基于机密档案RFID自动选层柜制造技术

本申请具体地公开了一种基于机密档案RFID自动选层柜，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。的信号质量是否满足要求的判定的准确性。的信号质量是否满足要求的判定的准确性。

【技术实现步骤摘要】
基于机密档案RFID自动选层柜


[0001]本专利技术涉及机密RFID档案柜的领域，且更为具体地，涉及一种基于机密档案RFID自动选层柜。

技术介绍

[0002]随着社会信息化的推进，人们需要管理的档案资源规模也变得越来越庞大。传统的档案管理系统费时费力，效率地下，而且档案管理混乱易造成档案的丢失，对用户造成了诸多不便。
[0003]现有一些档案柜管理已经逐步采用RFID(射频识别)技术来实现，在档案柜中设有读卡器，档案盒上设置有电子标签，通过RFID天线发射信号来记录档案柜中的档案数量，从而可以实现档案的清点、借阅、归还等功能。
[0004]但是，现有的RFID档案柜中，是多个档案存放位置共用一个RFID天线。当多个档案存放位置共用一个RFID天线时，需要确定每个档案存放位置的RFID信号是否足以用于信息读取，而由于每个档案存放位置均存在多个RFID标签，其每个的RFID信号都会对该位置造成影响，且多个档案存放位置之间的RFID信号也存在关联，需要针对各种因素对各个档案存放位置的RFID信号是否满足要求进行判断，以确保自动选层柜能够正常工作。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机密档案RFID自动选层柜，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。
[0006]根据本申请的一个方面，提供了一种基于机密档案RFID自动选层柜，其包括：数据统计单元，用于获取自动选层柜的每个档案存放位置的RFID标签的数目；度矩阵构造单元，用于将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；第一神经网络单元，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；拓扑矩阵构造单元，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；第二神经网络单元，用于将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局
池化处理以生成所述第二特征矩阵；信号强度向量构造单元，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；向量编码单元，用于将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；共信道响应性单元，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及分析单元，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。
[0007]在上述基于机密档案RFID自动选层柜中，所述第一神经网络单元，进一步用于使用所述第一卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第一特征图作为所述特征图；所述公式为：其中，为第i层第一神经网络的输入，为第i层第一神经网络的输出，为第i层第一神经网络的过滤器，且为第i层神经网络的偏置矩阵，表示非线性激活函数。
[0008]在上述基于机密档案RFID自动选层柜中，所述拓扑矩阵构造单元，进一步用于：基于所述自动选层柜的各个档案存放位置的排布构造矩阵；以及，将所述自动选层柜的各个档案存放位置之间的距离填充入所述矩阵的各个对应位置以获得所述拓扑矩阵。
[0009]在上述基于机密档案RFID自动选层柜中，所述第二神经网络单元，进一步用于使用所述第二卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第二特征图作为所述特征图；所述公式为：其中，为第i层第二卷积神经网络的输入，为第i层第二卷积神经网络的输出，为第i层第二卷积神经网络的过滤器，且为第i层第二卷积神经网络的偏置矩阵，表示非线性激活函数。
[0010]在上述基于机密档案RFID自动选层柜中，所述向量编码单元，包括：全连接编码子单元，用于使用所述编码器的全连接层对所述信号强度向量进行全连接编码以提出所述信号强度向量中各个位置的特征值的高维隐含特征；以及，一维卷积编码子单元，用于使用所述编码器的一维卷积层对所述信号强度向量进行一维卷积编码以提取出所述信号强度向
量中各个位置的特征值之间的关联的高维隐含关联特征。
[0011]在上述基于机密档案RFID自动选层柜中，所述共信道响应性单元，进一步用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵以如下公式计算每个所述档案存放位置的RFID天线对应的共信道响应性值；所述公式为：其中是所述信号特征向量的每个位置的特征值，是所述第一特征矩阵的每个对角位置的特征值，是所述第二特征矩阵的每个位置的特征值，表示将第二特征矩阵的第行的每个特征值分别与信号特征向量的第个特征值相乘后求和，且表示加性白高斯噪声的功率。
[0012]在上述基于机密档案RFID自动选层柜中，所述分析单元，进一步用于：将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量输入所述分类器的Softmax分类函数以获得所述用于判定对应的档案存放位置的RFID信号存在问题的概率。
[0013]与现有技术相比，本申请提供的基于机密档案RFID自动选层柜及其工作方法，其对所述每个档案存放位置的RFID信号接收质量进行编码，并通过基于深度学习的卷积神经网络模型在高维特征空间中计算信号特征相对于每个档案存放位置的RFID标签数目特征和每个档案存放位置之间的距离拓扑特征的响应性，通过这样的方式，可以有效地获得信号质量在特定条件下的特征表达，从而提高所述自动选择层的每个档案存放处的RFID天线的信号质量是否满足要求的判定的准确性。
附图说明
[0014]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0015]图1为根据本申请实施例的基于机密档案RFID自动选层柜的应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机密档案RFID自动选层柜，其特征在于，包括：数据统计单元，用于获取自动选层柜的每个档案存放位置的RFID标签的数目；度矩阵构造单元，用于将所述自动选层柜的每个档案存放位置的RFID标签的数目填充入矩阵的对角线位置以获得度矩阵；第一神经网络单元，用于将所述度矩阵输入第一卷积神经网络以获得第一特征矩阵，其中，所述第一卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第一特征矩阵；拓扑矩阵构造单元，用于获取所述自动选层柜的各个档案存放位置之间的距离并基于所述自动选层柜的各个档案存放位置之间的距离构造用于表示各个档案存放位置的拓扑结构的拓扑矩阵；第二神经网络单元，用于将所述拓扑矩阵输入第二卷积神经网络以获得第二特征矩阵，其中，所述第二卷积神经网络的最后一层对其输入的特征图进行沿通道维度的全局池化处理以生成所述第二特征矩阵；信号强度向量构造单元，用于获取所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度并将所述自动选层柜的每个档案存放位置的RFID天线的信号接收强度构造为信号强度向量；向量编码单元，用于将所述信号强度向量通过包含一维卷积层和全连接层的编码器以获得信号特征向量；共信道响应性单元，用于基于所述信号特征向量、所述第一特征矩阵和所述第二特征矩阵计算每个所述档案存放位置的RFID天线对应的共信道响应性值，其中，所述共信道响应性值基于所述信号特征向量中各个位置的特征值除以所述第一特征矩阵中各个对角线位置的特征值和所述第二特征矩阵中各个位置的特征值之间的乘积的加权和的结果生成；以及分析单元，用于将由每个所述档案存放位置的RFID天线对应的共信道响应性值组成的响应特征向量通过分类器以获得用于判定对应的档案存放位置的RFID信号存在问题的概率。2.根据权利要求1所述的基于机密档案RFID自动选层柜，其中，所述第一神经网络单元，进一步用于使用所述第一卷积神经网络中除最后一层之外的各层以如下公式对所述度矩阵进行处理以获得第一特征图作为所述特征图；所述公式为：其中，为第i层第一神经网络的输入，为第i层第一神经网络的输出，为第i层第一神经网络的过滤器...

【专利技术属性】
技术研发人员：张学成，周青龙，吴嘉铭，
申请(专利权)人：海门市隆茂金属制品有限公司，
类型：发明
国别省市：