Makine Öğrenmesi Yaklaşımları ile Uhf Rfid Konumlandırma: Rssi Verilerinden Uzaklık Tahmini
DOI:
https://doi.org/10.5281/zenodo.10814462Anahtar Kelimeler:
İç mekan konumlandırma, Alınan sinyal gücü göstergesi, RFID, Makine ÖğrenimiÖzet
Nesnelerin interneti (IoT), sensör teknolojisi ve mobil internetin gelişmesiyle beraber iç mekân konumlandırması büyük önem kazanmıştır. İç mekan konumlandırma kapalı bir ortamdaki nesne veya kişilerin konumunun tespit edilmesi işlemidir. Dış mekan konumlandırmanın aksine GPS (Global Pozisyonlama sistemi) gibi teknolojiler iç mekanda etkili olarak kullanılamamaktadır. Bu durumun nedenleri arasında GPS sinyallerinin duvar, tavan vb. beton yapılar tarafından zayıflatılması ve iç mekanda çoklu sinyal yansıması nedeniyle hatalı konum hesaplamaları bulunmaktadır. İç mekân konumlandırma depo ve mağazalarda demirbaş takibi ve envanter konum kontrolü gibi ihtiyaçlara çözüm olmaktadır. Geçmiş yıllarda endüstri ve akademide bu alanda yapılan çalışmalarda kullanılan RFID (Radyo Frekans Tanımlama) teknolojisi, maliyet, düşük güç talebi, kolay uygulanabilirlik açısından öne çıkmaktadır. RFID teknolojisi ile tasarlanan iç mekân konum bulma sistemleri genellikle alınan sinyalin güç göstergesi (RSSI), sinyalin varış zamanı (ToA) ve sinyalin varış zamanı farkı (TDoA) gibi parametreleri kullanır. RSSI değerleri ile yapılan çalışmalar, alınan sinyal gücüne karşılık RFID etiketinin antene olan tahmini uzaklık değerini bulabilmektedir. Bu çalışmada kurulan deney ortamından pasif UHF (Ultra Yüksek Frekans) RFID etiketlerinin RSSI değerleri toplanmıştır. RSSI değerlerinden zaman ve frekans alanında öznitelikler hesaplanarak bu öznitelikler ile etiket uzaklık değerleri makine öğrenmesi modellerini eğitmek için kullanılmıştır. Makine öğrenme algoritmaları, test sonucu elde edilen ortalama mutlak hata (MAE) değerleri cinsinden karşılaştırmalı olarak tartışılmıştır
Referanslar
Abdulghafor, R., Turaev, S., Almohamedh, H., Alabdan, R., Almutairi, B., Almutairi, A., and Almotairi, S. (2021). Recent advances in passive UHF-RFID tag antenna design for improved read range in product packaging applications: A comprehensive review. IEEE .
Baygin, M., Yaman, O., Baygin, N., and Karakose, M. (2022). A blockchain-based approach to smart cargo transportation using UHF RFID. Expert Systems with Applications, 188, 116030.
Friedman, J., Hastie, T., Tibshirani, R., Narasimhan, B., Tay, K., Simon, N., ... & Yang, J. (2023). glmnet: Lasso and elastic-net regularized generalized linear models. Astrophysics Source Code Library, ascl-2308.
Gomes, E. L., Fonseca, M. S. P., Lazzaretti, A. E., Munaretto, A., & Guerber, C. R. (2024). Sliding Window, Hierarchical Classification, Regression, and Genetic Algorithm for RFID Indoor Positioning Systems. Expert Systems with Applications, 238, 122298.
Hatem, E., Abou-Chakra, S., Colin, E., Laheurte, J. M., and El-Hassan, B. (2020). Performance, accuracy and generalization capability of RFID tags’ constellation for indoor localization. Sensors, 20(15), 4100.
Liashchynskyi, P., and Liashchynskyi, P. (2019). Grid search, random search, genetic algorithm: a big comparison for NAS. arXiv preprint arXiv:1912.06059.
Naser, R. S., Lam, M. C., Qamar, F., and Zaidan, B. B. (2023). Smartphone-Based Indoor Localization Systems: A Systematic Literature Review. Electronics, 12(8), 1814.
Ni, L. M., Liu, Y., Lau, Y. C., and Patil, A. P. (2003, March). LANDMARC: Indoor location sensing using active RFID. In Proceedings of the First IEEE International Conference on Pervasive Computing and Communications, 2003.(PerCom 2003). (pp. 407-415). IEEE.
Tondji, Y., Ghazi, G., and Mihaela Botez, R. (2024). Neural networks and support vector regression for the CRJ-700 longitudinal dynamics modeling. Journal of Aerospace Information Systems, 1-16.
Ulkir, O., and Akgun, G. (2023). Predicting and optimising the surface roughness of additive manufactured parts using an artificial neural network model and genetic algorithm. Science and Technology of Welding and Joining, 1-10.
Xu, H., Wu, M., Li, P., Zhu, F., and Wang, R. (2018). An RFID indoor positioning algorithm based on support vector regression. Sensors, 18(5), 1504.
Yao, Y. A., and Ma, Z. (2023). Toward a holistic perspective of congruence research with the polynomial regression model. Journal of Applied Psychology, 108(3), 446.
Zafari, F., Gkelias, A., and Leung, K. K. (2019). A survey of indoor localization systems and technologies. IEEE Communications Surveys & Tutorials, 21(3), 2568-2599.
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2024 Journal on Mathematic, Engineering and Natural Sciences (EJONS)
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
