跳到主要內容

臺灣博碩士論文加值系統

(44.222.189.51) 您好!臺灣時間:2024/05/24 18:38
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:廖健智
研究生(外文):Jian-Zhi Liao
論文名稱:基於卡爾曼濾波器與機器學習之低功耗藍芽裝置室內定位準確度強化技術
論文名稱(外文):Accuracy Enhancement Technology of BLE Device Indoor Positioning System Based on Kalman Filter and Machine Learning
指導教授:陳煥陳煥引用關係
口試委員:張敏寬蘇柏齊
口試日期:2019-01-16
學位類別:碩士
校院名稱:國立中興大學
系所名稱:資訊工程學系所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2019
畢業學年度:107
語文別:中文
論文頁數:54
中文關鍵詞:室內定位iBeaconRSSI卡爾曼濾波器K最近鄰居演算法支援向量機演算法隨機森林演算法
外文關鍵詞:Indoor positioningiBeaconRSSIKalman filterK nearest neighbor algorithmsupport vector machine algorithmrandom forest algorithm
相關次數:
  • 被引用被引用:1
  • 點閱點閱:466
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
近年來室外定位技術已經相當成熟,但受制於室內環境對於如GPS衛星訊號的阻絕障礙問題,興起了許多對於室內定位技術的相關研究與探討,而其中較低成本且佈建方式較為方便的技術有藍芽(Bluetooth)、Wi-Fi等,本篇論文是基於2013年由蘋果公司(Apple Inc.)所提出的iBeacon為基礎進行探討。
藍芽訊號 RSSI 值飄蕩嚴重,會造成定位效果不佳,目前大部分關於室內定位的文獻主要都是提出如何應用技術來達到和改善定位的功能,鮮少有再針對定位訊號收集密度與準確度之間關係[1]的探討,根據本研究實驗結果發現,其他條件不變之下,當定位訊號收集密度越高,定位準確度會隨之下降。
本篇論文依照建置於中興大學藝術中心之Beacon定位裝置衍生之定位不準確問題進行探討,試圖提出一套可用於改善現有室內定位準確度之演算法。
本研究透過卡爾曼濾波器(Kalman Filter,KF) 提升藍芽訊號 RSSI 穩定性,再結合機器學習演算法,以改善即時室內定位準確度。
本文提出的即時定位方法採用iBeacon及Android 智慧型手機作為實驗設備進行測試,並比較K最近鄰居(KNN)、支援向量機(Support Vector Machine, SVM)及隨機森林(Random Forest)演算法之差異,透過實驗結果顯示,在室內定位的訊號收集密度1公尺左右,定位準確度為最佳。
In recent years, outdoor positioning technology has been quite mature, but subject to the indoor environment for the obstacles such as GPS satellite signals, many research and discussion on indoor positioning technology has been launched, and the technology with lower cost and convenient construction method is more convenient, such as Bluetooth, Wi-Fi, etc. This paper is based on the 2013 iBeacon proposed by Apple Inc.
The Bluetooth signal RSSI value drifting seriously, which will result in poor positioning. At present, most of the literature on indoor positioning mainly proposes how to apply technology to achieve and improve positioning. There are few discussions about the relationship between density of signals collection and accuracy of positioning[1]. According to the experimental results of this study, under the same conditions, the higher the positioning signal collection density, the lower the positioning accuracy.
This paper explores the inaccuracy of the Beacon positioning device built in the Art Center of National Chung Hsing University, and attempts to propose a set of algorithms that can be used to improve the accuracy of existing indoor positioning.
In this study, the Kalman Filter (KF) is used to improve the stability of the Bluetooth signal RSSI, combined with machine learning algorithms to improve the accuracy of the indoor location.
The instant positioning method proposed in this paper uses iBeacon and Android smart phone as experimental devices to test and compare the differences between K nearest neighbor (KNN), support vector machine (SVM) and random forest (Random Forest) algorithms. The experimental results show that when the indoor positioning signal is collected at a density of about 1 meter, the positioning accuracy is optimal.
摘要 i
Abstract ii
目錄 iii
表目錄 v
圖目錄 vi
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 2
1.3 論文架構 3
第二章 文獻探討 4
2.1 定位技術發展沿革 4
2.2 定位感測技術 7
2.2.1 Bluetooth 7
2.2.2 Wi-Fi 8
2.2.3 ZigBee 8
2.2.4 RFID(Radio Frequency Identification) 8
2.2.5 紅外線 8
2.2.6 UWB 9
2.2.7定位感測技術比較 9
2.3 訊號衰減特性探討 10
2.3.1 影響藍芽裝置訊號品質因素 10
2.3.2 藍芽訊號傳遞特性 10
2.4 訊號濾波器 13
2.4.1 均值濾波器(Mean Filter) 13
2.4.2 中值濾波器(Median Filter) 14
2.4.3 眾數濾波器(Mode Filter) 14
2.4.4 卡爾曼濾波器(Kalman Filter) 14
2.5 定位演算法 16
2.5.1 三角定位法(Triangulation) 16
2.5.2 訊號紋定位法(Fingerprinting) 19
2.5.3 定位演算法比較 19
2.6 機器學習 20
2.6.1 最近鄰居法(K Nearest Neighbor, KNN) 20
2.6.2 支援向量機(Support Vector Machine, SVM) 20
2.6.3 隨機森林(Random Forest) 21
2.6.4 交叉驗證 21
2.6.5 機器學習演算法比較 21
第三章 研究方法 23
3.1 實驗流程圖 23
3.1.1 規劃階段 24
3.1.2 收集階段 28
3.1.3 學習訓練階段 29
3.1.4 預測階段 29
3.2 定位流程圖 29
第四章 實驗結果 31
4.1實驗設備 31
4.1.1 智慧型行動裝置 31
4.1.2 藍芽訊號發射器 33
4.2 軟體工具 35
4.2.1 智慧型行動裝置定位程式開發平台 35
4.2.2 單機數據分析程式開發平台 35
4.3 實驗施測場地 36
4.3.1 實驗場域一 36
4.3.2 實驗場域二 38
4.4實作 39
4.4.1 排除掉環境中來自與本研究無關的藍芽設備 RSSI 39
4.4.2 收集RSSI數據APP 40
4.4.3 手機定位APP 41
4.5 實驗結果 43
4.5.1 RSSI 收集與分析 43
4.5.2機器學習演算法準確度比較 47
第五章 結論 51
參考文獻 52
1.Ng, P.C., J. She, and S. Park, High Resolution Beacon-based Proximity Detection for Dense Deployment. IEEE Transactions on Mobile Computing, 2017: p. 1-1.
2.Zahid Farid, R.N., and Mahamod Ismail. Recent Advances in Wireless Indoor Localization Techniques and System. 2013 [cited 2018 12/22]; Available from: https://www.hindawi.com/journals/jcnc/2013/185138/.
3.Hui Liu, H.D., Pat Banerjee and Jing Liu, Survey of Wireless Indoor Positioning Techniques and Systems, in IEEE Transactions on Systems, Man, and Cybernetics, Part C. 2007, IEEE. p. 1067-1080.
4.Feri, An Analysis of the Positioning Accuracy of iBeacon Technology in Indoor Environments, in (UBMK'17) 2nd International Conference on Computer Science and Engineering. 2017, IEEE.
5.Ciezkowski, M., Triangulation positioning system based on a static IR beacon-receiver system. 2017, IEEE.
6.物聯網【定位技術】超級完全大解析!. 2018; Available from: https://3smarket-info.blogspot.com/2018/06/blog-post_39.html.
7.人工智慧. 2018年11月26日 2018年11月28日]; Available from: https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD.
8.機器學習. 2018年9月26日 2018年11月28日]; Available from: https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0.
9.物聯網十大室內定位技術原理解析. 2017 2017/12/28 2018/11/29]; Available from: http://toments.com/515613/.
10.Alliance, Z. IEEE 802.15.4 standard an Zigbee Specification Agreement. Available from: http://www.zigbee.org/en/index.asp.
11.C. Zhai, Z.Z., Q. Zhou, J. Mao, Q. Chen, H. Tenhunen, L. Zheng, and L. Xu, A 2.4-ghz ism rf and uwb hybrid rfid real-time locating system for industrial enterprise internet of things, in Enterprise Information Systems. 2017. p. 909–926.
12.Goldsmith, A., Wireless communications. 2005: Cambridge University Press. p. 28-46.
13.Sklar, B., Digital communications fundamentals and applications 2th. 2001.
14.曾光正, 智慧型室內定位演算法之研究, in 電腦與通訊研究所. 2010, 樹德科技大學.
15.Wikipedia. 眾數 (數學). Available from: https://zh.wikipedia.org/wiki/%E4%BC%97%E6%95%B0_(%E6%95%B0%E5%AD%A6).
16.李苗鋒, 設., 淺談簡單卡爾曼濾波器. 105年3月1日.
17.Bishop, G.W.a.G., An Introduction to the Kalman Filter. Monday, July 24, 2006: Department of Computer Science University of North Carolina at Chapel Hill Chapel Hill, NC 27599-3175.
18.姚旭晨(翻译), 卡尔曼滤波器介绍. 2007年7月16日,星期一: Department of Computer Science University of North Carolina at Chapel Hill3 Chapel Hill, NC 27599-3175.
19.Bishop, G.W.a.G., An Introduction to the Kalman Filter. 2006, University of North Carolina
20.Adrian Ozer, E.J., Improving the Accuracy of Bluetooth Low Energy Indoor Positioning System Using Kalman Filtering. 2016: 2016 International Conference on Computational Science and Computational Intelligence.
21.李賢識, 利用ibeacon 藍牙模組實現室内定位應用之研究. 2017 June, 東海大學 Tunghai University. p. 56.
22.Jucheng Zhang, C.S., Kun Tang, and Yunfeng Han, Research and Implementation on Multi-beacon Aided AUV Integrated Navigation Algorithm. 2017, IEEE.
23.CSDN博客. 藍牙Ibeacon室內定位和微信搖一搖周邊原理分析. 2016/04/08 Available from: https://read01.com/GgmOoG.html - .WuMdLVOWQWo.
24.Jenny Röbesaat, P.Z., Mohamed Abdelaal and Oliver Theel, An Improved BLE Indoor Localization with Kalman-Based Fusion An Experimental Study. Sensors 2017, 2017.
25.林孝融, 基於低耗電藍牙裝置使用卡爾曼濾波器與支持向量機之室內定位, in 工程科學學系. 2015, 國立成功大學.
26.Wikipedia. 最近鄰居法. 2018/12/23]; Available from: https://zh.wikipedia.org/wiki/%E6%9C%80%E8%BF%91%E9%84%B0%E5%B1%85%E6%B3%95.
27.Wikipedia. 支援向量機. 2018/12/23]; Available from: https://zh.wikipedia.org/zh-tw/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA.
28.Wikipedia. 隨機森林. 2018/12/23]; Available from: https://zh.wikipedia.org/wiki/%E9%9A%8F%E6%9C%BA%E6%A3%AE%E6%9E%97.
29.太和光股份有限公司. 太和光 THLight. 2018/12/08]; Available from: http://www.thlight.com/home/index.
30.不寫程式也能預測未知!用Weka分類模型來預測未知案例 / Make predictions with Saved Machine Learning Model in Weka. 2017 [cited 2018 2018/12/14]; Available from: http://blog.pulipuli.info/2017/04/weka-make-predictions-with-saved.html.
31.創宇通訊. ASUS ZenFone 5 T00F A500CG 32GB (2G/32GB) 雙核 5吋 全新 創宇通訊. Available from: http://www.pcstore.com.tw/jhenai/M17791126.htm.
32.EDN電子設計技術. 工程師實戰經驗:Beacon與Wi-Fi定位技術的精度/成本/開發難度. 2015/09/09; Available from: https://read01.com/mEKzm.html - .WucCqFOWQWp.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊