RFID跨层优化及实验平台研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61702437
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    28.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0208.物联网及其他新型网络
  • 结题年份:
    2020
  • 批准年份:
    2017
  • 项目状态:
    已结题
  • 起止时间:
    2018-01-01 至2020-12-31

项目摘要

As one of the most important enabling technologies of Internet of Things, RFID technology supports accurate item identification and tracking, which can improve the efficiency in various practical applications such as logistics, retailing,information industry, healthcare, and national defense. In large-scale RFID networks, a large number of RFID tags contend for wireless channels and may lead to severe collisions, which calls for systematic optimization to improve the system. Researchers have proposed many novel RFID protocols, probabilistic estimation algorithms, localization methods, as well as their system implementation. Although many advances have been made, such approaches largely overlook physical layer information and merely rely on upper layer information which fundamentally limits their efficiency and optimization opportunity. This proposal aims to systematically study RFID cross-layer optimization to support parallel communication of multiple RFID tags. We aim to fully utilize the RFID physical layer information and design parallel communication protocol, propose novel RFID physical layer probabilistic estimation algorithms, and extract physical layer features to better support upper layer applications. We plan to first build a software defined testbed to conduct cross-layer optimization, collect physical layer samples and study their patterns, and optimize RFID physical layer collision recovery mechanism.
RFID(Radio Frequency Identification)技术可用于精确识别与跟踪大量物品,在物流业、零售业、医疗和国防领域有广泛的应用前景和研究价值。现有大规模RFID网络中,标签间通信冲突非常严重,导致通信效率很低,亟待提高算法及协议的效率。国内外研究人员探索并提出众多RFID算法及协议。但是,这些方法仅利用过滤后的上层信息,无法充分利用RFID物理层信息。本项目将深入研究RFID跨层优化,支持多标签并行通信,提高通信效率。主要研究内容包括:RFID物理层并行传输协议的设计、RFID物理层概率统计协议的设计、以及物理层信号并行提取算法的研究。拟采取以下研究方案:首先开发用于RFID物理层研究的软件无线电实验及测试平台以开展RFID跨层优化的研究,利用该平台收集RFID物理层数据并提取物理层特征信息,结合RFID网络特性优化RFID物理层冲突恢复机制。

结项摘要

RFID(Radio Frequency Identification)技术可用于精确识别与跟踪大量物品,在物流业、零售业、医疗和国防领域有广泛的应用前景和研究价值。现有大规模RFID网络中,标签间通信冲突非常严重,导致通信效率很低,亟待提高算法及协议的效率。国内外研究人员探索并提出众多RFID算法及协议。但是,这些方法仅利用过滤后的上层信息,无法充分利用RFID物理层信息。本项目深入研究了RFID跨层优化,支持多标签并行通信,提高通信效率。主要研究内容包括:RFID物理层并行传输协议的设计、RFID物理层概率统计协议的设计、以及物理层信号并行提取算法的研究。本项目首先开发了用于RFID物理层研究的软件无线电实验及测试平台以开展RFID跨层优化的研究,利用该平台收集RFID物理层数据并提取物理层特征信息,结合RFID网络特性优化RFID物理层冲突恢复机制。主要理论成果包括CCF A 类期刊 7 篇 、CCF A 类会议 6 篇、CCF B 类会议 2 篇 、中科院1 区 2 篇,总计17 篇。培养博士生1人。

项目成果

期刊论文数量(10)
专著数量(0)
科研奖励数量(0)
会议论文数量(4)
专利数量(2)
FTrack: Parallel Decoding for LoRa Transmissions
FTrack:LoRa 传输的并行解码
  • DOI:
    10.1109/tnet.2020.3018020
  • 发表时间:
    2020
  • 期刊:
    IEEE/ACM Transactions on Networking
  • 影响因子:
    --
  • 作者:
    Xianjin Xia;Yuanqing Zheng;Tao Gu
  • 通讯作者:
    Tao Gu
Cpds: Enabling Compressed and Private Data Sharing for Industrial Internet of Things Over Blockchain
Cpds:通过区块链实现工业物联网的压缩和私有数据共享
  • DOI:
    10.1109/tii.2020.2998166
  • 发表时间:
    2020
  • 期刊:
    IEEE Transactions on Industrial Informatics
  • 影响因子:
    12.3
  • 作者:
    Saiyu Qi;Youshui Lu;Yuanqing Zheng;Yumo Li;Xiaofeng Chen
  • 通讯作者:
    Xiaofeng Chen
Contactless Respiration Monitoring Using Ultrasound Signal With Off-the-Shelf Audio Devices
使用超声波信号和现成音频设备进行非接触式呼吸监测
  • DOI:
    10.1109/jiot.2018.2877607
  • 发表时间:
    2019
  • 期刊:
    IEEE Internet of Things Journal
  • 影响因子:
    10.6
  • 作者:
    Tianben Wang;Daqing Zhang;Leye Wang;Yuanqing Zheng;Tao Gu;Bernadette Dorizzi;Xingshe Zhou
  • 通讯作者:
    Xingshe Zhou
Crypt-DAC: Cryptographically Enforced Dynamic Access Control in the Cloud
Crypt-DAC:云端加密强制动态访问控制
  • DOI:
    10.1109/tdsc.2019.2908164
  • 发表时间:
    --
  • 期刊:
    IEEE Transactions on Dependable and Secure Computing
  • 影响因子:
    7.3
  • 作者:
    Saiyu Qi;Yuanqing Zheng
  • 通讯作者:
    Yuanqing Zheng
TagBreathe: Monitor Breathing with Commodity RFID Systems
TagBreathe:使用商品 RFID 系统监测呼吸
  • DOI:
    10.1088/0029-5515/53/10/104008
  • 发表时间:
    2020
  • 期刊:
    IEEE Transactions on Mobile Computing
  • 影响因子:
    7.9
  • 作者:
    Yanwen Wang;Yuanqing Zheng
  • 通讯作者:
    Yuanqing Zheng

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码