增强型四叉树RFID防碰撞算法

在四叉树及各类自适应防碰撞算法的基础上,提出一种增强型四叉树防碰撞算法——EFFT(Enhanced fourfork tree)。该算法首先利用曼彻斯特编码准确定位出标签的碰撞位,对K位长度标签提取出其碰撞位形成新的k位标签UID信息,再采取动态四叉树进行识别。在MATLAB平台对EFFT算法、后退式二进制算法、自适应算法进行仿真对比实验。仿真结果与理论分析表明,所提算法大幅度减少了阅读器查询次数和传输比特数,同时也提高了吞吐率及系统识别效率。

基于标签分组的新型Q值防碰撞算法

RFID技术是物联网的关键技术,为了解决射频识别技术中大量标签数据的防碰撞问题,提出了一种基于EPC-C1G2标准的Q值算法。该算法对原Q值算法中Q的取值方法进行了有效改进,同时结合标签分组算法,解决了在大量标签数据的情况下,如何保持较高的系统效率的问题。仿真结果表明,与传统算法相比,提出的改进算法不仅能够减少时隙数,提高时隙利用率,而且可以维持较好的系统吞吐率。

基于异构图神经网络的检务知识咨询业务分类

随着检察机关办理的案件日益增多,用户对检务领域知识的咨询需求逐年增大,传统依靠检察机关领域专家人工解答回复的方式难以应对大规模的咨询服务。为了提高用户咨询服务效率,提升计算机正确理解用户提问意图的能力,提出了一种面向检务知识咨询的异构图神经网络业务类型分类模型。该模型以基于句法依存分析的图表示、基于邻域窗口的图表示作为输入,分别以RGCN和GAT图神经网络作为特征编码器,并通过特征融合实现用户提问内容业务类型预测。同时引入辅助分类器优化特征编码器的学习并提升模型性能,并采用Focal Loss损失函数有效解决了样本数据不均衡问题。此外,该模型与传统深度学习文本分类模型、目前主流的BERT模型在宏平均准确率、模型大小、推理时间等多个维度进行性能对比。对比实验显示,该模型在测试集上的宏平均准确率均优于文本分类基准模型,模型大小和推理时间远小于BERT模型。