GQM: Autonomous Goods Quantity Monitoring in IIoT Based on Battery-free RFID

利用新场景计算货物的数量。传统的货物计数是人工清点，后来有了在货物上贴RFID标签来计数，而且RFID标签都是跟着货物走，也就是说RFID无法回收利用。现在电子垃圾污染太严重，我就设想了一个新的减少RFID标签数量的一个想法。货物需要整齐摆放，这样的话我在没列货物末端贴一个标签，根据人或物遮挡标签信号越多，相位越低这个原理，计算每列商品数量。减少RFID标签使用，而且每个RFID标签都可以重复利用好长时间，减少了电子垃圾的污染。而且，在货物不贴标签的时候我们依然按可以计数，不影响货物数量的统计。
第一步，提取特征，去噪去缠，平滑数据。（低通滤波）
第二步，分静态和动态（取货）。此时我们根据测量结果，找到阈值0.1，如果没人取货，波形标准差或低于0.1，否则就高于0.1；在静态的时候，我们根据波形，利用频率分布直方图，提取均值、中位数、众数等特征。如果是动态，波形就会上跃变，此时我就想起了一个能区分它们的特征，极差。通过快速傅里叶变换转换成幅值谱，我们可以求得每个动作对应的能量。
KNN分类算法：
1）计算测试数据与各个训练数据之间的距离；

2）按照距离的递增关系进行排序；

3）选取距离最小的K个点；

4）确定前K个点所在类别的出现频率；

5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。