【摘 要】
:
近年来,随着物联网迅速发展,射频识别技术(RFID,Radio Frequency Identification)被广泛应用于物流追踪、身份识别与国防军事等多个领域。目前,由于有芯片RFID传感器标签制作成本较高,所以设计低成本的无芯片RFID(Chipless RFID)传感器标签成为现今研究热点。本文针对无芯片RFID传感器标签的抗杂波性能进行研究与设计,具体从传感器标签的结构设计、极化转换特
论文部分内容阅读
近年来,随着物联网迅速发展,射频识别技术(RFID,Radio Frequency Identification)被广泛应用于物流追踪、身份识别与国防军事等多个领域。目前,由于有芯片RFID传感器标签制作成本较高,所以设计低成本的无芯片RFID(Chipless RFID)传感器标签成为现今研究热点。本文针对无芯片RFID传感器标签的抗杂波性能进行研究与设计,具体从传感器标签的结构设计、极化转换特性和传感性能三方面分析。论文主要工作和成果如下:1)针对感知自然环境中材料介电常数的应用,设计了一种具有较好抗环境杂波的无芯片RFID传感器标签。标签谐振器结构具有极化转换特性并含金属接地板,阅读器采用正交方式收发信号,可将环境产生的干扰杂波有效滤除。标签编码由4组不对称弯折金属条带谐振器实现,结构紧凑且相互耦合小。传感谐振器的金属贴片具有阶梯型缝隙,缝隙处被测材料的介电常数影响传感谐振器的谐振频率,通过测量谐振频率实现介电常数传感。搭建标签仿真模型对设计进行了分析,从编码和传感两方面结果验证了设计的可行性,并通过实测说明了该标签结构在实际应用中的稳定性与可靠性。2)为提高标签结构在实测环境的抗杂波性能,设计了一种小型化ELC谐振器(MELCR,Miniaturized ELC Resonator)抗杂波无芯片RFID标签。整个结构由金属接地板和3个尺寸不同的中心对称ELC谐振器组成。由于金属接地板可提高标签的抗金属性能,中心对称ELC谐振器使标签结构紧凑且具有极化转换特性,并对极化角度与入射角度不敏感,因此,标签具有较好的抗杂波性能。编码ELC谐振器通过用户自定义焊点改变金属条带长度从而影响结构等效电感,并采用频移编码有效提升编码容量;传感ELC谐振器由于所覆材料介电常数改变影响结构等效电容,从而使得标签对应谐振频率发生频移。搭建标签仿真模型,分析该结构的谐振频率、Q值及极化转换特性,发现传感器具有较高鉴别度、敏感度和抗杂波性能,然后通过实测验证了该设计在实际应用中的稳定性和可靠性。3)为提高金属圆环结构的极化转换特性,本文利用圆环间的耦合特性,设计了一种组合金属圆环抗杂波无芯片RFID角度传感器标签。该设计将几个不同半径的金属圆环进行组合放置,并按一定角度排列,使标签结构极化转换特性变得明显,抗杂波性能提升,而且具备角度传感功能。利用上述方法设计了两种标签结构,分别是中心对称金属四圆环标签结构和不对称金属五圆环标签结构。两个设计均采用金属接地板,可有效提升标签的抗金属性能。传感原理主要是由于不同半径组合金属圆环在入射波方向上的分量影响标签结构极化转换特性,使得对应谐振频率下的幅值发生改变,因此,当标签旋转一定角度时,可根据不同谐振频率下的幅值差判别相应角度。搭建标签仿真模型,两个传感器均在理论上得到了验证,然后通过实测发现传感器对应谐振峰值明显,抗杂波能力较好,但由于平台环境和操作误差等不可控因素,角度传感的精确度需进一步提升。
其他文献
在当今全球信息化的大背景下,信息安全问题愈来愈成为一个全球性问题,信息的安全性和保密性在信息化时代越来越引起人们的高度重视。传统的身份验证很容易导致个人信息的丢失,且易被盗取。相比于现应用的生物特征,指静脉在手指皮肤之下,不易被盗取,且指静脉因具有活体性等优势成为生物识别技术的重要研究方向。深度学习由于具有强大的特征表达能力被逐渐应用于生物特征识别领域,因此基于深度学习的指静脉识别成为当下最具研究
在医学实践和临床医疗中,无论是临床医学诊断还是病理研究,都需要通过各种成像技术来获得生物体的器官、组织乃至细胞和亚细胞结构的形态学和功能学信息。光声成像作为一种新兴的成像技术结合了纯光学成像的高选择特性和纯超声成像的高穿透特性,具有高对比度、高分辨率和深成像深度的特点。光声成像的成像深度和成像分辨率与所采用的光声传感器密切相关。传统的超声波探测器是使用压电材料制成的,它的局限性是对电磁干扰的敏感性
目的探讨脑卒中患者专科康复后离院时日常生活活动能力(ADL)情况及其相关影响因素。方法以2019年6月至2020年12月海安市某医院康复科收治的脑卒中患者为研究对象,于患者专科康复后离院时对ADL状况进行评估,并采用单、多因素方法对ADL影响因素进行分析。结果 523例脑卒中患者专科康复后的ADL评分为(62.23±18.27)分,其中ADL评分(<60分)较差的脑卒中患者比例为28.49%。多因
阿尔茨海默病(Alzheimer’s disease,AD)是老年人群体中最常见的痴呆类型.因它在发病初期症状极不明显,一经确诊便达到错过最佳干预期的中后期,会严重威胁到受害人及其家属的身心健康,给他们的生活带来了巨大的负担.由于它的病因涉及多个方面,所以到目前为止没有绝对的治疗办法.因此,要对老年人进行初期筛查.为了解决社区大样本条件下AD筛查医护人员不足时对结构能力测评存在的困难,本文从临床上
中国是世界上老龄化较严重的国家之一,脑小血管病是临床常见的在老年人群中易发的脑部血管病,其临床表现多样,可表现为认知功能下降、痴呆、步态异常、情感障碍等.如不对其干预,任其发展下去,极易引发语言功能、认知功能等多种脑功能障碍,导致患者精神恍惚及生活自理能力下降,不仅使患者感到痛苦,对社会对家庭都是一种负担.脑小血管病初期通常症状不明显,容易被患者及其家属忽略而错过早期识别、及时治疗的最佳时期.脑小
分类是数据挖掘领域中一个重要的分支,普通的分类模型通常假设数据集中各类别的样本数量差距很小且对于每个类别的误分代价相等,而使用不平衡数据集训练传统的分类器会导致模型对于少数类的预测精度很低,因此不平衡数据的分类问题一直是机器学习领域的研究热点。本文针对面向不平衡数据的分类方法开展研究,引入了基于样本权值的欠采样方法,样本局部密度计算方法以及样本误分代价计算方法,提出了三种面向不平衡数据的AdaBo
机器学习通过学习样本数据、进行模型拟合或者预测推理等方法,使其在数据集中自动获取相应的理论,从而形成一种与常规方法互补且具备可行性的算法,其主要适用于缺乏一般性理论及规模较大的数据集中。物理学可以用来探究物质运动的规律,随着物理学研究的不断发展与进步,机器学习算法也成为了研究物理学问题的热门算法。该学科虽与机器学习处于两个不同专业领域,但其在处理问题的思想上存在诸多共通之处。因此,可通过机器学习来
当下,人们生活中的衣食住行都向着智能的方向改进,而这一切都离不开对数据信息的挖掘。智能的生活方式产生了海量数据,数据挖掘就是从大量数据中发现其中潜在信息的过程。在数据挖掘领域中,高维数据导致的维度灾难和数据过拟合是困扰研究人员的两大问题。特征选择是一个重要的数据预处理步骤,通过从候选特征集中挑选出重要的特征组成新特征子集,利用该子集进行模型训练等学习任务。进行特征选择可以有效地克服维度灾难问题,缓
目前,越来越多的计算机视觉系统被广泛应用于各个行业,这些计算机视觉系统大都以输入清晰图像为前提进行工作,但是在实际场景中,特别是在室外环境下,由于雾、霆等天气原因,我们无法保证获取到清晰可用的图像数据,因此图像增强技术越来越受到研究人员的关注。应用水下机器人进行水下探测是一项重要任务,而计算机视觉技术是完成这项任务的关键环节。但是光的吸收和散射现象同样存在于水下环境中,比起有雾图像,水下图像会遭受
随着5G、互联网、云计算以及其他技术的迅速发展,网络环境日益复杂,且攻击形式日益多样化,也为网络空间安全带来了严峻的考验。网络入侵检测技术采用一种主动防御方式来维护网络的安全,为网络提供实时的监控与动态的保护。面对海量的网络数据,现有的入侵检测模型不仅无法有效处理这些高维且复杂的数据,也难以识别数据样本较少的攻击类型,且模型检测效率低、识别率较差。基于上述问题,本文提出了基于PGoogLeNet-