CN112417911A - 基于rfid智能优化群检方法 - Google Patents
基于rfid智能优化群检方法 Download PDFInfo
- Publication number
- CN112417911A CN112417911A CN202011304557.6A CN202011304557A CN112417911A CN 112417911 A CN112417911 A CN 112417911A CN 202011304557 A CN202011304557 A CN 202011304557A CN 112417911 A CN112417911 A CN 112417911A
- Authority
- CN
- China
- Prior art keywords
- data
- rfid
- formula
- carrying
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 101000802779 Rattus norvegicus Alpha-1-macroglobulin Proteins 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013499 data model Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Toxicology (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及RFID技术领域,尤其涉及基于RFID智能优化群检方法,本发明首先通过RFID阅读器进行RFID芯片的数据采集,存储到服务器;对导入的数据进行特征模型训练;通过训练得出的特征模型对导入的数据进行智能优化群检。本发明通过对数据服务器中的通过RFID阅读器进行数据读取存储的数据进行高效的特征训练得到数据模型,通过训练得到的数据模型进行实时的数据筛选,以此挑选出需要利用和有价值的针对性的数据,便于对大型通过RFID技术进行数据获取的数据库的数据实时的训练和获取,以获得需要的特征的数据,起到对数据高效利用的目的。
Description
技术领域
本发明涉及RFID技术领域,特别涉及基于RFID智能优化群检方法。
背景技术
“认识世界,建设世界”是人类的一切活动的根本。认识世界靠的是建立模型,建设世界靠的是优化模型。特别是在大数据时代,模型越来越复杂,数据越来越多,优化模型就变得更加重要了。优化模型的算法以及对应的优化思想,它们都存在这一些本质上的局限性,单点的计算使得效率很难提高,向改进的方向迭代很容易就会陷入局部最优,而且对目标函数的各种约束大大限制了优化算法的使用范围。所以,在大规模,分布式的情况下,为了取得更好的训练效果,我们必须对多个模型进行优化,这就用到群智能算法了。
群智能的算法有很多种,但大多数都有一个共性,那就是模仿。比如遗传算法的思想来源于生物进化,粒子群算法来源于鸟群,鱼群或者蜂群的运动规律,模拟退火算法来源于物理学,等等。
RFID(adio Frequency Identification)技术,又称无线射频识别,是一种通信技术,可通过无线电讯号识别特定目标并读写相关数据,而无需识别***与特定目标之间建立机械或光学接触。常用的有低频(125k~134.2K)、高频(13.56Mhz)、超高频,无源等技术。NFC 是一种短距高频的RFID技术,通过频谱中无线频率部分的电磁感应耦合方式传递信号。是由非接触式射频识别(RFID)及互连互通技术整合演变而来的,通过在单一芯片上集成感应式读卡器、感应式卡片和点对点通信的功能,利用移动终端实现移动支付、电子票务、门禁、移动身份识别、防伪等应用。E-paper显示技术,通称为电子显示屏技术,替代传统纸质显示的电子显示屏屏幕,采用电泳显示技术(electrophoresis Display,EPD)作为显示面板,其显示效果接近自然纸张效果。显示内容可以通过计算机发出的指含任意改写,而改写完成后,显示面板并不需要持续供电,且显示内容会一直保持在显示面板上。但是目前对于大批量进行通过RFID进行识别扫描得到的数据通常没有进一步的处理,成为原始数据,在数据导入的过程中,我们需要进行实时的数据筛选、判别和应用,以达到数据的高效利用。
发明内容
本发明针对提出了基于RFID智能优化群检方法,包括如下步骤:
基于RFID智能优化群检方法通过如下步骤实现:
S1:首先通过RFID阅读器进行RFID芯片的数据采集,存储到服务器;
S2:对导入的数据进行特征模型训练;
S3:通过训练得出的特征模型对导入的数据进行智能优化群检。
进一步,S2包括以下步骤:
S2.1:首先手动踢出数据中具有无用特征的数据;
S2.2:确定目标函数为L(x):如式(1)所示:
L^(x)=L(x)+α||w||1 式(1)
其中α称为惩罚因子,||w||1表示L1范数
S2.3:对步骤S2.2所得出的数据进行迭代,具体迭代公式如式(2)所示;
θk+1=θk-α1m∑i=1m(yi-hθ(xi))xik 式(2)
其中α为学习率
S2.4:对步骤S2.3进行在目标函数后面再加上一个L2范数;具体如式(3)所示;
L(θ)=12m∑i=1m(yi-hθ(xi))2+λ2||θ||2 式(3)
S2.5:对步骤S2.4得出的训练模型进行代入服务器中的数据进行群检计算,以得出目标函数训练得到的特征筛选出的数据。
进一步,在在步骤S2.1中首先踢出的是具有不同类标志的字符或者数据不完善的数据串,只留下具有完整数据串和具有被需要的字符特征的数据。
进一步,在步骤S2.2-步骤S2.4中:其中在数据进行迭代计算和数据的导入采集过程中,采用Python代码进行编码实现。
本发明的优点与积极效果在于:通过对数据服务器中的通过RFID阅读器进行数据读取存储的数据进行高效的特征训练得到数据模型,通过训练得到的数据模型进行实时的数据筛选,以此挑选出需要利用和有价值的针对性的数据,便于对大型通过RFID技术进行数据获取的数据库的数据实时的训练和获取,以获得需要的特征的数据,起到对数据高效利用的目的。
附图说明
图1是本发明的方法流程图;
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明:
本实施例中,S1:首先通过RFID阅读器进行RFID芯片的数据采集,存储到服务器;
S2:对导入的数据进行特征模型训练;
S3:通过训练得出的特征模型对导入的数据进行智能优化群检。
本实施例中,S2包括以下步骤:
S2.1:首先手动踢出数据中具有无用特征的数据;
S2.2:确定目标函数为L(x):如式(1)所示:
L^(x)=L(x)+α||w||1 式(1)
其中α称为惩罚因子,||w||1表示L1范数
S2.3:对步骤S2.2所得出的数据进行迭代,具体迭代公式如式(2)所示;
θk+1=θk-α1m∑i=1m(yi-hθ(xi))xik 式(2)
其中α为学习率
S2.4:对步骤S2.3进行在目标函数后面再加上一个L2范数;具体如式(3)所示;
L(θ)=12m∑i=1m(yi-hθ(xi))2+λ2||θ||2 式(3)
S2.5:对步骤S2.4得出的训练模型进行代入服务器中的数据进行群检计算,以得出目标函数训练得到的特征筛选出的数据。
本实施例中,在在步骤S2.1中首先踢出的是具有不同类标志的字符或者数据不完善的数据串,只留下具有完整数据串和具有被需要的字符特征的数据。
本实施例中,在步骤S2.2-步骤S2.4中:其中在数据进行迭代计算和数据的导入采集过程中,采用Python代码进行编码实现。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (4)
1.基于RFID智能优化群检方法,其特征在于,通过如下步骤实现:
S1:首先通过RFID阅读器进行RFID芯片的数据采集,存储到服务器;
S2:对导入的数据进行特征模型训练;
S3:通过训练得出的特征模型对导入的数据进行智能优化群检。
2.根据权利要求1所述的基于RFID智能优化群检方法,其特征在于,S2包括以下步骤:
S2.1:首先手动踢出数据中具有无用特征的数据;
S2.2:确定目标函数为L(x):如式(1)所示:
L^(x)=L(x)+α||w||1 式(1)
其中α称为惩罚因子,||w||1表示L1范数
S2.3:对步骤S2.2所得出的数据进行迭代,具体迭代公式如式(2)所示;
θk+1=θk-α1m∑i=1m(yi-hθ(xi))xik 式(2)
其中α为学习率
S2.4:对步骤S2.3进行在目标函数后面再加上一个L2范数;具体如式(3)所示;
L(θ)=12m∑i=1m(yi-hθ(xi))2+λ2||θ||2 式(3)
S2.5:对步骤S2.4得出的训练模型进行代入服务器中的数据进行群检计算,以得出目标函数训练得到的特征筛选出的数据。
3.根据权利要求2所述的基于RFID智能优化群检方法,其特征在于,在在步骤S2.1中首先踢出的是具有不同类标志的字符或者数据不完善的数据串,只留下具有完整数据串和具有被需要的字符特征的数据。
4.根据权利要求2所述的基于RFID智能优化群检方法,其特征在于,在步骤S2.2-步骤S2.4中:其中在数据进行迭代计算和数据的导入采集过程中,采用Python代码进行编码实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011304557.6A CN112417911A (zh) | 2020-11-19 | 2020-11-19 | 基于rfid智能优化群检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011304557.6A CN112417911A (zh) | 2020-11-19 | 2020-11-19 | 基于rfid智能优化群检方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112417911A true CN112417911A (zh) | 2021-02-26 |
Family
ID=74773688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011304557.6A Pending CN112417911A (zh) | 2020-11-19 | 2020-11-19 | 基于rfid智能优化群检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417911A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332854A1 (en) * | 2018-04-25 | 2019-10-31 | Shutterfly, Inc. | Hybrid deep learning method for recognizing facial expressions |
CN110503354A (zh) * | 2019-07-02 | 2019-11-26 | 北京交通大学 | 一种基于深度学习的rfid标签位置估计方法 |
CN110866468A (zh) * | 2019-10-30 | 2020-03-06 | 上海交通大学 | 一种基于无源rfid的手势识别***及方法 |
CN111275025A (zh) * | 2020-03-23 | 2020-06-12 | 复旦大学 | 一种基于深度学习的车位检测方法 |
CN111414982A (zh) * | 2020-03-20 | 2020-07-14 | 上海哲山科技股份有限公司 | 一种rfid标签定位方法及装置 |
CN111564160A (zh) * | 2020-04-21 | 2020-08-21 | 重庆邮电大学 | 一种基于aewgan的语音降噪的方法 |
-
2020
- 2020-11-19 CN CN202011304557.6A patent/CN112417911A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332854A1 (en) * | 2018-04-25 | 2019-10-31 | Shutterfly, Inc. | Hybrid deep learning method for recognizing facial expressions |
CN110503354A (zh) * | 2019-07-02 | 2019-11-26 | 北京交通大学 | 一种基于深度学习的rfid标签位置估计方法 |
CN110866468A (zh) * | 2019-10-30 | 2020-03-06 | 上海交通大学 | 一种基于无源rfid的手势识别***及方法 |
CN111414982A (zh) * | 2020-03-20 | 2020-07-14 | 上海哲山科技股份有限公司 | 一种rfid标签定位方法及装置 |
CN111275025A (zh) * | 2020-03-23 | 2020-06-12 | 复旦大学 | 一种基于深度学习的车位检测方法 |
CN111564160A (zh) * | 2020-04-21 | 2020-08-21 | 重庆邮电大学 | 一种基于aewgan的语音降噪的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tammina | Transfer learning using vgg-16 with deep convolutional neural network for classifying images | |
CN110084281B (zh) | 图像生成方法、神经网络的压缩方法及相关装置、设备 | |
Izidio et al. | An embedded automatic license plate recognition system using deep learning | |
CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN111275107A (zh) | 一种基于迁移学习的多标签场景图像分类方法及装置 | |
CN110751037A (zh) | 车身颜色识别的方法及终端设备 | |
CN111914612B (zh) | 一种基于改进的卷积神经网络的施工图图元自适应识别方法 | |
CN113222139B (zh) | 神经网络训练方法和装置、设备,及计算机存储介质 | |
CN112329659A (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
CN105335760A (zh) | 一种图像数字字符识别方法 | |
CN111738403B (zh) | 一种神经网络的优化方法及相关设备 | |
CN113283404B (zh) | 行人属性识别方法、装置、电子设备及存储介质 | |
Choe et al. | The Real‐Time Mobile Application for Classifying of Endangered Parrot Species Using the CNN Models Based on Transfer Learning | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
CN113869398B (zh) | 一种不平衡文本分类方法、装置、设备及存储介质 | |
KR20190084169A (ko) | 단말기 사용자들의 집단 작업을 통한 대량 데이터 생산, 처리, 광고, 설문 시스템과 방법, 그리고 이들을 이용한 인공지능 학습 시스템과 방법 | |
CN112417911A (zh) | 基于rfid智能优化群检方法 | |
CN115273110A (zh) | 基于TensorRT的文本识别模型部署方法、装置、设备及存储介质 | |
CN115482575A (zh) | 一种基于标记分布学习的面部表情识别方法 | |
CN115035313A (zh) | 黑颈鹤识别方法、装置、设备及存储介质 | |
Boudraa et al. | Combination of local features and deep learning to historical manuscripts dating | |
CN112926368B (zh) | 一种识别障碍物的方法和装置 | |
CN113988223A (zh) | 证件图像识别方法、装置、计算机设备及存储介质 | |
CN112418321A (zh) | 标志图像的识别方法和装置 | |
Mishra et al. | Image classification using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
RJ01 | Rejection of invention patent application after publication |