RFID ( radio frequency identification)技术，是一种非接触式的自动识别和数据采集技术。本文提出一种基于粒子滤波的RFID数据清洗方法RPFC(RFID-Particle Filter Cleaning)，将原始数据转化为平滑的关于标签位置的概率数据流，具有较高的灵敏性，将更好地适用于移动标签。

1 粒子滤波技术　　

粒子滤波技术是一种实现贝叶斯过滤的新型的跟踪算法，能有效地处理非线性、非高斯跟踪问题，可以适应复杂环境的重叠和遮挡情况，且能同时跟踪多目标，因此多被应用在GPS跟踪等物体跟踪、人员跟踪方面。在RFID应用中，阅读器读数实际上是对标签位置进行实时跟踪的带有非确定性语义的不准确的数据流，RPFC就是基于上述两点提出的，用非确定性策略对RFID数据进行清洗。　　

2 RPFC非确定性清洗框架　　

针对RFID数据的不可靠性和语义非确定性问题，本文提出RPFC非确定性清洗框架， RPFC非确定性数据清洗分为语义清洗和误读清洗两部分。语义清洗主要解决RFID原始数据语义非确定性问题，通过清洗获得有效的概率值来表达RFID数据的非确定性。误读清洗主要解决阅读器消极读、积极读问题，最终为上层应用提供一张“非确定性”的“干净”的数据表。　　

2.1 原始数据语义清洗　　

RFID原始数据存在语义非确定性，但是原始数据描述却未将这种非确定性表达出来，在一定程度上不能反映应用的真实情况，针对这个问题，本文对RFID原始数据进行语义清洗。　　

2.1.1 原始数据语义清洗目标　　

原始数据三元组描述形式型如，其中R代表阅读器的标识，O 代表被探测标签的标识，T代表阅读器R探测到标签O的时刻。　　

RPFC方法经过对原始数据语义清洗，将原始读数中的阅读器标识R转化为标签O具体的应用位置信息L，并且引入概率维P表示标签O处于具体应用位置L的可能性，数据表示由三元组形式变为四元组形式。　　

2.1.2 原始数据语义清洗策略　　

RPFC方法，依据粒子滤波过程，采用加权的粒子集跟踪标签位置状态的变化，得到关于标签位置的概率分布，即获得RFID数据的非确定性表示，实现对原始数据的语义清洗。RPFC方法具体的语义清洗策略如下：　　

第一步：RPFC采样，根据t-1时刻的标签的位置分布状态、粒子位置转换模型p(Lt|Lt-1)和粒子运动模式模型p(mt|et-1，factort-1)，产生新的粒子集St={Lit， wit |i=1，2，…，N}，其中N是粒子集中粒子的数目且wit=1/N。

第二步：RPFC重要性采样，当阅读器产生读数时，根据新的读数中T一项计算粒子集中粒子在T时刻的图上位置，并按照粒子观测模型p(zt| Lit)给粒子集中的粒子赋权值。　　

第三步：RPFC重采样，依据第二步得到每个位置处的粒子数及每个粒子的权值，以及贝叶斯公式(如(1)式)计算标签的概率分布，并按其比例进行重采样得到新的粒子集位置分布，由直线匀速运动公式获得粒子的运动模式，然后设置t=t+1，转第一步。假设经计算，粒子分布在NL个位置，每个位子Li处的粒子数为Ni，其中第j个粒子的权值是wjt且与同位置的其它粒子权值相等，则标签位置概率分布P(Lit|zt)的计算公式如(2)式。

2.2 误读清洗　　

RFID阅读器读数具有不可靠性，主要表现为消极读、积极读和冗余读，RPFC方法针对阅读器消极读和积极读两种不同类型的误读，采用不同的策略进行非确定性清洗。　　

3 实验环境及数据分析

3.1 实验结果分析　　

3.2 准确率　　

为确定RFID数据流的清洗效果，我们定义：准确率 ACC=清洗后结果和真实值相等的数据/N个测试数据。　　

从图3中可以看出，本文提出的RPFC方法利用单个标签移动路径上阅读器间的相邻关系对相邻阅读器的消极数据进行填补，即使某一个阅读器在相当长时间内数据读取率都很低也能通过其它阅读器读数将这个消极读数填补上，而且几乎不增加积极读，把误差限制在一个很小的范围内。

4 结束语　　

本文深入研究了RFID数据清洗技术，主要做了以下工作：　　

(1)a提出了一种基于粒子过滤的RFID数据清洗框架――RPFC。利用抽象粒子模拟移动标签的实际运动，得到关于标签的位置状态，将原始数据转化为平滑的关于标签位置的非确定性的数据流。在RPFC中提出了非确定性清洗策略进行RFID数据流的清洗，最终形成一张“干净”的数据表。　　

(2)本文在研究了RFID移动标签特性，提出了准确率来衡量标签的清洗效果。