RFID技术发展趋势预测研究

孙智刚　梁卫波

[摘要]针对射频信号自动识别（RFID）技术发展受多种因素影响，变化趋势复杂，难以通过建立准确的数学模型进行预测的问题，本文提出了灰色动态模型对射频信号自动识别（RFID）技术发展趋势进行预测，在此基础上构造了灰色神经网络组合预测模型。该模型避免了变权组合预测模型的主观与繁琐，能有效地将灰色预测弱化数据序列波动性的优点和神经网络较强的非线性适应能力相融合。算例结果表明该方法的可行性和有效性，预测精度也得到了改善。

[关键词]射频信号自动识别技术灰色系统组合预测神经网络

一、 导言

射频识别（Radio Frequency Identification，RFID），又称电子标签（E-Tag），是一种非接触式的自动识别技术，它通过射频信号自动识别目标对象并获取相关数据信息[1]，可工作于各种恶劣环境,识别高速运动物体并同时识别多个标签，操作快捷方便。

随着技术的进步，RFID应用领域日益扩大，现已涉及到人们日常生活的各个方面，并将成为未来信息社会建设的一项基础技术。RFID典型应用包括：在物流领域用于仓库管理、生产线自动化、日用品销售；在交通运输领域用于集装箱与包裹管理、高速公路收费与停车收费；在农牧渔业用于羊群、鱼类、水果等的管理以及宠物、野生动物跟踪；在医疗行业用于药品生产、病人看护、医疗垃圾跟踪；在制造业用于零部件与库存的可视化管理；RFID还可以应用于图书与文档管理、门禁管理、定位与物体跟踪、环境感知和支票防伪等多种应用领域。

目前，RFID已成为IT 业界的研究热点，被视为IT 业的下一个“金矿”。各大软硬件厂商，包括IBM、Motorola、Philips、TI、Microsoft、Oracle、Sun、BEA、SAP 等在内的各家企业都对RFID 技术及其应用表现出了浓厚的兴趣，相继投入大量研发经费，推出了各自的软件或硬件产品及系统应用解决方案。在应用领域，以Wal-Mart、UPS、Gillette 等为代表的大批企业已经开始准备采用RFID技术对业务系统进行改造，以提高企业的工作效率并为客户提供各种增值服务。

在本文应本文在分析了射频信号自动识别（RFID）技术发展应该考虑的主要因素的基础上，分别采用灰色系统、多元回归建立单项预测模型。根据组合预测理论建立用射频信号自动识别（RFID）技术发展趋势的组合预测模型，运用组合预测模型对社会的射频信号自动识别（RFID）技术发展趋势进行了预测。从而对RFID技术的发展趋势的判断更具科学性和合理性。

二、 灰色预测原理及模型

灰色系统理论是中国学者邓聚龙教授于20世纪80年代创立的，灰色系统理论和方法的核心是灰色模型，灰色模型是以灰色生成函数概念为基础，以微分拟合为核心的建模方法。一切随机量都是在一定范围内、一定时间段上变化的灰色量和灰过程，对于灰色量的处理不是寻求它的统计规律和概率分布，而是将杂乱无章的原始数据序列通过一定的处理方法弱化波动性，使之变为比较有规律的时间序列数据，再建立用微分方程描述的模型。本文采用了GM(I，1)、DGM(2，1)和Verhulst三种灰色模型分别对射频信号自动识别（RFID）技术发展趋势进行建模预测。

1.灰色GM(1，1)预测模型

GM(1，1)是单序列一阶线性模型，GM(1,1)模型的本质是通过对原始数据序列的累加生成，弱化随机扰动因素的影响，发现其指数增长规律，然后用指数曲线进行模拟,用微分方程来逼近拟合。设原始数据序列:*MERGEFORMAT(1)

X(0)(k)≥0，k=1，2，…n。经过一阶累加 (1-AGO) 生成序列:

x(1)=[x(1)（1）x(1)（2），…x(1)（n）]*MERGEFORMAT(2)，其中，

，k=1，2，…，n.

灰微分方程x(0)(k)+az(1)(k)=u的白化方程为:则

z(1)为x(1)的紧邻均值生成序列，z(1)(k)=0.5x(1)(k)+0.5x(1)(k+1)，k=2,3,…n.得累加序列的预测方程：

*MERGEFORMAT(3)（k=0,1,2,…）对此式再做累减还原，得原始数列x(0)的灰色预测方程：

*MERGEFORMAT(4),（k=0,1,2,…）

则电力负荷预测的预测序列为：

2.灰色DGM(2，1)预测模型

DGM(2，1)是单序列二阶线性模型，用微分方程来逼近拟合．设原始负荷序列（1）式，做一阶累加生成得序列（2）式，建立微分方程： 用最小二乘法求解系数向量： ，其中

解式得离散形式的解序列 其中，

经一阶累减还原得： *MERGEFORMAT(6),k=0,1,2,…,m-1，则射频信号自动识别（RFID）技术发展趋势的预测序列为

3.灰色Verhulst预测模型

Verhulst灰色模型是在Verhulst所建立的模型上发展而来的一个非线性微分模型．设初始射频信号自动识别（RFID）技术发展趋势序列为（1）式，直接建立Verhulst模型：

*MERGEFORMAT(7)式中：λ=[a,u]T为系数向量；u(X(0))2为竞争相，求解：，其中

其离散形式为： *MERGEFORMAT(8),k=1,2,…,m-1，

则射频信号自动识别（RFID）技术发展趋势的预测序列为

三、灰色神经网络（GNN）组合预测模型

每一种模型都包含了一定的样本信息，任何单个模型都难以全面地反映变量的变化规律．如果对多种预测模型进行有机组合，它就能够十分有效地利用多种有用信息，全面地反映系统的变化规律，减少随机性，提高预测精度。文献[5, 11]采用MV变权组合，标准差法等对不同的预测模型给以相应的权系数，但是这种权重的分配目前缺少统一的标准，需要由预测领域的专家通过经验和测评得出，比较复杂。本文采用的灰色神经网络组合预测方法将灰色GM (1，1)、DGM(2，1)和Verhulst模型所得到的预测值结果作为神经网络的输入，生成灰色神经网络组合预测模型(GNN)，这样既减少了赋权的主观性与计算的繁琐性，又发挥神经网络较强的非线性映射能力，通过反复学习自动调节自身参数，最终输出比较满意的预测结果。

图1灰色神经网络组合预测结构图

灰色神经网络组合预测模型采用典型的三层网络结构，即输入层，把灰色GM (1，1)、DGM(2，1)和Verhulst模型所得到的预测值作为输入、隐含层，采用一个隐含层，传递函数为S型函数和输出层，输出GNN组合预测值，模型结构见图1。

我们选择与预测值最近的n个已知值作为样本,即把最近的n个已知值作为输出,采用不同的灰色模型对这n个已知值分别进行预测,其预测值即为神经网络的输入,由此对神经网络进行训练。对于训练好的神经网络,当输入端为各种灰色模型的预测值时,其输出即为用神经网络组合后的预测值。

四、算例分析

利用上述基于灰色理论与神经网络的射频信号自动识别（RFID）技术发展趋势预测方法，对射频信号自动识别（RFID）技术发展趋势进行了研究，通过对某市射频信号自动识别（RFID）技术用户数量调研，构建相关数据。虽然我国起步晚，但由于我国政府对其给予了高度关注，并且实施了一系列措施：国家科技部联合十五部委共同编写的《中国射频识别（RFID）技术政策白皮书》于2006年6月9日正式发布；科技部863计划先进制造技术领域办公室于2006年10月1日正式发布《国家高科技研究发展计划（863计划）先进制造技术领域“射频识别（RFID）技术与应用”重大项目2006年度课题申请指南》。使得射频信号自动识别（RFID）技术发展趋势也具有我国自身特色的变化特征，图2是射频信号自动识别（RFID）技术发展趋势预测曲线。

图2某市射频信号自动识别（RFID）技术发展趋势曲线图

对射频信号自动识别（RFID）技术发展趋势进行了预测，并与单一的灰色预测模型进行对比，预测结果和相对误差见表1。

表 1射频信号自动识别（RFID）技术发展趋势预测结果与相对误差对照表

从上面的算例分析中可以看出基于组合的灰色神经网络预测模型的平均相对误差小于各种单一的灰色预测模型的平均相对误差，而且该组合预测模型的最大相对误差（0.114458176模型的最大相对误差值GM(1,1)是4.889%，DGM(2,1)是2.981%，Verhulst是1.172%，算例结果表明组合预测结果要优于个单一预测结果。

五、结语

本文采用灰色神经网络组合预测模型，有效地利用了灰色理论弱化数据序列波动性的特点和人工神经网络具有逼近任意函数的能力，可以精确地实现对具有任意变化规律的数据序列的拟和和预测，因此，组合灰色神经网络模型较好地结合了人工神经网络和灰色预测方法的优点，有利于提高射频信号自动识别（RFID）技术发展趋势预测的精度。由于诸多环境因素以及经济发展趋势的影响，射频信号自动识别（RFID）技术发展趋势还有很多不确定性，考虑经济环境因素是下一步的研究方向。

参考文献：

[1]陈新河.无线射频识别(RFID)技术发展综述[J].信息技术与标准化，2005，（7）：20－24

[2]郑合.RFID孕育零售业革命[J].现代物流报，2005.7.18,（02）：1

[3]陈新河.无线射频识别(RFID)技术发展综述[J].信息技术与标准化，2005，（7）：20－24

[4]X.G.Gao,Z.Xiang,H.Wang.An approach to security and privacy of RFID system for supply chain[J]. E-Commerce Technology for Dynamic E-Business, 2004, 164-168

[5]邓聚龙．灰预测与灰决策[M]．武汉：华中科技大学出版社，2000

[6]飞思科技产品研发中心．神经网络理论与MATLAB7实现[M]．北京 ：电子工业出版社 ，2005