-
公开(公告)号：CN110503354A
公开(公告)日：2019-11-26
申请号：CN201910591425.7
申请日：2019-07-02
Applicant: 北京交通大学
Abstract: 本发明涉及一种基于深度学习的RFID标签位置估计方法，包括CNN网络模型训练方法以及基于深度学习的RFID标签位置估计算法使用方法：CNN网络模型训练方法包括：S11，输入训练数据集；S12，进行数据预处理操作；S13，构建并训练CNN网络模型；S14，输出CNN网络模型的参数；基于深度学习的RFID标签位置估计算法使用方法包括：S21，输入实际采样数据；S22，对输入的实际采样数据进行预处理操作；S23，利用网络模型进行位置估计；S24，利用CNN网络模型对RFID标签位置估计结果。本发明能识别出RFID标签在传送带上的相对位置，实现对多个标签先后次序的准确估计，为自动分拣提供可靠的信息。
-
公开(公告)号：CN110503354B
公开(公告)日：2021-11-23
申请号：CN201910591425.7
申请日：2019-07-02
Applicant: 北京交通大学
Abstract: 本发明涉及一种基于深度学习的RFID标签位置估计方法，包括CNN网络模型训练方法以及基于深度学习的RFID标签位置估计算法使用方法：CNN网络模型训练方法包括：S11，输入训练数据集；S12，进行数据预处理操作；S13，构建并训练CNN网络模型；S14，输出CNN网络模型的参数；基于深度学习的RFID标签位置估计算法使用方法包括：S21，输入实际采样数据；S22，对输入的实际采样数据进行预处理操作；S23，利用网络模型进行位置估计；S24，利用CNN网络模型对RFID标签位置估计结果。本发明能识别出RFID标签在传送带上的相对位置，实现对多个标签先后次序的准确估计，为自动分拣提供可靠的信息。
-
公开(公告)号：CN111163460B
公开(公告)日：2021-04-09
申请号：CN201911317866.4
申请日：2019-12-19
Applicant: 北京交通大学
IPC: H04W12/06
Abstract: 本发明涉及一种基于多重间隔差分星座轨迹图的射频指纹提取方法,具体包括如下步骤：步骤1：对接收基带I/Q信号预处理；步骤2：对I路和Q路采样后的信号使用延迟器分别控制延迟；步骤3：使用不同的采样点间隔进行差分处理；步骤4：将不同的采样点间隔差分星座轨迹图进行特征融合；步骤5：识别设备。本发明所获得的多重间隔差分星座轨迹图保持了各个差分星座轨迹图所具有的特征，信息量更为丰富，能够更好地展示不同设备的载波偏移的差异。同时可以提升对环境的鲁棒性，即使在低信噪比环境下也可以更好地完成无线设备身份的识别。并且多重差分间隔提取射频指纹特征在达到丰富可用特征的同时简化射频指纹提取的计算复杂度。
-
公开(公告)号：CN111163460A
公开(公告)日：2020-05-15
申请号：CN201911317866.4
申请日：2019-12-19
Applicant: 北京交通大学
IPC: H04W12/00
Abstract: 本发明涉及一种基于多重间隔差分星座轨迹图的射频指纹提取方法,具体包括如下步骤：步骤1：对接收基带I/Q信号预处理；步骤2：对I路和Q路采样后的信号使用延迟器分别控制延迟；步骤3：使用不同的采样点间隔进行差分处理；步骤4：将不同的采样点间隔差分星座轨迹图进行特征融合；步骤5：识别设备。本发明所获得的多重间隔差分星座轨迹图保持了各个差分星座轨迹图所具有的特征，信息量更为丰富，能够更好地展示不同设备的载波偏移的差异。同时可以提升对环境的鲁棒性，即使在低信噪比环境下也可以更好地完成无线设备身份的识别。并且多重差分间隔提取射频指纹特征在达到丰富可用特征的同时简化射频指纹提取的计算复杂度。
-
-
-
Search Results
4
records
(took 0.017 seconds)
