基于改进卡尔曼滤波的RFID数据清洗方法研究

采用RFID(radio frequency identification)技术在阅读器和动态电子标签之间进行通信,采集到的数据通常存在大量的脏数据。为更好支持高层应用,必须对原始数据进行清洗。针对标签频繁移动这一特点,将滑动窗口技术引入卡尔曼滤波模型,给出了一种改进的卡尔曼滤波模型,进而提出了一种基于改进卡尔曼滤波的RFID数据清洗方法。该方法在保证数据清洗准确率的基础上能有效解决标签动态跃迁带来的时间延迟问题,从而更加适用于标签频繁移动的场景。实验结果表明,该算法提高了清洗效率及准确率。     

一种基于动态标签的RFID不确定性数据清洗算法

基于自适应滑动窗口清洗算法SMURF(Statistical sMoothing for Unreliable RFid data)需要手动输入阈值δ,对于静态标签,δ的取值对平滑结果几乎没有影响;对于动态标签,结果会造成巨大的误差。针对以上的缺点,提出一种基于动态标签的RFID不确定性数据清洗算法DSUMRF(Dynamic tags-based SMURF)。另外,SMURF算法主要考虑RFID不确定性数据的漏读和错读,没有涉及到冗余数据的处理。在DSUMRF算法的基础上,提出一种RFID冗余数据清洗框架。对比实验表明,针对动态标签,DSMURF算法具有更好的性能。     

基于标签速度和滑动子窗口的RFID数据清洗算法

为提高非匀速RFID(Radio Frequency Identification)数据流情形下的数据清洗准确性,在传统数据清洗算法SMURF(statistical SMoothing for unreliable RFID data)的基础上,提出了一种基于标签速度和滑动子窗口的RFID数据清洗方法.该方法考虑到标签速度对滑动窗口调整的影响,依据标签速度动态调整置信度δ,同时进一步划分滑动窗口,对子窗口中的标签数据进行统计采样,并将其与整个滑动窗口的统计采样处理结果联合起来,以及时检测出标签的跃迁现象,从而准确判断标签的运动情况.实验表明,该方法有效地降低了平均错误率和积极读现象的出现频度,提高了数据准确性.     

基于RFID复杂数据预处理方法综述

射频识别技术（RFID）是近年来发展很快的一种非接触式的自动识别技术,无接触、能穿透非金属介质、识别距离大、使用寿命长以及信息收集处理快捷等优点。近几年,为提高我国物流的效率,国家加大了RFID相关技术领域的投资。如何将RFID产生的海量数据进行有效预处理,提高数据的利用效率,该文对RFID数据的特点进行阐述分析,对RFID数据清理技术及数据挖掘技术做了介绍。     

基于RFID复杂数据预处理方法综述

射频识别技术(RFID)是近年来发展很快的一种非接触式的自动识别技术,无接触、能穿透非金属介质、识别距离大、使用寿命长以及信息收集处理快捷等优点。近几年,为提高我国物流的效率,国家加大了RFID相关技术领域的投资。如何将RFID产生的海量数据进行有效预处理,提高数据的利用效率,该文对RFID数据的特点进行阐述分析,对RFID数据清理技术及数据挖掘技术做了介绍。     

基于伪事件的RFID数据清洗方法

传统的基于事件驱动的滑动窗口清洗方法只能处理理想的匀速RFID数据流,然而在实际应用中处理非匀速数据流时却会产生较大的输出延迟.为了解决滑动窗口清洗方法的输出延迟和海量中间数据,提出了一种基于伪事件的数据清洗方法PSCleaning.该方法通过在滑动窗口中增加伪事件处理机制,有效地减小了数据的输出延迟;通过对错读和重复读进行的一次性处理,明显缩减了数据量,提高了数据清洗的效率.     

基于滑动窗口的RFID自适应数据清洗算法

RFID（射频识别）标签阅读器对操作环境的敏感性很高,导致其产生的RFID数据流不可靠,并含有大量的漏读,因此必须要对原始数据进行清洗。设计基于滑动窗口的自适应数据清洗算法,算法使用滑动窗口技术和二项分布模型计算合适的窗口大小,通过窗口子区间的监测结果和标签的状态来动态调整窗口大小。结果显示,在移动环境下本算法比SMURF算法产生的平均错误数少,性能更加优越,准确率和稳定性都有明显提高。      

分流机制下的RFID不确定数据清洗策略

无线射频识别技术(RFID)是物联网的关键技术之一。RFID原始数据的不确定性和海量性严重影响了该项技术的发展。通过对不确定数据特征进行分析,建立了一套分流机制下的RFID数据清洗策略。该清洗策略引入清洗队列的概念,根据清洗节点的判断条件选择最佳的清洗路线,无需遍历清洗系统中的所有清洗节点,从而节省了大量的数据传输和清洗等待时间。实验表明,该策略很好地缓解了数据传输压力,有效地提高了数据清洗的效率。     

基于监控对象动态聚簇的高效RFID数据清洗模型

由于RFID(radio frequency identification)技术采用无线射频信号进行数据通信,漏读和多读现象时有发生,降低了其在事件检测中查询结果的准确性.在很多RFID监控应用中,监控物体都是以动态变化的小组为单位进行活动的.通过定义关联度和动态聚簇对各个RFID监控物体所在的小组进行动态的分析,并在此基础上定义了一套关联度维护和数据清洗的模型和算法,通过对图模型进行压缩,提出了基于分裂重组思想的链模型关联度维护策略,提高了维护的时空效率.模拟实验结果表明,该数据清洗模型可以获得较好的效率和准确性.     

一种不确定RFID数据流清洗策略

原始RFID数据流含有大量噪声且具有不确定性,必须在使用之前对其进行数据清洗,而清洗策略是清洗质量的保证。提出一种适合不确定RFID数据流的清洗策略。该清洗策略引入了最大熵原理,对待清洗的RFID元组的特征属性进行权重选择,并根据清洗节点的时间消耗以及误差进行清洗成本分析,决策出最佳的清洗方法。仿真实验结果表明,该清洗策略提高了不确定RFID数据流的清洗效率与精度。     

基于布隆过滤器的RFID数据冗余处理算法研究

RFID技术作为物联网领域的关键技术,具有广阔的应用前景。然而RFID设备在读取标签信息时会产生大量冗余数据。因此,RFID数据冗余处理的研究对于减少RFID中间件系统负荷、快速检测出入标签有着重要的意义。之前针对RFID数据冗余过滤的研究往往是单维度、静态场景的简单过滤,无法实现复杂场景下标签的出入检测。因此,本文提出一种名为时间距离布隆过滤器（TDBF）的算法,该算法从时间和空间两个维度进行冗余过滤。与常用的时间布隆过滤器相比,该算法兼顾了RFID标签的读取时间和读取距离,极大的降低了数据的冗余问题。在保证漏读率较低的情况下,极大的降低了数据的误读率。同时该算法支持动态场景中移动标签的冗余过滤,能够较好的满足出入监控需求。     

基于改进的卡尔曼滤波算法的气象数据融合

数据融合技术能够有效的提高计算效率,减少冗余数据.研究锡林河流域的空气温度数据的规律,针对传统的卡尔曼滤波的融合结果存在微小的波动,引入分布图法,提出了基于改进的卡尔曼滤波的空气温度数据融合算法,目的将每隔五秒采集空气温度数据融合为一小时的空气温度值.为了验证改进算法的性能,在原始数据的基础上分别设置了扰动数据和突变数据.通过实验仿真,改进的算法的融合效果好,抗干扰性和稳定性强,提高了气象数据的准确性.     

一种有效的分布式离散Kalman滤波器

运用一致性检验原理,提出了一种有效的分布式离散Kalman滤波器;分析了用于多传感器数据融合的分布式Kalman滤波方法,并将经过一致性检验的量测数据引入分布式Kalman滤波器进行数据融合;当干扰噪声的统计特征发生变化时,仿真结果表明该滤波器可以大大提高数据融合的精度。     

基于Kalman滤波的数据融合研究

分析了标准kalman滤波(KF)和自适应kalman滤波(AKF)的原理,通过仿真实验,对两种滤波算法的性能进行了比较.选用凸组合融合算法作为声纳探测的航迹融合算法,将多声纳融合系统的融合结果和简单交叉定位算法进行了比较研究.仿真实验结果表明:自适应kalman滤波比标准kalman滤波具有更好的目标跟踪性能,多声纳融合结果较简单交叉定位结果的性能有大幅度提高,所选用的融合算法航迹能够较好的与真实航迹吻合.