Effect of Reading Errors on Location Prediction in RFID Indoor Networks

1. Effect of Reading Errors on Location Prediction in RFID Indoor Networks 读写误差对RFID室内网络位置预测的影响

2. 摘要 • 本文中我们研究了RFID室内定位的阅读器收到的随机数据组的符合率。我们用无源标签来介绍读写误差（读写误差可以引起原始数据的丢失）。从家庭上下文感知服务中的RFID阅读器发送误差如何影响室内定位算法的问题开始，我们分析了当RFID阅读器有发送误差时,它收到的数据的符合率。通过分析，我们总结出定位的精确度与误差率有关，可以比原始数据好，也可以比原始数据差。对于本文定位研究中出现的误差，我们建议阅读器的规范里应对它作出限定。 • key words: RFID, location prediction, context awareness, correlation rate, sensing error

3. 1.简介 • 现实生活中有很多智能家庭络服务，它们用来分开区分上下文感知服务和其它简单的传感与控制服务。我们用RFID无源标签来进行室内跟踪，然而阅读器也有读写误差。我们建议的网络不使用多层RFID阅读器协作，在这个算法里，我们使用了有源标签，阅读器把感应到的标签ID号上传到服务器，服务器通过计算相关几何，识别住户并保存这个历史信息。在我们的方案里，一定的区域内只有一个阅读器能感应到标签，因此阅读器间和服务的协作并不产生开销。但是为了避免和其它阅读器冲突，阅读器的读写灵敏度与标签所在的位置相关，因而对某些位置的标签（如房间角落里的标签）会产生感应误差。还有另外一个原因也会产生感应误差，因为标签的感应面与RFID阅读器电波的传播方向有角度和距离，本质上RFID就会有读写误差。 • 我们想知道这些带有误差的数据流与原始的数据流相比有没有降低了位置预测算法的符合率。现实生活中上下文感知服务在某种程度上需要一个位置预测符合率的下限值。Le-Zi预测算法被广泛地应用于上下文感知应用中。 • 据我们所知，目前还没有相关的对感应误差与位置预测准确率之间的关系的研究。相同的算法，因为数据集的不同，也会产生不同的准确率。换句话说，预测算法的准确率与训练数据的随机方式有关。因此我们使用更一般化的训练数据来考虑预测准确率。Pincus定义了近似熵并用它来含衡量系统的复杂性。他还指出了这个近似熵也是理论值。

4. 2．位置信息的预测 • 在设计一个智能主机环境中无缝接合是非常必要的，为了满足无缝接合这个要求，智能家庭需要在室内和周围环境对住户进行跟踪定位，这是智能家庭的主要研究范围。一般来说，无线终端经常集成在传感器里，被住户穿在身上而应用于智能家庭环境中。与其它室内网络协议（如紫蜂、蓝牙）不同，在RFID系统中，人员不需要手持专用的无线终端设备，只要穿上带有标签的衣服、眼镜、鞋子等材料就可以轻易地被RFID系统识别。标签ID号发送到家庭服务器，家庭服务器也就是家庭网络控制器，保存着个人材料相对应的表格。因此，只要那些材料被阅读器检测到，主机服务器就可知道谁在感应点上。而且主机服务器会保存人员的历史位置记录。因为我们考虑的是无源标签和阅读器的情况，因此假设阅读器的感应时间恨恒定，感应时间与阅读器同步。 • 在智能主机网络需要预测人员发生的下一件事，其中位置预测对上下文感知服务家庭服务来说是比较实用的。服务器根据保存的历史信息计算出人员的移动参数，预测出人员的下一个位置，然后产生出相应的服务控制信号。有几个预测算法用在上下文感知服务中。我们选其中的Le-Zi（LZ）算法，它是熟为人知的数据压缩算法。这个算法通过学习历史移动记录和计算各种情况的可能性来预测住户位置的，在参考文献[2]中也首先被采纳。 • 我们用一个有界幂连接图形函数 G=(υ,ε)代表主机网络，其中节点集υ代表区域，边缘集ε代表两个区域之间的物体（墙、门厅等），如图1所示。假设某天用户Bob的运动历史为：R2B2R2lksklR3lR2lclR1lkB1klR2B2R2···。家庭网络器保存代表这些上下文信息和上下文信息次数的树型结构。上下文信息表示一个不重复的位置符号。因此我们可以把历史数据拆开来得到以下上下文信息：R2,B2,R2l,k,s,kl,R3,l,R2lc,lR1, lk,B1,klR2,B2R2,···，其中逗号把不同上下文信息隔开。图2为提取出来的上下文信息及其发生次数的树型结构。从这个树型结构里，我们可以用一个长度变化的格式配置窗口来预测下一位置符号。

6. 3．带有感应误差的数据流的符合率 • 给出一组任意时间上时序数据u(1),u(2),···,u(N)，可以根据定义x(i)= [u(i),u(i+1),···,u(i+m-1)]在Rm上组成一个矢量组x(1),x(2),···,x(N-m+1)。其中正整数m表示格式配置窗口的大小。图3画出了这些矢量。 • 任意时间表示阅读器随时可以感应到进入感应范围的标签，且那个时间是与人员的行动方式一致的。接下来，对每个i，1≤i≤N-m+1，定义 • 其中1≤j≤N-m+1，r是x(i)与x(j)间的差异程度。符号d[x(i),x(j)]定义为： • 其中r=0,Cim(r)表示矢量与给定格式的匹配率，从Cim(r)我们定义

7. Cm(r)用来测量格式大小为m的随机给定数据列的符合率。Cm(r)用来测量格式大小为m的随机给定数据列的符合率。 • 在我们的问题中采用这些量，把时序数据u(·)作为图形G的一个υ，式（2）中的“-”号表示u(i)与u(j)之间的相对距离，例如在图1中k-R2=2。因为阅读器只对进入感应区域的人员的未来事件进行感应，相邻时间指数里的两个数据点总是有一个跳距，且两个相邻数据点之间没有相同数据。 • 假设平均感应误差可能性为pe，即平均1/pe的事件会发生感应误差。在我们的例子中，这个误差表示从原始数据流里丢失的数据。因此如果原始数据流包含N个u(·)数据，相应的带有误差的数据流为N’(=N’(1-pe))个u’(·)数据。将数据长度m设置为m=1/pe。因此，长度为m的矢量x(·)平均只有一个误差（比如丢失一个数据）。因此，我们设带有误差的数据流长度为m-1。

9. 首先，带有误差的时序数据u’(1),u’(2), ···,u’(N)在Rm-1组成一个矢量列x’(1),x’(2), ···,x’(N-(m-1)+1)，其中x’(I’)= [u’(I’),u’(I’+1),···,u(I’+(m-1)-1)]，接着，对于每个I’， 1≤I’≤N’-(m-1)+1, 定义 • 其中 ，与（3）相似有 • 现在我们要在原始数据和带有误差的两组数据据中找出精确匹配的矢量，最后比较它们的符合率。

10. 例如我们在图4中比较这两个数据流。用下式来表示精确匹配的矢量数目例如我们在图4中比较这两个数据流。用下式来表示精确匹配的矢量数目 • 因为误差在每个数据里的机率基本上是一样都是Pe，与x’(I’)精确匹配的矢量的数目为原始数据流的1/m，原始数据流组成的与x(i)精确匹配的矢量数目为 • ,于是我们有以下的近似式

11. 因此可得与原始数据流的关系如下： 当数据集比较大时，可以推导出两个随机数据流的符合率 总的来说，在任意随机序列，明显可得 因此可得最后结果为

13. 4．算例 • 图5描出了不等式（10）右边的表达式的曲线，这个曲线表示下限值，因此精确匹配率在仿真中不能得出，图中可看出，当Pe越大，带有误差的数据流丢失的数据就越多。由数据丢失造成的数据长度变小使Dm(0)增加得比Cm(0)快，因此，Cm(0)/Dm(0)是关于Pe的递减函数，特别地当 时， 等于1，所以当pe≥pe*时，原始数据流的符合率比带误差的数据流符合率要高。 • 为了在实际环境中检验这个分析结果，我们用MATLAB来仿真图1的例子。每个区域都有一个阅读器，阅读器的感应误差服从参数为Pe的二项分布，设随机产生数据流长度为1055,1796,2298和6113，它们分别对应于1个月，50天，2个月，6个月。图6中Dm(0)是在pe=0.44这点上超越Cm(0)的，且会随着数据流长度的增大而越来越接近下限值Pe*。且当Pe∈(0.1,0.9)时，图5中Cm(0)/Dm(0)的减小趋势与图6的相似。图5中数据流长度是无限的，而图6数据流长度是有限的。正因为如此，当pe∈(0,0.1)时两者结果不一致。

16. 为了更深入地研究图6，我们将于图7中画出数据流为1个月时Cm(0)的曲线。当Pe增大时，m=1/Pe减小，使Cm(0)增大；然而Dm(0)会增大得更快。这使图6中的曲线处于下降趋势。为了更深入地研究图6，我们将于图7中画出数据流为1个月时Cm(0)的曲线。当Pe增大时，m=1/Pe减小，使Cm(0)增大；然而Dm(0)会增大得更快。这使图6中的曲线处于下降趋势。 • pe>pe*时时数据是没有用的，因为此时数据流的长度太小了。相反，设备提供商和算法设计者会保持图6中定义的(0,α)与(β,pe*)这两个区域内的感应误差。参数α和β由一个给定的预测准确度Qos要求中推导出来。在这两个区域中，预测性能减小得相对较弱。特别是不可能制造出没有误差的传感器时，在(β,pe*)这个区域内保持感应误差对合理的预测性能是一个好的解决方法。

18. 5．结论 • 本文中我们分析了随机数据流的对位置预测的符合率，通过比较原始数据流和带有数据挂失的数据流的符合率，我们提出把数据流长度设定为感应误差率Pe的倒数，这可以使预测性能得到保证。且在某些区域中，误差率小的并不比误差率大的表现出更好的预测性能。这说明在动态预测中传感器存在一定的感应误差是可以接受的。