การประเมินผลของระบบระบุตำแหน่งภายในอาคารบนพื้นฐานความต่างของความแรงสัญญาณโดยใช้เทคนิคการสแกนลายนิ้วมือและอัลกอริทึมการแบ่งกลุ่มแบบเคมีน
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอการประเมินผลของระบบระบุตำแหน่งภายในอาคารบนพื้นฐานของพารามิเตอร์ความต่างของความแรงสัญญาณโดยใช้เทคนิคการสแกนลายนิ้วมือและอัลกอริทึมการแบ่งกลุ่มแบบเคมีน สำหรับขั้นตอนการฝึกฝนนั้นข้อมูลความแรงสัญญาณที่รับได้จะถูกสำรวจและบันทึกที่ตำแหน่งอ้างอิงและส่งไปยังเครื่องแม่ข่ายเพื่อทำการสร้างลายนิ้วมือต้นแบบจากค่าความต่างของความแรงสัญญาณ หลังจากนั้นข้อมูลค่าความต่างของความแรงสัญญาณจะถูกจัดกลุ่มโดยใช้อัลกอริทึมการแบ่งกลุ่มแบบเคมีนแล้วเก็บลงในฐานข้อมูล ในขั้นตอนทดสอบจะเป็นการใช้เทคนิคสแกนลายนิ้วมือร่วมกับอัลกอริทึมคือวิธีกำลังสองน้อยที่สุดและเพื่อนบ้านใกล้เคียงกันที่สุด k ตัวในการคาดคะเนตำแหน่ง จากผลการทดลองแสดงให้เห็นว่า การใช้พารามิเตอร์ความต่างของความแรงสัญญาณสามารถช่วยปรับปรุงให้ความแม่นยำของระบบการระบุตำแหน่งดีขึ้นอย่างไรก็ตามในกรณีของการคาดคะเนตำแหน่งโดยไม่มีการแบ่งกลุ่มจะมีความแม่นยำสูงกว่ากรณีใช้การแบ่งกลุ่มแบบเคมีนเล็กน้อย แต่กรณีใช้การแบ่งกลุ่มแบบเคมีนนั้นจะทำให้การคาดคะเนตำแหน่งในขั้นตอนทดสอบนั้นประมวลผลได้เร็วขึ้น ดังนั้นระบบระบุตำแหน่งภายในอาคารบนพื้นฐานของพารามิเตอร์ความต่างของความแรงสัญญาณโดยใช้เทคนิคการสแกนลายนิ้วมือและอัลกอริทึมการแบ่งกลุ่มแบบเคมีนนั้นสามารถนำไปประยุกต์ใช้ได้อย่างเหมาะสมกับอุปกรณ์เคลื่อนที่ที่มีข้อจำกัดของหน่วยประมวลผลและหน่วยความจำ อีกทั้งยังสามารถนำไปประยุกต์ใช้กับระบบที่มีความต้องการความเร็วในการประมวลผลในการระบุตำแหน่งได้อีกด้วย
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความนี้เป็นลิขสิทธิ์ของวารสาร Engineering Transactions คณะวิศวกรรมศาสตร์และเทคโนโลยี มหาวิทยาลัยเทคโนโลยีมหานคร
เอกสารอ้างอิง
[2] D. Dardari, P. Closas and P. M. Djurić, “Indoor tracking: theory, methods, and technologies,” IEEE Transactions on Vehicular Technology, vol. 64, no. 4, pp. 1263-1278, April 2015.
[3] L. F. Shi, Y. Wang, G. X. Liu, S. Chen, Y. L. Zhao and Y. F. Shi, “A fusion algorithm of indoor positioning based on PDR and RSS fingerprint,” IEEE Sensors Journal, vol. 18, no. 23,pp. 9691-9698, December 2018.
[4] B. Koo, S. Lee, M. Lee, D. Lee, S. Lee and S. Kim, “PDR/fingerprinting fusion indoor location tracking using RSS recovery and clustering,” in Proc. The International Conference on Indoor Positioning and Indoor Navigation, pp. 699 – 704, October 2014.
[5] Q. Li, W. Li, W. Sun, J. Li and Z. Liu, “Fingerprint and assistant nodes based Wi-Fi localization in complex indoor environment,” IEEE Access, vol. 4, pp. 2993 – 3004, June 2016.
[6] S. Yoon, K. Lee and I. Rhee, “FM-based Indoor Localization via Automatic Fingerprint DB Construction and matching,” in Proc. The 11th Annual International Conference on Mobile Systems, Applications, and Services, pp. 207–220, June 2013.
[7] M. B. Kjærgaard, “Indoor Location Fingerprinting with Heterogeneous Clients,” Pervasive and Mobile Computing, vol. 7, no.1, pp. 31 – 43. February 2011.
[8] A. K. M. M. Hossain, Y. Jin, W. Soh and H. N. Van, “SSD: A Robust RF Location Fingerprint Addressing Mobile Devices' Heterogeneity,” IEEE Transactions on Mobile Computing, vol. 12, no. 1, p. 65–77, 2013.
[9] D. Lam, M. Wei and D. Wunsch, “Clustering data of mixed categorical and numerical type with unsupervised feature learning,” IEEE Access, vol. 3, pp. 1605-1613, 2015.
[10] C. Tsai, C. Lai, M. Chiang and L. T. Yang, “Data mining for internet of things: a survey,” IEEE Communications Surveys & Tutorials, vol. 16, no. 1, pp. 77-97, 2014.
[11] M. A. Alsheikh, S. Lin, D. Niyato and H. Tan, “Machine learning in wireless sensor networks: algorithms, strategies, and applications,” IEEE Communications Surveys & Tutorials, vol. 16, no. 4, pp. 1996-2018, 2014.
[12] R. Olyazadeh “Least Square Approach on Indoor Positioning Measurement Techniques,” Geomundus, 2012.
[13] M. Choi and B. Jang, “An Accurate Fingerprinting based Indoor Positioning Algorithm,” International Journal of Applied Engineering Research, vol. 12, no. 1, pp. 86-90, 2017.
