一、引言

在射頻識別 （RFID） 系統領域，通過防偽技術打擊假冒標簽引起了廣泛關注，特別是物理層識別方法，因其成本效益和部署簡單性而受到贊譽。然而，物理層識別方法的性能受到標簽檢測設置條件的顯著影響，特別是在信噪比（SNR）較低的場景下，分類精度容易受到影響。為了正面應對這一挑戰，本研究提出了一種認知風險控制策略的實施，該策略在標簽分類過程中微調標簽距離，以增強信噪比并提高識別精度。除了認知風險控制的實施之外，本文還將重點擴展到豐富時域和頻域特征提取，共計 104 個特征，旨在進一步提高分類效率。利用軟件定義無線電設備，進行了分類實驗，涵蓋來自三個不同制造商的七種流行標簽類型。這些實驗結果表明，在整合認知風險控制策略后，標簽分類的平均準確率提高了約 11%。同時，與傳統的 28 個和 7 個特征相比，采用 104 個特征意味著分類準確率分別提高了約 4.3% 和 5.3%。這些發現不僅強調了認知風險控制在低信噪比環境中提高標簽分類準確性方面的功效，而且還強調了通過增加特征集來增強分類性能的潛力。

二、介紹

射頻識別（RFID）技術，作為先進的自動識別解決方案，在許多行業中實現了無需人工作或物理交互即可識別具有不同身份的電子標簽的功能。該技術越來越多地應用于物流、零售、醫療和智能交通等領域。特別是隨著5G技術的推廣和智能手機的廣泛應用，RFID的應用前景進一步拓寬。然而，RFID標簽的安全問題已成為亟待解決的問題。由于缺乏有效的保護措施，標簽信息可能面臨非法訪問和數據泄露的風險，這不僅威脅到信息安全，還可能為不法分子提供可乘之機。

為了加強對 RFID 系統的保護，行業專家提出了一系列加密技術和安全協議。這些方案通常需要在標簽和閱讀器之間建立共享密鑰，以確保數據傳輸的安全性。然而，它們會增加密鑰管理的難度，特別是對于計算能力有限的被動標簽，使得實現更加復雜。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。雖然訪問控制機制可以限制未經授權的訪問，其復雜的驗證過程可能會增加系統的復雜性和成本。除了上述軟件解決方案外，還提出了一些基于硬件的技術來防止標簽偽造。例如，在生產過程中添加特殊材料或獨特的包裝設計，措施雖然有效，但往往會增加生產成本，影響讀寫性能。除了使用加密技術和安全協議來確保RFID系統的安全外，深度學習技術也應用于識別真假信號的過程。該技術通過構建復雜的神經網絡模型來分析和分類信號。盡管深度學習在處理大量數據和識別模式方面表現出色，但它也面臨著對數據量高度依賴和模型參數調優困難的挑戰。

最近的研究發現，RFID標簽的響應信號具有獨特的物理特性，即物理不可克隆功能（PUF）。該特性源于標簽的硬件構成和物理特性，例如天線設計、能量分布、幅度和相位響應。硬件功能是在生產過程中開發的，很難復制。基于此，物理層防偽解決方案提取信號中的PUF特征，并結合信號處理和模式識別技術來識別標簽的真偽。與傳統的訪問控制和加密技術相比，物理層識別技術需要有限的硬件更改，并且降低了費用，因此適用于廣泛的RFID系統應用。同時，在噪聲干擾較大或信號強度較弱的條件下，提取的特征可能不夠準確，從而導致錯誤的分類結果。

為了解決這些問題，本文提出了一種物理層識別技術，旨在提高辨別真假標簽的能力。該論文的主要貢獻包括以下內容。首先，通過引入認知風險控制（CRC）的概念，構建了一個框架，該框架能夠通過動態調整標簽和天線之間的距離來修改標簽信號的信噪比（SNR），從而顯著提高低信噪比環境下的分類精度。通常，如果標簽靠近閱讀器，信號強度會增加，信噪比也會相應增加。然而，距離和信噪比之間的關系并不總是線性的或單調的。近場效應和非線性效應可能會導致信號失真，從而降低信噪比。此外，標簽靈敏度的變化意味著單個讀取距離可能并不適合所有標簽。因此，動態調整距離可能是提高信噪比的可行途徑。其次，該技術深入挖掘標簽響應信號的基于時間和頻率的特征，以提高分類精度，減輕特征選擇對模型泛化能力的影響。通過使用通用軟件無線外設（USRP）對三家不同制造商生產的7種UHF RFID標簽的信號進行分類，實驗結果表明，通過提高信號的信噪比，所提方法的分類精度平均提高了11%。此外，在引入新的基于時間和頻率的特征后，分類精度平均提高了5%。

三、相關工作

3.1 RFID防偽

增強 RFID 系統的保護能力通常涉及采用安全協議。一些 RFID 安全協議通過集成現有協議來實現這一點，例如傳輸層安全 （TLS）、安全套接字層 （SSL）和互聯網協議安全 （IPSec）。然而，這些協議往往需要更高的能耗，并且對通信鏈路的要求更高，這可能不適合特定的RFID應用場景。目前，RFID標準如EPC Global Class 1 Generation 2提供具有基本密碼身份驗證的安全協議。雖然實施起來很簡單，但如果密碼信息泄露，該方法會帶來安全風險。相反，ISO/IEC 29167-10 標準提供更全面的安全協議，涵蓋多種加密技術和不同的安全級別，以滿足各種安全要求。盡管具有強大的功能，但由于最近推出，與 EPC 標準相比，該標準的采用速度較慢。此外，更高級的 RFID 安全協議，如可驗證匿名 RFID 協議、哈希鎖、強大的安全網絡和阻止器標簽通過密碼算法、數字簽名、加密密鑰管理等技術手段，顯著增強系統安全性。然而，先進的安全協議也帶來了更高的計算和存儲負擔，給 RFID 系統帶來了部署和作挑戰。此外，不完善的密鑰管理可能會削弱協議的保護效果。相對簡單的實現方法，如單向哈希鎖協議和隨機值生成協議，雖然隱約損害了安全性，但施加了較低的計算和存儲要求，因此更加用戶友好。因此，在選擇合適的安全算法或協議以滿足特定應用需求時，在安全性和實現復雜性之間取得平衡至關重要。

除了軟件協議外，硬件方法還利用 RFID 標簽的物理特征來提高安全性。例如，法拉第籠用金屬網或導體包圍設備，有效屏蔽外部電磁干擾，防止未經授權的信號攔截。盡管實施起來成本更高、更復雜，但事實證明，該方法在防止物理攻擊方面非常有效。反射屏蔽技術相反，防御攻擊者涉及反射信號，提供適應性強的保護，這需要額外的硬件和算法支持。防止物理損壞需要將標簽嵌入精致的外殼中，使標簽信息在包損壞時無法讀取，盡管無法防范針對內部元標記信息的威脅。溫度敏感標簽通過溫度變化檢測未經授權的讀取行為，但需要精確的溫度調節以避免誤報。雖然硬件方法在物理保護方面提供了卓越的安全性能，但它們需要在系統設計中盡早考慮，并且通過以后的軟件更新來實施具有挑戰性。因此，硬件安全措施需要在系統概念化和制造階段進行深思熟慮，以確保系統的多功能性和可移植性。

在防偽領域，利用RFID標簽的物理層信號特性進行認證是一種常見的技術方法。一種方法需要直接檢索有形屬性，包括反射系數和測量距離從信號。或者，強調信號的時間和頻率特性可以提取特征，例如信號指紋、相變、頻率變化，以及高階的統計量。提取特征旨在辨別真偽標簽之間的細微區別。然而，強烈的噪聲干擾可能導致特征提取的不準確，從而影響分類精度。

3.2 認知風險的管理和特征的選擇

最初用于認知無線電、認知雷達和無人駕駛汽車技術，CRC 技術在提高系統穩健性和卓越通信方面表現出顯著的有效性。在工作中，我們探索CRC技術在RFID通信安全中的應用，以加強其安全措施。在傳統的CRC中，它使用卡爾曼濾波器估計隱藏信號，計算波形參數熵以得出獎勵，并采用Q學習算法通過求解貝爾曼優化問題來最大化這些獎勵。CRC 的主要目標是最大限度地減少信號估計誤差，從而提高跟蹤精度。本文利用CRC技術來增強RFID標簽的防偽能力。最初，該技術通過IQ解調技術和集群解碼算法將傳輸信號和噪聲信號隔離開來。隨后，根據提取的噪聲信號計算信噪比（SNR），并采用搜索策略來確保SNR達到或超過預定義的閾值。不同于的工作，本文的檢索策略將通過調整距離來完成，調整步長較少，因此檢索速度較快。為了進一步提高防偽效果，本研究中的CRC技術包括分類、特征提取、模型訓練和測試。值得注意的是，傳統的物理層識別方法通常只關注有限的標簽分類特征，而忽略了標簽信號可能表現出的多樣化特征。特征選擇的先前研究強調僅依靠幾個不變的特征進行分類可能會導致識別準確性降低。因此，本研究努力融合廣泛的特征，包括時域和頻域的一百多個特征，以全面增強對標簽變異和獨特特征的檢測，從而實現更精確的真偽識別。

四、問題描述

本文將解決RFID標簽在低信噪比環境中分類精度不理想的問題，如圖所示。核心原理是只有在信噪比超過閾值時才進行分類處理。一旦信噪比不超過閾值，系統就會通過調整標簽和讀卡器的距離來提高信號質量。最初，該過程預處理標簽的響應信號，分離基帶信號和所需信號。噪聲信號是通過從基帶信號中減去參考信號來獲得的，SNR是通過噪聲信號的強度與參考信號的強度之比得出的。之后，風控單元被激活。檢索到的 SNR 與定義的閾值相當。如果SNR值低于閾值，則交換機將重定向到CRC單元;如果信噪比達到或超過閾值，則系統繼續進行特征和分類單元。在CRC單元內，基于隨機搜索的算法調整標簽-閱讀器距離以優化信噪比。該單元與預處理單元形成閉環，直到 SNR 超過閾值并終止。在分類單元內，對基帶、所需、噪聲和標準信號進行特征提取和選擇。隨后將所選特征輸入分類器以確定真實性。此外，風險控制單元的閾值根據分類訓練階段的結果進行修改。預處理單元、分類單元和風控單元在外部封閉循環中協同工作，當細化閾值達到令人滿意的分類精度水平時，該循環就完成了。

CRC 用于標簽分類

在執行《兒童權利公約》時，需要注意兩個主要問題。首先，CRC模塊的結構配置具有重要意義。多個組件對標簽 SNR 有影響，包括電磁環境和標簽的硬件。雖然這項研究通過調整標簽閱讀器距離來增強信噪比，但值得注意的是，距離和信噪比之間的關系并不總是線性的或單調的。近場效應和非線性效應可能會引起信號失真，從而可能降低信噪比。此外，標簽靈敏度的變化意味著單個讀取距離可能并非適用于所有標簽。因此，動態調整距離被證明是增強信噪比的有效策略。如圖左上角所示。距離與信噪比之間的非線性或非單調關系需要精心設計的距離搜索策略來確定最優信噪比。

其次，特征和分類模塊的開發提出了另一個挑戰。傳統技術通常依賴于一組有限的預定特征進行分類，這可能無法充分捕獲標簽的多樣性。為了更有效地捕獲標簽之間的差異，本研究不僅捕獲了時域的特征，還整合了頻域的特征。通過特征選擇過程，評估新提取特征的有效性，確定它們在分類中的作用。通過使用這種徹底的方法來提取和選擇特征，可以獲得更全面的標簽特征表示，從而提高分類準確性。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簽信號中的信息，以實現更準確的真實性識別。

五、用于標簽分類的 CRC

5.1 預處理

用于對RFID標簽進行分類的CRC框架如圖1所示。本節對每個單元進行了深入探討。最初，閱讀器檢測到的標簽響應信號進行預處理。該模塊的核心職責是雙重的：主要作用是確定信號的信噪比（SNR）以管理交換機網絡，其次要作用是對標簽信號進行初始處理，以預期未來的特征提取。

預處理單元，如圖所示。以IQ解調開始獲取 I 和 Q 通道信號的響應信號，在模后額外獲取基帶信號?\（\：a\left（n\right）\），其中?\（\：n\）=1， 2， …\（\：N\）?表示采樣的點。隨后，通過對基帶信號做出決策來得出所需的信號，表示為$$\：{a}_{e}\left（n\right）=dec\left[a\right（n\left）\right]$$

預處理

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}\）?表示基帶信號簇?\（\：a\left（n\right）\）?的雙中心節點，分別與位 0 和 1 相關聯。值得注意的是，\（\：{v}_{0}\）?是通過與靜默周期信號的簇質心的接近程度來確定的，如圖中觀察到的。在實驗部分。為了標準化信號功率，基帶信號調整為

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

噪聲是通過減去預期的從歸一化信號中提取的

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

經過此處理，獲得四個信號組：所需信號 \（\：{a}_{\text{e}}\left（n\right）\）、標準信號 \（\：{a}_{\text{n}}\left（n\right）\）、噪聲信號 \（\：{a}_{{\upeta\：}}\left（n\right）\） 和基帶信號 \（\：a\left（n\right）\），從中推導出特征。在末端階段，SNR 可以計算為

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

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

5.2 風險管理和網絡交換機

風險管理塊的主要目的是管理交換機網絡，如圖所示。如果信噪比達不到要求，則CRC系統切換到認知控制塊。在此框架內，一種自調節反饋機制，其中對 SNR 進行微調，直到超過或等于閾值。一旦信噪比已經足夠，系統就會繼續進行特征提取和分類階段。此過程概述如下：

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

其中?\（\：{k}_{1}\）?和?\（\：{k}_{2}\）?開關用于激活系統的認知控制模塊和特征與分類模塊。當開關設置為“打開”時，它處于關閉位置，當設置為“關閉”位置時，它處于打開位置。\（\：{V}_{\text{t}\text{h}}\：\）表示信噪比閾值，基于分類模塊中標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 的分類準確度指標。這意味著當分類精度達到峰值時，與之相對應的信噪比值成為基本閾值。如式所示，可以使用訓練數據實現外部反饋回路的目標。

風險管理和網絡交換機

5.3 認知控制

如果信噪比未能達到閾值，則啟動認知控制，開關?\（\：{k}_{1}\：\）?關閉，如圖所示。認知控制的目的是調整標簽到閱讀器天線的距離，以確保在電流比不足時信噪比達到或超過閾值。圖5顯示了搜索所需SNR的過程的示意圖，采用不同的網格來反映在不同距離上可達到的SNR值。綠色方塊表示滿足所需信噪比的坐標，白色方塊表示不滿足要求的坐標，藍色方塊表示當前坐標。在此圖中，雖然距離變量本質上是一維的，反映了從標簽到閱讀器的距離，但標簽在閱讀器磁場中的實際定位包含三維坐標。因此，考慮到標簽在三個維度上的位置，距離變量應理想地與該維度保持一致。然而，為了簡化搜索過程，一種務實的方法涉及將調整后的標簽距離沿二維平面內的單個軸固定。在此設置中，距離調整可以概念化為具有兩個方向：“向上”（拉得更遠）和“向下”（拉得更近）。鑒于信噪比值和距離之間沒有明顯的單調性，如圖1所示。采用隨機搜索方法定位目標閾值。隨后，我們深入研究該算法的細節。

認知控制

目標信噪比搜索

在應用 \（\：t\） 第 個動作 \（\：{a}_{t}\） 時，初始距離狀態 \（\：qc4wky0_{t}\） 更新為 \（\：8ies4oe_{t+1}\）。由于該過程是馬爾可夫過程，\（\：ok0ouio_{t+1}\） 僅由 \（\：oc84sou_{t}\） 決定，因此可以表示為

$$\：oaio2k0_{t+1}=ea00a0k_{t}+{a}_{t}，\：{a}_{t}\in\：\mathcal{A}$$

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

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

其中?\（\：\delta\：\）?表示調整距離的增量。

讓更新后的信噪比用 \（\：{SNR}_{t+1}=Q（quskg00_{t}，{\mathfrak{F}}_{t}）\） 表示，其中它不僅與距離 \（\：ksgayei_{t}\） 相關，還與外部因素 \（\：{\mathfrak{F}}_{t}\） 相關，例如發射功率和電磁條件。假設調整期間的時間不變性為 \（\：t=1，\：2，\：\dots\：T\），則 \（\：{\mathfrak{F}}_{t}\） 可以被視為時間不變。去掉下標后，\（\：t\） 變為

$$\：{SNR}_{t+1}=Q（00o44sq_{t}，\mathfrak{F}）$$

這種隨機搜索算法遵循特定的作順序：如果修改后的 SNR 未能達到閾值，則選擇相同的作。如果修訂后的信噪比等于或高于閾值，則無需執行進一步作，搜索將停止。此搜索過程表示為

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

此外，如圖所示。這些隨機搜索的有效性取決于初始點選擇，其中更靠近目標的點可以顯著減少搜索迭代。為了確定這個最佳起點，該算法采用交叉驗證。它累積來自訓練集中各種標簽-閱讀器距離組合的信噪比。然后，導致最高累積的合并作為測試集中的起始元素，表示為

$$\：2yuqmc4_{0}=\undersetk0yeaqg{\text{arg}\text{max}}{\sum\：}_{i}{Q}_{i}（d，\mathfrak{F}）$$

其中 \（\：i\） 是測試集的標簽索引。此外，環境條件 \（\：\mathfrak{F}\） 會影響最終的信噪比，因此需要測試集和訓練集之間的一致性以避免模型泛化問題。因此，訓練應該包括各種環境 \（\：\mathfrak{F}\）。例如，訓練可以涉及高、中、低發射功率的初始點，并在測試過程中根據實際功率進行相應的選擇。

表1概述了該搜索算法的順序過程。

5.4 特征和分類

對標簽響應的未處理信號進行處理，生成兩組信號：所需信號、標準信號、噪聲信號和基帶信號。這些信號作為特征提取的基礎，包括傳統的時域統計，如均值、方差、最大自相關、偏度、香農熵、第二中心距和峰度。此外，頻域特性包括重力頻率質心、平均平方頻率、均方根頻率、頻率標準差和頻譜峰度等參數被提取。此外，還考慮了其他時間特征，例如形狀因子、最大自相關、裕度因子、標準差、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分類。總共為每個信號組提取了 26 個特征，從而從四個組中提取了 104 個特征。

在特征提取之后，需要評估每個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濾、嵌入和包裝方法。鑒于過濾方法的性能與分類器無關，本研究選擇了基于過濾的特征選擇。

考慮訓練數據集 \（\：{\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）}\）的信號特征向量，\（\：y\） 是其分類類別。計算訓練集中每個特征 \（\：{s}^{\left（m\right）}\） 的權重 \（\：{\omega\：}^{\left（m\right）}\） 并按降序排列。隨后，選擇權重最高的 \（\：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新的單元格中 \（\：{{\upchi\：}}^{\text{K}}\）=\（\：\langle{\mathbf{X}}^{\text{K}}，y\rangle\），從而生成一個新的訓練集 \（\：\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，對于測試數據集中表示為 \（\：{{\upchi\：}}^{\text{T}}\）=\（\：\langle{\mathbf{X}}^{\text{T}}，y\rangle\） 的單元格，確保測試集 \（\：\mathcal{T}\） 滿足

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

其中 \（\：{\mathbf{X}}^{\text{T}}\） 構成一個包含頂部 \（\：W\） 加權特征的向量。完成特征選擇后，可以進行交叉驗證。一旦分類器 \（\：{f}_{\text{c}\text{l}\text{a}\text{s}}（\bullet\:)\） 的權重 \（\：w\） 令人滿意

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

訓練階段結束，測試結果已從

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

可以通過將測試類別 \（\：\widehat{y}\） 與預期類別 \（\：y\） 進行比較來計算分類準確性。

表4顯示了執行CRC算法的說明。

六、實驗設置

6.1 數據生成

實驗裝置使用符合 EPC C1 Gen2 規范的無源 UHF 標簽。總共使用了 210 個標簽，代表市場上可用的七種常見類型。這些標簽由三家不同的公司制造，詳見表?5。在數據收集之前，所有 210 個標簽都使用相同的 EPC 代碼進行編程。書寫過程使用廣州旺源電子制造的UHF100U寫入器執行。有關寫入器的參數，請參閱表?6。收集數據的過程是使用 UHF RFID 系統進行的由 USRP 軟件定義無線電作。該系統遵循 EPC C1 Gen2 標準，其軟件實現是使用 GNU Radio 完成的。表7概述了該系統的綜合參數。

在數據收集會話的每個實例中，只有一個標簽位于讀卡器的磁場內，以最大限度地減少與多個標簽相關的碰撞風險。值得注意的是，數據收集發生在非隔離環境中，可能容易受到熱噪聲、蜂窩設備干擾、無線通信信號和射頻干擾等來源的影響。標簽沿著兩個天線之間形成的角度的平分線零星地放置，如圖所示。每個標簽記錄持續 10 秒的數據，在此期間，EPC 信號被隨機分段，間隔為靜默周期，如圖所示。

用于從 RFID 標簽收集信號的設備，其中兩個天線之間的角度約為 120 度，標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。

響應標簽的信號是原始基帶信號EPC信號和分段，分為具有靜默期的段。

6.2 算法和分類技術

在此實驗裝置中，CRC 單元用于調節接收信號的信噪比，以符合分類標準。表?8?概述了管理該模塊的精確規范，而距離搜索算法詳見表?1。

該實驗采用一對不同的交叉驗證方法來得出分類結果。一種方法涉及來自各種類型或制造商的標簽，而另一種方法則側重于來自相同類型和制造商的標簽。以下是每種方法的具體情況。

首先，涉及不同標簽類別或制造商的交叉驗證（CrossVal I）采用5重方法，如圖所示。每個標簽類別或制造商有 30 個標簽，總共?\（\：L\）?= 7 類標簽或制造商。真集被指定為?\（\：l\） 第 1?個類型作為真集，而偽集是第 \（\：m\）?個類別（其中?\（\：l\ne\：m\））。然后形成訓練集?\（\：{\mathcal{S}}_{l}\）、\（\：{\mathcal{S}}_{m}\）?和測試集?\（\：{\mathcal{T}}_{l}\）、\（\：{\mathcal{T}}_{m}\）。隨后，通過對測試集?\（\：{\mathcal{T}}_{l}\）?和每個?\（\：{\mathcal{T}}_{m}\）?獲得的二元分類結果進行平均來確定第?\（\：l\）?類型分類的準確性，其中?\（\：m\）?的范圍為 1 到?\（\：L\）。

其次，涉及相同標簽類別和制造商的交叉驗證（CrossVal II）也采用了5倍方法，如圖所示。每個標簽類別包含 30 個標簽。最初，從第 \（\：l\）?個類別中隨機選擇一個標簽，該標簽中的 29 個數據樣本作為真實集合，指定為 ‘1’。隨后，從剩余的 29 個相同類型的標簽中收集 29 個數據樣本，形成標記為“0”的假集。這些集合分別分為訓練集?\（\：{\mathcal{S}}_{l}^{1}\）、\（\：{\mathcal{S}}_{l}^{0}\）?和測試集?\（\：{\mathcal{T}}_{l}^{1}\）、\（\：{\mathcal{T}}_{l}^{0}\）。\（\：l\）?類型標簽的分類準確性是通過從測試集?\（\：{\mathcal{T}}_{l}^{1}\）?和?\（\：{\mathcal{T}}_{l}^{0}\）?獲得的二元分類結果來確定的。

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

分析可能改變本實驗分類結果的各個方面至關重要，包括特征選擇、所選特征的數量、最近附加的基于時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：檢索經典的 7 個基于時間的功能從EPC標簽的基帶信號中獲取，但排除特征選擇，然后使用支持向量機（SVM）分類器;
• 28 帶 SVM：從標簽的 EPC 信號中提取整組 28 個特征，包括基帶、歸一化、預期和噪聲分量，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間的特征，將特征計數增加到 104（見表?2?和表 3），然后使用 SVM 分類器，省略特征選擇;
• 104 with ReliefF：ReliefF 特征選擇應用于 104 個特征，選擇權重超過 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應用于一百零四個特征，選擇?\（\：W\）?=21、41、61、81 和 101 個特征，然后使用 SVM 分類器;
• 21/41/61/81/101 with fsulaplacian：應用基于 Laplacian 的特征選擇?\（\：W\）?=21、41、61、81 和 101 個特征，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，并應用隨機森林分類器有 50 棵樹，沒有要素選擇;
• 7/28/104 與 KNN：指數 7、28 和 104 處的特征，以及 K 最近鄰設置為考慮 3 個相鄰，沒有要素選擇;
• VGG16：深度神經網絡以標簽信號小波變換得到的時頻分布為輸入。

在本實驗中，使用分類準確性評估分類性能，表示為 \（\：acc\），由公式

$$\：acc=\frac{TP+TN}{TP+FP+FN+TN}$$

其中 \（\：TP\） 表示真陽性的計數，\（\：TN\） 是真陰性的計數，\（\：FP\） 是假陽性的計數，\（\：FN\） 是假陰性的計數。

七、實驗結果

7.1 預處理結果

圖9說明了在用CRC進行修改之前和之后來自相同標簽的響應信號之間的對比，其中左邊的信號有更多的噪聲，而右邊的信號有更少的噪聲。它表明，當隨機選擇距離值時，響應信號的上邊界出現鋸齒狀，表明信噪比相對較低。然而，一旦實施CRC調整，接收信號邊界就會變得規則有序，從而顯著改善信噪比。在圖10中，給出了不同隨機標簽的七個信噪比熱圖樣本。這些樣本顯示了不同距離和標簽的信噪比的明顯變化。CRC的主要目標是根據式的噪聲信號功率和所需的信號功率確定理想的信噪比目標值。從圖中可以看出，信噪比不一定與距離成正比，因此動態調制距離可以獲得所需的信噪比和更好的分類性能。圖11顯示了預處理的期望信號和干擾信號。用于分類的特征將從這四組預處理后的信號中提取出來。

響應信號，分別表示 CRC 調整之前和之后的信號。

七個隨機標簽的 SNR 熱圖示例，標簽類型如表?5?所示。

預處理后標簽的基帶、歸一化、預期和噪聲信號。

此外，圖12說明了對七個隨機標簽執行的距離調整量，表示實現目標信噪比所需的搜索量。數據表明，所采用的搜索方法平均產生不到 0.5 次標簽搜索。值得注意的是，圖 1 中的結果。?代表平均值，由于各種標簽的敏感度不同，它們的搜索結果會有所不同。搜索次數越少，計算時間就越少。例如，如果一個標簽屬于圖 7 中的類型。由于滿足條件的網格較多，可能需要更少的搜索;相反，如果標記是類型 2，則可能需要更多搜索才能到達相同的 SNR 目標。

隨機搜索算法執行的平均搜索量。

7.2 克羅斯瓦爾一世

在本小節中，我們深入研究了 CrossVal I 交叉驗證的結果，旨在評估各個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量（7、28 和 104）而異，無論是否具有 CRC。仔細檢查圖中的數據后。很明顯，無論特征的數量如何，CRC 的引入都會持續提高分類準確性。該結果用于比較有或沒有CRC的方法的性能，主要顯示不同類型或不同制造商的標簽的分類性能。此外，隨著特征數量的增加，有 104 個特征優于 28 個，28 個優于 7 個特征，分類準確性顯著提高，凸顯了特征增強的積極影響。圖14描述了平均分類準確度，與圖14中觀察到的趨勢相呼應。也就是說，納入 CRC 的方法在準確性方面優于沒有納入 CRC 的方法。該結果是圖中結果的平均值。

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

分類的平均準確度水平是 CrossValI 中的 SVM，同時考慮了 CRC 和無 CRC，特征集分別包含 7 個、28 個和 104 個特征。

隨后，圖。圖15、圖16、17和圖18分別顯示了使用RF和KNN分類器實現的分類結果。圖 15 的結果類似于圖?15。但分類器使用RF。圖16的結果是圖16中結果的平均值。 圖 17 的結果與圖?17?類似。13?和?15，但分類器使用 KNN。圖 18 的結果是圖?18?中結果的平均值。這些結果表明，無論使用何種分類器，整合 CRC 后分類準確性都會顯著提高。這強調了所提出的 CRC 方法在增強分類性能方面的普遍功效，與所采用的分類器無關。此外，增加特征數量始終與所有分類器的更高分類精度相關。

CrossValI 中 RF 分類曲線，同時考慮無 CRC 和 CRC。

在CrossValI中，分類的平均準確度水平是RF，同時考慮了無CRC和CRC，特征集分別包含7個、28個和1004個特征。

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

在CrossValI中，分類的平均準確率為kNN，同時考慮無CRC和CRC，特征集分別包含7個、28個和104個特征。

最后，無花果。圖19、20和21比較了在利用104個特征作為SVM模型輸入時，有和沒有特征選擇的分類精度。圖?19?的結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簽的分類性能，還考慮了有或沒有CRC的方法的性能。圖 20 的結果是圖?20?中結果的平均值。19. 圖?21?的結果用于比較有或沒有 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簽的分類性能，還考慮了有或沒有CRC的方法的性能。評估了特征選擇技術，例如 ReliefF、fuslaplasian 和 chi2。值得注意的是，無論是否采用特征選擇或使用特定技術，一百零四個特征的分類準確性都不會受到顯著影響。此外，納入 CRC 并沒有給特征選擇對 1004 個特征的影響帶來重大變化。這些發現與文獻中報道的不同研究表明，當使用28個特征時，特征選擇方法比沒有特征選擇的場景可以產生更好的性能。此外，所選特征的數量也會影響特征選擇結果，從而對分類性能產生不同的影響。

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，無論是無CRC還是CRC情況。

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

在CrossValI下使用fsulaplacian，比較了支持向量機在特征選擇和無特征選擇下對無CRC和CRC情況的平均準確率水平。

7.3 十字瓦爾II

在本小節中，我們深入研究了Cross ValII交叉驗證的分析結果，該驗證專門評估了來自同一類型和制造商的分類標簽的性能。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果：SVM、RF和KNN。與在 Cross Val I 中觀察到的趨勢類似，CRC 的實施始終導致所有分類器的平均分類準確性的提高，盡管與 Cross Val I 相比改進不那么明顯。此外，分類準確性仍然與所使用的特征數量密切相關。當使用 104 個特征作為分類器的輸入時，分類的準確性最高，超過了只有 7 或 28 個特征的場景。值得注意的是，當射頻作為分類器時，平均正確分類水平可達95.8%。必須強調的是，如圖所示。22、在不采用CRC的情況下，類型6的分類精度偶爾會超過CRC所達到的精度。這種現象的根本原因將在后續的討論部分中深入探討。圖22的結果用于比較有或沒有CRC的方法的性能，主要顯示了相同類型和制造商的標簽的分類性能。圖 23 的結果是圖?23?中結果的平均值。22. 圖 24 的結果類似于圖?24。22，但分類器使用RF。圖25的結果是圖25中結果的平均值。24. 圖 26 的結果與圖?26?類似。22?和?24，但分類器使用 KNN。圖 27 的結果是圖?27?中結果的平均值。

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

在Cross ValII中，分類的平均準確度水平為SVM，同時考慮無CRC和CRC，特征集分別包含7個、28個和104個特征。

CrossValII 中的 RF 分類曲線，同時考慮了無 CRC 和 CRC，特征集分別包含 7 個、28 個和 104 個特征。

在CrossValII中，分類的平均準確度水平為RF，同時考慮無CRC和CRC，特征計數分別為7個、28個和1004個。

CrossValII中的KNN分類曲線，同時考慮無CRC和CRC，特征計數分別為7個、28個和104個。

考慮到無 CRC 和 CRC 條件，分類的平均準確率水平為 CrossValII 中的 KNN，特征計數分別為 7、28 和 1004。

圖?28、29?和?30?描述了在 CrossValIIcondition 中使用 104 個特征作為 SVM 導入時分類精度的比較，包括和不包括特征選擇。研究了選擇特征的不同技術，例如 ReliefF、chi2 和 fuslaplasian。在分析這些圖中的數據后，很明顯，無論是否應用特征選擇或采用特定技術，對 104 個特征分類的準確性都沒有顯著影響。此外，與圖?19、20?和?21?中的觀察結果一致，無論是否存在 CRC，引入特征選擇對 104 個特征的影響微不足道。因此，可以推斷特征選擇不是強制性的，因為它可以潛在地減輕模型過度擬合并增強其泛化能力。圖?28?的結果用于比較有或沒有 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簽的分類性能，還考慮了有或沒有 CRC 的方法的性能。圖?29?的結果與圖?28?類似，但特征選擇方法使用 chi2。圖?30?的結果與圖?28 相似。28?和?29，但特征選擇方法使用 fsulaplacian。圖31的結果用于判斷Vgg16結合CRC的性能，結果是7類標簽的分類性能的平均值。

在CrossValII下，比較了SVM在CrossValII下使用ReliefF進行特征選擇和不進行特征選擇的平均精度水平，無論是無CRC還是CRC情況。

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

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

比較了 VGG16 在無 CRC 和 CRC 病例以及 CrossValI 和 CrossVal II 的平均準確度水平。

此外，我們使用VGG16深度學習模型呈現了分類結果，如圖所示。 盡管該模型的平均準確率可能不是特別高——可能是由于深度學習對大數據量的典型要求，而本研究中使用的標簽數據相對有限——但值得注意的是，具有 CRC 的 VGG16 模型的分類準確率超過了沒有 CRC 的模型。這進一步證實了 CRC 在提高分類性能方面的功效。

7.4 其他結果

由于銅片是金屬導體，因此會與標簽耦合并產生干擾。此外，銅片還會反射閱讀器發出的部分載波，這也會干擾信號。因此，我們在讀卡器天線范圍內放置了一塊銅片以產生干擾。銅片的尺寸為長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，以測試本文的算法。隨著標簽移動到不同的位置，銅片對標簽的干擾會發生變化，例如耦合干擾。因此，本文的算法可以找到合適的位置來獲得更大的信噪比或信干比。圖32顯示了銅片干涉下的實驗結果。從實驗結果可以看出，在存在干擾的情況下，本文算法仍能獲得90%以上的分類準確率，而傳統方法的分類準確率低于90%。

在銅片的干擾下進行準確的分類，其中 CuD 表示讀取器的距離以及銅和天線。

此外，我們使用ReliefF計算了104個特征的權重，如圖所示。33. 圖中，正權重表示對分類器的正貢獻，負權重表示負貢獻。從圖中可以看出，所有權重都有正貢獻（除一個特征外），與前面提到的結果一致，即全取104個特征時分類效率最高。該結果表明，大多數特征是有意義的，因此無需通過特征選擇方法去除冗余特征。

104 個特征的權重對分類器，其中正權重表示對分類器的正貢獻，負權重表示負貢獻。

八、討論與結論

本文研究了RFID標簽技術在防偽方面的應用，特別是物理層識別技術。該技術以其經濟實惠和部署簡單性而聞名，傳統上可以在具有強大信噪比的環境中有效運行，根據提取的特征準確分類標簽。然而，在信號較弱的環境中會出現挑戰，可能會影響信噪比，從而影響標簽分類的準確性。為了解決這個問題，該研究建議將CRC集成到標簽分類過程中，旨在通過調整閱讀器-標簽距離來優化信噪比，從而提高不同環境條件下的分類準確性。

在實驗階段，我們利用通用軟件無線電外設 （USRP） 來驗證所提出方法的有效性。最初，我們評估實現所需 SNR 所需的搜索量，使用 USRP 計算標簽響應信號的 SNR。如果未達到所需的目標，則會調整標簽的位置。與傳統的CRC方法不同，我們放棄了使用Q算法進行調整，因為我們發現在給定距離內有大量位置滿足目標信噪比。因此，調整過程更像是一個搜索問題。為了盡量減少搜索工作，我們通過預訓練建立接近目標的初始功率值。結果顯示平均搜索數小于 0.5。

在評估CRC選項時，特別強調在SNR改進后提高標簽分類準確性。將信噪比增強與特征提取精度相結合，我們觀察到分類準確率的顯著提高。對于不同類型或制造商的標簽，即交叉驗證 I 中的結果，CRC 導致平均分類準確率提高約 15%。此增強功能在三種類型的分類器中是一致的。然而，當處理相同類型和制造商的標簽時，即交叉驗證 II 中的結果，平均分類準確率提高不大，約為 8%。正如現有文獻中所指出的那樣，這可以通過在沒有 CRC 的情況下對同一類型和品牌的標簽進行相對較高的準確性來解釋。即使沒有CRC，平均分類準確率也超過90%。

此外，該研究還深入研究了提取標簽信號特征的詳細分析。我們的分析從時域擴展到納入頻譜峰度等頻域特征。此外，通過使用四種EPC信號提取峰值和脈沖等特征，最多可得出104個特征。從理論上講，具有更多特征有望提供更詳細的標簽信號描述，從而提高各種標簽的分類準確性。實證結果驗證，與傳統的 28 個特征相比，使用所提出的 104 個特征對各種類型的標簽進行分類時，分類精度提高了約 2.4%，與僅使用 7 個特征相比提高了 6.6%。在對相似標記進行分類時，也觀察到了類似的改進。

另一個值得注意的發現是，隨著特征數量的增加，標簽分類對特征選擇的依賴性降低。在涉及不同標簽類型分類的實驗中，無論特征選擇或所選特征數量如何，分類準確性基本上不受影響。隨著特征數量從 7 個增加到 28 個再到 104 個，這種觀察結果可能歸因于不同特征之間的潛在相關性或重疊。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，從而使分類準確性的變化最小。這一發現通過減輕與確定特征選擇期間最佳特征數量相關的潛在問題提供了優勢，從而規避了過度擬合或欠擬合問題。

然而，實驗結果也存在一些局限性。首先，標簽和閱讀器之間靜磁場的假設忽略了外部環境因素對信噪比的潛在影響。因此，僅基于改變標簽距離的調整可能無法充分解決電磁環境的波動。此外，該研究主要關注通常可供購買的外星人類型標簽。為了提高物理層技術在更廣泛的分類場景中的適用性，未來的研究應該涉及測試更廣泛的標簽和制造商。后續工作將優先構建更廣泛的標簽訓練數據集，以增強算法的功能和適應性。