Accuracy of Bluetooth based Indoor Positioning using different Pattern Recognition Techniques
- 1 Department of Computer Science, University of Vigo, 36310, Vigo, Spain
ISSN: 1666-6038
Ano de publicación: 2019
Título do exemplar: Forty-Nineth; e08
Volume: 19
Número: 1
Páxinas: 1-7
Tipo: Artigo
Outras publicacións en: Journal of Computer Science and Technology
Resumo
Actualmente en el campo de la localización de objetos en interiores está recibiendo mucha atención por parte de los investigadores, pero todavía necesita de la madurez suficiente para su integración en dispositivos tan populares como los teléfonos móviles. En este artículo se describen los resultados de un experimento realizado para comparar diferentes algoritmos de reconocimiento de patrones con el fin de procesar la información de un conjunto de transmisores Bluetooth, situados en posiciones fijas, con el objetivo de localizar un objeto en una posición precisa. Nuestra conclusión es que los mejores algoritmos, entre los cinco que hemos experimentado son: Random forest y model-based clustering, que alcanzaron una precisión cercana al 90%. También hemos llevado a cabo experimentos para analizar la influencia del número de transmisores Bluetooth y para determinar los conjuntos de características con mejor rendimiento. El enfoque propuesto es simple y proporciona un 90% de precisión para la localización de objetos con una precisión de 1 m, lo que lo hace adecuado para una amplia gama de aplicaciones.
Referencias bibliográficas
- L. Mainetti, L. Patrono and I. Sergi, “A survey on indoor positioning systems,” in 22nd International Conference on Software, Telecommunications and Computer Networks, 2014.
- A. K. Nuaimi and H. Kamel, “A survey of indoor positioning systems and algorithms,” in International Conference on Innovations in Information Technology, 2011.
- R. Want and A. Hopper, “Active badges and personal interactive computing objects,” IEEE Transactions on Consumer Electronics, vol. 38, no. 1, pp. 10-20.
- A. Harter, A. Hopper, P. Steggles, A. Ward and P. Webster, “The anatomy of a context-aware application,” Wireless Networks, vol. 8, no. 2/3, pp. 187-197, 2002.
- N. Priyantha, A. Chakraborty and B. H., “The cricket location-support system,” in Proceedings of the 6th Annual International Conference on Mobile Computing and Networking, Boston, 2000.
- L. Ni, Y. Liu, Y. Lau and P. A.P., “LANDMARC: indoor location sensing using active RFID,” Wireless networks, vol. 10, no. 6, pp. 701-710, 2004.
- F. Li, C. Zhao, G. Ding, J. Gong and C. a. Z. F. Liu, “A reliable and accurate indoor localization method using phone inertial sensors,” in Proceedings of the 2012 ACM Conference on Ubiquitous Computing, Pittsburgh, 2012.
- L. Zhang, X. Liu, J. Song, C. Gurrin and Z. Zhu, “A comprehensive study of bluetooth fingerprinting-based algorithms for localization,” in 27th International Conference on Advanced Information Networking and Applications Workshops, March, 2013.
- W. Loh, “Classification and regression trees,” Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 1, no. 1, pp. 14-23, 2011.
- L. Breiman, “Random forests,” Machine learning, vol. 45, no. 1, pp. 5-32, 2001.
- R. Genuer, J. Poggi and C. Tuleau-Malot, “Variable selection using random forests,” Pattern Recognition Letters, vol. 31, no. 14, pp. 2225-2236, 2010.
- C. Cortes and V. Vapnik, “Support-vector networks,” Machine learning, vol. 20, no. 3, pp. 273-297, 1995.
- A. Jain, “Data clustering: 50 years beyond Kmeans,” Pattern recognition letters, vol. 31, no. 8, pp. 651-666, 2010.
- C. Fraley and A. Raftery, “Model-based clustering, discriminant analysis, and density estimation,” 2002.
- R Core Team, “R: A language and environment for statistical computing. R Foundation for Statistical Computing,” Vienna, 2016.
- M. Kuhn, “Caret: Classification and Regression Training. R package v. 6.0-71,” 2016.
- L. Breiman, “Random Forests for Classification and Regression. R package v.4.6-12,” 2015.
- D. Meyer, E. Dimitriadou, K. Hornik, A. Weingessel, F. Leisch, C. Chang and C. Lin, “Misc Functions of the Department of Statistics. Probability Theory Group (Formerly:E1071), TU WienE1071. R package v.1.6-8.,” 2015.
- C. Fraley and A. E. Raftery, “MCLUST version 3: an R package for normal mixture modeling and model-based clustering.,” Washington Univ Seattle Dept of Statistics.
- G. Hughes, “On the mean accuracy of statistical pattern recognizers,” IEEE Transactions on Information Theory, vol. 14, no. 1, pp. 55-63, 1968.
- J. D. Banfield and A. E. Raftery, “Model-based Gaussian and non-Gaussian clustering,” Biometrics, pp. 803-821, 1993.
- H. Bensmail and G. Celeux, “Regularized Gaussian discriminant analysis through eigenvalue decomposition,” Journal of the American statistical Association, vol. 91, no. 436, pp. 1743-1748, 1996.