MétaCan
Menu
Retour à la cohorte
Enregistrement W3005317772 · doi:10.1109/lcomm.2020.2970717

New Semi Blind Tag Separation Method for Efficient Tags to Reader Collision Recovery in RFID Systems

2020· article· en· W3005317772 sur OpenAlexaff
Mohamed Aissa Kalache, Lamya Fergani, Adel Metref, M.C.E. Yagoub

Notice bibliographique

RevueIEEE Communications Letters · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueRFID technology advancements
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAlohaUltra high frequencyComputer scienceCollisionThroughputPhysical layerCumulantMultilaterationExploitAntenna (radio)Protocol (science)AlgorithmRadio-frequency identificationCollision problemTelecommunicationsWirelessMathematicsStatisticsComputer security

Résumé

récupéré en direct d'OpenAlex

In this letter, we propose a new and efficient physical layer collision recovery method which exploits the statistical properties of RFID tag signals in terms of the second and fourth-order cumulants. This method is able to recover more than two collided tags even with a single receive antenna at the reader and without requiring any modification in the EPC C1 G2 standard used for UHF RFID passive tags. Simulation results show that the proposed method exhibits the lowest complexity compared to existing techniques. Moreover, the throughput analysis reveals that, when the proposed approach is used in the framed slotted ALOHA protocol, it provides a significant gain of 1.58 read tags per slot at an average SNR of 20dB.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,494
Score d'incertitude au seuil0,681

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,046
Tête enseignante GPT0,332
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Communications LettersMême sujetRFID technology advancementsTravaux en français237 207