动态帧时隙Aloha算法是一种常用的被动式射频识别(radio frequency identification,RFID)标签防冲突算法.在该算法中,帧长需要动态设置以保证较高的识别效率.通常,帧长的设置与标签数和捕获效应的发生概率相关.传统的估计算法虽然可以估计出标签数和捕获效应的发生概率,但是在稠密RFID标签环境下,标签数可能远大于初始帧长,其估计误差会显著增加.为了解决传统算法无法应用于稠密RFID标签环境的问题,提出了捕获感知贝叶斯标签估计,并且给出了非等长时隙下最优帧长的设置方法.从实验结果来看,提出算法的估计误差在稠密RFID标签环境下显著低于传统算法,而且根据估计结果设置帧长所得到的识别效率也高于传统算法.
在被动式RFID系统中,当多个标签同时向阅读器发射信号时,捕获效应能使阅读器成功接收其中一个标签信号。为提高捕获效应下的识别效率,本文提出一种名为CATPE(capture-aware and tag-population estimation)的RFID标签防冲突协议。该协议可同时估计标签数和捕获效应的发生概率,并在非等长时隙下设置最优帧长。CATPE协议的优点在于不需搜索极值,仅一步计算就能完成估计,从而降低了计算复杂度。计算机仿真显示,该协议与已有协议的识别效率相近,但计算复杂度得到了降低。
在被动式射频识别(Radio frequency identification,RFID)系统中,即使有多个标签同时向阅读器发送信息,捕获效应也能使其中一个标签被阅读器成功识别.而且,捕获效应还会导致标签漏读.为防止标签漏读和进一步提高捕获效应下的识别效率,我们提出一种新的防冲突协议,该协议采用自适应和分配技术来减少标签间冲突.其优点在于,可合理地分配冲突标签和隐藏标签,从而提高识别效率.计算机仿真结果显示,在捕获效应发生的环境下,本文协议的识别效率优于现存协议.
如何通过猕猴运动皮层的神经元锋电位信号估计其手指移动位置是一神经解码问题,现存方法解决该问题大多采用有监督训练,需要通过训练数据得到神经元锋电位信号与手指移动位置的关系,因此其估计性能依赖于训练数据.本文提出了一种无监督解码方法,该方法基于状态空间模型(State space model,SSM),利用神经网络得到神经元锋电位数与手指移动位置的关系权值,再用逐次状态估计方法去估计手指移动的位置.为减少训练的复杂度和提高估计准确度,采用一种非线性的积分卡尔曼滤波(Cubature Kalman filtering,CKF)来完成神经网络的训练和手指位置的逐次状态估计.与传统方法相比,该方法的最大特点是无监督,可以由神经元锋电位簇向量直接估计手指移动位置,而无需有监督训练.实验结果显示,当采用较少的有监督数据,现存方法与本文方法相比有较大的估计误差;当采用较多的有监督数据,现存方法才具有与本文方法相近似的估计误差.
