一、引言

在射頻識(shí)別 （RFID） 系統(tǒng)領(lǐng)域，通過(guò)防偽技術(shù)打擊假冒標(biāo)簽引起了廣泛關(guān)注，特別是物理層識(shí)別方法，因其成本效益和部署簡(jiǎn)單性而受到贊譽(yù)。然而，物理層識(shí)別方法的性能受到標(biāo)簽檢測(cè)設(shè)置條件的顯著影響，特別是在信噪比（SNR）較低的場(chǎng)景下，分類精度容易受到影響。為了正面應(yīng)對(duì)這一挑戰(zhàn)，本研究提出了一種認(rèn)知風(fēng)險(xiǎn)控制策略的實(shí)施，該策略在標(biāo)簽分類過(guò)程中微調(diào)標(biāo)簽距離，以增強(qiáng)信噪比并提高識(shí)別精度。除了認(rèn)知風(fēng)險(xiǎn)控制的實(shí)施之外，本文還將重點(diǎn)擴(kuò)展到豐富時(shí)域和頻域特征提取，共計(jì) 104 個(gè)特征，旨在進(jìn)一步提高分類效率。利用軟件定義無(wú)線電設(shè)備，進(jìn)行了分類實(shí)驗(yàn)，涵蓋來(lái)自三個(gè)不同制造商的七種流行標(biāo)簽類型。這些實(shí)驗(yàn)結(jié)果表明，在整合認(rèn)知風(fēng)險(xiǎn)控制策略后，標(biāo)簽分類的平均準(zhǔn)確率提高了約 11%。同時(shí)，與傳統(tǒng)的 28 個(gè)和 7 個(gè)特征相比，采用 104 個(gè)特征意味著分類準(zhǔn)確率分別提高了約 4.3% 和 5.3%。這些發(fā)現(xiàn)不僅強(qiáng)調(diào)了認(rèn)知風(fēng)險(xiǎn)控制在低信噪比環(huán)境中提高標(biāo)簽分類準(zhǔn)確性方面的功效，而且還強(qiáng)調(diào)了通過(guò)增加特征集來(lái)增強(qiáng)分類性能的潛力。

二、介紹

射頻識(shí)別（RFID）技術(shù)，作為先進(jìn)的自動(dòng)識(shí)別解決方案，在許多行業(yè)中實(shí)現(xiàn)了無(wú)需人工作或物理交互即可識(shí)別具有不同身份的電子標(biāo)簽的功能。該技術(shù)越來(lái)越多地應(yīng)用于物流、零售、醫(yī)療和智能交通等領(lǐng)域。特別是隨著5G技術(shù)的推廣和智能手機(jī)的廣泛應(yīng)用，RFID的應(yīng)用前景進(jìn)一步拓寬。然而，RFID標(biāo)簽的安全問(wèn)題已成為亟待解決的問(wèn)題。由于缺乏有效的保護(hù)措施，標(biāo)簽信息可能面臨非法訪問(wèn)和數(shù)據(jù)泄露的風(fēng)險(xiǎn)，這不僅威脅到信息安全，還可能為不法分子提供可乘之機(jī)。

為了加強(qiáng)對(duì) RFID 系統(tǒng)的保護(hù)，行業(yè)專家提出了一系列加密技術(shù)和安全協(xié)議。這些方案通常需要在標(biāo)簽和閱讀器之間建立共享密鑰，以確保數(shù)據(jù)傳輸?shù)陌踩浴Ｈ欢鼈儠?huì)增加密鑰管理的難度，特別是對(duì)于計(jì)算能力有限的被動(dòng)標(biāo)簽，使得實(shí)現(xiàn)更加復(fù)雜。此外，雖然哈希算法提供不共享密鑰的解決方案，其安全性仍有待提高。雖然訪問(wèn)控制機(jī)制可以限制未經(jīng)授權(quán)的訪問(wèn)，其復(fù)雜的驗(yàn)證過(guò)程可能會(huì)增加系統(tǒng)的復(fù)雜性和成本。除了上述軟件解決方案外，還提出了一些基于硬件的技術(shù)來(lái)防止標(biāo)簽偽造。例如，在生產(chǎn)過(guò)程中添加特殊材料或獨(dú)特的包裝設(shè)計(jì)，措施雖然有效，但往往會(huì)增加生產(chǎn)成本，影響讀寫(xiě)性能。除了使用加密技術(shù)和安全協(xié)議來(lái)確保RFID系統(tǒng)的安全外，深度學(xué)習(xí)技術(shù)也應(yīng)用于識(shí)別真假信號(hào)的過(guò)程。該技術(shù)通過(guò)構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型來(lái)分析和分類信號(hào)。盡管深度學(xué)習(xí)在處理大量數(shù)據(jù)和識(shí)別模式方面表現(xiàn)出色，但它也面臨著對(duì)數(shù)據(jù)量高度依賴和模型參數(shù)調(diào)優(yōu)困難的挑戰(zhàn)。

最近的研究發(fā)現(xiàn)，RFID標(biāo)簽的響應(yīng)信號(hào)具有獨(dú)特的物理特性，即物理不可克隆功能（PUF）。該特性源于標(biāo)簽的硬件構(gòu)成和物理特性，例如天線設(shè)計(jì)、能量分布、幅度和相位響應(yīng)。硬件功能是在生產(chǎn)過(guò)程中開(kāi)發(fā)的，很難復(fù)制?；诖?，物理層防偽解決方案提取信號(hào)中的PUF特征，并結(jié)合信號(hào)處理和模式識(shí)別技術(shù)來(lái)識(shí)別標(biāo)簽的真?zhèn)巍Ｅc傳統(tǒng)的訪問(wèn)控制和加密技術(shù)相比，物理層識(shí)別技術(shù)需要有限的硬件更改，并且降低了費(fèi)用，因此適用于廣泛的RFID系統(tǒng)應(yīng)用。同時(shí)，在噪聲干擾較大或信號(hào)強(qiáng)度較弱的條件下，提取的特征可能不夠準(zhǔn)確，從而導(dǎo)致錯(cuò)誤的分類結(jié)果。

為了解決這些問(wèn)題，本文提出了一種物理層識(shí)別技術(shù)，旨在提高辨別真假標(biāo)簽的能力。該論文的主要貢獻(xiàn)包括以下內(nèi)容。首先，通過(guò)引入認(rèn)知風(fēng)險(xiǎn)控制（CRC）的概念，構(gòu)建了一個(gè)框架，該框架能夠通過(guò)動(dòng)態(tài)調(diào)整標(biāo)簽和天線之間的距離來(lái)修改標(biāo)簽信號(hào)的信噪比（SNR），從而顯著提高低信噪比環(huán)境下的分類精度。通常，如果標(biāo)簽靠近閱讀器，信號(hào)強(qiáng)度會(huì)增加，信噪比也會(huì)相應(yīng)增加。然而，距離和信噪比之間的關(guān)系并不總是線性的或單調(diào)的。近場(chǎng)效應(yīng)和非線性效應(yīng)可能會(huì)導(dǎo)致信號(hào)失真，從而降低信噪比。此外，標(biāo)簽靈敏度的變化意味著單個(gè)讀取距離可能并不適合所有標(biāo)簽。因此，動(dòng)態(tài)調(diào)整距離可能是提高信噪比的可行途徑。其次，該技術(shù)深入挖掘標(biāo)簽響應(yīng)信號(hào)的基于時(shí)間和頻率的特征，以提高分類精度，減輕特征選擇對(duì)模型泛化能力的影響。通過(guò)使用通用軟件無(wú)線外設(shè)（USRP）對(duì)三家不同制造商生產(chǎn)的7種UHF RFID標(biāo)簽的信號(hào)進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，通過(guò)提高信號(hào)的信噪比，所提方法的分類精度平均提高了11%。此外，在引入新的基于時(shí)間和頻率的特征后，分類精度平均提高了5%。

三、相關(guān)工作

3.1 RFID防偽

增強(qiáng) RFID 系統(tǒng)的保護(hù)能力通常涉及采用安全協(xié)議。一些 RFID 安全協(xié)議通過(guò)集成現(xiàn)有協(xié)議來(lái)實(shí)現(xiàn)這一點(diǎn)，例如傳輸層安全 （TLS）、安全套接字層 （SSL）和互聯(lián)網(wǎng)協(xié)議安全 （IPSec）。然而，這些協(xié)議往往需要更高的能耗，并且對(duì)通信鏈路的要求更高，這可能不適合特定的RFID應(yīng)用場(chǎng)景。目前，RFID標(biāo)準(zhǔn)如EPC Global Class 1 Generation 2提供具有基本密碼身份驗(yàn)證的安全協(xié)議。雖然實(shí)施起來(lái)很簡(jiǎn)單，但如果密碼信息泄露，該方法會(huì)帶來(lái)安全風(fēng)險(xiǎn)。相反，ISO/IEC 29167-10 標(biāo)準(zhǔn)提供更全面的安全協(xié)議，涵蓋多種加密技術(shù)和不同的安全級(jí)別，以滿足各種安全要求。盡管具有強(qiáng)大的功能，但由于最近推出，與 EPC 標(biāo)準(zhǔn)相比，該標(biāo)準(zhǔn)的采用速度較慢。此外，更高級(jí)的 RFID 安全協(xié)議，如可驗(yàn)證匿名 RFID 協(xié)議、哈希鎖、強(qiáng)大的安全網(wǎng)絡(luò)和阻止器標(biāo)簽通過(guò)密碼算法、數(shù)字簽名、加密密鑰管理等技術(shù)手段，顯著增強(qiáng)系統(tǒng)安全性。然而，先進(jìn)的安全協(xié)議也帶來(lái)了更高的計(jì)算和存儲(chǔ)負(fù)擔(dān)，給 RFID 系統(tǒng)帶來(lái)了部署和作挑戰(zhàn)。此外，不完善的密鑰管理可能會(huì)削弱協(xié)議的保護(hù)效果。相對(duì)簡(jiǎn)單的實(shí)現(xiàn)方法，如單向哈希鎖協(xié)議和隨機(jī)值生成協(xié)議，雖然隱約損害了安全性，但施加了較低的計(jì)算和存儲(chǔ)要求，因此更加用戶友好。因此，在選擇合適的安全算法或協(xié)議以滿足特定應(yīng)用需求時(shí)，在安全性和實(shí)現(xiàn)復(fù)雜性之間取得平衡至關(guān)重要。

除了軟件協(xié)議外，硬件方法還利用 RFID 標(biāo)簽的物理特征來(lái)提高安全性。例如，法拉第籠用金屬網(wǎng)或?qū)w包圍設(shè)備，有效屏蔽外部電磁干擾，防止未經(jīng)授權(quán)的信號(hào)攔截。盡管實(shí)施起來(lái)成本更高、更復(fù)雜，但事實(shí)證明，該方法在防止物理攻擊方面非常有效。反射屏蔽技術(shù)相反，防御攻擊者涉及反射信號(hào)，提供適應(yīng)性強(qiáng)的保護(hù)，這需要額外的硬件和算法支持。防止物理?yè)p壞需要將標(biāo)簽嵌入精致的外殼中，使標(biāo)簽信息在包損壞時(shí)無(wú)法讀取，盡管無(wú)法防范針對(duì)內(nèi)部元標(biāo)記信息的威脅。溫度敏感標(biāo)簽通過(guò)溫度變化檢測(cè)未經(jīng)授權(quán)的讀取行為，但需要精確的溫度調(diào)節(jié)以避免誤報(bào)。雖然硬件方法在物理保護(hù)方面提供了卓越的安全性能，但它們需要在系統(tǒng)設(shè)計(jì)中盡早考慮，并且通過(guò)以后的軟件更新來(lái)實(shí)施具有挑戰(zhàn)性。因此，硬件安全措施需要在系統(tǒng)概念化和制造階段進(jìn)行深思熟慮，以確保系統(tǒng)的多功能性和可移植性。

在防偽領(lǐng)域，利用RFID標(biāo)簽的物理層信號(hào)特性進(jìn)行認(rèn)證是一種常見(jiàn)的技術(shù)方法。一種方法需要直接檢索有形屬性，包括反射系數(shù)和測(cè)量距離從信號(hào)?；蛘?，強(qiáng)調(diào)信號(hào)的時(shí)間和頻率特性可以提取特征，例如信號(hào)指紋、相變、頻率變化，以及高階的統(tǒng)計(jì)量。提取特征旨在辨別真?zhèn)螛?biāo)簽之間的細(xì)微區(qū)別。然而，強(qiáng)烈的噪聲干擾可能導(dǎo)致特征提取的不準(zhǔn)確，從而影響分類精度。

3.2 認(rèn)知風(fēng)險(xiǎn)的管理和特征的選擇

最初用于認(rèn)知無(wú)線電、認(rèn)知雷達(dá)和無(wú)人駕駛汽車技術(shù)，CRC 技術(shù)在提高系統(tǒng)穩(wěn)健性和卓越通信方面表現(xiàn)出顯著的有效性。在工作中，我們探索CRC技術(shù)在RFID通信安全中的應(yīng)用，以加強(qiáng)其安全措施。在傳統(tǒng)的CRC中，它使用卡爾曼濾波器估計(jì)隱藏信號(hào)，計(jì)算波形參數(shù)熵以得出獎(jiǎng)勵(lì)，并采用Q學(xué)習(xí)算法通過(guò)求解貝爾曼優(yōu)化問(wèn)題來(lái)最大化這些獎(jiǎng)勵(lì)。CRC 的主要目標(biāo)是最大限度地減少信號(hào)估計(jì)誤差，從而提高跟蹤精度。本文利用CRC技術(shù)來(lái)增強(qiáng)RFID標(biāo)簽的防偽能力。最初，該技術(shù)通過(guò)IQ解調(diào)技術(shù)和集群解碼算法將傳輸信號(hào)和噪聲信號(hào)隔離開(kāi)來(lái)。隨后，根據(jù)提取的噪聲信號(hào)計(jì)算信噪比（SNR），并采用搜索策略來(lái)確保SNR達(dá)到或超過(guò)預(yù)定義的閾值。不同于的工作，本文的檢索策略將通過(guò)調(diào)整距離來(lái)完成，調(diào)整步長(zhǎng)較少，因此檢索速度較快。為了進(jìn)一步提高防偽效果，本研究中的CRC技術(shù)包括分類、特征提取、模型訓(xùn)練和測(cè)試。值得注意的是，傳統(tǒng)的物理層識(shí)別方法通常只關(guān)注有限的標(biāo)簽分類特征，而忽略了標(biāo)簽信號(hào)可能表現(xiàn)出的多樣化特征。特征選擇的先前研究強(qiáng)調(diào)僅依靠幾個(gè)不變的特征進(jìn)行分類可能會(huì)導(dǎo)致識(shí)別準(zhǔn)確性降低。因此，本研究努力融合廣泛的特征，包括時(shí)域和頻域的一百多個(gè)特征，以全面增強(qiáng)對(duì)標(biāo)簽變異和獨(dú)特特征的檢測(cè)，從而實(shí)現(xiàn)更精確的真?zhèn)巫R(shí)別。

四、問(wèn)題描述

本文將解決RFID標(biāo)簽在低信噪比環(huán)境中分類精度不理想的問(wèn)題，如圖所示。核心原理是只有在信噪比超過(guò)閾值時(shí)才進(jìn)行分類處理。一旦信噪比不超過(guò)閾值，系統(tǒng)就會(huì)通過(guò)調(diào)整標(biāo)簽和讀卡器的距離來(lái)提高信號(hào)質(zhì)量。最初，該過(guò)程預(yù)處理標(biāo)簽的響應(yīng)信號(hào)，分離基帶信號(hào)和所需信號(hào)。噪聲信號(hào)是通過(guò)從基帶信號(hào)中減去參考信號(hào)來(lái)獲得的，SNR是通過(guò)噪聲信號(hào)的強(qiáng)度與參考信號(hào)的強(qiáng)度之比得出的。之后，風(fēng)控單元被激活。檢索到的 SNR 與定義的閾值相當(dāng)。如果SNR值低于閾值，則交換機(jī)將重定向到CRC單元;如果信噪比達(dá)到或超過(guò)閾值，則系統(tǒng)繼續(xù)進(jìn)行特征和分類單元。在CRC單元內(nèi)，基于隨機(jī)搜索的算法調(diào)整標(biāo)簽-閱讀器距離以優(yōu)化信噪比。該單元與預(yù)處理單元形成閉環(huán)，直到 SNR 超過(guò)閾值并終止。在分類單元內(nèi)，對(duì)基帶、所需、噪聲和標(biāo)準(zhǔn)信號(hào)進(jìn)行特征提取和選擇。隨后將所選特征輸入分類器以確定真實(shí)性。此外，風(fēng)險(xiǎn)控制單元的閾值根據(jù)分類訓(xùn)練階段的結(jié)果進(jìn)行修改。預(yù)處理單元、分類單元和風(fēng)控單元在外部封閉循環(huán)中協(xié)同工作，當(dāng)細(xì)化閾值達(dá)到令人滿意的分類精度水平時(shí)，該循環(huán)就完成了。

CRC 用于標(biāo)簽分類

在執(zhí)行《兒童權(quán)利公約》時(shí)，需要注意兩個(gè)主要問(wèn)題。首先，CRC模塊的結(jié)構(gòu)配置具有重要意義。多個(gè)組件對(duì)標(biāo)簽 SNR 有影響，包括電磁環(huán)境和標(biāo)簽的硬件。雖然這項(xiàng)研究通過(guò)調(diào)整標(biāo)簽閱讀器距離來(lái)增強(qiáng)信噪比，但值得注意的是，距離和信噪比之間的關(guān)系并不總是線性的或單調(diào)的。近場(chǎng)效應(yīng)和非線性效應(yīng)可能會(huì)引起信號(hào)失真，從而可能降低信噪比。此外，標(biāo)簽靈敏度的變化意味著單個(gè)讀取距離可能并非適用于所有標(biāo)簽。因此，動(dòng)態(tài)調(diào)整距離被證明是增強(qiáng)信噪比的有效策略。如圖左上角所示。距離與信噪比之間的非線性或非單調(diào)關(guān)系需要精心設(shè)計(jì)的距離搜索策略來(lái)確定最優(yōu)信噪比。

其次，特征和分類模塊的開(kāi)發(fā)提出了另一個(gè)挑戰(zhàn)。傳統(tǒng)技術(shù)通常依賴于一組有限的預(yù)定特征進(jìn)行分類，這可能無(wú)法充分捕獲標(biāo)簽的多樣性。為了更有效地捕獲標(biāo)簽之間的差異，本研究不僅捕獲了時(shí)域的特征，還整合了頻域的特征。通過(guò)特征選擇過(guò)程，評(píng)估新提取特征的有效性，確定它們?cè)诜诸愔械淖饔?。通過(guò)使用這種徹底的方法來(lái)提取和選擇特征，可以獲得更全面的標(biāo)簽特征表示，從而提高分類準(zhǔn)確性。如圖1底部所示。該特征和分類模塊旨在最大限度地利用標(biāo)簽信號(hào)中的信息，以實(shí)現(xiàn)更準(zhǔn)確的真實(shí)性識(shí)別。

五、用于標(biāo)簽分類的 CRC

5.1 預(yù)處理

用于對(duì)RFID標(biāo)簽進(jìn)行分類的CRC框架如圖1所示。本節(jié)對(duì)每個(gè)單元進(jìn)行了深入探討。最初，閱讀器檢測(cè)到的標(biāo)簽響應(yīng)信號(hào)進(jìn)行預(yù)處理。該模塊的核心職責(zé)是雙重的：主要作用是確定信號(hào)的信噪比（SNR）以管理交換機(jī)網(wǎng)絡(luò)，其次要作用是對(duì)標(biāo)簽信號(hào)進(jìn)行初始處理，以預(yù)期未來(lái)的特征提取。

預(yù)處理單元，如圖所示。以IQ解調(diào)開(kāi)始獲取 I 和 Q 通道信號(hào)的響應(yīng)信號(hào)，在模后額外獲取基帶信號(hào)?\（\：a\left（n\right）\），其中?\（\：n\）=1， 2， …\（\：N\）?表示采樣的點(diǎn)。隨后，通過(guò)對(duì)基帶信號(hào)做出決策來(lái)得出所需的信號(hào)，表示為$$\：{a}_{e}\left（n\right）=dec\left[a\right（n\left）\right]$$

預(yù)處理

該決定表示為

$$\:d ec\left（x\right）=\left\{\begin{array}{c}0，\：if\：\left|x-{v}_{0}\right|\le\：\left|x-{v}_{1}\right|\\\：1，\：if\：\left|x-{v}_{0}\right|>\left|x-{v}_{1}\right|\end{array}\right.$$

其中?\（\：{v}_{0}\）?和?\（\：{v}_{1}\）?表示基帶信號(hào)簇?\（\：a\left（n\right）\）?的雙中心節(jié)點(diǎn)，分別與位 0 和 1 相關(guān)聯(lián)。值得注意的是，\（\：{v}_{0}\）?是通過(guò)與靜默周期信號(hào)的簇質(zhì)心的接近程度來(lái)確定的，如圖中觀察到的。在實(shí)驗(yàn)部分。為了標(biāo)準(zhǔn)化信號(hào)功率，基帶信號(hào)調(diào)整為

$$\：{a}_{\text{n}}\left（n\right）=\frac{a\left（n\right）-{v}_{1}}{{v}_{1}-{v}_{0}}$$

噪聲是通過(guò)減去預(yù)期的從歸一化信號(hào)中提取的

$$\：{a}_{{\upeta\：}}\left（n\right）={a}_{\text{n}}\left（n\right）-{a}_{\text{e}}\left（n\right）$$

經(jīng)過(guò)此處理，獲得四個(gè)信號(hào)組：所需信號(hào) \（\：{a}_{\text{e}}\left（n\right）\）、標(biāo)準(zhǔn)信號(hào) \（\：{a}_{\text{n}}\left（n\right）\）、噪聲信號(hào) \（\：{a}_{{\upeta\：}}\left（n\right）\） 和基帶信號(hào) \（\：a\left（n\right）\），從中推導(dǎo)出特征。在末端階段，SNR 可以計(jì)算為

$$\：SNR=10\text{l}\text{g}\frac{{P}_{\text{e}}}{{P}_{{\upeta\：}}}$$

其中?\（\：{P}_{\text{e}}\）?和?\（\：{P}_{{\upeta\：}}\）?對(duì)應(yīng)于從方程獲得的平均功率水平。

5.2 風(fēng)險(xiǎn)管理和網(wǎng)絡(luò)交換機(jī)

風(fēng)險(xiǎn)管理塊的主要目的是管理交換機(jī)網(wǎng)絡(luò)，如圖所示。如果信噪比達(dá)不到要求，則CRC系統(tǒng)切換到認(rèn)知控制塊。在此框架內(nèi)，一種自調(diào)節(jié)反饋機(jī)制，其中對(duì) SNR 進(jìn)行微調(diào)，直到超過(guò)或等于閾值。一旦信噪比已經(jīng)足夠，系統(tǒng)就會(huì)繼續(xù)進(jìn)行特征提取和分類階段。此過(guò)程概述如下：

$$\：\langle{k}_{1}，{k}_{2}\rangle=\left\{\begin{array}{c}\langle\text{o}\text{n}，\text{o}\text{f}\rangle，if\：SNR<{V}_{\text{t}\text{h}}\\\：\langle\text{o}\text{f}\text{f}，\text{o}\text{n}\rangle，if\：SNR\ge\：{V}_{\text{t}\text{h}}\end{array}\right.$$

其中?\（\：{k}_{1}\）?和?\（\：{k}_{2}\）?開(kāi)關(guān)用于激活系統(tǒng)的認(rèn)知控制模塊和特征與分類模塊。當(dāng)開(kāi)關(guān)設(shè)置為“打開(kāi)”時(shí)，它處于關(guān)閉位置，當(dāng)設(shè)置為“關(guān)閉”位置時(shí)，它處于打開(kāi)位置。\（\：{V}_{\text{t}\text{h}}\：\）表示信噪比閾值，基于分類模塊中標(biāo)簽分類的最大精度建立，表示如下：

$$\：{V}_{\text{t}\text{h}}=\下移量{{SNR}}{\text{argmax}}{f}_{c}\left（SNR\right）\：$$

其中?\（\：{f}_{c}\left（SNR\right）\）?表示依賴于 SNR 的分類準(zhǔn)確度指標(biāo)。這意味著當(dāng)分類精度達(dá)到峰值時(shí)，與之相對(duì)應(yīng)的信噪比值成為基本閾值。如式所示，可以使用訓(xùn)練數(shù)據(jù)實(shí)現(xiàn)外部反饋回路的目標(biāo)。

風(fēng)險(xiǎn)管理和網(wǎng)絡(luò)交換機(jī)

5.3 認(rèn)知控制

如果信噪比未能達(dá)到閾值，則啟動(dòng)認(rèn)知控制，開(kāi)關(guān)?\（\：{k}_{1}\：\）?關(guān)閉，如圖所示。認(rèn)知控制的目的是調(diào)整標(biāo)簽到閱讀器天線的距離，以確保在電流比不足時(shí)信噪比達(dá)到或超過(guò)閾值。圖5顯示了搜索所需SNR的過(guò)程的示意圖，采用不同的網(wǎng)格來(lái)反映在不同距離上可達(dá)到的SNR值。綠色方塊表示滿足所需信噪比的坐標(biāo)，白色方塊表示不滿足要求的坐標(biāo)，藍(lán)色方塊表示當(dāng)前坐標(biāo)。在此圖中，雖然距離變量本質(zhì)上是一維的，反映了從標(biāo)簽到閱讀器的距離，但標(biāo)簽在閱讀器磁場(chǎng)中的實(shí)際定位包含三維坐標(biāo)。因此，考慮到標(biāo)簽在三個(gè)維度上的位置，距離變量應(yīng)理想地與該維度保持一致。然而，為了簡(jiǎn)化搜索過(guò)程，一種務(wù)實(shí)的方法涉及將調(diào)整后的標(biāo)簽距離沿二維平面內(nèi)的單個(gè)軸固定。在此設(shè)置中，距離調(diào)整可以概念化為具有兩個(gè)方向：“向上”（拉得更遠(yuǎn)）和“向下”（拉得更近）。鑒于信噪比值和距離之間沒(méi)有明顯的單調(diào)性，如圖1所示。采用隨機(jī)搜索方法定位目標(biāo)閾值。隨后，我們深入研究該算法的細(xì)節(jié)。

認(rèn)知控制

目標(biāo)信噪比搜索

在應(yīng)用 \（\：t\） 第 個(gè)動(dòng)作 \（\：{a}_{t}\） 時(shí)，初始距離狀態(tài) \（\：42qcaa6_{t}\） 更新為 \（\：cw4i2ua_{t+1}\）。由于該過(guò)程是馬爾可夫過(guò)程，\（\：we4koam_{t+1}\） 僅由 \（\：ooqi44k_{t}\） 決定，因此可以表示為

$$\：scwqukc_{t+1}=omuimy6_{t}+{a}_{t}，\：{a}_{t}\in\：\mathcal{A}$$

其中 \（\：\mathcal{A}\） 表示動(dòng)作集，包括增加或減少距離等調(diào)整，表述為

$$\：\mathcal{A}=\left\{\delta\：，\：-\delta\：\right\}$$

其中?\（\：\delta\：\）?表示調(diào)整距離的增量。

讓更新后的信噪比用 \（\：{SNR}_{t+1}=Q（ssmekac_{t}，{\mathfrak{F}}_{t}）\） 表示，其中它不僅與距離 \（\：4syyscs_{t}\） 相關(guān)，還與外部因素 \（\：{\mathfrak{F}}_{t}\） 相關(guān)，例如發(fā)射功率和電磁條件。假設(shè)調(diào)整期間的時(shí)間不變性為 \（\：t=1，\：2，\：\dots\：T\），則 \（\：{\mathfrak{F}}_{t}\） 可以被視為時(shí)間不變。去掉下標(biāo)后，\（\：t\） 變?yōu)?/p>

$$\：{SNR}_{t+1}=Q（amqkkim_{t}，\mathfrak{F}）$$

這種隨機(jī)搜索算法遵循特定的作順序：如果修改后的 SNR 未能達(dá)到閾值，則選擇相同的作。如果修訂后的信噪比等于或高于閾值，則無(wú)需執(zhí)行進(jìn)一步作，搜索將停止。此搜索過(guò)程表示為

$$\：{a}_{t+1}=\left\{\begin{array}{c}{a}_{t}，\：\：\：if\：{SNR}_{t+1}<{V}_{\text{t}\text{h}}\\\：0，\：\：if\：{SNR}_{t+1}\ge\：{V}_{\text{t}\text{h}}\end{array}\right.$$

此外，如圖所示。這些隨機(jī)搜索的有效性取決于初始點(diǎn)選擇，其中更靠近目標(biāo)的點(diǎn)可以顯著減少搜索迭代。為了確定這個(gè)最佳起點(diǎn)，該算法采用交叉驗(yàn)證。它累積來(lái)自訓(xùn)練集中各種標(biāo)簽-閱讀器距離組合的信噪比。然后，導(dǎo)致最高累積的合并作為測(cè)試集中的起始元素，表示為

$$\：gw44ucu_{0}=\undersetukqqqu2{\text{arg}\text{max}}{\sum\：}_{i}{Q}_{i}（d，\mathfrak{F}）$$

其中 \（\：i\） 是測(cè)試集的標(biāo)簽索引。此外，環(huán)境條件 \（\：\mathfrak{F}\） 會(huì)影響最終的信噪比，因此需要測(cè)試集和訓(xùn)練集之間的一致性以避免模型泛化問(wèn)題。因此，訓(xùn)練應(yīng)該包括各種環(huán)境 \（\：\mathfrak{F}\）。例如，訓(xùn)練可以涉及高、中、低發(fā)射功率的初始點(diǎn)，并在測(cè)試過(guò)程中根據(jù)實(shí)際功率進(jìn)行相應(yīng)的選擇。

表1概述了該搜索算法的順序過(guò)程。

5.4 特征和分類

對(duì)標(biāo)簽響應(yīng)的未處理信號(hào)進(jìn)行處理，生成兩組信號(hào)：所需信號(hào)、標(biāo)準(zhǔn)信號(hào)、噪聲信號(hào)和基帶信號(hào)。這些信號(hào)作為特征提取的基礎(chǔ)，包括傳統(tǒng)的時(shí)域統(tǒng)計(jì)，如均值、方差、最大自相關(guān)、偏度、香農(nóng)熵、第二中心距和峰度。此外，頻域特性包括重力頻率質(zhì)心、平均平方頻率、均方根頻率、頻率標(biāo)準(zhǔn)差和頻譜峰度等參數(shù)被提取。此外，還考慮了其他時(shí)間特征，例如形狀因子、最大自相關(guān)、裕度因子、標(biāo)準(zhǔn)差、脈沖因子、均方根和波峰因子。表?2?和表?3?提供了這些特征的詳細(xì)分類?？偣矠槊總€(gè)信號(hào)組提取了 26 個(gè)特征，從而從四個(gè)組中提取了 104 個(gè)特征。

在特征提取之后，需要評(píng)估每個(gè)特征的組分類有效性，因此需要使用特征選擇方法。特征選擇方法通常包括過(guò)濾、嵌入和包裝方法。鑒于過(guò)濾方法的性能與分類器無(wú)關(guān)，本研究選擇了基于過(guò)濾的特征選擇。

考慮訓(xùn)練數(shù)據(jù)集 \（\：{\upchi\：}\）=\（\：\langle\mathbf{S}，y\rangle\） 中指示的單元變量，其中 \（\：\mathbf{S}\） 是包含元素 \（\：{s}^{\left（1\right）}，{s}^{\left（2\right）}，\：\dots\：{s}^{\left（N\right）}\）的信號(hào)特征向量，\（\：y\） 是其分類類別。計(jì)算訓(xùn)練集中每個(gè)特征 \（\：{s}^{\left（m\right）}\） 的權(quán)重 \（\：{\omega\：}^{\left（m\right）}\） 并按降序排列。隨后，選擇權(quán)重最高的 \（\：W\） 特征，定義為

$$\：\langle{q}_{1}，{q}_{2}，\dots\：{q}_{W}\rangle=\underset{m}{\text{argmax}}{\omega\：}^{\left（m\right）}$$

將所選特征組織到一個(gè)新的單元格中 \（\：{{\upchi\：}}^{\text{K}}\）=\（\：\langle{\mathbf{X}}^{\text{K}}，y\rangle\），從而生成一個(gè)新的訓(xùn)練集 \（\：\mathcal{K}\），滿足

$$\：{{\upchi\：}}^{\text{K}}\：=\：\langle{\mathbf{X}}^{\text{K}}，y\rangle\in\：\mathcal{K}$$

其中 \（\：{\mathbf{X}}^{\text{K}}\：\）= [\（\：{x}^{\left（{q}_{1}\right）}，{x}^{\left（{q}_{2}\right）}，\：\dots\：{x}^{\left（{q}_{W}\right）}\）]。類似地，對(duì)于測(cè)試數(shù)據(jù)集中表示為 \（\：{{\upchi\：}}^{\text{T}}\）=\（\：\langle{\mathbf{X}}^{\text{T}}，y\rangle\） 的單元格，確保測(cè)試集 \（\：\mathcal{T}\） 滿足

$$\：{{\upchi\：}}^{\text{T}}\：=\：\langle{\mathbf{X}}^{\text{T}}，y\rangle\in\：\mathcal{T}$$

其中 \（\：{\mathbf{X}}^{\text{T}}\） 構(gòu)成一個(gè)包含頂部 \（\：W\） 加權(quán)特征的向量。完成特征選擇后，可以進(jìn)行交叉驗(yàn)證。一旦分類器 \（\：{f}_{\text{c}\text{l}\text{a}\text{s}}（\bullet\:)\） 的權(quán)重 \（\：w\） 令人滿意

$$\：{y=f}_{\text{c}\text{l}\text{a}\text{s}}\left（w，{{\upchi\：}}^{\text{K}}\right），{{\upchi\：}}^{\text{K}}\in\：\mathcal{K}$$

訓(xùn)練階段結(jié)束，測(cè)試結(jié)果已從

$$\：{\widehat{y}=f}_{\text{c}\text{l}\text{a}\text{s}}\left（w，{{\upchi\：}}^{\text{T}}\right），{{\upchi\：}}^{\text{T}}\in\：\mathcal{T}$$

可以通過(guò)將測(cè)試類別 \（\：\widehat{y}\） 與預(yù)期類別 \（\：y\） 進(jìn)行比較來(lái)計(jì)算分類準(zhǔn)確性。

表4顯示了執(zhí)行CRC算法的說(shuō)明。

六、實(shí)驗(yàn)設(shè)置

6.1 數(shù)據(jù)生成

實(shí)驗(yàn)裝置使用符合 EPC C1 Gen2 規(guī)范的無(wú)源 UHF 標(biāo)簽?？偣彩褂昧?210 個(gè)標(biāo)簽，代表市場(chǎng)上可用的七種常見(jiàn)類型。這些標(biāo)簽由三家不同的公司制造，詳見(jiàn)表?5。在數(shù)據(jù)收集之前，所有 210 個(gè)標(biāo)簽都使用相同的 EPC 代碼進(jìn)行編程。書(shū)寫(xiě)過(guò)程使用廣州旺源電子制造的UHF100U寫(xiě)入器執(zhí)行。有關(guān)寫(xiě)入器的參數(shù)，請(qǐng)參閱表?6。收集數(shù)據(jù)的過(guò)程是使用 UHF RFID 系統(tǒng)進(jìn)行的由 USRP 軟件定義無(wú)線電作。該系統(tǒng)遵循 EPC C1 Gen2 標(biāo)準(zhǔn)，其軟件實(shí)現(xiàn)是使用 GNU Radio 完成的。表7概述了該系統(tǒng)的綜合參數(shù)。

在數(shù)據(jù)收集會(huì)話的每個(gè)實(shí)例中，只有一個(gè)標(biāo)簽位于讀卡器的磁場(chǎng)內(nèi)，以最大限度地減少與多個(gè)標(biāo)簽相關(guān)的碰撞風(fēng)險(xiǎn)。值得注意的是，數(shù)據(jù)收集發(fā)生在非隔離環(huán)境中，可能容易受到熱噪聲、蜂窩設(shè)備干擾、無(wú)線通信信號(hào)和射頻干擾等來(lái)源的影響。標(biāo)簽沿著兩個(gè)天線之間形成的角度的平分線零星地放置，如圖所示。每個(gè)標(biāo)簽記錄持續(xù) 10 秒的數(shù)據(jù)，在此期間，EPC 信號(hào)被隨機(jī)分段，間隔為靜默周期，如圖所示。

用于從 RFID 標(biāo)簽收集信號(hào)的設(shè)備，其中兩個(gè)天線之間的角度約為 120 度，標(biāo)簽位于角度的平分線上，其位置從天線末端的 10 厘米變化到 40 厘米。

響應(yīng)標(biāo)簽的信號(hào)是原始基帶信號(hào)EPC信號(hào)和分段，分為具有靜默期的段。

6.2 算法和分類技術(shù)

在此實(shí)驗(yàn)裝置中，CRC 單元用于調(diào)節(jié)接收信號(hào)的信噪比，以符合分類標(biāo)準(zhǔn)。表?8?概述了管理該模塊的精確規(guī)范，而距離搜索算法詳見(jiàn)表?1。

該實(shí)驗(yàn)采用一對(duì)不同的交叉驗(yàn)證方法來(lái)得出分類結(jié)果。一種方法涉及來(lái)自各種類型或制造商的標(biāo)簽，而另一種方法則側(cè)重于來(lái)自相同類型和制造商的標(biāo)簽。以下是每種方法的具體情況。

首先，涉及不同標(biāo)簽類別或制造商的交叉驗(yàn)證（CrossVal I）采用5重方法，如圖所示。每個(gè)標(biāo)簽類別或制造商有 30 個(gè)標(biāo)簽，總共?\（\：L\）?= 7 類標(biāo)簽或制造商。真集被指定為?\（\：l\） 第 1?個(gè)類型作為真集，而偽集是第 \（\：m\）?個(gè)類別（其中?\（\：l\ne\：m\））。然后形成訓(xùn)練集?\（\：{\mathcal{S}}_{l}\）、\（\：{\mathcal{S}}_{m}\）?和測(cè)試集?\（\：{\mathcal{T}}_{l}\）、\（\：{\mathcal{T}}_{m}\）。隨后，通過(guò)對(duì)測(cè)試集?\（\：{\mathcal{T}}_{l}\）?和每個(gè)?\（\：{\mathcal{T}}_{m}\）?獲得的二元分類結(jié)果進(jìn)行平均來(lái)確定第?\（\：l\）?類型分類的準(zhǔn)確性，其中?\（\：m\）?的范圍為 1 到?\（\：L\）。

其次，涉及相同標(biāo)簽類別和制造商的交叉驗(yàn)證（CrossVal II）也采用了5倍方法，如圖所示。每個(gè)標(biāo)簽類別包含 30 個(gè)標(biāo)簽。最初，從第 \（\：l\）?個(gè)類別中隨機(jī)選擇一個(gè)標(biāo)簽，該標(biāo)簽中的 29 個(gè)數(shù)據(jù)樣本作為真實(shí)集合，指定為 ‘1’。隨后，從剩余的 29 個(gè)相同類型的標(biāo)簽中收集 29 個(gè)數(shù)據(jù)樣本，形成標(biāo)記為“0”的假集。這些集合分別分為訓(xùn)練集?\（\：{\mathcal{S}}_{l}^{1}\）、\（\：{\mathcal{S}}_{l}^{0}\）?和測(cè)試集?\（\：{\mathcal{T}}_{l}^{1}\）、\（\：{\mathcal{T}}_{l}^{0}\）。\（\：l\）?類型標(biāo)簽的分類準(zhǔn)確性是通過(guò)從測(cè)試集?\（\：{\mathcal{T}}_{l}^{1}\）?和?\（\：{\mathcal{T}}_{l}^{0}\）?獲得的二元分類結(jié)果來(lái)確定的。

采用了一對(duì)交叉驗(yàn)證策略：CrossValI，涉及跨不同類別或制造商的標(biāo)簽的交叉驗(yàn)證，以及CrossValII，專注于相同類別和制造商之間的標(biāo)簽之間的交叉驗(yàn)證。

分析可能改變本實(shí)驗(yàn)分類結(jié)果的各個(gè)方面至關(guān)重要，包括特征選擇、所選特征的數(shù)量、最近附加的基于時(shí)間和頻率的特征以及不同的分類器，如SVM、RF、KNN和Vgg16，如下所述：

• CRC：本文中建議的方法;
• 7 帶 SVM：檢索經(jīng)典的 7 個(gè)基于時(shí)間的功能從EPC標(biāo)簽的基帶信號(hào)中獲取，但排除特征選擇，然后使用支持向量機(jī)（SVM）分類器;
• 28 帶 SVM：從標(biāo)簽的 EPC 信號(hào)中提取整組 28 個(gè)特征，包括基帶、歸一化、預(yù)期和噪聲分量，但排除特征選擇，并采用SVM分類器;
• 104 與 SVM：合并了額外的基于頻率和時(shí)間的特征，將特征計(jì)數(shù)增加到 104（見(jiàn)表?2?和表 3），然后使用 SVM 分類器，省略特征選擇;
• 104 with ReliefF：ReliefF 特征選擇應(yīng)用于 104 個(gè)特征，選擇權(quán)重超過(guò) 0 的特征，然后使用 SVM 分類器;
• 21/41/61/81/101 與 chi2：特征選擇的卡方檢驗(yàn)應(yīng)用于一百零四個(gè)特征，選擇?\（\：W\）?=21、41、61、81 和 101 個(gè)特征，然后使用 SVM 分類器;
• 21/41/61/81/101 with fsulaplacian：應(yīng)用基于 Laplacian 的特征選擇?\（\：W\）?=21、41、61、81 和 101 個(gè)特征，然后使用 SVM 分類器;
• 7/28/104 with RF：采用索引 7、28 和 104 中的特征，并應(yīng)用隨機(jī)森林分類器有 50 棵樹(shù)，沒(méi)有要素選擇;
• 7/28/104 與 KNN：指數(shù) 7、28 和 104 處的特征，以及 K 最近鄰設(shè)置為考慮 3 個(gè)相鄰，沒(méi)有要素選擇;
• VGG16：深度神經(jīng)網(wǎng)絡(luò)以標(biāo)簽信號(hào)小波變換得到的時(shí)頻分布為輸入。

在本實(shí)驗(yàn)中，使用分類準(zhǔn)確性評(píng)估分類性能，表示為 \（\：acc\），由公式

$$\：acc=\frac{TP+TN}{TP+FP+FN+TN}$$

其中 \（\：TP\） 表示真陽(yáng)性的計(jì)數(shù)，\（\：TN\） 是真陰性的計(jì)數(shù)，\（\：FP\） 是假陽(yáng)性的計(jì)數(shù)，\（\：FN\） 是假陰性的計(jì)數(shù)。

七、實(shí)驗(yàn)結(jié)果

7.1 預(yù)處理結(jié)果

圖9說(shuō)明了在用CRC進(jìn)行修改之前和之后來(lái)自相同標(biāo)簽的響應(yīng)信號(hào)之間的對(duì)比，其中左邊的信號(hào)有更多的噪聲，而右邊的信號(hào)有更少的噪聲。它表明，當(dāng)隨機(jī)選擇距離值時(shí)，響應(yīng)信號(hào)的上邊界出現(xiàn)鋸齒狀，表明信噪比相對(duì)較低。然而，一旦實(shí)施CRC調(diào)整，接收信號(hào)邊界就會(huì)變得規(guī)則有序，從而顯著改善信噪比。在圖10中，給出了不同隨機(jī)標(biāo)簽的七個(gè)信噪比熱圖樣本。這些樣本顯示了不同距離和標(biāo)簽的信噪比的明顯變化。CRC的主要目標(biāo)是根據(jù)式的噪聲信號(hào)功率和所需的信號(hào)功率確定理想的信噪比目標(biāo)值。從圖中可以看出，信噪比不一定與距離成正比，因此動(dòng)態(tài)調(diào)制距離可以獲得所需的信噪比和更好的分類性能。圖11顯示了預(yù)處理的期望信號(hào)和干擾信號(hào)。用于分類的特征將從這四組預(yù)處理后的信號(hào)中提取出來(lái)。

響應(yīng)信號(hào)，分別表示 CRC 調(diào)整之前和之后的信號(hào)。

七個(gè)隨機(jī)標(biāo)簽的 SNR 熱圖示例，標(biāo)簽類型如表?5?所示。

預(yù)處理后標(biāo)簽的基帶、歸一化、預(yù)期和噪聲信號(hào)。

此外，圖12說(shuō)明了對(duì)七個(gè)隨機(jī)標(biāo)簽執(zhí)行的距離調(diào)整量，表示實(shí)現(xiàn)目標(biāo)信噪比所需的搜索量。數(shù)據(jù)表明，所采用的搜索方法平均產(chǎn)生不到 0.5 次標(biāo)簽搜索。值得注意的是，圖 1 中的結(jié)果。?代表平均值，由于各種標(biāo)簽的敏感度不同，它們的搜索結(jié)果會(huì)有所不同。搜索次數(shù)越少，計(jì)算時(shí)間就越少。例如，如果一個(gè)標(biāo)簽屬于圖 7 中的類型。由于滿足條件的網(wǎng)格較多，可能需要更少的搜索;相反，如果標(biāo)記是類型 2，則可能需要更多搜索才能到達(dá)相同的 SNR 目標(biāo)。

隨機(jī)搜索算法執(zhí)行的平均搜索量。

7.2 克羅斯瓦爾一世

在本小節(jié)中，我們深入研究了 CrossVal I 交叉驗(yàn)證的結(jié)果，旨在評(píng)估各個(gè)類別和制造商的分類性能。圖?13?顯示了 SVM 分類器的分類精度因所使用的特征數(shù)量（7、28 和 104）而異，無(wú)論是否具有 CRC。仔細(xì)檢查圖中的數(shù)據(jù)后。很明顯，無(wú)論特征的數(shù)量如何，CRC 的引入都會(huì)持續(xù)提高分類準(zhǔn)確性。該結(jié)果用于比較有或沒(méi)有CRC的方法的性能，主要顯示不同類型或不同制造商的標(biāo)簽的分類性能。此外，隨著特征數(shù)量的增加，有 104 個(gè)特征優(yōu)于 28 個(gè)，28 個(gè)優(yōu)于 7 個(gè)特征，分類準(zhǔn)確性顯著提高，凸顯了特征增強(qiáng)的積極影響。圖14描述了平均分類準(zhǔn)確度，與圖14中觀察到的趨勢(shì)相呼應(yīng)。也就是說(shuō)，納入 CRC 的方法在準(zhǔn)確性方面優(yōu)于沒(méi)有納入 CRC 的方法。該結(jié)果是圖中結(jié)果的平均值。

考慮無(wú) CRC 和 CRC 條件的 CrossValI 中 SVM 分類曲線。

分類的平均準(zhǔn)確度水平是 CrossValI 中的 SVM，同時(shí)考慮了 CRC 和無(wú) CRC，特征集分別包含 7 個(gè)、28 個(gè)和 104 個(gè)特征。

隨后，圖。圖15、圖16、17和圖18分別顯示了使用RF和KNN分類器實(shí)現(xiàn)的分類結(jié)果。圖 15 的結(jié)果類似于圖?15。但分類器使用RF。圖16的結(jié)果是圖16中結(jié)果的平均值。 圖 17 的結(jié)果與圖?17?類似。13?和?15，但分類器使用 KNN。圖 18 的結(jié)果是圖?18?中結(jié)果的平均值。這些結(jié)果表明，無(wú)論使用何種分類器，整合 CRC 后分類準(zhǔn)確性都會(huì)顯著提高。這強(qiáng)調(diào)了所提出的 CRC 方法在增強(qiáng)分類性能方面的普遍功效，與所采用的分類器無(wú)關(guān)。此外，增加特征數(shù)量始終與所有分類器的更高分類精度相關(guān)。

CrossValI 中 RF 分類曲線，同時(shí)考慮無(wú) CRC 和 CRC。

在CrossValI中，分類的平均準(zhǔn)確度水平是RF，同時(shí)考慮了無(wú)CRC和CRC，特征集分別包含7個(gè)、28個(gè)和1004個(gè)特征。

CrossValI 中 KNN 分類曲線，考慮無(wú) CRC 和 CRC，特征集分別包含 7、28 和 104

在CrossValI中，分類的平均準(zhǔn)確率為kNN，同時(shí)考慮無(wú)CRC和CRC，特征集分別包含7個(gè)、28個(gè)和104個(gè)特征。

最后，無(wú)花果。圖19、20和21比較了在利用104個(gè)特征作為SVM模型輸入時(shí)，有和沒(méi)有特征選擇的分類精度。圖?19?的結(jié)果用于比較選擇或不選擇 ReliefF 特征的方法的性能。它也是不同類型或不同制造商的標(biāo)簽的分類性能，還考慮了有或沒(méi)有CRC的方法的性能。圖 20 的結(jié)果是圖?20?中結(jié)果的平均值。19. 圖?21?的結(jié)果用于比較有或沒(méi)有 fsulaplacian 特征選擇的方法的性能。它也是不同類型或不同制造商的標(biāo)簽的分類性能，還考慮了有或沒(méi)有CRC的方法的性能。評(píng)估了特征選擇技術(shù)，例如 ReliefF、fuslaplasian 和 chi2。值得注意的是，無(wú)論是否采用特征選擇或使用特定技術(shù)，一百零四個(gè)特征的分類準(zhǔn)確性都不會(huì)受到顯著影響。此外，納入 CRC 并沒(méi)有給特征選擇對(duì) 1004 個(gè)特征的影響帶來(lái)重大變化。這些發(fā)現(xiàn)與文獻(xiàn)中報(bào)道的不同研究表明，當(dāng)使用28個(gè)特征時(shí)，特征選擇方法比沒(méi)有特征選擇的場(chǎng)景可以產(chǎn)生更好的性能。此外，所選特征的數(shù)量也會(huì)影響特征選擇結(jié)果，從而對(duì)分類性能產(chǎn)生不同的影響。

比較了在CrossValI下使用ReliefF選擇和不使用特征選擇的SVM的平均精度水平，無(wú)論是無(wú)CRC還是CRC情況。

在CrossValI下使用卡方法，將支持向量機(jī)（SVM）與特征選擇和無(wú)特征選擇的平均準(zhǔn)確率水平進(jìn)行了比較，適用于無(wú)CRC和CRC情況。

在CrossValI下使用fsulaplacian，比較了支持向量機(jī)在特征選擇和無(wú)特征選擇下對(duì)無(wú)CRC和CRC情況的平均準(zhǔn)確率水平。

7.3 十字瓦爾II

在本小節(jié)中，我們深入研究了Cross ValII交叉驗(yàn)證的分析結(jié)果，該驗(yàn)證專門評(píng)估了來(lái)自同一類型和制造商的分類標(biāo)簽的性能。圖22、23、24、25、26和27顯示了使用三種分類器獲得的分類精度結(jié)果：SVM、RF和KNN。與在 Cross Val I 中觀察到的趨勢(shì)類似，CRC 的實(shí)施始終導(dǎo)致所有分類器的平均分類準(zhǔn)確性的提高，盡管與 Cross Val I 相比改進(jìn)不那么明顯。此外，分類準(zhǔn)確性仍然與所使用的特征數(shù)量密切相關(guān)。當(dāng)使用 104 個(gè)特征作為分類器的輸入時(shí)，分類的準(zhǔn)確性最高，超過(guò)了只有 7 或 28 個(gè)特征的場(chǎng)景。值得注意的是，當(dāng)射頻作為分類器時(shí)，平均正確分類水平可達(dá)95.8%。必須強(qiáng)調(diào)的是，如圖所示。22、在不采用CRC的情況下，類型6的分類精度偶爾會(huì)超過(guò)CRC所達(dá)到的精度。這種現(xiàn)象的根本原因?qū)⒃诤罄m(xù)的討論部分中深入探討。圖22的結(jié)果用于比較有或沒(méi)有CRC的方法的性能，主要顯示了相同類型和制造商的標(biāo)簽的分類性能。圖 23 的結(jié)果是圖?23?中結(jié)果的平均值。22. 圖 24 的結(jié)果類似于圖?24。22，但分類器使用RF。圖25的結(jié)果是圖25中結(jié)果的平均值。24. 圖 26 的結(jié)果與圖?26?類似。22?和?24，但分類器使用 KNN。圖 27 的結(jié)果是圖?27?中結(jié)果的平均值。

CrossValII 中的 SVM 分類曲線，同時(shí)考慮無(wú) CRC 和 CRC，特征集分別包含 7、28 和 104 個(gè)。

在Cross ValII中，分類的平均準(zhǔn)確度水平為SVM，同時(shí)考慮無(wú)CRC和CRC，特征集分別包含7個(gè)、28個(gè)和104個(gè)特征。

CrossValII 中的 RF 分類曲線，同時(shí)考慮了無(wú) CRC 和 CRC，特征集分別包含 7 個(gè)、28 個(gè)和 104 個(gè)特征。

在CrossValII中，分類的平均準(zhǔn)確度水平為RF，同時(shí)考慮無(wú)CRC和CRC，特征計(jì)數(shù)分別為7個(gè)、28個(gè)和1004個(gè)。

CrossValII中的KNN分類曲線，同時(shí)考慮無(wú)CRC和CRC，特征計(jì)數(shù)分別為7個(gè)、28個(gè)和104個(gè)。

考慮到無(wú) CRC 和 CRC 條件，分類的平均準(zhǔn)確率水平為 CrossValII 中的 KNN，特征計(jì)數(shù)分別為 7、28 和 1004。

圖?28、29?和?30?描述了在 CrossValIIcondition 中使用 104 個(gè)特征作為 SVM 導(dǎo)入時(shí)分類精度的比較，包括和不包括特征選擇。研究了選擇特征的不同技術(shù)，例如 ReliefF、chi2 和 fuslaplasian。在分析這些圖中的數(shù)據(jù)后，很明顯，無(wú)論是否應(yīng)用特征選擇或采用特定技術(shù)，對(duì) 104 個(gè)特征分類的準(zhǔn)確性都沒(méi)有顯著影響。此外，與圖?19、20?和?21?中的觀察結(jié)果一致，無(wú)論是否存在 CRC，引入特征選擇對(duì) 104 個(gè)特征的影響微不足道。因此，可以推斷特征選擇不是強(qiáng)制性的，因?yàn)樗梢詽撛诘販p輕模型過(guò)度擬合并增強(qiáng)其泛化能力。圖?28?的結(jié)果用于比較有或沒(méi)有 ReliefF 特征選擇的方法的性能。它也是相同類型和相同制造商標(biāo)簽的分類性能，還考慮了有或沒(méi)有 CRC 的方法的性能。圖?29?的結(jié)果與圖?28?類似，但特征選擇方法使用 chi2。圖?30?的結(jié)果與圖?28 相似。28?和?29，但特征選擇方法使用 fsulaplacian。圖31的結(jié)果用于判斷Vgg16結(jié)合CRC的性能，結(jié)果是7類標(biāo)簽的分類性能的平均值。

在CrossValII下，比較了SVM在CrossValII下使用ReliefF進(jìn)行特征選擇和不進(jìn)行特征選擇的平均精度水平，無(wú)論是無(wú)CRC還是CRC情況。

在CrossValII下使用卡方法，將支持向量機(jī)（SVM）與特征選擇和無(wú)特征選擇的平均準(zhǔn)確率水平進(jìn)行了比較，適用于無(wú)CRC和CRC情況。

在CrossValII下使用fsulaplacian，將支持向量機(jī)（SVM）與特征選擇和無(wú)特征選擇的平均精度水平進(jìn)行了比較，用于無(wú)CRC和CRC情況。

比較了 VGG16 在無(wú) CRC 和 CRC 病例以及 CrossValI 和 CrossVal II 的平均準(zhǔn)確度水平。

此外，我們使用VGG16深度學(xué)習(xí)模型呈現(xiàn)了分類結(jié)果，如圖所示。 盡管該模型的平均準(zhǔn)確率可能不是特別高——可能是由于深度學(xué)習(xí)對(duì)大數(shù)據(jù)量的典型要求，而本研究中使用的標(biāo)簽數(shù)據(jù)相對(duì)有限——但值得注意的是，具有 CRC 的 VGG16 模型的分類準(zhǔn)確率超過(guò)了沒(méi)有 CRC 的模型。這進(jìn)一步證實(shí)了 CRC 在提高分類性能方面的功效。

7.4 其他結(jié)果

由于銅片是金屬導(dǎo)體，因此會(huì)與標(biāo)簽耦合并產(chǎn)生干擾。此外，銅片還會(huì)反射閱讀器發(fā)出的部分載波，這也會(huì)干擾信號(hào)。因此，我們?cè)谧x卡器天線范圍內(nèi)放置了一塊銅片以產(chǎn)生干擾。銅片的尺寸為長(zhǎng)10厘米，寬5厘米。將其放置在距離天線約20 cm和40 cm的位置，以測(cè)試本文的算法。隨著標(biāo)簽移動(dòng)到不同的位置，銅片對(duì)標(biāo)簽的干擾會(huì)發(fā)生變化，例如耦合干擾。因此，本文的算法可以找到合適的位置來(lái)獲得更大的信噪比或信干比。圖32顯示了銅片干涉下的實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出，在存在干擾的情況下，本文算法仍能獲得90%以上的分類準(zhǔn)確率，而傳統(tǒng)方法的分類準(zhǔn)確率低于90%。

在銅片的干擾下進(jìn)行準(zhǔn)確的分類，其中 CuD 表示讀取器的距離以及銅和天線。

此外，我們使用ReliefF計(jì)算了104個(gè)特征的權(quán)重，如圖所示。33. 圖中，正權(quán)重表示對(duì)分類器的正貢獻(xiàn)，負(fù)權(quán)重表示負(fù)貢獻(xiàn)。從圖中可以看出，所有權(quán)重都有正貢獻(xiàn)（除一個(gè)特征外），與前面提到的結(jié)果一致，即全取104個(gè)特征時(shí)分類效率最高。該結(jié)果表明，大多數(shù)特征是有意義的，因此無(wú)需通過(guò)特征選擇方法去除冗余特征。

104 個(gè)特征的權(quán)重對(duì)分類器，其中正權(quán)重表示對(duì)分類器的正貢獻(xiàn)，負(fù)權(quán)重表示負(fù)貢獻(xiàn)。

八、討論與結(jié)論

本文研究了RFID標(biāo)簽技術(shù)在防偽方面的應(yīng)用，特別是物理層識(shí)別技術(shù)。該技術(shù)以其經(jīng)濟(jì)實(shí)惠和部署簡(jiǎn)單性而聞名，傳統(tǒng)上可以在具有強(qiáng)大信噪比的環(huán)境中有效運(yùn)行，根據(jù)提取的特征準(zhǔn)確分類標(biāo)簽。然而，在信號(hào)較弱的環(huán)境中會(huì)出現(xiàn)挑戰(zhàn)，可能會(huì)影響信噪比，從而影響標(biāo)簽分類的準(zhǔn)確性。為了解決這個(gè)問(wèn)題，該研究建議將CRC集成到標(biāo)簽分類過(guò)程中，旨在通過(guò)調(diào)整閱讀器-標(biāo)簽距離來(lái)優(yōu)化信噪比，從而提高不同環(huán)境條件下的分類準(zhǔn)確性。

在實(shí)驗(yàn)階段，我們利用通用軟件無(wú)線電外設(shè) （USRP） 來(lái)驗(yàn)證所提出方法的有效性。最初，我們?cè)u(píng)估實(shí)現(xiàn)所需 SNR 所需的搜索量，使用 USRP 計(jì)算標(biāo)簽響應(yīng)信號(hào)的 SNR。如果未達(dá)到所需的目標(biāo)，則會(huì)調(diào)整標(biāo)簽的位置。與傳統(tǒng)的CRC方法不同，我們放棄了使用Q算法進(jìn)行調(diào)整，因?yàn)槲覀儼l(fā)現(xiàn)在給定距離內(nèi)有大量位置滿足目標(biāo)信噪比。因此，調(diào)整過(guò)程更像是一個(gè)搜索問(wèn)題。為了盡量減少搜索工作，我們通過(guò)預(yù)訓(xùn)練建立接近目標(biāo)的初始功率值。結(jié)果顯示平均搜索數(shù)小于 0.5。

在評(píng)估CRC選項(xiàng)時(shí)，特別強(qiáng)調(diào)在SNR改進(jìn)后提高標(biāo)簽分類準(zhǔn)確性。將信噪比增強(qiáng)與特征提取精度相結(jié)合，我們觀察到分類準(zhǔn)確率的顯著提高。對(duì)于不同類型或制造商的標(biāo)簽，即交叉驗(yàn)證 I 中的結(jié)果，CRC 導(dǎo)致平均分類準(zhǔn)確率提高約 15%。此增強(qiáng)功能在三種類型的分類器中是一致的。然而，當(dāng)處理相同類型和制造商的標(biāo)簽時(shí)，即交叉驗(yàn)證 II 中的結(jié)果，平均分類準(zhǔn)確率提高不大，約為 8%。正如現(xiàn)有文獻(xiàn)中所指出的那樣，這可以通過(guò)在沒(méi)有 CRC 的情況下對(duì)同一類型和品牌的標(biāo)簽進(jìn)行相對(duì)較高的準(zhǔn)確性來(lái)解釋。即使沒(méi)有CRC，平均分類準(zhǔn)確率也超過(guò)90%。

此外，該研究還深入研究了提取標(biāo)簽信號(hào)特征的詳細(xì)分析。我們的分析從時(shí)域擴(kuò)展到納入頻譜峰度等頻域特征。此外，通過(guò)使用四種EPC信號(hào)提取峰值和脈沖等特征，最多可得出104個(gè)特征。從理論上講，具有更多特征有望提供更詳細(xì)的標(biāo)簽信號(hào)描述，從而提高各種標(biāo)簽的分類準(zhǔn)確性。實(shí)證結(jié)果驗(yàn)證，與傳統(tǒng)的 28 個(gè)特征相比，使用所提出的 104 個(gè)特征對(duì)各種類型的標(biāo)簽進(jìn)行分類時(shí)，分類精度提高了約 2.4%，與僅使用 7 個(gè)特征相比提高了 6.6%。在對(duì)相似標(biāo)記進(jìn)行分類時(shí)，也觀察到了類似的改進(jìn)。

另一個(gè)值得注意的發(fā)現(xiàn)是，隨著特征數(shù)量的增加，標(biāo)簽分類對(duì)特征選擇的依賴性降低。在涉及不同標(biāo)簽類型分類的實(shí)驗(yàn)中，無(wú)論特征選擇或所選特征數(shù)量如何，分類準(zhǔn)確性基本上不受影響。隨著特征數(shù)量從 7 個(gè)增加到 28 個(gè)再到 104 個(gè)，這種觀察結(jié)果可能歸因于不同特征之間的潛在相關(guān)性或重疊。因此，即使不選擇某些特征，其余特征仍然可以提供類似的信息，從而使分類準(zhǔn)確性的變化最小。這一發(fā)現(xiàn)通過(guò)減輕與確定特征選擇期間最佳特征數(shù)量相關(guān)的潛在問(wèn)題提供了優(yōu)勢(shì)，從而規(guī)避了過(guò)度擬合或欠擬合問(wèn)題。

然而，實(shí)驗(yàn)結(jié)果也存在一些局限性。首先，標(biāo)簽和閱讀器之間靜磁場(chǎng)的假設(shè)忽略了外部環(huán)境因素對(duì)信噪比的潛在影響。因此，僅基于改變標(biāo)簽距離的調(diào)整可能無(wú)法充分解決電磁環(huán)境的波動(dòng)。此外，該研究主要關(guān)注通?？晒┵?gòu)買的外星人類型標(biāo)簽。為了提高物理層技術(shù)在更廣泛的分類場(chǎng)景中的適用性，未來(lái)的研究應(yīng)該涉及測(cè)試更廣泛的標(biāo)簽和制造商。后續(xù)工作將優(yōu)先構(gòu)建更廣泛的標(biāo)簽訓(xùn)練數(shù)據(jù)集，以增強(qiáng)算法的功能和適應(yīng)性。