선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- log C 모델은 Q값이 증가함에 따라서 C값이 log 스케일로 감소하는 모델이다. 본 논문에서는 C값의 최대값과 최소값을 변화시키면서 총 10가지 모델을 제시한다. 그림 3은 log C 모델에서 Q가 변화함에 표 2.
제안 방법
- 하지만 본 장에서는 우선 기존 연구에서 태그 인식 성능 비교를 위해 사용되었던 일정한 C값을 사용하는 정적 C 모델을 제시한다. 그리고 이후에는 [8]에서 제안하는 C값의 조건을 만족하는 선형, log, 지수 모델을 추가적으로 제시한다.
- 본 연구는 EPCglobal C1 Gen 2 표준에서 제안한 Q 알고리즘에서 사용되는 C값에 대한 정적, 선형, log, 그리고 지수 모델을 제시하고 시뮬레이션을 통하여 그 성능을 비교, 평가하였다. 기존 연구들에서는 C값에 따른 태그 인식 속도 성능 평가나 비교 연구가 없기 때문에 본 연구에서는 EPCglobal C1 Gen 2 표준을 만족하며 C값을 Q값의 크기에 따라서 결정하는 다양한 모델을 제시하고 각각의 모델에 대하여 다중 태그 인식 환경에 있어서 그 성능을 비교하고 평가하였다.
- 하지만 기존 연구들에서는 고정된 C값을 사용하거나 Q 알고리즘에 대해서 구체적으로 언급하지 않고 성능 평가를 하기 때문에 정확한 태그 인식 성능 비교를 하는 것이 어렵다. 따라서 본 연구에서는 [8]에서 제안된 Q 알고리즘의 C값에 대한 다양한 모델을 제시하고 각각 C 모델에 따른 다중 태그 인식 성능을 시뮬레이션을 통하여 비교하고 평가한다.
- 리더가 태그를 모두 인식하면 리더는 발생한 충돌, 무응답 그리고 정상 응답의 숫자를 계산하여 다중 태그 인식에 걸린 총 시간을 계산하고 그 시간을 태그의 숫자로 나누어 초당 평균 태그 인식 속도를 계산한다. 태그 인식에 걸린 총 시간은 [11]에서 사용한 수식을 이용하였으며, 태그와 리더의 전송 속도를 모두 고려하였다.
- 본 연구는 EPCglobal C1 Gen 2 표준에서 제안한 Q 알고리즘에서 사용되는 C값에 대한 정적, 선형, log, 그리고 지수 모델을 제시하고 시뮬레이션을 통하여 그 성능을 비교, 평가하였다. 기존 연구들에서는 C값에 따른 태그 인식 속도 성능 평가나 비교 연구가 없기 때문에 본 연구에서는 EPCglobal C1 Gen 2 표준을 만족하며 C값을 Q값의 크기에 따라서 결정하는 다양한 모델을 제시하고 각각의 모델에 대하여 다중 태그 인식 환경에 있어서 그 성능을 비교하고 평가하였다.
- 선형 C 모델은 Q값의 크기에 따라서 C값이 선형적으로 증가하는 모델이다. 본 연구에서는 성능 비교를 위하여 0.1 단위로 C값의 최대값과 기울기를 변화하며 총 10가지 모델을 사용한다. 선형 C 모델은 수식 (2)와 같이 표현 가능하며 10가지 선형 모델들은 그림 2와 같은 직선을 그린다.
- 본 장에서는 위에서 언급한 정적, 선형, log, 그리고 지수 C 모델의 다중 태그 인식 성능 평가를 위한 시뮬레이션 모델을 제시한다. 그림 5는 다중 태그 인식 성능 평가를 위한 시뮬레이션 모델의 전체 흐름도를 나타낸다.
- 본 장에서는 위에서 제시한 시뮬레이션 모델을 이용하여 정적, 선형, log, 그리고 지수 C 모델의 결과값을 보여주며, 각 모델에 따른 성능 평가를 한다.
- 정적 C 모델은 Q값에 상관없이 C값이 항상 일정한 값을 갖는 모델이다. 시뮬레이션을 통한 태그 인식 성능 비교를 위하여 본 연구에서는 0.1에서부터 0.5까지 0.05 단위의 9가지 모델을 제시한다. 정적 C 모델은 식 (1)과 같은 형태로 표현된다.
- EPCglobal C1 Gen 2에서는 Q값이 커지면 C값을 줄이고 Q값이 작아지면 C값을 늘리는 방법을 제안한다[8]. 하지만 본 장에서는 우선 기존 연구에서 태그 인식 성능 비교를 위해 사용되었던 일정한 C값을 사용하는 정적 C 모델을 제시한다. 그리고 이후에는 [8]에서 제안하는 C값의 조건을 만족하는 선형, log, 지수 모델을 추가적으로 제시한다.
이론/모형
- 그림 5는 다중 태그 인식 성능 평가를 위한 시뮬레이션 모델의 전체 흐름도를 나타낸다. 제시한 시뮬레이션 모델은[8]에서 제시된 다중 태그 인식 환경에 따른 Q 알고리즘을 기반으로 하여, Q값의 변화에 따라서 QueryRep과 QueryAdjust 명령어를 리더가 송신하는 모델을 사용한다.
- 리더가 태그를 모두 인식하면 리더는 발생한 충돌, 무응답 그리고 정상 응답의 숫자를 계산하여 다중 태그 인식에 걸린 총 시간을 계산하고 그 시간을 태그의 숫자로 나누어 초당 평균 태그 인식 속도를 계산한다. 태그 인식에 걸린 총 시간은 [11]에서 사용한 수식을 이용하였으며, 태그와 리더의 전송 속도를 모두 고려하였다.
- 그 다음 리더는 응답하는 태그의 숫자에 따라서 정상 응답과 비정상 응답인지를 판단하고 정상 응답이 온 경우에는 리더는 ACK 명령어를 태그에게 송신하고 하나의 태그는 EPC를 리더에게 응답하면서 인식된다. 하지만 태그로부터 정상 응답이 오지 않은 경우에는 리더는 비정상 응답으로 상황을 판단하고 리더에서 사용하는 C 모델인 Q-C 알고리즘을 이용하여 새로운 C값을 계산한다. 리더가 모든 태그를 인식하였다면, 본 시뮬레이션은 종료되며, 만약 남아있는 태그가 존재한다면 Q값의 변화 유무를 확인한다.
성능/효과
- 1의 작은 값을 갖는 경우에 최대 인식 속도를 나타냈다. 그리고 태그의 개수가 100개에서 1000개까지 있는 경우에는 가장 높은 C값들이 분포하는 0.5와 0.4 사이의 C값을 갖는 모델이 최대 성능을 나타냈다.
- 일반적으로 다중 태그 인식 속도 비교를 위하여 사용되는 정적 C 모델은 태그의 개수가 1000개 이상인 환경에서만 가장 높은 성능을 나타내며, 태그의 개수가 100개 미만인 환경에서는 선형이나 log, 지수 C 모델이 가장 높은 성능을 나타내었다. 또한, 모든 C 모델에서 C값의 분포가 0.3이상의 높은 값을 갖는 C 모델들이 더욱 빠른 태그 인식 속도를 나타내는 공통점을 보였다. 본 연구에서 이루어진 결과물은 향후 C 모델에 대한 연구나 다중 태그 인식 성능 연구에 하나의 지표로 이용될 수 있다.
- 또한, 표 3에서 태그 숫자가 증가할수록 태그 인식 속도가 조금씩 줄어드는 것을 확인 할 수 있다. 정적 C 모델의 모든 경우에서 태그 숫자가 1과 10사이에 있을 때에는 태그 인식 속도가 최대가 되었으며, 태그 숫자가 100개에서 1000개 사이가 되었을 경우에는 초당 태그 인식 개수가 4.
- 고정된 C값인 a가 증가할수록 태그 인식 속도가 향상 된다는 것을 표 3에서 볼 수 있다. 물론 태그 숫자가 1개에서 10개 사이인 경우에는 a값을 0.35로 선택하였을 때, 태그 인식 속도가 최대였지만, 전체적으로 0.4에서 0.5 사이의 값을 사용하는 것이 다중 태그 인식 환경에서 태그 인식 속도를 극대화 되었다.
- 선형 C 모델에서도 마찬가지로 태그의 숫자가 늘어남에 따라 인식 속도가 느려지는 것을 확인할 수 있었으며, 전체적으로 0.3 이상의 높은 C값을 갖는 경우에 태그 인식 속도가 향상 되었다.
- 또한, 표 3에서 태그 숫자가 증가할수록 태그 인식 속도가 조금씩 줄어드는 것을 확인 할 수 있다. 정적 C 모델의 모든 경우에서 태그 숫자가 1과 10사이에 있을 때에는 태그 인식 속도가 최대가 되었으며, 태그 숫자가 100개에서 1000개 사이가 되었을 경우에는 초당 태그 인식 개수가 4.8만큼 줄어들었다.
- 4로 설정하였을 경우에 그 성능이 최대가 되었다. 태그 숫자가 가장 적었을 경우에 최대값을 나타내었던 0.4와 0.3을 C값의 최대와 최소값으로 갖는 모델이 전체적으로 가장 좋은 성능을 나타내었다.
- 태그의 개수가 10개보다 적은 다중 태그 인식 환경에서는 선형 C 모델이 가장 좋은 태그 인식 성능을 보였으며, 태그의 개수가 10개에서 100개 사이에 있을 때에는 log C 모델이 가장 좋은 태그 인식 성능을 보였다. 또한, 태그의 개수가 100개에서 1000개 사이로 가장 많은 경우에는 정적 C 모델이 초당 가장 많은 태그를 인식하였다.
- 태그의 개수가 1개에서 1000개 미만인 태그 인식 환경에서는 선형 C 모델이 평균 초당 162.93개의 태그를 인식하며 다른 모델들에 비해서 높은 성능을 보였다. 그리고 선형 C 모델은 log나 지수 C 모델에 비해서 간단하게 C값을 계산할 수 있기 때문에 실제로 리더에서 쉽게 구현이 가능하다는 장점이 있다.
- 선형 C 모델은 정적 C 모델과는 다르게 가장 높은 태그 인식 속도를 갖는 모델이 분산되어있다. 태그의 개수가 가장 적은 경우에는 C값이 0.4에서 0.3 사이에서 존재할 때 성능이 가장 좋았으며, 10개에서 100개의 태그가 있을 경우에는 C값이 0.5와 0.2 사이에 존재할 때 인식 속도가 가장 빨랐다. 또한, 태그가 가장 많은 100개에서 1000개 사이에 분포하는 경우에는 C값의 최대값이 0.
- log C 모델도 전체적으로 큰 C값이 분포하는 C 모델에서 빠른 태그 인식 속도를 나타내었다. 태그의 숫자가 가장 적은 1개에서 10개 사이의 분포를 갖는 환경에서는 정적 C 모델, 선형 C 모델과 같이 C값이 0.4와 0.3 사이의 값을 갖는 경우에 있어 가장 빠른 성능이 나타났다. 또한, 태그가 10개에서 100개까지 존재하는 환경에서도 선형 C 모델과 흡사하게 최대값은 0.
후속연구
- 3이상의 높은 값을 갖는 C 모델들이 더욱 빠른 태그 인식 속도를 나타내는 공통점을 보였다. 본 연구에서 이루어진 결과물은 향후 C 모델에 대한 연구나 다중 태그 인식 성능 연구에 하나의 지표로 이용될 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.