皮盼资讯网移动版

皮盼资讯网 > 潮流时尚 >

NovelCart智能购物车系统关键技术研究(5)

在数据复杂的情况下采用皮尔逊相关度评价算法进行处理,皮尔逊相关系数的计算结果是一个在-1与1之间的数,用于体现相关性。0.8-1.0为极强相关,0.6-0.8为强相关,0.4-0.6为中等程度相关,0.2-0.4为弱相关,0.0-0.2为极弱相关或无相关。处理结果如表7所示。最终的推荐结果如表8所示。

第六章 系统测试与误差分析

6.1 UWB定位测试

在实验室环境内对UWB定位系统进行测试。三个UWB基站使用三脚架架设在15m x 10m室内环境中,如图6-1所示,三个基站的布局如图6-2所示。

从图中可以看出,定位结果基本准确。由于UWB定位标签在测试过程中是由测试人员手持,在行走过程中会有上下、左右的轻微晃动,对定位结果造成了一定干扰。而实际使用中,精度会有略微提升。

6.2 RFID商品识别测试

由于KLM400模块的工作频谱范围为840 ~ 960 MHz,属于高频无线电波频段(UHF),其波长较短,较易被液体所吸收,因此液体商品会对RFID信号的接收产生不利的影响,该影响主要表现在两方面:(1)液体商品的RFID识别;(2)液体商品对其他商品RFID信号的阻隔。

经测试,在敞口金属容器内普通商品(如纸抽)的RFID识别范围为1.5 ~ 2m(不必要求RFID标签面正对RFID模块天线面),而液体商品的RFID识别范围大幅降低。经测试,液体商品在RFID标签面正对RFID模块天线面时,RFID识别范围约为15cm,而标签面与天线面呈一定夹角时,RFID识别范围则会降低至5 ~ 10cm。

当RFID模块与贴有RFID标签的纸抽如图6-4左图所示放置时,RFID模块接收信号的强度为-35dBm,而当如图6-4右图所示在两者中间放置一大瓶水时,RFID模块对该标签接收信号的强度降至-45dBm,同时在此距离下水瓶上RFID标签的接收信号强度为-50dBm。

6.2.3金属物品对RFID标签的影响

当RFID电子标签靠近金属时,由于金属对电磁波具有强烈的反射性,所以会伴随着信号减弱,读卡距离也会变得更近,严重干扰则会出现读卡失败的现象。

将如图6-5所示的商品靠近RFID模块时,只有当商品贴有RFID标签的一面贴近RFID模块时(2cm以内),RFID模块才会检测到该物品。

此外,金属制的购物车也会对RFID标签识别产生一定影响。但比起对购物车内商品RFID信号的反射衰减,金属购物车会对购物车外的商品RFID标签产生更多的屏蔽作用,因此从综合意义上讲,金属制购物车对于购物车内RFID标签的识别是有益的。

总结

NovelCart是一款集合超宽带室内定位技术(UWB)、射频识别技术(RFID)和关联规则挖掘算法和协同滤波算法,并可直接安装在传统购物车上的智能购物车系统。其中,基于UWB的DWM1000定位模块精度可达20cm;基于KLM400 UHF RFID进行标签识别技术优化,识别速度可达63张/秒,识别范围可达1.2㎡,完全覆盖一个购物车;通过Apriori算法和基于用户的协同滤波算法(User-based Collaborative Filtering)获得频繁项集,并通过关联规则挖掘结果进行商品推荐。采用基于Kivy设计的用户交互界面,在Linux、Windows系统下运行顺畅。

虽然按照预期完成了整个系统,但是系统仍存在一些需要改进的部分。我们也会在后期为UWB室内定位增加卡尔曼滤波算法,从而进一步提升定位精度;我们还会应用Sipeed MaixGo开发板,加入图像识别,优化商品识别的解决方法,同时使成本更低。

参考文献

[1] Guan W, Chung C Y, Lin L J. Collaborative-filtering content model for recommending items: US, US7584171[P]. 2009.

[2] Bodon F. A fast APRIORI implementation[J]. Proceedings of the IEEE Icdm Workshop on Frequent Itemset Mining Implementations, 2003.

[3] Gibert K, Sànchez-Marrè M, Codina V. Choosing the Right Data Mining Technique: Classification of Methods and Intelligent Recommendation[J]. 2010, 165(1):52.

[4] 陆丽娜, 陈亚萍, 魏恒义,等. 挖掘关联规则中Apriori算法的研究[J]. 小型微型计算机系统, 2000, 21(9):940-943.

[5] 张雪文. 智能推荐系统中协同过滤算法的研究[D]. 上海交通大学, 2008.

(责编:刘扬、赵光霞)

(责任编辑:admin)