一、引言

在射频识别 （RFID） 系统领域，通过防伪技术打击假冒标签引起了广泛关注，特别是物理层识别方法，因其成本效益和部署简单性而受到赞誉。然而，物理层识别方法的性能受到标签检测设置条件的显著影响，特别是在信噪比（SNR）较低的场景下，分类精度容易受到影响。为了正面应对这一挑战，本研究提出了一种认知风险控制策略的实施，该策略在标签分类过程中微调标签距离，以增强信噪比并提高识别精度。除了认知风险控制的实施之外，本文还将重点扩展到丰富时域和频域特征提取，共计 104 个特征，旨在进一步提高分类效率。利用软件定义无线电设备，进行了分类实验，涵盖来自三个不同制造商的七种流行标签类型。这些实验结果表明，在整合认知风险控制策略后，标签分类的平均准确率提高了约 11%。同时，与传统的 28 个和 7 个特征相比，采用 104 个特征意味着分类准确率分别提高了约 4.3% 和 5.3%。这些发现不仅强调了认知风险控制在低信噪比环境中提高标签分类准确性方面的功效，而且还强调了通过增加特征集来增强分类性能的潜力。

二、介绍

射频识别（RFID）技术，作为先进的自动识别解决方案，在许多行业中实现了无需人工作或物理交互即可识别具有不同身份的电子标签的功能。该技术越来越多地应用于物流、零售、医疗和智能交通等领域。特别是随着5G技术的推广和智能手机的广泛应用，RFID的应用前景进一步拓宽。然而，RFID标签的安全问题已成为亟待解决的问题。由于缺乏有效的保护措施，标签信息可能面临非法访问和数据泄露的风险，这不仅威胁到信息安全，还可能为不法分子提供可乘之机。

为了加强对 RFID 系统的保护，行业专家提出了一系列加密技术和安全协议。这些方案通常需要在标签和阅读器之间建立共享密钥，以确保数据传输的安全性。然而，它们会增加密钥管理的难度，特别是对于计算能力有限的被动标签，使得实现更加复杂。此外，虽然哈希算法提供不共享密钥的解决方案，其安全性仍有待提高。虽然访问控制机制可以限制未经授权的访问，其复杂的验证过程可能会增加系统的复杂性和成本。除了上述软件解决方案外，还提出了一些基于硬件的技术来防止标签伪造。例如，在生产过程中添加特殊材料或独特的包装设计，措施虽然有效，但往往会增加生产成本，影响读写性能。除了使用加密技术和安全协议来确保RFID系统的安全外，深度学习技术也应用于识别真假信号的过程。该技术通过构建复杂的神经网络模型来分析和分类信号。尽管深度学习在处理大量数据和识别模式方面表现出色，但它也面临着对数据量高度依赖和模型参数调优困难的挑战。

最近的研究发现，RFID标签的响应信号具有独特的物理特性，即物理不可克隆功能（PUF）。该特性源于标签的硬件构成和物理特性，例如天线设计、能量分布、幅度和相位响应。硬件功能是在生产过程中开发的，很难复制。基于此，物理层防伪解决方案提取信号中的PUF特征，并结合信号处理和模式识别技术来识别标签的真伪。与传统的访问控制和加密技术相比，物理层识别技术需要有限的硬件更改，并且降低了费用，因此适用于广泛的RFID系统应用。同时，在噪声干扰较大或信号强度较弱的条件下，提取的特征可能不够准确，从而导致错误的分类结果。

为了解决这些问题，本文提出了一种物理层识别技术，旨在提高辨别真假标签的能力。该论文的主要贡献包括以下内容。首先，通过引入认知风险控制（CRC）的概念，构建了一个框架，该框架能够通过动态调整标签和天线之间的距离来修改标签信号的信噪比（SNR），从而显著提高低信噪比环境下的分类精度。通常，如果标签靠近阅读器，信号强度会增加，信噪比也会相应增加。然而，距离和信噪比之间的关系并不总是线性的或单调的。近场效应和非线性效应可能会导致信号失真，从而降低信噪比。此外，标签灵敏度的变化意味着单个读取距离可能并不适合所有标签。因此，动态调整距离可能是提高信噪比的可行途径。其次，该技术深入挖掘标签响应信号的基于时间和频率的特征，以提高分类精度，减轻特征选择对模型泛化能力的影响。通过使用通用软件无线外设（USRP）对三家不同制造商生产的7种UHF RFID标签的信号进行分类，实验结果表明，通过提高信号的信噪比，所提方法的分类精度平均提高了11%。此外，在引入新的基于时间和频率的特征后，分类精度平均提高了5%。

三、相关工作

3.1 RFID防伪

增强 RFID 系统的保护能力通常涉及采用安全协议。一些 RFID 安全协议通过集成现有协议来实现这一点，例如传输层安全 （TLS）、安全套接字层 （SSL）和互联网协议安全 （IPSec）。然而，这些协议往往需要更高的能耗，并且对通信链路的要求更高，这可能不适合特定的RFID应用场景。目前，RFID标准如EPC Global Class 1 Generation 2提供具有基本密码身份验证的安全协议。虽然实施起来很简单，但如果密码信息泄露，该方法会带来安全风险。相反，ISO/IEC 29167-10 标准提供更全面的安全协议，涵盖多种加密技术和不同的安全级别，以满足各种安全要求。尽管具有强大的功能，但由于最近推出，与 EPC 标准相比，该标准的采用速度较慢。此外，更高级的 RFID 安全协议，如可验证匿名 RFID 协议、哈希锁、强大的安全网络和阻止器标签通过密码算法、数字签名、加密密钥管理等技术手段，显著增强系统安全性。然而，先进的安全协议也带来了更高的计算和存储负担，给 RFID 系统带来了部署和作挑战。此外，不完善的密钥管理可能会削弱协议的保护效果。相对简单的实现方法，如单向哈希锁协议和随机值生成协议，虽然隐约损害了安全性，但施加了较低的计算和存储要求，因此更加用户友好。因此，在选择合适的安全算法或协议以满足特定应用需求时，在安全性和实现复杂性之间取得平衡至关重要。

除了软件协议外，硬件方法还利用 RFID 标签的物理特征来提高安全性。例如，法拉第笼用金属网或导体包围设备，有效屏蔽外部电磁干扰，防止未经授权的信号拦截。尽管实施起来成本更高、更复杂，但事实证明，该方法在防止物理攻击方面非常有效。反射屏蔽技术相反，防御攻击者涉及反射信号，提供适应性强的保护，这需要额外的硬件和算法支持。防止物理损坏需要将标签嵌入精致的外壳中，使标签信息在包损坏时无法读取，尽管无法防范针对内部元标记信息的威胁。温度敏感标签通过温度变化检测未经授权的读取行为，但需要精确的温度调节以避免误报。虽然硬件方法在物理保护方面提供了卓越的安全性能，但它们需要在系统设计中尽早考虑，并且通过以后的软件更新来实施具有挑战性。因此，硬件安全措施需要在系统概念化和制造阶段进行深思熟虑，以确保系统的多功能性和可移植性。

在防伪领域，利用RFID标签的物理层信号特性进行认证是一种常见的技术方法。一种方法需要直接检索有形属性，包括反射系数和测量距离从信号。或者，强调信号的时间和频率特性可以提取特征，例如信号指纹、相变、频率变化，以及高阶的统计量。提取特征旨在辨别真伪标签之间的细微区别。然而，强烈的噪声干扰可能导致特征提取的不准确，从而影响分类精度。

3.2 认知风险的管理和特征的选择

最初用于认知无线电、认知雷达和无人驾驶汽车技术，CRC 技术在提高系统稳健性和卓越通信方面表现出显着的有效性。在工作中，我们探索CRC技术在RFID通信安全中的应用，以加强其安全措施。在传统的CRC中，它使用卡尔曼滤波器估计隐藏信号，计算波形参数熵以得出奖励，并采用Q学习算法通过求解贝尔曼优化问题来最大化这些奖励。CRC 的主要目标是最大限度地减少信号估计误差，从而提高跟踪精度。本文利用CRC技术来增强RFID标签的防伪能力。最初，该技术通过IQ解调技术和集群解码算法将传输信号和噪声信号隔离开来。随后，根据提取的噪声信号计算信噪比（SNR），并采用搜索策略来确保SNR达到或超过预定义的阈值。不同于的工作，本文的检索策略将通过调整距离来完成，调整步长较少，因此检索速度较快。为了进一步提高防伪效果，本研究中的CRC技术包括分类、特征提取、模型训练和测试。值得注意的是，传统的物理层识别方法通常只关注有限的标签分类特征，而忽略了标签信号可能表现出的多样化特征。特征选择的先前研究强调仅依靠几个不变的特征进行分类可能会导致识别准确性降低。因此，本研究努力融合广泛的特征，包括时域和频域的一百多个特征，以全面增强对标签变异和独特特征的检测，从而实现更精确的真伪识别。

四、问题描述

本文将解决RFID标签在低信噪比环境中分类精度不理想的问题，如图所示。核心原理是只有在信噪比超过阈值时才进行分类处理。一旦信噪比不超过阈值，系统就会通过调整标签和读卡器的距离来提高信号质量。最初，该过程预处理标签的响应信号，分离基带信号和所需信号。噪声信号是通过从基带信号中减去参考信号来获得的，SNR是通过噪声信号的强度与参考信号的强度之比得出的。之后，风控单元被激活。检索到的 SNR 与定义的阈值相当。如果SNR值低于阈值，则交换机将重定向到CRC单元;如果信噪比达到或超过阈值，则系统继续进行特征和分类单元。在CRC单元内，基于随机搜索的算法调整标签-阅读器距离以优化信噪比。该单元与预处理单元形成闭环，直到 SNR 超过阈值并终止。在分类单元内，对基带、所需、噪声和标准信号进行特征提取和选择。随后将所选特征输入分类器以确定真实性。此外，风险控制单元的阈值根据分类训练阶段的结果进行修改。预处理单元、分类单元和风控单元在外部封闭循环中协同工作，当细化阈值达到令人满意的分类精度水平时，该循环就完成了。

CRC 用于标签分类

在执行《儿童权利公约》时，需要注意两个主要问题。首先，CRC模块的结构配置具有重要意义。多个组件对标签 SNR 有影响，包括电磁环境和标签的硬件。虽然这项研究通过调整标签阅读器距离来增强信噪比，但值得注意的是，距离和信噪比之间的关系并不总是线性的或单调的。近场效应和非线性效应可能会引起信号失真，从而可能降低信噪比。此外，标签灵敏度的变化意味着单个读取距离可能并非适用于所有标签。因此，动态调整距离被证明是增强信噪比的有效策略。如图左上角所示。距离与信噪比之间的非线性或非单调关系需要精心设计的距离搜索策略来确定最优信噪比。

其次，特征和分类模块的开发提出了另一个挑战。传统技术通常依赖于一组有限的预定特征进行分类，这可能无法充分捕获标签的多样性。为了更有效地捕获标签之间的差异，本研究不仅捕获了时域的特征，还整合了频域的特征。通过特征选择过程，评估新提取特征的有效性，确定它们在分类中的作用。通过使用这种彻底的方法来提取和选择特征，可以获得更全面的标签特征表示，从而提高分类准确性。如图1底部所示。该特征和分类模块旨在最大限度地利用标签信号中的信息，以实现更准确的真实性识别。

五、用于标签分类的 CRC

5.1 预处理

用于对RFID标签进行分类的CRC框架如图1所示。本节对每个单元进行了深入探讨。最初，阅读器检测到的标签响应信号进行预处理。该模块的核心职责是双重的：主要作用是确定信号的信噪比（SNR）以管理交换机网络，其次要作用是对标签信号进行初始处理，以预期未来的特征提取。

预处理单元，如图所示。以IQ解调开始获取 I 和 Q 通道信号的响应信号，在模后额外获取基带信号 \（\：a\left（n\right）\），其中 \（\：n\）=1， 2， …\（\：N\） 表示采样的点。随后，通过对基带信号做出决策来得出所需的信号，表示为$$\：{a}_{e}\left（n\right）=dec\left[a\right（n\left）\right]$$

预处理

该决定表示为

$$\:d ec\left（x\right）=\left\{\begin{array}{c}0，\：if\：\left|x-{v}_{0}\right|\le\：\left|x-{v}_{1}\right|\\\：1，\：if\：\left|x-{v}_{0}\right|>\left|x-{v}_{1}\right|\end{array}\right.$$

其中 \（\：{v}_{0}\） 和 \（\：{v}_{1}\） 表示基带信号簇 \（\：a\left（n\right）\） 的双中心节点，分别与位 0 和 1 相关联。值得注意的是，\（\：{v}_{0}\） 是通过与静默周期信号的簇质心的接近程度来确定的，如图中观察到的。在实验部分。为了标准化信号功率，基带信号调整为

$$\：{a}_{\text{n}}\left（n\right）=\frac{a\left（n\right）-{v}_{1}}{{v}_{1}-{v}_{0}}$$

噪声是通过减去预期的从归一化信号中提取的

$$\：{a}_{{\upeta\：}}\left（n\right）={a}_{\text{n}}\left（n\right）-{a}_{\text{e}}\left（n\right）$$

经过此处理，获得四个信号组：所需信号 \（\：{a}_{\text{e}}\left（n\right）\）、标准信号 \（\：{a}_{\text{n}}\left（n\right）\）、噪声信号 \（\：{a}_{{\upeta\：}}\left（n\right）\） 和基带信号 \（\：a\left（n\right）\），从中推导出特征。在末端阶段，SNR 可以计算为

$$\：SNR=10\text{l}\text{g}\frac{{P}_{\text{e}}}{{P}_{{\upeta\：}}}$$

其中 \（\：{P}_{\text{e}}\） 和 \（\：{P}_{{\upeta\：}}\） 对应于从方程获得的平均功率水平。

5.2 风险管理和网络交换机

风险管理块的主要目的是管理交换机网络，如图所示。如果信噪比达不到要求，则CRC系统切换到认知控制块。在此框架内，一种自调节反馈机制，其中对 SNR 进行微调，直到超过或等于阈值。一旦信噪比已经足够，系统就会继续进行特征提取和分类阶段。此过程概述如下：

$$\：\langle{k}_{1}，{k}_{2}\rangle=\left\{\begin{array}{c}\langle\text{o}\text{n}，\text{o}\text{f}\rangle，if\：SNR<{V}_{\text{t}\text{h}}\\\：\langle\text{o}\text{f}\text{f}，\text{o}\text{n}\rangle，if\：SNR\ge\：{V}_{\text{t}\text{h}}\end{array}\right.$$

其中 \（\：{k}_{1}\） 和 \（\：{k}_{2}\） 开关用于激活系统的认知控制模块和特征与分类模块。当开关设置为“打开”时，它处于关闭位置，当设置为“关闭”位置时，它处于打开位置。\（\：{V}_{\text{t}\text{h}}\：\）表示信噪比阈值，基于分类模块中标签分类的最大精度建立，表示如下：

$$\：{V}_{\text{t}\text{h}}=\下移量{{SNR}}{\text{argmax}}{f}_{c}\left（SNR\right）\：$$

其中 \（\：{f}_{c}\left（SNR\right）\） 表示依赖于 SNR 的分类准确度指标。这意味着当分类精度达到峰值时，与之相对应的信噪比值成为基本阈值。如式所示，可以使用训练数据实现外部反馈回路的目标。

风险管理和网络交换机

5.3 认知控制

如果信噪比未能达到阈值，则启动认知控制，开关 \（\：{k}_{1}\：\） 关闭，如图所示。认知控制的目的是调整标签到阅读器天线的距离，以确保在电流比不足时信噪比达到或超过阈值。图5显示了搜索所需SNR的过程的示意图，采用不同的网格来反映在不同距离上可达到的SNR值。绿色方块表示满足所需信噪比的坐标，白色方块表示不满足要求的坐标，蓝色方块表示当前坐标。在此图中，虽然距离变量本质上是一维的，反映了从标签到阅读器的距离，但标签在阅读器磁场中的实际定位包含三维坐标。因此，考虑到标签在三个维度上的位置，距离变量应理想地与该维度保持一致。然而，为了简化搜索过程，一种务实的方法涉及将调整后的标签距离沿二维平面内的单个轴固定。在此设置中，距离调整可以概念化为具有两个方向：“向上”（拉得更远）和“向下”（拉得更近）。鉴于信噪比值和距离之间没有明显的单调性，如图1所示。采用随机搜索方法定位目标阈值。随后，我们深入研究该算法的细节。

认知控制

目标信噪比搜索

在应用 \（\：t\） 第 个动作 \（\：{a}_{t}\） 时，初始距离状态 \（\：{d}_{t}\） 更新为 \（\：{d}_{t+1}\）。由于该过程是马尔可夫过程，\（\：{d}_{t+1}\） 仅由 \（\：{d}_{t}\） 决定，因此可以表示为

$$\：{d}_{t+1}={d}_{t}+{a}_{t}，\：{a}_{t}\in\：\mathcal{A}$$

其中 \（\：\mathcal{A}\） 表示动作集，包括增加或减少距离等调整，表述为

$$\：\mathcal{A}=\left\{\delta\：，\：-\delta\：\right\}$$

其中 \（\：\delta\：\） 表示调整距离的增量。

让更新后的信噪比用 \（\：{SNR}_{t+1}=Q（{d}_{t}，{\mathfrak{F}}_{t}）\） 表示，其中它不仅与距离 \（\：{d}_{t}\） 相关，还与外部因素 \（\：{\mathfrak{F}}_{t}\） 相关，例如发射功率和电磁条件。假设调整期间的时间不变性为 \（\：t=1，\：2，\：\dots\：T\），则 \（\：{\mathfrak{F}}_{t}\） 可以被视为时间不变。去掉下标后，\（\：t\） 变为

$$\：{SNR}_{t+1}=Q（{d}_{t}，\mathfrak{F}）$$

这种随机搜索算法遵循特定的作顺序：如果修改后的 SNR 未能达到阈值，则选择相同的作。如果修订后的信噪比等于或高于阈值，则无需执行进一步作，搜索将停止。此搜索过程表示为

$$\：{a}_{t+1}=\left\{\begin{array}{c}{a}_{t}，\：\：\：if\：{SNR}_{t+1}<{V}_{\text{t}\text{h}}\\\：0，\：\：if\：{SNR}_{t+1}\ge\：{V}_{\text{t}\text{h}}\end{array}\right.$$

此外，如图所示。这些随机搜索的有效性取决于初始点选择，其中更靠近目标的点可以显着减少搜索迭代。为了确定这个最佳起点，该算法采用交叉验证。它累积来自训练集中各种标签-阅读器距离组合的信噪比。然后，导致最高累积的合并作为测试集中的起始元素，表示为

$$\：{d}_{0}=\underset{d}{\text{arg}\text{max}}{\sum\：}_{i}{Q}_{i}（d，\mathfrak{F}）$$

其中 \（\：i\） 是测试集的标签索引。此外，环境条件 \（\：\mathfrak{F}\） 会影响最终的信噪比，因此需要测试集和训练集之间的一致性以避免模型泛化问题。因此，训练应该包括各种环境 \（\：\mathfrak{F}\）。例如，训练可以涉及高、中、低发射功率的初始点，并在测试过程中根据实际功率进行相应的选择。

表1概述了该搜索算法的顺序过程。

5.4 特征和分类

对标签响应的未处理信号进行处理，生成两组信号：所需信号、标准信号、噪声信号和基带信号。这些信号作为特征提取的基础，包括传统的时域统计，如均值、方差、最大自相关、偏度、香农熵、第二中心距和峰度。此外，频域特性包括重力频率质心、平均平方频率、均方根频率、频率标准差和频谱峰度等参数被提取。此外，还考虑了其他时间特征，例如形状因子、最大自相关、裕度因子、标准差、脉冲因子、均方根和波峰因子。表 2 和表 3 提供了这些特征的详细分类。总共为每个信号组提取了 26 个特征，从而从四个组中提取了 104 个特征。

在特征提取之后，需要评估每个特征的组分类有效性，因此需要使用特征选择方法。特征选择方法通常包括过滤、嵌入和包装方法。鉴于过滤方法的性能与分类器无关，本研究选择了基于过滤的特征选择。

考虑训练数据集 \（\：{\upchi\：}\）=\（\：\langle\mathbf{S}，y\rangle\） 中指示的单元变量，其中 \（\：\mathbf{S}\） 是包含元素 \（\：{s}^{\left（1\right）}，{s}^{\left（2\right）}，\：\dots\：{s}^{\left（N\right）}\）的信号特征向量，\（\：y\） 是其分类类别。计算训练集中每个特征 \（\：{s}^{\left（m\right）}\） 的权重 \（\：{\omega\：}^{\left（m\right）}\） 并按降序排列。随后，选择权重最高的 \（\：W\） 特征，定义为

$$\：\langle{q}_{1}，{q}_{2}，\dots\：{q}_{W}\rangle=\underset{m}{\text{argmax}}{\omega\：}^{\left（m\right）}$$

将所选特征组织到一个新的单元格中 \（\：{{\upchi\：}}^{\text{K}}\）=\（\：\langle{\mathbf{X}}^{\text{K}}，y\rangle\），从而生成一个新的训练集 \（\：\mathcal{K}\），满足

$$\：{{\upchi\：}}^{\text{K}}\：=\：\langle{\mathbf{X}}^{\text{K}}，y\rangle\in\：\mathcal{K}$$

其中 \（\：{\mathbf{X}}^{\text{K}}\：\）= [\（\：{x}^{\left（{q}_{1}\right）}，{x}^{\left（{q}_{2}\right）}，\：\dots\：{x}^{\left（{q}_{W}\right）}\）]。类似地，对于测试数据集中表示为 \（\：{{\upchi\：}}^{\text{T}}\）=\（\：\langle{\mathbf{X}}^{\text{T}}，y\rangle\） 的单元格，确保测试集 \（\：\mathcal{T}\） 满足

$$\：{{\upchi\：}}^{\text{T}}\：=\：\langle{\mathbf{X}}^{\text{T}}，y\rangle\in\：\mathcal{T}$$

其中 \（\：{\mathbf{X}}^{\text{T}}\） 构成一个包含顶部 \（\：W\） 加权特征的向量。完成特征选择后，可以进行交叉验证。一旦分类器 \（\：{f}_{\text{c}\text{l}\text{a}\text{s}}（\bullet\:)\） 的权重 \（\：w\） 令人满意

$$\：{y=f}_{\text{c}\text{l}\text{a}\text{s}}\left（w，{{\upchi\：}}^{\text{K}}\right），{{\upchi\：}}^{\text{K}}\in\：\mathcal{K}$$

训练阶段结束，测试结果已从

$$\：{\widehat{y}=f}_{\text{c}\text{l}\text{a}\text{s}}\left（w，{{\upchi\：}}^{\text{T}}\right），{{\upchi\：}}^{\text{T}}\in\：\mathcal{T}$$

可以通过将测试类别 \（\：\widehat{y}\） 与预期类别 \（\：y\） 进行比较来计算分类准确性。

表4显示了执行CRC算法的说明。

六、实验设置

6.1 数据生成

实验装置使用符合 EPC C1 Gen2 规范的无源 UHF 标签。总共使用了 210 个标签，代表市场上可用的七种常见类型。这些标签由三家不同的公司制造，详见表 5。在数据收集之前，所有 210 个标签都使用相同的 EPC 代码进行编程。书写过程使用广州旺源电子制造的UHF100U写入器执行。有关写入器的参数，请参阅表 6。收集数据的过程是使用 UHF RFID 系统进行的由 USRP 软件定义无线电作。该系统遵循 EPC C1 Gen2 标准，其软件实现是使用 GNU Radio 完成的。表7概述了该系统的综合参数。

在数据收集会话的每个实例中，只有一个标签位于读卡器的磁场内，以最大限度地减少与多个标签相关的碰撞风险。值得注意的是，数据收集发生在非隔离环境中，可能容易受到热噪声、蜂窝设备干扰、无线通信信号和射频干扰等来源的影响。标签沿着两个天线之间形成的角度的平分线零星地放置，如图所示。每个标签记录持续 10 秒的数据，在此期间，EPC 信号被随机分段，间隔为静默周期，如图所示。

用于从 RFID 标签收集信号的设备，其中两个天线之间的角度约为 120 度，标签位于角度的平分线上，其位置从天线末端的 10 厘米变化到 40 厘米。

响应标签的信号是原始基带信号EPC信号和分段，分为具有静默期的段。

6.2 算法和分类技术

在此实验装置中，CRC 单元用于调节接收信号的信噪比，以符合分类标准。表 8 概述了管理该模块的精确规范，而距离搜索算法详见表 1。

该实验采用一对不同的交叉验证方法来得出分类结果。一种方法涉及来自各种类型或制造商的标签，而另一种方法则侧重于来自相同类型和制造商的标签。以下是每种方法的具体情况。

首先，涉及不同标签类别或制造商的交叉验证（CrossVal I）采用5重方法，如图所示。每个标签类别或制造商有 30 个标签，总共 \（\：L\） = 7 类标签或制造商。真集被指定为 \（\：l\） 第 1 个类型作为真集，而伪集是第 \（\：m\） 个类别（其中 \（\：l\ne\：m\））。然后形成训练集 \（\：{\mathcal{S}}_{l}\）、\（\：{\mathcal{S}}_{m}\） 和测试集 \（\：{\mathcal{T}}_{l}\）、\（\：{\mathcal{T}}_{m}\）。随后，通过对测试集 \（\：{\mathcal{T}}_{l}\） 和每个 \（\：{\mathcal{T}}_{m}\） 获得的二元分类结果进行平均来确定第 \（\：l\） 类型分类的准确性，其中 \（\：m\） 的范围为 1 到 \（\：L\）。

其次，涉及相同标签类别和制造商的交叉验证（CrossVal II）也采用了5倍方法，如图所示。每个标签类别包含 30 个标签。最初，从第 \（\：l\） 个类别中随机选择一个标签，该标签中的 29 个数据样本作为真实集合，指定为 ‘1’。随后，从剩余的 29 个相同类型的标签中收集 29 个数据样本，形成标记为“0”的假集。这些集合分别分为训练集 \（\：{\mathcal{S}}_{l}^{1}\）、\（\：{\mathcal{S}}_{l}^{0}\） 和测试集 \（\：{\mathcal{T}}_{l}^{1}\）、\（\：{\mathcal{T}}_{l}^{0}\）。\（\：l\） 类型标签的分类准确性是通过从测试集 \（\：{\mathcal{T}}_{l}^{1}\） 和 \（\：{\mathcal{T}}_{l}^{0}\） 获得的二元分类结果来确定的。

采用了一对交叉验证策略：CrossValI，涉及跨不同类别或制造商的标签的交叉验证，以及CrossValII，专注于相同类别和制造商之间的标签之间的交叉验证。

分析可能改变本实验分类结果的各个方面至关重要，包括特征选择、所选特征的数量、最近附加的基于时间和频率的特征以及不同的分类器，如SVM、RF、KNN和Vgg16，如下所述：

• CRC：本文中建议的方法;
• 7 带 SVM：检索经典的 7 个基于时间的功能从EPC标签的基带信号中获取，但排除特征选择，然后使用支持向量机（SVM）分类器;
• 28 带 SVM：从标签的 EPC 信号中提取整组 28 个特征，包括基带、归一化、预期和噪声分量，但排除特征选择，并采用SVM分类器;
• 104 与 SVM：合并了额外的基于频率和时间的特征，将特征计数增加到 104（见表 2 和表 3），然后使用 SVM 分类器，省略特征选择;
• 104 with ReliefF：ReliefF 特征选择应用于 104 个特征，选择权重超过 0 的特征，然后使用 SVM 分类器;
• 21/41/61/81/101 与 chi2：特征选择的卡方检验应用于一百零四个特征，选择 \（\：W\） =21、41、61、81 和 101 个特征，然后使用 SVM 分类器;
• 21/41/61/81/101 with fsulaplacian：应用基于 Laplacian 的特征选择 \（\：W\） =21、41、61、81 和 101 个特征，然后使用 SVM 分类器;
• 7/28/104 with RF：采用索引 7、28 和 104 中的特征，并应用随机森林分类器有 50 棵树，没有要素选择;
• 7/28/104 与 KNN：指数 7、28 和 104 处的特征，以及 K 最近邻设置为考虑 3 个相邻，没有要素选择;
• VGG16：深度神经网络以标签信号小波变换得到的时频分布为输入。

在本实验中，使用分类准确性评估分类性能，表示为 \（\：acc\），由公式

$$\：acc=\frac{TP+TN}{TP+FP+FN+TN}$$

其中 \（\：TP\） 表示真阳性的计数，\（\：TN\） 是真阴性的计数，\（\：FP\） 是假阳性的计数，\（\：FN\） 是假阴性的计数。

七、实验结果

7.1 预处理结果

图9说明了在用CRC进行修改之前和之后来自相同标签的响应信号之间的对比，其中左边的信号有更多的噪声，而右边的信号有更少的噪声。它表明，当随机选择距离值时，响应信号的上边界出现锯齿状，表明信噪比相对较低。然而，一旦实施CRC调整，接收信号边界就会变得规则有序，从而显着改善信噪比。在图10中，给出了不同随机标签的七个信噪比热图样本。这些样本显示了不同距离和标签的信噪比的明显变化。CRC的主要目标是根据式的噪声信号功率和所需的信号功率确定理想的信噪比目标值。从图中可以看出，信噪比不一定与距离成正比，因此动态调制距离可以获得所需的信噪比和更好的分类性能。图11显示了预处理的期望信号和干扰信号。用于分类的特征将从这四组预处理后的信号中提取出来。

响应信号，分别表示 CRC 调整之前和之后的信号。

七个随机标签的 SNR 热图示例，标签类型如表 5 所示。

预处理后标签的基带、归一化、预期和噪声信号。

此外，图12说明了对七个随机标签执行的距离调整量，表示实现目标信噪比所需的搜索量。数据表明，所采用的搜索方法平均产生不到 0.5 次标签搜索。值得注意的是，图 1 中的结果。 代表平均值，由于各种标签的敏感度不同，它们的搜索结果会有所不同。搜索次数越少，计算时间就越少。例如，如果一个标签属于图 7 中的类型。由于满足条件的网格较多，可能需要更少的搜索;相反，如果标记是类型 2，则可能需要更多搜索才能到达相同的 SNR 目标。

随机搜索算法执行的平均搜索量。

7.2 克罗斯瓦尔一世

在本小节中，我们深入研究了 CrossVal I 交叉验证的结果，旨在评估各个类别和制造商的分类性能。图 13 显示了 SVM 分类器的分类精度因所使用的特征数量（7、28 和 104）而异，无论是否具有 CRC。仔细检查图中的数据后。很明显，无论特征的数量如何，CRC 的引入都会持续提高分类准确性。该结果用于比较有或没有CRC的方法的性能，主要显示不同类型或不同制造商的标签的分类性能。此外，随着特征数量的增加，有 104 个特征优于 28 个，28 个优于 7 个特征，分类准确性显着提高，凸显了特征增强的积极影响。图14描述了平均分类准确度，与图14中观察到的趋势相呼应。也就是说，纳入 CRC 的方法在准确性方面优于没有纳入 CRC 的方法。该结果是图中结果的平均值。

考虑无 CRC 和 CRC 条件的 CrossValI 中 SVM 分类曲线。

分类的平均准确度水平是 CrossValI 中的 SVM，同时考虑了 CRC 和无 CRC，特征集分别包含 7 个、28 个和 104 个特征。

随后，图。图15、图16、17和图18分别显示了使用RF和KNN分类器实现的分类结果。图 15 的结果类似于图 15。但分类器使用RF。图16的结果是图16中结果的平均值。 图 17 的结果与图 17 类似。13 和 15，但分类器使用 KNN。图 18 的结果是图 18 中结果的平均值。这些结果表明，无论使用何种分类器，整合 CRC 后分类准确性都会显着提高。这强调了所提出的 CRC 方法在增强分类性能方面的普遍功效，与所采用的分类器无关。此外，增加特征数量始终与所有分类器的更高分类精度相关。

CrossValI 中 RF 分类曲线，同时考虑无 CRC 和 CRC。

在CrossValI中，分类的平均准确度水平是RF，同时考虑了无CRC和CRC，特征集分别包含7个、28个和1004个特征。

CrossValI 中 KNN 分类曲线，考虑无 CRC 和 CRC，特征集分别包含 7、28 和 104

在CrossValI中，分类的平均准确率为kNN，同时考虑无CRC和CRC，特征集分别包含7个、28个和104个特征。

最后，无花果。图19、20和21比较了在利用104个特征作为SVM模型输入时，有和没有特征选择的分类精度。图 19 的结果用于比较选择或不选择 ReliefF 特征的方法的性能。它也是不同类型或不同制造商的标签的分类性能，还考虑了有或没有CRC的方法的性能。图 20 的结果是图 20 中结果的平均值。19. 图 21 的结果用于比较有或没有 fsulaplacian 特征选择的方法的性能。它也是不同类型或不同制造商的标签的分类性能，还考虑了有或没有CRC的方法的性能。评估了特征选择技术，例如 ReliefF、fuslaplasian 和 chi2。值得注意的是，无论是否采用特征选择或使用特定技术，一百零四个特征的分类准确性都不会受到显着影响。此外，纳入 CRC 并没有给特征选择对 1004 个特征的影响带来重大变化。这些发现与文献中报道的不同研究表明，当使用28个特征时，特征选择方法比没有特征选择的场景可以产生更好的性能。此外，所选特征的数量也会影响特征选择结果，从而对分类性能产生不同的影响。

比较了在CrossValI下使用ReliefF选择和不使用特征选择的SVM的平均精度水平，无论是无CRC还是CRC情况。

在CrossValI下使用卡方法，将支持向量机（SVM）与特征选择和无特征选择的平均准确率水平进行了比较，适用于无CRC和CRC情况。

在CrossValI下使用fsulaplacian，比较了支持向量机在特征选择和无特征选择下对无CRC和CRC情况的平均准确率水平。

7.3 十字瓦尔II

在本小节中，我们深入研究了Cross ValII交叉验证的分析结果，该验证专门评估了来自同一类型和制造商的分类标签的性能。图22、23、24、25、26和27显示了使用三种分类器获得的分类精度结果：SVM、RF和KNN。与在 Cross Val I 中观察到的趋势类似，CRC 的实施始终导致所有分类器的平均分类准确性的提高，尽管与 Cross Val I 相比改进不那么明显。此外，分类准确性仍然与所使用的特征数量密切相关。当使用 104 个特征作为分类器的输入时，分类的准确性最高，超过了只有 7 或 28 个特征的场景。值得注意的是，当射频作为分类器时，平均正确分类水平可达95.8%。必须强调的是，如图所示。22、在不采用CRC的情况下，类型6的分类精度偶尔会超过CRC所达到的精度。这种现象的根本原因将在后续的讨论部分中深入探讨。图22的结果用于比较有或没有CRC的方法的性能，主要显示了相同类型和制造商的标签的分类性能。图 23 的结果是图 23 中结果的平均值。22. 图 24 的结果类似于图 24。22，但分类器使用RF。图25的结果是图25中结果的平均值。24. 图 26 的结果与图 26 类似。22 和 24，但分类器使用 KNN。图 27 的结果是图 27 中结果的平均值。

CrossValII 中的 SVM 分类曲线，同时考虑无 CRC 和 CRC，特征集分别包含 7、28 和 104 个。

在Cross ValII中，分类的平均准确度水平为SVM，同时考虑无CRC和CRC，特征集分别包含7个、28个和104个特征。

CrossValII 中的 RF 分类曲线，同时考虑了无 CRC 和 CRC，特征集分别包含 7 个、28 个和 104 个特征。

在CrossValII中，分类的平均准确度水平为RF，同时考虑无CRC和CRC，特征计数分别为7个、28个和1004个。

CrossValII中的KNN分类曲线，同时考虑无CRC和CRC，特征计数分别为7个、28个和104个。

考虑到无 CRC 和 CRC 条件，分类的平均准确率水平为 CrossValII 中的 KNN，特征计数分别为 7、28 和 1004。

图 28、29 和 30 描述了在 CrossValIIcondition 中使用 104 个特征作为 SVM 导入时分类精度的比较，包括和不包括特征选择。研究了选择特征的不同技术，例如 ReliefF、chi2 和 fuslaplasian。在分析这些图中的数据后，很明显，无论是否应用特征选择或采用特定技术，对 104 个特征分类的准确性都没有显着影响。此外，与图 19、20 和 21 中的观察结果一致，无论是否存在 CRC，引入特征选择对 104 个特征的影响微不足道。因此，可以推断特征选择不是强制性的，因为它可以潜在地减轻模型过度拟合并增强其泛化能力。图 28 的结果用于比较有或没有 ReliefF 特征选择的方法的性能。它也是相同类型和相同制造商标签的分类性能，还考虑了有或没有 CRC 的方法的性能。图 29 的结果与图 28 类似，但特征选择方法使用 chi2。图 30 的结果与图 28 相似。28 和 29，但特征选择方法使用 fsulaplacian。图31的结果用于判断Vgg16结合CRC的性能，结果是7类标签的分类性能的平均值。

在CrossValII下，比较了SVM在CrossValII下使用ReliefF进行特征选择和不进行特征选择的平均精度水平，无论是无CRC还是CRC情况。

在CrossValII下使用卡方法，将支持向量机（SVM）与特征选择和无特征选择的平均准确率水平进行了比较，适用于无CRC和CRC情况。

在CrossValII下使用fsulaplacian，将支持向量机（SVM）与特征选择和无特征选择的平均精度水平进行了比较，用于无CRC和CRC情况。

比较了 VGG16 在无 CRC 和 CRC 病例以及 CrossValI 和 CrossVal II 的平均准确度水平。

此外，我们使用VGG16深度学习模型呈现了分类结果，如图所示。 尽管该模型的平均准确率可能不是特别高——可能是由于深度学习对大数据量的典型要求，而本研究中使用的标签数据相对有限——但值得注意的是，具有 CRC 的 VGG16 模型的分类准确率超过了没有 CRC 的模型。这进一步证实了 CRC 在提高分类性能方面的功效。

7.4 其他结果

由于铜片是金属导体，因此会与标签耦合并产生干扰。此外，铜片还会反射阅读器发出的部分载波，这也会干扰信号。因此，我们在读卡器天线范围内放置了一块铜片以产生干扰。铜片的尺寸为长10厘米，宽5厘米。将其放置在距离天线约20 cm和40 cm的位置，以测试本文的算法。随着标签移动到不同的位置，铜片对标签的干扰会发生变化，例如耦合干扰。因此，本文的算法可以找到合适的位置来获得更大的信噪比或信干比。图32显示了铜片干涉下的实验结果。从实验结果可以看出，在存在干扰的情况下，本文算法仍能获得90%以上的分类准确率，而传统方法的分类准确率低于90%。

在铜片的干扰下进行准确的分类，其中 CuD 表示读取器的距离以及铜和天线。

此外，我们使用ReliefF计算了104个特征的权重，如图所示。33. 图中，正权重表示对分类器的正贡献，负权重表示负贡献。从图中可以看出，所有权重都有正贡献（除一个特征外），与前面提到的结果一致，即全取104个特征时分类效率最高。该结果表明，大多数特征是有意义的，因此无需通过特征选择方法去除冗余特征。

104 个特征的权重对分类器，其中正权重表示对分类器的正贡献，负权重表示负贡献。

八、讨论与结论

本文研究了RFID标签技术在防伪方面的应用，特别是物理层识别技术。该技术以其经济实惠和部署简单性而闻名，传统上可以在具有强大信噪比的环境中有效运行，根据提取的特征准确分类标签。然而，在信号较弱的环境中会出现挑战，可能会影响信噪比，从而影响标签分类的准确性。为了解决这个问题，该研究建议将CRC集成到标签分类过程中，旨在通过调整阅读器-标签距离来优化信噪比，从而提高不同环境条件下的分类准确性。

在实验阶段，我们利用通用软件无线电外设 （USRP） 来验证所提出方法的有效性。最初，我们评估实现所需 SNR 所需的搜索量，使用 USRP 计算标签响应信号的 SNR。如果未达到所需的目标，则会调整标签的位置。与传统的CRC方法不同，我们放弃了使用Q算法进行调整，因为我们发现在给定距离内有大量位置满足目标信噪比。因此，调整过程更像是一个搜索问题。为了尽量减少搜索工作，我们通过预训练建立接近目标的初始功率值。结果显示平均搜索数小于 0.5。

在评估CRC选项时，特别强调在SNR改进后提高标签分类准确性。将信噪比增强与特征提取精度相结合，我们观察到分类准确率的显着提高。对于不同类型或制造商的标签，即交叉验证 I 中的结果，CRC 导致平均分类准确率提高约 15%。此增强功能在三种类型的分类器中是一致的。然而，当处理相同类型和制造商的标签时，即交叉验证 II 中的结果，平均分类准确率提高不大，约为 8%。正如现有文献中所指出的那样，这可以通过在没有 CRC 的情况下对同一类型和品牌的标签进行相对较高的准确性来解释。即使没有CRC，平均分类准确率也超过90%。

此外，该研究还深入研究了提取标签信号特征的详细分析。我们的分析从时域扩展到纳入频谱峰度等频域特征。此外，通过使用四种EPC信号提取峰值和脉冲等特征，最多可得出104个特征。从理论上讲，具有更多特征有望提供更详细的标签信号描述，从而提高各种标签的分类准确性。实证结果验证，与传统的 28 个特征相比，使用所提出的 104 个特征对各种类型的标签进行分类时，分类精度提高了约 2.4%，与仅使用 7 个特征相比提高了 6.6%。在对相似标记进行分类时，也观察到了类似的改进。

另一个值得注意的发现是，随着特征数量的增加，标签分类对特征选择的依赖性降低。在涉及不同标签类型分类的实验中，无论特征选择或所选特征数量如何，分类准确性基本上不受影响。随着特征数量从 7 个增加到 28 个再到 104 个，这种观察结果可能归因于不同特征之间的潜在相关性或重叠。因此，即使不选择某些特征，其余特征仍然可以提供类似的信息，从而使分类准确性的变化最小。这一发现通过减轻与确定特征选择期间最佳特征数量相关的潜在问题提供了优势，从而规避了过度拟合或欠拟合问题。

然而，实验结果也存在一些局限性。首先，标签和阅读器之间静磁场的假设忽略了外部环境因素对信噪比的潜在影响。因此，仅基于改变标签距离的调整可能无法充分解决电磁环境的波动。此外，该研究主要关注通常可供购买的外星人类型标签。为了提高物理层技术在更广泛的分类场景中的适用性，未来的研究应该涉及测试更广泛的标签和制造商。后续工作将优先构建更广泛的标签训练数据集，以增强算法的功能和适应性。