模擬實驗結果與分析

由於使用了兩種不同方式產生電子標籤UID，一種是隨機亂數產生，另一種是有 順序的產生，於是以下分別有二種實驗結果分析：

4.2.1 96-bit隨機亂數電子標籤辨識之實驗結果及分析

當我們取N值為2進行兩種演算法實驗，時間模擬結果如圖4.1，我們可以得出此 時預先偵測廣播電子標籤防碰撞演算法(PDBQT)效能要比我們所提出的高效能預先 偵測廣播演算法(EPDBA)要來的好。若在電子標籤為1000個時比較效能，則EPDBA 時間成本為PDBQT之112.46%，顯示在此N值時我們的效能較差。

圖 4.1 96-bit 隨機亂數 Tag 以 N 值為 2 做時間模擬之結果

當我們取N值為3進行兩種演算法實驗，時間模擬結果如圖4.2，我們可以得出此 時預先偵測廣播電子標籤防碰撞演算法(PDBQT)效能要比我們所提出的高效能預先 偵測廣播演算法(EPDBA)要來的好。若在電子標籤為1000個時比較效能，則EPDBA 時間成本為PDBQT之104.75%，顯示在此N值時我們的效能較差，不過兩者之效能已 相當接近。

圖 4.2 96-bit 隨機亂數 Tag 以 N 值為 3 做時間模擬之結果

當我們取N值為4進行兩種演算法實驗，時間模擬結果如圖4.3，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之97.05%，顯示在此N值時我們的效能較好，不過兩者之效能也算是 相當接近。

圖 4.3 96-bit 隨機亂數 Tag 以 N 值為 4 做時間模擬之結果

當我們取N值為5進行兩種演算法實驗，時間模擬結果如圖4.4，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之88.10%，顯示在此N值時我們的效能較好。

圖 4.4 96-bit 隨機亂數 Tag 以 N 值為 5 做時間模擬之結果

當我們取N值為6進行兩種演算法實驗，時間模擬結果如圖4.5，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之78.84%，顯示在此N值時我們的效能已明顯較好。

圖 4.5 96-bit 隨機亂數 Tag 以 N 值為 6 做時間模擬之結果

當我們取N值為7進行兩種演算法實驗，時間模擬結果如圖4.6，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之68.48%，顯示在此N值時我們的效能已明顯較好。

圖 4.6 96-bit 隨機亂數 Tag 以 N 值為 7 做時間模擬之結果

當我們取N值為8進行兩種演算法實驗，時間模擬結果如圖4.7，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰

撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之53.31%，顯示在此N值時我們的效能已明顯非常的好。

圖 4.7 96-bit 隨機亂數 Tag 以 N 值為 8 做時間模擬之結果

模擬實驗結果所得到的效能數據如圖4.8所示，綠色標示為相同電子標籤數量時 之最佳效能，而橙色則為最差效能，我們可以得出最佳效能皆落在我們所提出的高效 能預先偵測廣播演算法(EPDBA)中。

至於電子標籤數量介於1000至1500時或介於3500至4000時，由於我們的實驗並未 模擬至更細部的數量，故不下選用N值的結論。而電子標籤數量大10000時，由於我 們的實驗並未模擬，故也不下結論。

表5.1為我們以隨機亂數電子標籤數量為1000個時，來比較各演算法及選用N值效 能的改善，其中HQT及 QT的數據我們引用預先偵測廣播電子標籤防碰撞演算法 (Pre-Detection Broadcast Tag Anti-Collision Algorithm, PDBQT) [14]的實驗數據。經由 數據可知我們的演算法EPDBA選用N值為6時出現最佳的效能，相對於HQT增進了 78.11%的效率。

表 5.1 隨機亂數電子標籤數量 1000 時各演算法效能改善比較表 演算法 時間(秒) 效能改善

HQT 5.39 H²QT 3.99 25.97%

PDBQT2 2.07 61.53%

PDBQT3 1.73 67.92%

PDBQT4 1.59 70.52%

PDBQT5 1.66 69.26%

PDBQT6 1.50 72.23%

PDBQT7 1.78 66.94%

PDBQT8 3.51 34.82%

EPDBA2 2.33 56.73%

EPDBA3 1.81 66.40%

EPDBA4 1.54 71.39%

EPDBA5 1.46 72.92%

EPDBA6 1.18 78.11%

EPDBA7 1.22 77.36%

EPDBA8 1.87 65.26%

4.2.2 96-bit有順序的電子標籤辨識之實驗結果及分析

當我們取N值為2進行兩種演算法實驗，時間模擬結果如圖4.9，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之44.48%，顯示在此N值時我們的效能相對非常的好。

圖 4.9 96-bit 有順序的 Tag 以 N 值為 2 做時間模擬之結果

當我們取N值為3進行兩種演算法實驗，時間模擬結果如圖4.10，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之27.27%，顯示在此N值時我們的效能也相對非常的好。

圖 4.10 96-bit 有順序的 Tag 以 N 值為 3 做時間模擬之結果

當我們取N值為4進行兩種演算法實驗，時間模擬結果如圖4.11，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之16.85%，顯示在此N值時我們的效能也相對非常的好。

圖 4.11 96-bit 有順序的 Tag 以 N 值為 4 做時間模擬之結果

當我們取N值為5進行兩種演算法實驗，時間模擬結果如圖4.12，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰

撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之3.42%，顯示在此N值時我們的效能也相對非常的好。

此時在預先偵測廣播電子標籤防碰撞演算法(PDBQT) 取N值為5進行模擬實驗 會有非常差的結果，那是因為當進行到樹狀結構第95層時尚不能完成辨識，必須再進 行第96層的辨識。而本論文的演算法則在第95層時即完成了辨識，並且由於特殊的節 省成本機制使得效能非常明顯的改善。

圖 4.12 96-bit 有順序的 Tag 以 N 值為 5 做時間模擬之結果

接著當我們取N值為6進行兩種演算法實驗，時間模擬結果如圖4.13，我們可以得 出此時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤 防碰撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA 時間成本為PDBQT之8.05%，顯示在此N值時我們的效能相對非常的好。

圖 4.13 96-bit 有順序的 Tag 以 N 值為 6 做時間模擬之結果

當我們取N值為7進行兩種演算法實驗，時間模擬結果如圖4.14，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰 撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之9.55%，顯示在此N值時我們的效能相對非常的好。

圖 4.14 96-bit 有順序的 Tag 以 N 值為 7 做時間模擬之結果

當我們取N值為8進行兩種演算法實驗，時間模擬結果如圖4.15，我們可以得出此 時我們所提出的高效能預先偵測廣播演算法(EPDBA)比預先偵測廣播電子標籤防碰

撞演算法(PDBQT)效能要來的好。若在電子標籤為1000個時比較效能，則EPDBA時 間成本為PDBQT之7.04%，顯示在此N值時我們的效能相對非常的好。

圖 4.15 96-bit 有順序的 Tag 以 N 值為 8 做時間模擬之結果

模擬實驗結果所得到的效能數據如圖4.16所示，綠色標示為相同電子標籤數量時 之最佳效能，而橙色則為最差效能，我們可以得出最佳效能皆落在我們所提出的高效 能預先偵測廣播演算法(EPDBA)中。

模擬至更細部的數量，故不下選用N值的結論。

表5.2為我們以有順序的電子標籤數量1000個時，來比較各演算法及選用N值效能 的改善，其中HQT及 QT的數據我們引用預先偵測廣播電子標籤防碰撞演算法 (Pre-Detection Broadcast Tag Anti-Collision Algorithm, PDBQT) [14]的實驗數據。經由 數據可知EPDBA選用N值為3、4、5、6、7及8時，相對於HQT皆可增進達90%以上的 效率。另外我們的EPDBA選用N值為2所得到的效能比PDBQT選用N值為2到8的數據 都還來的好，顯示我們的演算法確實比較好。

表 5.2 有順序的電子標籤數量 1000 時各演算法效能改善比較表 演算法 時間(秒) 效能改善

HQT 4.22 H²QT 1.43 73.47%

PDBQT2 1.41 73.78%

PDBQT3 1.08 79.97%

PDBQT4 0.95 82.41%

PDBQT5 2.30 57.36%

PDBQT6 0.88 83.73%

PDBQT7 1.05 80.49%

PDBQT8 0.93 82.83%

EPDBA2 0.63 88.34%

EPDBA3 0.29 94.54%

EPDBA4 0.16 97.04%

EPDBA5 0.08 98.54%

EPDBA6 0.07 98.69%

EPDBA7 0.10 98.14%

EPDBA8 0.07 98.79%