RFID不确定数据流的测量

2RFID数据流模型和定义定义2.1集合S=(X，A)表示一个数据流,对象X是非空有限集合,A是该非空有限集合的属性,任意属性a∈A,a:X-Va是一个map集，其中Va是a集合相应的值。对于一个给定的数据流S=(X,A),如果任意属性a∈A,Va不包含空值null,那么S就是一个完整的数据流。定义2.2RFID数据流是由多个完整的数据流S组成,在滑动窗口中，S部分等价于在关系数据模型中的目录,元组x∈S由多个属性值组成。让表示一个RFID标签i在窗口中的观察概率,如果在窗口ni中，标签的数量满足不等式那么它就能保证标签i在窗口ni中能以一个比[8]中更高的概率被阅读.定义2.3粒子过滤器根据测量值和控制值,使用一个加权点集，近似后验概率分布。根据RFID数据流的应用背景,我们使用下面多重噪声（multiplynoise）的非线性模型[9]:其中yt是测量值Vt和ut是白噪声，均值为0，方差为Q、R；3属性优化模型和定义RFID不确定数据的完整数据流，可以细分为元组水平的不确定性和属性级别不确定性。元组级不确定性描述的是元组的存在与否,属性级别的不确定性不涉及整个元组的不确定性。既然返回查询结果是以数据流的形式,有相同的数据但其查询结果中有不同的概率值,导致重复计算。因此,不确定元组的属性必须考虑,以增加相应的属性权重,得到每个元组的值集优化矩阵,然后根据集值优化矩阵，为元组得出最优选择。定义3.1有两个不确定变量和其中和分别为下限和上限,代表两个不确定变量的长度;我们可以得到定义3.2b1到b2的距离为：定义3.3不确定元组有相同的数据,但每Δt秒从滑动窗口中得到不同的抽样概率值,元组的属性集为对于一个元组x∈X,根据属性aj，测量得到不确定数据流的权值优化矩阵,为属性权重向量,其中同时,对于权值优化矩阵,我们选择熵不确定性测量值。小熵意味着变量的更多的确定性,即当熵非常小时,我们可以把这个变量看成是确定的,把一个有最高返回概率的值看做是不确定变量。有n个不同可能概率的不确定调整值wi的熵可以表示为:T(bi)是B的bi概率质量函数，值为bi。根据熵的定义,可能值的数量对于变量B的熵是敏感的。例如,有10个相同概率值的变量的熵将大于有3个相同概率值的变量的熵。为了减少这种影响,使用n可能值的最大熵,来标准化有n个可能值的变量。定理1：对于互补判断矩阵P，一定存在对应的最佳元组。证明:通过调整偏差变量的大小,满足互补判断矩阵P的相关约束的权值将可以得到，将能够得到相关的约束,互补判断矩阵P可行的区域是非空的,所以必须有最佳元组对应互补判断矩阵P。4算法描述为了满足不确定性RFID数据流的在线测量，在本文中，我们改进粒子过滤算法，并提出了一种新的不确定RFID数据流优化算法。该算法被命名为最优估计粒子过滤器（OEPF），描述如下：步骤1获取测量值。使用来自文献[5]的适应度函数来初始化粒子,设计适当的滑动窗口大小。输入平均概率和置信概率标签。输出相应的窗口大小F。步骤2在Δt时,样本L粒子的重要性密度函数,表示,设置初始权值为每个样本重要性密度函数选择转换先验概率步骤4更新每个粒子的速度和位置,利用文献[7]中PSO算法,使粒子接近真正的状态。设置阈值然后确定方差是否小于阈值如果方差不低于阈值,然后转到步骤6中,否则继续。第五步通过比较粒子的个体极值,使用PSO算法来更新粒子速度和位置,摆脱次级位置,跳出局部最优,和驱动粒子向全局最优位置靠近。第6步粒子的权值的标准化：第7步重采样:当，,重采样原始粒子得到在权值上相等粒子步骤8选择m粒子其具有相同的数据,但是不同的概率值,根据n性质,得到不确定权值优化矩阵R。第9步使用(6)中的规范化处理,计算出最优加权向量wj属性,并得到每个粒子的综合属性值。第10步使用(4)中的可能度对不确定变量进行对比配对,并构建互补判断矩阵P。第11步根据互补判断矩阵P的性质,构造一个简单的公式:在矩阵P中获取向量序列，然后根据粒子的大小进行排序、择优。第12步粒子状态估计：粒子方差估计：第13步如果t时刻是最后时刻的对象，就结束算法。否则，设置t=t+1，并返回步骤1，在接下来的递归估计对象在下一个时间Δt的状态的后验概率。PSO算法的实质是利用自己的信息，个别极端值和全局极值信息，以指导下一迭代中粒子的位置。优化后，在权值更新前，粒子的设置趋势更加朝着高概率区域，能够解决颗粒贫乏问题。同时，粒子数是自适应以改善粒子退化（degradationphenomenon）现象。步骤8至11在滑动窗口进行采样，选择最佳的元组利用互补判断矩阵，以进一步减少颗粒的数量，从而提高了该算法的效率，以满足实时RFID数据流的要求。5、实验本文提出的OEPS可以应用于定位和跟踪移动的人或对象，在抗电磁干扰的办公环境下。我们随机设置20个RFID标签分布在8*8平方米的实验室,将可以表示位置信息的RFID数据样本作为粒子。学生被要求拿着标签，并且在20个阅读器可识别的范围内，做随机不规则的运动,三个不同的实验环境。采样间隔为0.4秒,阅读器的阅读速度是0.5-1,计算机系统是:CPU:英特尔酷睿2TM(2.9GHz)/4GB内存。每个RFID样例是一个粒子,其属性包括敏感信息,如高度、速度和位置。其模型来自步骤1、2。(2)被用来测试我们的算法。滑动窗口使用60时间步Δt=1，2，3…60。为了验证算法的有效性,我们比较了文献[7]的算法PSOPF。白噪声的方差Q和R,在步骤1、2的定义中被给出。两种算法之间的过滤性能进行比较。如表1、表2所示，在相同的噪声环境下,与PSOPF算法进行比较，我们的算法具有最大数量的有效样本,更高效率增加粒子的多样性和抑制退化。PSOPF算法的估计精度小于我们的算法，甚至其粒子的数量增加到800。而PSOPF算法估计的时间成本更高,表明在相同精度要求下,提议的算法提高了该算法的效率。与此同时,在增加噪声的情况下,我们的算法有最好的抗噪声性能,抑制粒子退化。甚至在增加噪音的情况下,可以维护算法估计的准确性和增加粒子多样性。6、总结近年来,作为一个新兴的过滤算法,粒子过滤获得了很多的关注。虽然它需要有最大权值的粒子表示系统是最有可能的状态,它将增加粒子的数量。考虑到RFID数据流的特性,仍有一些缺点在实践中需要解决。在这篇文章中,我们采用熵方法关注最优权重,并利用可能度矩阵选择最好的粒子。与现有算法相比,我们的算法可以更好的确认粒子信息,与此同时,排除粒子具有低权值和提高算法效率。实验结果表明,我们的方法会得到更精确的数据,具有良好的效率,非常适合RFID移动物体位置估计。References[1]Derakhshan,R.,Orlowska,M.E.,&Xue,L.RFIDdatamanagement:Challengesandopportunities.InProceedingofIEEEInternationalconferenceonRFID2007(IEEERFID2007),26-28March,Texas,USA.[2]SarmaAD,TheobaldM,WidomJ.Exploitinglineageforconfidencecomputationinuncertainandprobabilisticdatabases[A].Proceedingsofthe24thIEEEInternationalConferenceonDataEngineering[C].Washington,DC:IEEEComputerSocietyCancun,2008.1023-1032.[3]BenjellounO,SarmaA,HalevyA,WidomJ.Uldbs:Databaseswithuncertaintyandlineage[A].Proceedingofthe32thInternationalConferanceonVeryLargeDataBase(VLDB06)[C].Seoul:VLDBEndowment,2006.953-964.[4]SarmaAD,TheobaldM,WidomJ.Exploitinglineageforconfidencecomputationinuncertainandprobabilisticdatabases[A].Proceedingsofthe24thIEEEInternationalConferenceonDataEngineering[C].Washington,DC:IEEEComputerSocietyCancun,2008.1023-1032.[5]YongliWang,JiangboQian.MeasuringtheuncertaintyofRFIDdatabasedonparticlefilterandparticleswarmoptimization[J].WirelessNetw(2012)18:307-318.DOI10.1007/s11276-011-0401-4.[6]ChristopherRe,LetchnerJ,BalazinksaM,SuciuD.Eventqueriesoncorrelatedprobabilisticstreams[A].proceedingsofthe2008ACMSIGMODInternationalConferenceonManagementofData[C].NewYork,NY:ACM,2008.715-728.[7]FangZheng,TongGuoFeng,XuXinhe.Particleswarmoptimizedparticlefilter[J].ControlandDecision.2007,22(3):273-277.(inChinese).[8]ShawnRJ,MinosG,MichaelJF,AdaptivecleaningforRFIDdatastreams[A].Proceedingsofthe32ndInternationalConferenceonVeryLargeDataBases(VLDB06)[C].Seoul:VLDBEndowment,2006.167-174.[9]GordonNJ,SalmondDJ,SmithAFM.Novelapproachtononlinear/nongaussianbayesianstateestimation[J].IEEEProceedingsFInRadarandSignalProcessing,2002,140(2):107-113.