一种基于盲分离的帧时隙超高频RFID系统防碰撞方法

摘要

一种基于盲分离的帧时隙超高频RFID系统防碰撞方法。针对频率范围在860-960MHz内的超高频(UHF)射频信号，提出一种基于独立成分分析(ICA)和帧时隙的RFID系统防碰撞算法。本发明通过分析RFID系统中的ICA算法步骤并建立盲源分离的天线系统模型，利用特定的帧时隙数选取使每一时隙内的标签数不大于阅读器的天线数，满足盲源分离识别标签的条件，进而利用ICA算法实现多标签的同时识别。仿真结果表明，与传统的标签防碰撞算法及基于位隙动态分组的盲分离多标签防碰撞算法相比，本发明在标签识别率方面具有明显的优势，且算法的识别时间较少，进一步验证了将盲源分离技术运用于标签识别的可行性和高效性，在需要高效率和智能化管理的工程领域中具有潜在的应用价值。

说明书

技术领域

本发明属于通信领域中的多标签读取技术，涉及标签的防碰撞方法。

背景技术

射频识别(Radio Frequency Identification,RFID)是一种非接触式自动识别技术，与 传统的识别方式相比，它可在非接触、非光学可视、非人工干预情况下完成信息输入 和处理，具有操作方便、存储量大、保密性好、反应时间短、对环境适应性强等优点， 现已广泛应用于门禁、交通、食品安全及物流等领域。在RFID通信系统中，阅读器 的作用范围内往往有多个标签共存，若阅读器发送查询命令，会引起多个标签同时响 应，造成标签的响应信号不能被阅读器快速识别，导致了RFID系统的识别效率的降 低。标签的防碰撞算法可以实现多个标签和阅读器之间的正常通信，而算法的优劣与 阅读器的标签吞吐率密切相关。常见的RFID系统防碰撞算法可以分为确定性和非确 定性两种。基于概率统计的ALOHA防碰撞算法是非确定性的，标签通过随机选择发 送信息的时隙减少碰撞，且只有在标签数量与时隙数相当时，算法才能保持较高的识 别率，最大值为36.8％。即使是改进型的可自适应调整帧长的动态帧时隙ALOHA算 法的最大识别率也仅为58％；确定性算法中识别率较高的基于分组机制的跳跃式动态 二进制防碰撞算法的最大识别率也只是刚超过50％。EPC Gen2规定了基于动态帧时 隙随机算法的Q算法用于解决标签碰撞问题，具有一定的自适应性并表现出良好的吞 吐率性能。Q算法可以在一个盘存周期的任意时刻通过调整Q值改变时隙数，使未被 识别的标签重新选择响应的时隙，进入下一帧的响应中，但Q值可能发生的反复变化 会影响算法的识别效率，标签识别率也基本维持在50％左右。因此，为了进一步提高 防碰撞算法的标签识别率，必须寻求一种可以在同一时刻识别多个标签的新型算法， 本算法由此应运而生。

信号的盲源分离(Blind Source Separation,BSS)是指从若干观测到的混合信号中恢 复出无法直接观测的原始信号。由于原始信号分别来自不同的信号源，因此可以认为 原始信号之间是相互独立的。独立成分分析(Independent Component Analysis,ICA)是 20世纪80年代发展的一种统计和计算机技术，是当前盲源分离中最为流行的方法之 一。

发明内容

本发明针对频率范围在860-960MHz内的超高频(UHF)RFID系统，结合帧时隙 ALOHA算法，通过建立阅读器的盲源分离天线系统模型，用简单但有效的FastICA 算法(快速ICA算法)对标签混合信号进行盲源分离，提出了一种基于盲分离的帧时隙 超高频RFID系统防碰撞算法(Blind Separation and Framed-slot Algorithm,BSFA)，达到 了同一时刻识别多个标签的目的。本发明相比于现有的标签防碰撞算法具有较高的标 签识别率且用时较少，性能优异，在中大型企业的仓库、物流中具有较强的应用价值。

1.RFID系统与盲源分离技术相结合

1.1RFID系统的FastICA算法步骤分析

设阅读器的作用范围内有n个标签，标签向阅读器发送的响应信号(原始信号)为 S＝[s₁,s₂,…,s_n]^T，其中s_j＝[s_j1,s_j2,…,s_jL]，1≤j≤n为第j个标签发送信号的采样值， 采样数为L。阅读器有m个天线，天线接收到的混合信号为X＝[x₁,x₂,…,x_m]^T，其中 x_i＝[x_i1,x_i2,…,x_iL]，1≤i≤m是第i个天线的采样值，混合信号与标签信号的关系为：

$x_i=\underset{j=1}{\overset{n}{\Sigma }}{a}_{\mathrm{ij}}{s}_j+n_i---\left(1\right)$

其中i＝1,2,…,m。a_ij为混合系数，n_i为观测噪声。该式可以用矢量表示为：

X＝AS+N                   (2)

忽略噪声时，RFID系统的FastICA算法模型如图1所示。

标签信号的盲源分离问题就是利用观测到的混合信号X与原始信号S之间的统计 独立性，同时借助于原始信号概率分布的先验知识来恢复出原始信号。为了使盲源分 离问题可解，一般需要满足以下两个条件：

(1)混合信号数目m大于等于原始信号数目n，即A为m×n阶列满秩随机矩阵。

(2)原始信号S中不允许有两个以上的信号是高斯信号。

RFID信号的概率分布为超高斯分布，其信号的非高斯性选用函数G(u)来估计。

$G\left(u\right)=-\left(\frac{1}{\alpha }\right)\exp (-\frac{{\mathrm{\alpha u}}^2}{2})---\left(3\right)$

g(u)＝G′(u)                  (4)

其中α≈1，阅读器天线接收到标签信号后，首先对观测信号X进行预处理，去除 其均值并进行白化，使其协方差矩阵为单位矩阵，得到新的信号Z。设解混矩阵为 W＝[w₁,w₂,…,w_n]^T，其中w_i＝[w_i1,w_i2,…,w_im]^T，0≤i≤n为输出估计信号 Y＝[y₁,y₂,…,y_n]^T的解混系数矢量。

$w_i=E\left\{\mathrm{Zg}\left(w_i^{T}Z\right)\right\}-E\left\{g^{\prime }\left(w_i^{T}Z\right)\right\}{w}_i---\left(5\right)$

对矢量w_i进行正交化，如果w_i收敛，通过公式(6)计算估计信号Y。如果w_i不收敛， 则重复运算公式(5)直至算法收敛。

Y＝WX                 (6)

为了能够顺利对标签信号进行盲源分离，要求标签信号的个数小于或等于阅读器 天线的个数。当阅读器工作范围内标签的数目较多时，通过合理的帧时隙数选择可以 使每一时隙内响应的标签数目满足这一要求。

1.2盲源分离的天线系统模型

盲源分离的天线系统由标签群、多天线阅读器及计算机系统组成(如图2所示)， 阅读器作用范围内的标签向阅读器发送标识信号并被多个天线接收，阅读器内的盲源 分离处理单元通过天线混合信号识别这些标签并存储其相关信息，最后将信息送入计 算机系统进行有关数据处理。

2.本发明方法描述

2.1标签碰撞与时隙的关系

设标签数为n，时隙数为fs，天线数为A，那么一个时隙中含有k个标签的概率为：

$p_1(\mathrm{fs},n,k)=C_n^k{\left(\frac{1}{\mathrm{fs}}\right)}^k{(1-\frac{1}{\mathrm{fs}})}^{n-k}---\left(7\right)$

一个时隙中的标签数小于或等于天线数A的概率为：

$p_2(\mathrm{fs},n,k)=\underset{k=0}{\overset{A}{\Sigma }}{C}_n^k{\left(\frac{1}{\mathrm{fs}}\right)}^k{(1-\frac{1}{\mathrm{fs}})}^{n-k},(0\le k\le A)---\left(8\right)$

则一个时隙内的标签数多于天线数A的概率为：

p₃(fs,n,k)＝1-p₂(fs,n,k)(k＞A)                   (9)

2.2本发明方法的时隙数选择

BSFA算法根据标签数n动态选择时隙数fs，使每一时隙内的标签数k小于或等于 阅读器的天线数A，选取的时隙数fs为：

$\mathrm{fs}=\mathrm{round}\left(\frac{n(A+\alpha )}{{\mathrm{\beta A}}^2+\mathrm{\gamma A}}\right)---\left(10\right)$

其中α≈10，β≈0.8，γ≈0.66，round()表示四舍五入取整。

如图3、图4可见，当标签数n＝50～500，天线数A＝8和A＝12时，BSFA算法选 择的时隙数使一个时隙内的标签数多于天线数的概率p₃(fs,n,k)非常接近于0，因此算 法时隙数的选取是合理的。表1为p₃(fs,n,k)稳定时的概率值随天线数的变化情况，可 以看出p₃(fs,n,k)随着天线数的增加而减小，进一步证明了算法时隙数的正确选取。

表1p₃(fs,n,k)随天线数的变化情况

2.3本发明方法的流程

(S1)、阅读器向标签发送Query命令

首先，阅读器发送命令Query给进入识别范围内的标签，开始盘存周期(两个连续 Query命令之间的时间间隔)，标签进入就绪状态。

(S2)、标签响应阅读器的Query命令

(1)标签识别过程中每个标签均执行16位时隙计数器，所有未识别的标签(标签数 为n)收到Query命令后，从0～round(n(A+α)/(βA²+γA))个时隙中随机选择一个时隙存 入各自的时隙计数器中，标签进入响应状态，时隙计数器为0的标签响应。

(2)响应标签通过随机或伪随机数据发生器(RNG)产生一个16位的随机序列 RN16(对标签总数为10000的标签群，有两个或更多的标签产生相同的RN16序列的概 率要小于0.1％，故将RN16序列作为标签之间相互统计独立的原始信号是可行的)，并 将各自的RN16序列发送给阅读器，根据响应标签的数目分为以下两种情况：

①响应标签的数目为0时，表明时隙空闲，转至(S5)。

②响应标签的数目等于或多于1个，转至(S3)执行FastICA算法。

(S3)、阅读器利用FastICA算法实现信号分离

(1)阅读器天线接收到的信号为标签原始信号的混合信号，通过对原始信号的数目 的估计可以更精确的对混合信号进行盲源分离：

①RFID系统在有噪声时可以通过观测混合信号X的相关矩阵的主特征值数来确 定标签发送的原始信号数目；

②无噪声时可以通过观测混合信号X的秩来确定。

(2)利用FastICA算法将混合信号X解混，通过选择合理的解混系数矩阵W(随机 矩阵)，使观测到的估计信号Y清晰可辨，通过估计信号Y＝WX阅读器与响应标签建 立联系，标签进入确认状态，转至(S4)。

(S4)、阅读器发送ACK指令给响应标签

进入确认状态的响应标签在接收到ACK指令后，发送自己的PC、EPC和CRC-16 信息，阅读器利用(S3)的解混系数矩阵W继续分离并存储这些标签的标识信息，此时 标签被成功识别，最后将成功识别的标签除去，转至(S5)。

(S5)、阅读器向标签发送QueryRep命令

阅读器发送QueryRep命令，进入就绪状态且未被识别标签的时隙计数器值减1， 跳转至(S2)继续进行标签识别，直至所有标签识别完成为止。

由于BSFA算法所选取的时隙数可以使一个时隙中的标签数小于或者等于天线数 的概率接近0％，且标签能够被FastICA算法正确分离，故算法性能对仿真结果的影响 很弱，不会影响到BSFA算法中标签的正确分离。

3.本发明方法的识别率

通过算法描述知道一个时隙中的标签数目为0的概率p₄(fs,n,k)为：

$p_4(\mathrm{fs},n,k)=C_n^0{\left(\frac{1}{\mathrm{fs}}\right)}^0{(1-\frac{1}{\mathrm{fs}})}^n={(1-\frac{1}{\mathrm{fs}})}^n,(k=0)---\left(11\right)$

那么一个时隙中标签数不为0的概率为p₅(fs,n,k)：

$p_5(\mathrm{fs},n,k)=1-p_4(\mathrm{fs},n,k)=1-{(1-\frac{1}{\mathrm{fs}})}^n,(k>0)---\left(12\right)$

分离这些标签所需要的总的查询次数N为：

$N=\mathrm{fs}*p_5(\mathrm{fs},n,k)+1=\mathrm{fs}*(1-{(1-\frac{1}{\mathrm{fs}})}^n)+1---\left(12\right)$

其中“+1”为只进行了1次时隙数的选择。则n个标签的标签识别率为：

$E\left(n\right)=\frac{n}{N}---\left(14\right)$

假设标签数n＝50～500，天线数A＝8，BSFA算法选取的时隙数、标签识别率随 标签数的变化情况如图5、图6所示，图7为BSFA算法与基于位隙动态分组的盲分 离多标签防碰撞算法(Blind Separation and Dynamic Bit-slot Grouping,BSDBG)在天线 数A＝2～32时的标签识别率比较，图8、图9为标签数n＝50～256，BSFA算法与 BSDBG算法在天线数A＝2～32时的总查询数比较，图10为Q算法执行过程中时隙数 的变化情况。

从图5可以看出，虽然BSFA算法的时隙数随着标签数的增加而增加，但相比于 传统的防碰撞算法具有明显的优势。由图6和图7可知，随着天线数的增加，BSFA 算法相比于BSDBG算法，标签识别率的优势越明显。由图8、图9可知，随着天线 数的增加，本发明所提出的BSFA算法所需的总查询次数小于BSDBG算法，由于算 法的识别时间与总查询次数成正比关系，故BSFA算法的识别时间也小于BSDBG算 法，在多天线系统中具有较快的识别速率。图10表明，Q算法选取的时隙数不仅会出 现反复的增减，而且还会经常出现大于BSFA算法时隙数的情况，造成时隙资源的浪 费，使系统的性能大大降低。

本发明通过合理的时隙数选择，使每一时隙内发生碰撞的标签数小于或等于阅读 器的天线数，满足使用FastICA算法的条件。仿真结果表明，该方法能有效增加标签 的识别率及算法的稳定性。

附图说明

图1为RFID系统的FastICA算法模型。

图2为盲源分离的天线系统模型。

图3为本发明天线数A为8时，一个时隙中标签数多于天线数的概率。

图4为本发明天线数A为12时，一个时隙中标签数多于天线数的概率。

图5为本发明算法(BSFA)时隙数随标签数的变化情况。

图6为本发明算法(BSFA)标签识别率随标签数的变化情况。

图7为本发明算法(BSFA)与基于位隙动态分组的盲分离多标签防碰撞算法(Blind  Separation and Dynamic Bit-slot Grouping,BSDBG)在天线数A＝2～32时的标签识别率 比较。

图8为本发明(BSFA)算法总查询次数。

图9为BSDBG算法总查询次数。

图10为Q算法执行过程中时隙数的变化。

具体实施方式

本发明将通过以下实施例作进一步说明。

(1)阅读器向标签发送Query命令

BSFA算法的RFID标签防碰撞系统由一个阅读器和多个标签组成，首先，阅读器 发送命令Query给进入识别范围内的标签，开始盘存周期，标签进入就绪状态。

(2)标签响应阅读器的Query命令

标签识别过程中每个标签均执行16位时隙计数器，所有进入就绪状态的标签收到 Query命令后，从0～round(n(A+α)/(βA²+γA))个时隙中随机选择一个时隙存入各自的 时隙计数器中，标签进入响应状态，时隙计数器为0的标签响应。接着，响应标签通 过随机或伪随机数据发生器(RNG)产生一个16位的随机序列RN16，并将各自的RN16 序列发送给阅读器，根据响应标签的数目可以分为以下两种情况：

①响应标签的数目为0时，表明时隙空闲，转至(5)。

②响应标签的数目等于或多于1个，转至(3)执行FastICA算法。

(3)阅读器利用FastICA算法实现信号分离

阅读器天线接收到的信号为标签原始信号的混合信号，为了能够精确的对混合信 号进行盲源分离，首先需要估计原始信号的数目，RFID系统在有噪声时可以通过观测 混合信号X的相关矩阵的主特征值数来确定标签发送的原始信号数目，进而利用 FastICA算法将混合信号X解混，通过选择合理的解混系数矩阵W，使观测到的估计 信号Y清晰可变，通过估计信号Y＝WX阅读器与响应标签建立联系，标签进入确认状 态，转至(4)。

(4)阅读器发送ACK指令给响应标签

进入确认状态的响应标签在接收到ACK指令后，发送自己的PC、EPC和CRC-16 信息，阅读器利用(3)的解混系数矩阵W继续分离并存储这些标签的标识信息，此时标 签被成功识别，最后将成功识别的标签除去，转至(5)。

(5)阅读器向标签发送QueryRep命令

阅读器发送QueryRep命令，进入就绪状态且未被识别标签的时隙计数器值减1， 跳转至(2)继续进行标签识别，直至所有标签识别完成为止。