为了解决射频识别(Radio Frequency IDentification,RFID)系统中的多标签防碰撞问题,在分析帧时隙ALOHA算法的基础上,提出一种基于分组自适应分配时隙的RFID防碰撞算法(GAAS).首先让阅读器对标签随机所选的时隙进行扫描统计,并将其发送...为了解决射频识别(Radio Frequency IDentification,RFID)系统中的多标签防碰撞问题,在分析帧时隙ALOHA算法的基础上,提出一种基于分组自适应分配时隙的RFID防碰撞算法(GAAS).首先让阅读器对标签随机所选的时隙进行扫描统计,并将其发送给每一个标签,标签再进行相应地时隙调整,使阅读器跳过空闲时隙和碰撞时隙,自适应地分配有效时隙,进而对标签进行快速识别.当未识别标签数比较大时,算法采用分组以及动态调整帧长等策略,以减少时隙处理的时间.仿真结果表明:GAAS算法提高了系统的识别效率和稳定性,降低了传输开销.特别是当标签数超过1000时,该算法的吞吐率仍保持在71%以上,比传统的帧时隙ALOHA-256算法和分组动态帧时隙ALOHA算法的系统效率分别提高了300%和97.2%.展开更多
流标签是当前多标签学习领域中一个较新颖的挑战性问题,存在标签空间未定、标签数量不断增加甚至趋于无穷等问题.在多标签学习的特征选择中,每当有新的标签到达时标签空间都将发生改变,传统的多标签特征选择算法需重新进行特征选择,所...流标签是当前多标签学习领域中一个较新颖的挑战性问题,存在标签空间未定、标签数量不断增加甚至趋于无穷等问题.在多标签学习的特征选择中,每当有新的标签到达时标签空间都将发生改变,传统的多标签特征选择算法需重新进行特征选择,所以不适用.针对此问题,采用将流标签进行分组批量处理的方式,并考虑标签之间的相关性,提出一种新的流式多标签特征选择方法,考虑分组后每组标签内部潜在的关联结构和不同标签组之间的标签差异性,赋予每组标签不同的权重来计算每个特征与标签空间的模糊互信息.同时,结合mRMR(Max-Relevance and Min-Redundancy)的特征选择策略进行冗余特征的剔除,从而挑选最优的特征子集.该方法同时适用于固定标签空间和流式标签空间中的特征选择问题.最后,选取八个多标签基准数据集,采用四种评价指标与已有相关的多标签特征选择方法进行对比实验,实验结果证明了提出方法的有效性和高效性.展开更多
文摘为了解决射频识别(Radio Frequency IDentification,RFID)系统中的多标签防碰撞问题,在分析帧时隙ALOHA算法的基础上,提出一种基于分组自适应分配时隙的RFID防碰撞算法(GAAS).首先让阅读器对标签随机所选的时隙进行扫描统计,并将其发送给每一个标签,标签再进行相应地时隙调整,使阅读器跳过空闲时隙和碰撞时隙,自适应地分配有效时隙,进而对标签进行快速识别.当未识别标签数比较大时,算法采用分组以及动态调整帧长等策略,以减少时隙处理的时间.仿真结果表明:GAAS算法提高了系统的识别效率和稳定性,降低了传输开销.特别是当标签数超过1000时,该算法的吞吐率仍保持在71%以上,比传统的帧时隙ALOHA-256算法和分组动态帧时隙ALOHA算法的系统效率分别提高了300%和97.2%.
文摘流标签是当前多标签学习领域中一个较新颖的挑战性问题,存在标签空间未定、标签数量不断增加甚至趋于无穷等问题.在多标签学习的特征选择中,每当有新的标签到达时标签空间都将发生改变,传统的多标签特征选择算法需重新进行特征选择,所以不适用.针对此问题,采用将流标签进行分组批量处理的方式,并考虑标签之间的相关性,提出一种新的流式多标签特征选择方法,考虑分组后每组标签内部潜在的关联结构和不同标签组之间的标签差异性,赋予每组标签不同的权重来计算每个特征与标签空间的模糊互信息.同时,结合mRMR(Max-Relevance and Min-Redundancy)的特征选择策略进行冗余特征的剔除,从而挑选最优的特征子集.该方法同时适用于固定标签空间和流式标签空间中的特征选择问题.最后,选取八个多标签基准数据集,采用四种评价指标与已有相关的多标签特征选择方法进行对比实验,实验结果证明了提出方法的有效性和高效性.