TELKOM NIKA , Vol.11, No .3, March 2 0 1 3 , pp. 1707 ~   1713   ISSN: 2302-4 046           1707      Re cei v ed  Jun e  17, 2012; Revi sed Septe m ber  10, 201 2; Acce pted  Octob e r 19, 2 012   Efficient RFID Data Cleaning Method      Li Xing, Fu  Wen - Xiu  Schoo l of Elect r onic a nd Infor m ation En gi ne erin g, Beiji ng Ji aoton g Un ivers i t y .   Beiji ng, 10 00 4 4 , Chin a   e-mail: li xin gbjt u @1 63.com       A b st r a ct     RF ID (Rad io  F r equ ency  Identific atio n) t e chn o lo gy tra n sfers d a ta  b e tw een  mova ble  tag g e d   obj ects and re aders w i thout li ne of si ght, an d the captur ed  data ten d s to  be noisy. The in here n t unrel ia b ilit y   mak e s the d a t a  unr eli abl e to  appl icati on. N o w adays, t he  ma in so luti on i s  to use sli d in g w i ndow , but it is   difficult to deci de the w i nd ow   si z e , es pec ial l y  w hen the  tag mov e s frequ en tly or w i th high false pos itive. T o   solve th e  me ntion ed  prob le ms, SW KF  (Slidi ng W i nd ow  base d  o n  K a l m a n  F ilter  Pre-proc essin g )  i s   prop osed. It pr eproc esses th e  RF ID data to  mak e  the  rea d   rate close to the real o ne, d e tects and  filters  th e   mo bil e  ta gs. T hen, t he  pre p r o cesse d  data  i s  smooth e d  to   further i m prove  accur a cy. At t he s a me  ti me,  the   mi d-w i nd ow  sli de p o int r educ es the o u tput.  T h roug h t he c o mbi natio n of  Kal m a n  F ilter  and s lid in g w i n dow ,  SW KF  provide s  accurate RF ID data to ap pli c ation.       Ke y w ords :  ra dio freq ue ncy i dentific atio n, Kal m a n  filter, preproc ess, slidi ng w i ndow         1. Introduc tion  Combi ned  wi th Internet and telecomm unication, RF ID techn o log y  can achieve global   scale items tracking a nd in formation  sha r ing [1,2 ]. With the increa si ng numb e r of  RFID data a nd  the inherent  unrelia bility [3], it is nece s sary  to  clea n the co llected d a ta to satisfy RFID  appli c ation [4 -8]. The e r rors o c curring i n  the pro c e s s  of data capture oft en in clud e false  neg ative  and false positive. The observed r ead ra te in real-wo r l d  RFID de plo y ments is often in the 60 %- 70% ran ge [3 ,9], that is to  say, over 30 % of the tag readin g s a r e routinely dro p ped.   Many schol ars have  wo rke d  on the p r ob le ms m ention ed above. T h e method  ba sed  on  slidin g wi ndo w [4,5,10,1 1 ]  is the  typical  approa ch, b u t  it is h a rd  to  deci de th e wi ndo w  size. With  lots of interfe r en ce, espe ci ally tags in m obile  conditio n  that is hard  to be detect ed, it increa ses   the erro r d a ta. Method s  prop osed i n   [7,12] ca n  correct th e re ad rate dyn a m ically, but t hey  prod uce large  amounts of o u tput data.   In this pape r, SWKF is presented. We  su mmari ze  ou r contri bution s  as  follo ws:   · The combi nation of Kalman Filter a nd slidin g wi ndo w. The Kalman Filter  pre - processin g   corre c ts the  read rate to  so me extent, removes t he int e rferen ce, de tects an d filters mo bile tag s .  · Smoothin g  the  pre-pro c e s sed dat a. It  avoids the  wi ndo w jitterin g  phe nome non . This i m proves  the effect of the slidi ng wi ndo w processing. Th e mi d-wi ndo w  s lid e point de cre a se s the  storage  spa c e.   · Experime n ts. They sh ow that the accu racy  an d effectivene ss of the pro p o s ed  algorith m .  The  re st of t he p ape r i s   orga nized  as fo llows. Se ction 2  prese n ts the  relat ed  wo rk.  Section 3 pre s ent s the structure  of RFID data. Secti on 4 pre s ent s a detailed treatme nt of the  clea ning  met hod. Se ction  5 re po rts ex perim ental  a nd pe rforman c e  re sults.  We co ncl ude  o u r  study in Secti on 6.      2. Related Work  For  RIFD dat a cle anin g , Smooth i s  first pro p o s ed  in  the EPC Gl o bal Read er P r otocol   [10], the origi nal purpo se i s  to rep r e s en t a lar ge nu mber of tag  strea m  event s with the lo gical  meanin g ful e v ents. But it actually play s the rule  of  smoothing  eve n t strea m  to clea n the false   negative. Its wind ow  size is fixed.  Jeffery p r op ose s  a  stati s tical  smo o thing al gorith m  SMURF [5], which m odel s the   unreli ability of RFID readi ngs  by viewi ng RFI D  st reams as a  statistical  sampl e  of tags in t h e   physi cal  wo rl d. It adapt s th e wi ndo w  si ze to p r ovide   a c curate  RFID data to  ap pli c ation. But  if the   tags move  ra pidly, it can’t addr ess the  wind ow  size. To solve thi s   probl em, Ling yong Men g  et  al.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA   Vol. 11, No. 3,  March 2 013 :  1707 –  1713   1708 [11] prop ose s  a n e w  a nd imp r oved  algorith m ,  whi c h  con s i der s f a ct o r   su ch a s  r e a der  comm uni cati on  rang e, vel o city of tag  m o vement, a n d  re ading  fre q uen cy in  dete rrin g  the  si ze  of  wind ow.   J e ffrey  et al.  [4] present s ESP, a declarative query- based framework. ESP consi s ts of a  prog ram m abl e pipeline of  decl a rative q uery-ba s ed  stage s. These stage s  segm ent the clea ning   proc es s into f i ve tas k s .  Thes e five approaches   have  inc r eas i ng levels  of func tionality. ESP us es   wind owed proce s sing to  grou p re adin g  within  a g r anule, cl ean s data based  on tempo r al  and  spatial  corre c tion, but it is n’t related to how to  set it. It mainly solves false ne g a tive and false   positive.   G o nz a l ez   et  al.  [7] presents a ne w  clea ning met hod ba se d o n  Dynami c   Bayesian   Networks  (DBNs). It corre cts the tag re ad rate  dyna mically, and consi der s  the observation s and   estimate s, bu t they are obtained by the  hist ori c al d a ta, and ca n’t be update d  dynamically.   W h en  th e mis s e d   r e ad   r a te  is h i gh , es pe c i a lly  w h en  ta g s  mo ve   r apid l y, th e  e ffe ct o f  th e   mentione d al gorithm s ab o v e is bad.   Wan g  Yan  et al.  [12] propo se s a cl eani n g  method tha t  used Kalm a n  Filter, whi c h solve s   false ne gative and false p o sitive from si ngle re ade rs, but need s mu ch spa c e to store the tag s .   PSCleani ng based on pseudo   event  i s   p r o posed   in [13]. It re d u ce s th e tim e  del ay of   data outp u t b y  introdu cin g  the notio n of  pseudo  eve n t into sli d ing  wind ow,  and  de cre a ses the  volume of o u t put by han dl ing false p o sitive and d u p licate  rea d ing s  at the  sam e  time. But it  doe sn’t imp r ove the a c cu racy. Th ere, we p r e s ent  SWKF, whi c h co mbine s   Kalman Filte r  with  sliding window.      3. RFID Data  RFID system  gene rate s  a stream  of data   that  re sults f r om interrog ation cy cle s  o c curri ng  at recurring ti me interval s at each  Rea der. The  rea d ing data g e nerate d  in ea ch inte rro gati on  cycle i s   usua lly a set of tu ples  of the fo rm  (EP C , Re ader, time ).  The tupl e ca n be  add ed  with  extra informat ion, such as the tag type (class  0, class 1, generation  2,  etc), the antenna u s ed  by  the Read er,  o r  the  po we r l e vel of th e int e rrogatio n  sig nal. From th e  appli c atio n p e rspe ctive, it  is  necessa ry to look at multipl e  in terro gatio n cycle s  as a  singl e unit kn own a s  a rea d  cycle. In su ch  ca se, we get  tuples of the form (EPC, Reade r, time, respon ses), whe r e resp on se s is the  numbe r of interrogatio n cy cle s  wh en the  tag was  read .  Definition 1 (epo ch) Th at is, the read cy cl e mentio ne d above, a si ngle unit. We  assume  that 10 interrogation  cycle s  as a  singl e unit.   Definition 2 ( p i ) Read rate of the tag i in a epo ch,  /1 0 i r e sp on se p .      4. Cleaning  Metho d   4.1. Kalman Filter Model   Kalman Filter con s i s ts of two p a rts: ti m e  update  and  measuremen t update. Tim e  updat e   process esti mates  the current  state utilizing  the optimal  valu e of the time on a  state.  Measurement   update pro c e ss uses  o b se rvation s  on  the curre n t  status of  amend ment s  to   update th e estimates obtai ned fro m  the  previou s  time  to get more  accurate e s timates, recy cl ing   to approxim ate the true value.  Linea r differe ntial equatio n s  of Kalman  Filter:  Predi ction eq uation:  () ( 1 ) ( ) ( ) X kA X k B U k W k    Observation equatio n:  () () () Z kH X k V k    () X k   is t h e   sy st e m  st at e  at  t i me  k , an d  () Uk  is the  system  control  at time   k .  A  and   B   are the sy stem para m et ers  ( A = B =1).   () Z k  is the measu r ed valu e  at time  k ,  H  is the   measurement  syst em para m eters  ( H =1).  () Wk  and  () Vk denote  the pro c e s s  and me asure m ent  noise. They  are a s sum e d  to be Ga ussian white noi se, zero  mea n , and vari an ce, re sp ectiv e ly  are  Q ， R .  Firs t,  we predic t the read  rate  of RFID  in  the  next  cycle  by utili zin g  the  process mod e l.  The mo st wid e ly used nu m e rical predicti on met hod i s  regressio n  analysi s . We u t ilize the most  comm only used method in  the reg r e ssi o n  analysi s  lea s t squ a re s fit.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Efficient RFID Data  Clea n i ng Method  (L i Xing)  1709 Rea d  rate fo r n cycl es u s e s  line a r reg r e ssi on a nalysi s  of fitting a straig ht line y = a + b k ,  and b is a s  fo llows:    1 2 1 () ( ) () n ii i n i i x xy y b xx                                                                                                                             (1)    (| 1 ) ( 1 | 1 ) X kk X k k b t                                                                                                        (2)    In equatio n 2 ,   (| 1 ) Xk k  rep r e s ent s the optim al  value at  k -1,  t  re pre s e n ts  a re ad   cycle.  Rea d  rate pre d ictio n s  have  been  update d , but  covari an ce of   (| 1 ) Xk k  is not u pdat ed.  P   denote s  the covarian ce:     (| 1 ) ( 1 | 1 ) Pk k P k k A Q                                                                                                             (3)    In equ ation  3,  (| 1 ) Pk k  is t h e  cov a rian ce  of   (| 1 ) Xk k ,  (1 | 1 ) Pk k   is t h e  cov a ri an ce of   (1 | 1 ) Xk k  ,  A  is the tran spo s e d  matri x  of  A  ( A =1),   Q  is the cova rian ce of the  system p r o c e ss. Equ a tion  2, 3 forecast  the sy stem.  With RFI D  re ad rate p r edi ction s , and th en   colle ct the o b s erve d rate o f  the RFID  re ader. T hen,   we  can  get t he optimal  e s timate of cu rrent  (k) RFI D  rea d  rate from the  predi ction an d measureme n t.    (|) ( | 1 ) ( ) ( ( ) (| 1 ) ) X k k X kk K g k Z k X kk                                                                            (4)    K g  is the Kalma n  gain ：     ( ) ( | 1) / ( ( | 1) ) K gk P k k P k k H R                                                                                                (5)    No w, we  ha s got the o p timal RFI D  re ad rate  (|) X kk  at time  k .  Ho wev e r, in o r de r to  make th e Ka lman Filter  consta ntly run n ing u n t il the  end of the  system  pro c e ss,  we n eed  to  update the  co varian ce of  (|) X kk  at  k .    (|) ( ( ) ) ( | 1 ) Pk k I K g k H P k k                                                                                                         (6)    Whe n   t h e  sy st em st ep s  i n t o   k +1  state,  (| ) Pk k   is  the formula (3)  (1 | 1 ) Pk k  . In this  way, the algo rithm co uld g o  autore g ressive operato r .     4.2. Sliding  Windo w   Mo del    It uses ad ap ted slidin g wi ndo w, the ke y is the deci s ion of the slid ing win d o w  si ze. For  each tag, it views e a ch e poch as a n  i ndep ende nt Berno u lli trail (| | , ) i BW p , where | W | is  the   wind ow si ze.  If the  tag  i  is  read, an d ap pears in  W , then tag  i  meets:  iS  and SW , wh ere  W   denote s  th e  set,  av g p  den otes the e s timation  of  i p  cal c ulate d  ba se d o n  al l the e p o c h  report s  i n   the wind ow, that is    () || i av g iS p p S                                                                                                                                          (7)    The value | S | follows Bernoulli distribution,  || ( | | , ) av g SB W p .  Based o n  Bernoulli mod e l, if the average  read rate is  av g p  for each tag in each epo ch  in  W  , the n  the  prob ability th at we  miss  a  readi ng from  tag  i  ove r   W  is   (1 ) av g W p . Setting the leas t  probability for tag been observ ed in the  window to  be , then the p r o bability to en sure that tag  i  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA   Vol. 11, No. 3,  March 2 013 :  1707 –  1713   1710 been ob serv ed  is 1 , that is (1 ) av g W p  . So the lea s t size  of win dow i s   * 1 ln ( ) / av g wp ,  whi c h gu ara n t ees complet ene ss.   Becau s e the  mobile tag s  are dete c ted  in the prep ro ce ssi ng, we j u st nee d to focu s on   compl e tene ss. In ad dition,   * w  is   s e t to infinite when 0 avg p . This is not p e rm itted, so  we  keep   the win d o w   size u n chan ge d. It is worth y  to m ention  that it adopt s a mid - wi ndo w  slide  point.  In   other wo rd s, it  prod uces  readi n g s  with  an e p o c h v a lue  co rre sp ondin g  to the  midpoi nt of  the  wind ow. Thi s  greatly re du ces the outp u t data.    4.3. SWKF     The Kalm an  Filter an d  sliding  win d o w  a r e  introd uce d  a bove.  In the  Kalm an Filte r   model,  whe n   the misse d   re ad rate i s  hi g h , the p r edi cti on a c curacy  will b e  g r eatly  red u ced. T h en   just relying  o n  the Kalman  Filter doe s n o t corre c tly reflect the re al  data (see fro m  figure 2 ) , the   clea ning effe ct is bad. Be sides, it prod u c e s  larg e am ounts of outp u t data.  For the sli d in g wind ow, th e tags that are det ecte d far away from t he rea d e r  wit h  a low- probability wi ll force it to  use  larger  wi ndow to gua rantee compl e teness.  But  they can  cause   probl em s  in  environ ment whe r e   tag s   a r e  m obile.   F o r  i n  the multi-tag ca se, a similar re adi ng   results in  an  overly l a rg e  co ntrib u tion  to the  ove r all count  esti mate, an d th us  a l a rg e o v er- estimation  error. Also,  wh e n  the mi ssed  read  rate   is  hi gh, the  clea ni ng effect i s   b ad. Algorith m   1   is the pseud o - co de.       Algorithm 1 S W KF                                                          Require:  Co mpleteness confidence  δ   1:  1 w   2: While ( () g et Nex t Epoch ) do    3:   _ () kal p r o c e ss   4:   () processWi n dow W   5:   * (, ) av g w c om pl et eSi z e p   6:  if ( * ww ) then   7:   * ma x { mi n { 2, } , 1 } ww w    8:   end if  9: end  w h ile           SWKF ru ns  a slidin g-win dow a g g r ega te for each o b se rved tag i .  The wind o w  si ze i s   initially set to  one  epo ch,  and the n  a d j u sted  dynam i c ally ba se d o n  ob se rved  readin g s.  Du ri ng   each epo ch, for tag i, it utilize s  Kalman F ilter for preproce s sing ( _ () ka l p r o ce s s  ), whi c h re mov e s   interferen ce t o  som e  exte nt, detects  a nd filt ers th e  mobile tag s .  After prep ro ce ssi ng, SWKF   pro c e s ses th e rea d ing of  tag i insid e  the win d o w   W. The p r o c essing in clu d e s e s timating  the   requi re d mod e l para m eters for tag i (e. g .,   av g p  ) as  well  as emitting a n  output re ad ing for tag i if  there exits  at  least rea d ing  within  th e win dow. Then,  S W KF con s ult s   it  bi nomial - sampli ng mo del  to determi ne  the num ber  o f  epochs  nee ded to g u a r a n tee complet ene ss  ( (, ) av g c o mple te Size p  ).  If the re qui re d  * w  exce eds t he  cu rre nt windo w  size   || wW  ,  S W K F  inc r e a se s t h e  cu r r ent   wind ow size  ( * m a x{m i n{ 2 , }, 1 } ww ).      5. Results a nd Analy s is  5.1. Experimental Setup   In our expe riments, the  hard w a r e e n v ir onme n t: 2.61G Athlon  dual-co r e  CPU, 1G   Memory, 32 0 G  Ha rd Di sk. The software envir o n me nt: Windo ws  XP operatin g  system, Ora c le  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Efficient RFID Data  Clea n i ng Method  (L i Xing)  1711 11g Ente rp rise Edition, Ma tlab and P L /SQL la n guag e. Experime n t s are de sig n ed to me asure  the algorith m s SMURF, KAL_RFI D pro posed in  [6] and SWKF pro posed in this  pape r.   In orde r to be more  conv incin g , we collect data in  the physical  environm ent  (Tige r   RF10 01 UHF  Read er) for 150 re ad cy cl es.     5.2. Ev aluation Model     In this paper,  we asse ss t he sp ace  co st and accuracy, and give th e stand ard d e finition  of accura cy.   Definition  3 (Accu ra cy)  Gi ven two  data  set s , the rea l  data  set r D and  clea ned  dat a set c D . In a time period T, the accura cy of the data can b e  expre s sed a s :      ( ) () () / ( ) Ar c r PT D T DT DT                                                                                                             (8 )    5.3. Ev aluation Model   This se ction analyses  the rea s on able n e ss  a nd  t he  cleanin g  effect of SWKF. Firstly, the  rea s on able n e ss i s  prese n ted. Lea st squ a re s es tim a tion is u s ed in  Kalman Filter predi ction.           Figure1 Ideal,  Kalman filter        Figure2 Pre p roce ss insta n ce in the real -worl d   environ ment       Figure 1  sho w s, in th e ide a l ca se, the l east  squ a re s  method m a ke s the d a ta clo s e to the   real. In  ord e r  to be  clo s e r  to re ality, we  prep ro ce ss th e collecte d  d a ta in  real -wo r ld e n viron m e n t  mentione d a bove. Figu re  2 sho w s th at the  lea s t  sq uares m e thod  can  correct  rea d   rate  (re sp on se/10 )  to  a  ce rtain  extent, but th e read  lea k a ge  rate i s   still  large, that i s  to  say, the  d a ta  need s to  be  furthe r p r o c e s sed.  The  Kal m an Filte r  p r epro c e s sing   can  effectivel y detect  mob ile   tags, and  slidi ng wi ndow i s   difficult  to do  this. However, the ability to  detect m obil e  tags is  a very  importa nt fact or that affe cts the  accu ra cy of slidin g win dow. So the  combinatio n of  Kalman Filte r   and sli d ing wi ndo w is a workabl e option,  whi c h indi cat e s that SWK F  is rea s o nab le.  In orde r to verify the accura cy of SWKF , it  is com pare d  with KAL_RFI D an d SMURF.   Figure 3  sho w s th at the  accuracy of  SWKF is   hig her tha n  that  of SMURF  and KAL_ R F I D.  Although the  read le akage  rate incre a se s,  the accu ra cy of SWKF is improved.   To sh ow th e  accuracy of t he algo rithm  more  effectively, we cle a n  the data coll ected i n   real  appli c ati on e n viron m ent with  SWKF. The  re su lts a r e  sh own  in Fi gure  4.  In the  10th  cycle,  SMURF  ha s false  negative .  In the 60th and 10 0th cy cl e, tag s  mov e  dynami c ally , the read  rat e  is  redu ce d to 0, SMURF in creases the  windo w si ze , and ca uses fal s e po sitive. During 1 30 to 140   cycle s , the  wi ndo w si ze  of SMURF  chan ges f r eq uent l y , and ca use s  la rge  errors. In the first 1 30  cycle s , KAL_ R FID  han dle s  bette r, but i t  has fal s e  p o sitive an d n egative du rin g  130 -1 40  cycle s   whe n  the tags move fre quently (read  rate is  abo ut 0.3). Because of the prep ro ce ssin g of  Kalman Filter, the read ra te is clo s e to  the tr ue in the first 13 0 cycle s  for S W KF. After the  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA   Vol. 11, No. 3,  March 2 013 :  1707 –  1713   1712 smoothi ng  of slidin g  wind ow, it works  well. But  it al so  ha s some  false  du ring  130-140  cy cl es.   Ho wever, co mpared to KAL_RFI D, it has so me impro v ement.        Figure 3. Accura cy      Figure 4. Cle aning in stan ce in the real -worl d   environ ment       5.4. Space Cost Analy s is   This sectio n analyzes the  spa c e  co st of t he algorith m . Figure 5 s hows that the number  of data o u tp ut and i nput  is alm o st th e  sam e   for KAL_RFI D in  150  rea d  cy cles. Be cau s e  the  prep ro ce ssin g filters the  mobile tag s , and then e ffe ctively preve n ts the su dd en increa se  of the   slidin g wi ndo w, so  the  sp ace  co st for  SWKF is  larg er tha n  SMURF. When th e num ber of  data  increa se s or t he tag moves frequently, SWKF will ne e d  much m o re  spa c e tha n  SMURF.           Figure 5. Space Perfo r ma n c e       6. Conclusio n   RFID te chn o l ogy has  a  wide a ppli c at ion, and al so rai s ed n e w  challen g e s  to data   clea ning, wh ich ha s be come an im portant fi eld  of RFID rese arch. According to the  cha r a c teri stics of RFI D  da ta, we propo se a  dat a cl e aning al go rith m, which utili ze s the Kalm an  Filter to  pre p ro ce ss the   RFID data,  and th en   wit h  sli d ing  wi n dow for furt her processi ng.  Experiment s sho w  that it has a go od cl e aning effe ct in compl e x en vironme n t.        Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Efficient RFID Data  Clea n i ng Method  (L i Xing)  1713 Referen ces   [1]  W ang Sha o -h ui, Liu Su jua n . Efficient Passive F u ll- di sclosur e Attack on RF ID Light- w e i g h t   Authentic atio n  Protocols L M AP+ +  AND SUAP.  T E LKOMNIKA Indones ian J ourn a l of Electric a l   Engi neer in g . 2012; 10( 6): 145 8-14 64.   [2]  Is w a nj ono,  Ba gio  B, Ka lamu llah  R. A n   gl g o rithm for  pr e d ictin g  th e sp eed  of traffic  l i ght v i ol ators.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2011; 9(1): 5 5 - 64.  [3]  Barna b y  J. Fed e r. Despite W a l-Mart’s Edict, Radi o T ags W ill T a ke  T i me. N e w  Y o rk T i mes. 2004.   [4]  Jeffre y  SR, Al onso G, F r anklin MJ, Hong W ,  W i dom J.  A pipel in ed fra m e w ork for on line clea nin g  of   sensor  data  strea m s . In: L i u  L ,  Reuter  A, et a l ., eds. Proc.  of the  22n d Int’ l  Conf. o n  D a ta  Engi neer in g .   Atlanta: IEEE Computer  Societ y ,  2006. 140 − 142   [5] Jeffery   SR,  Garofalak i s M, Franklin MJ.  Ad a p tive cl ea nin g  for RF ID data  s t reams . In: Day a l U, Whang  KY, et al., eds.  Proc. of the 32 nd Int’l Co nf. on  Ver y   Larg e  D a ta Bases. Seo u l: ACM, 2006.  163 − 17 4.  [6]  Bai Y, W a n g   F S , Liu PY. E fficientl y  F ilter i ng RF ID data streams. In: Proc. of the 1st Int’l VLDB  W o rkshop o n  Clea n  Data bas es. Seoul: Mor gan Ka ufman n  Publ ishers, 20 06. 50 − 57.   [7]  Gonzal ez H, H an J, Sh en  X.  Cost-Co n scio u s  clea ni ng  of  massive  RFID data sets . In: Proc. of the  23r d  Int’l Conf. on D a ta Engi ne erin g. Ist anbul: IEEE Computer S o ciet y ,  200 7. 1 268 − 12 72 .  [8]  Khouss a in ova  N, Balazi nska  M, Suciu D.  T o w a rds correct ing i n p u t data  errors pro b a b il i s tically us in g   integr ity constr aints . In: Chr y s anthis  RK. Pro c . of the 5th  A C M Int’l W o rks hop  on  Data  E ngi neer in g for   W i reless a nd  Mobil e  Access.  Chica go: ACM ,  2006. 43 − 50 .  [9]  S. R. Jeffery ,  G. Alonso, M.  J.  F r anklin, W .   Hon g , an d J.  W i dom. Dec l ar ative Su pp ort for Sens or D a ta   Clea n i ng. In Pervasiv e, 200 6.  [10]  EPCGlob al Re ader Protoc ol  Standar d  1.1. http:// w w w . EP Cglo ba linc.or g.  2006.   [11]  Lin g y on g Me n g , F engq i Yu.   RF ID Data  Clea n i ng B a se d on A d a p tive  W i ndow . Pro c  of the 2n d  Internatio na l C onfere n ce o n  F u ture Com pute r  and Comm un icatio n. W uhan , China, 20 10,  746- 749.   [12] W ang  Y a n ， S ong  Bao- ya n.  Clea n i ng M e th od  of RF ID  Da ta Stream B a s ed  on K a lma n   F ilter.  Journ a l   of Chin ese Co mp uter Syste m s . 2011; 32( 9): 179 4-17 99.   [13] W ang  Y a n ， S h i  Xin, S ong  B ao- ya n. RF ID  Data  Cle an ing   Method  Bas e d   on Ps eu do  Ev ent. Jour na l of   Comp uter Res earch a nd D e v e lo pment. 20 0 9 ; 46(Sup p l): 2 70-2 74.       Evaluation Warning : The document was created with Spire.PDF for Python.