基于人工智能增强的无芯片RFID技术，用于无线边缘物联网：机器学习解码与24位频谱优化

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：AI-Enhanced Chipless RFID for Wireless Edge IoT: Machine-Learning Decoding and 24-Bit Spectrum Optimization

AI增强芯片无源RFID技术通过T形微带谐振器与优化接地层设计，有效解决频谱拥挤和耦合问题，实现55×35mm2高容量标签，结合机器学习解码框架提升准确率至93%/73%，适用于5G边缘物联网。

　　

摘要

无芯片射频识别（RFID）技术正迅速成为智能物联网（IoT）生态系统中的关键推动者，尤其是在由人工智能（AI）和5G连接支持的下一代无线边缘网络中。尽管具有这种潜力，但由于频谱拥挤、强烈的谐振器间耦合以及在实际测量条件下的解码灵敏度问题，实现紧凑、高容量且能适应AI的无芯片RFID系统仍然具有挑战性。为应对这些挑战，本文提出了一种经过AI增强的24位无芯片RFID标签，该标签专为在5G支持的无线边缘IoT框架中可靠运行而优化。所提出的标签采用多个T形微带谐振器，这些谐振器被制作在损耗较大的RO4350B基板上，从而在55×35 mm2的紧凑尺寸内实现密集的频谱编码。通过几何隔离和优化的接地平面配置，有效降低了谐振器间的耦合，提高了Q值和频谱纯度。使用全波仿真和双站雷达截面（RCS）测量（包括φ扫描（θ=90°）和θ扫描（φ=90°）来评估标签的电磁性能，以证明其角度稳定性和极化耐受性。同时进行了机械灵活性测试，以验证其在弯曲条件下的谐振特性的稳健性，确认其适用于实际的IoT部署。为了在无线边缘实现可靠的识别，实现了一个基于机器学习的解码框架，该框架集成了基线稳定、时隙锁定凹槽检测和概率推理技术，以减轻噪声、纹波和频谱失真。实验结果表明，所提出的AI辅助读取器的位级准确率为93%，整码准确率为73%，显著优于传统的基于阈值的解码方法。总体而言，先进的RF硬件设计与AI驱动的边缘分析的协同整合为开发节能、自适应和智能的无芯片RFID系统开辟了有效路径，支持未来5G支持的无线边缘网络中的可扩展和互操作识别。