,包括贪心算法、分治算法、动态规划算法、回溯法、分支限界法、网络流算法。第8章讲解实际应用中的算法和高频面试算法,包括启发式搜索、敏感词https://www.epubit.com/bookDetails?id=UB7d85fa69dcbd8
12.高中信息技术说课稿:《算法与程序设计其中任务一题目简单易读,算法确定,并且题中已给出循环次数,每个学生都能使用自然语言、伪代码和流程图描述该算法,此环节只是使用程序设计语言来实现它。其实这也是基础任务的一个延续,通过独立完成任务可以改正上一题的错误,加深对知识的理解。轻松地完成任务一可以激发学生的学习兴趣,保持学习热情。 http://www.wenwu8.com/article/6170.html
13.微服务数据库思维导图模板2021年从入门到精通java开发全栈知识体系架构学习总结知识脑图(学习使用于项目实战)前端、后台、服务器、Linux、性能优化、集群搭建、微服务、大数据、项目实战等内容https://www.processon.com/view/60504b5ff346fb348a93b4fa
14.基于子带包络和卷积神经网络的心音分类算法本文研究心音自动分类算法框架如图1所示,具体步骤如下: 图1 心音自动分类算法流程图 Figure1. Flow chart of automatic classification of heart sounds 图选项 下载全尺寸图像 下载幻灯片 (1)对PCG信号进行标注,将完成标注的数据分为训练集、验证集、测试集。 (2)对标注信号进行预处理,把一段完整的PCG信号分https://www.biomedeng.cn/article/10.7507/1001-5515.202012024
15.机器学习实战入门篇之二:kNN算法她是不是你喜欢的类型?如何使用kNN算法? 在前一篇博文机器学习实战入门篇之一:机器学习中必会的基础概念!中,我们介绍了使用机器学习算法解决问题的一般步骤,我们再一次回顾一遍流程图。 开发机器学习应用程序步骤.png 下面我们将一步一步来完成。 收集数据 为简单起见,已经提供txt文本数据。 https://www.jianshu.com/p/4cc0869f84b9
16.高二数学公开课优秀教案(通用10篇)重点:算法的顺序结构与选择结构。 难点:用含有选择结构的流程图表示算法。 三、学法与教学用具 学法:学生通过动手作图,.用自然语言表示算法,用图表示算法,体会到用流程图表示算法,简洁、清晰、直观、便于检查,经历设计流程图表达解决问题的'过程。进而学习顺序结构和选择结构表示简单的流程图。 https://www.oh100.com/kaoshi/jiaoan/637987.html
17.崖州湾实验室诚聘英才3.制定实验室AI技术研发方向和施工图; 4.制定AI技术标准,规范实验室模型开发、应用部署、监控和性能跟踪、风险管理的流程。 申报条件: 1.在AI算法、计算机科学、统计学或相关领域拥有博士学位,并在该领域产生了重要的学术贡献,或产业应用成果; 2.在深度学习和机器学习算法模型方面具备卓越的能力和经验; https://www.acabridge.cn/yxxw/zxzwtj/202307/t20230721_2453746.shtml
18.算法流程图教案(精选7篇)图10 解:算法如下: S1 计算a1=11=; 1?12S2 计算a2=a11?; 1?a13a21?; 1?a24a31?; 1?a35S3 计算a3=S4 计算a4=S5 输出a4.流程图如图10所示: 点评:这个问题实际上就是已知数列的递推公式和首项,然后依次求数列的各项的问题.由于数列的知识在必修5中出现,对于还没有学习必修5的学校,https://www.360wenmi.com/f/fileeyi644fh.html
19.吴恩达·机器学习第四章:详解人工神经网络:推理和训练人工智能·机器学习算法 专栏收录该内容 13 篇文章 0 订阅 订阅专栏 本文介绍了吴恩达教授机器学习课程中的高级算法,如神经网络、卷积神经网络和深度学习,探讨了神经网络的起源、发展、工作原理,以及TensorFlow在模型训练中的应用。作者通过Adam算法优化和卷积层的特性,解释了神经网络为何有效并对比了其与传统机器学习https://blog.csdn.net/Yaoyao2024/article/details/136279816
20.算法计算流程步骤图算法流程图 会员免费 使用模版 PSO算法流程图 免费 使用模版 pso的算法流程图 免费 使用模版 最小公倍数算法流程图简约完整 免费 使用模版 TOPSIS算法简约流程图 免费 使用模版 递归算法流程图 免费 使用模版 算法与程序框图 免费 使用模版 算法流程图 https://imiaoban.com/pic/3872.html
21.2023年,工业3D视觉或SLAM,我到底该如何高效学习?3D视觉工坊深度图补全 3D视觉相关书籍汇总 手眼标定原理与实践 无人机:滤波类算法汇总 自动驾驶学习路线 SLAM学习路线 3D目标检测 第四部分 公开课视频与课件汇总 链接:https://t.zsxq.com/VJEurBe 如何进行三维重建?从单帧深度估计到完整模型重建 视觉快速定位与实时稠密简图简介 https://www.shangyexinzhi.com/article/8944002.html