KR102155419B1 - Apparatus for adaptive distace measurement base on artificial neural networks - Google Patents
Apparatus for adaptive distace measurement base on artificial neural networks Download PDFInfo
- Publication number
- KR102155419B1 KR102155419B1 KR1020180123876A KR20180123876A KR102155419B1 KR 102155419 B1 KR102155419 B1 KR 102155419B1 KR 1020180123876 A KR1020180123876 A KR 1020180123876A KR 20180123876 A KR20180123876 A KR 20180123876A KR 102155419 B1 KR102155419 B1 KR 102155419B1
- Authority
- KR
- South Korea
- Prior art keywords
- distance
- model
- artificial neural
- neural network
- beacon
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S1/00—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith
- G01S1/02—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith using radio waves
- G01S1/68—Marker, boundary, call-sign, or like beacons transmitting signals not carrying directional information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명은 비콘으로부터 전송된 신호의 잡음을 제거하고, 인공신경망을 통해 거리별 예측모델을 생성하며, 수신된 신호를 예측모델에 적용시켜 비콘과의 거리를 산출하는 인공신경망을 기반으로 하는 적응형 거리측정장치에 관한 것이다. 본 발명은 비콘으로부터 전송된 신호로부터 최초거리를 산출하며, 최초거리를 인공신경망을 통해 생성된 거리별 모델에 접목시켜 오차가 보정된 최종거리를 산출함으로서 정밀하게 거리를 예측할 수 있는 효과가 있다.The present invention is an adaptive neural network based on an artificial neural network that removes noise from a signal transmitted from a beacon, generates a predictive model for each distance through an artificial neural network, and calculates the distance to the beacon by applying the received signal to the predictive model. It relates to a distance measuring device. The present invention calculates an initial distance from a signal transmitted from a beacon, and calculates a final distance corrected for an error by incorporating the initial distance into a distance-specific model generated through an artificial neural network to accurately predict the distance.
Description
본 발명은 인공신경망을 기반으로 적응형 거리를 측정하는 장치로서, 보다 상세하게는 비콘으로부터 전송된 신호의 잡음을 제거하고, 인공신경망을 통해 거리별 예측모델을 생성하며, 수신된 신호를 예측모델에 적용시켜 비콘과의 거리를 산출하는 인공신경망을 기반으로 하는 적응형 거리측정장치에 관한 것이다.The present invention is an apparatus for measuring an adaptive distance based on an artificial neural network. More specifically, noise of a signal transmitted from a beacon is removed, a predictive model for each distance is generated through an artificial neural network, and the received signal is a predictive model. It relates to an adaptive distance measuring device based on an artificial neural network that calculates the distance to the beacon by applying to.
무선 통신기술의 발전과 함께 위치기반 서비스에 대한 관심이 높아지고 있다. 더불어, 정밀한 위치인식의 중요성도 증가할 수 밖에 없다. 사용자의 위치를 인식하는 기술로는 GPS, Wifi, 비콘(Beacon) 등이 있다. 일반적으로 GPS 방식을 가장 널리 사용하고 있다. GPS는 별도의 장치설치 없이 위성으로부터 신호를 수신받아 사용자의 위치를 쉽게 파악할 수 있다. 그러나 실내에서 측정이 불가능한 단점을 갖는다. 사용자의 실내 위치를 측정하기 위해서 Wifi, 비콘 등을 사용하고 있다. Wifi는 대부분의 모바일 장비에 탑재되어 있는 기술로 접근성이 용이한 반면, 배터리 소모 등의 문제를 해결해야한다. 저전력 블루투스(BLE; Bluetooth Low Energy) 기술을 사용하는 비콘(Beacon)은 상대적으로 저비용과 저전력으로 사용 가능한 잇점이 있다. With the development of wireless communication technology, interest in location-based services is increasing. In addition, the importance of precise location recognition is bound to increase. Technologies that recognize the user's location include GPS, Wifi, and beacons. In general, the GPS method is most widely used. GPS can easily determine the user's location by receiving signals from satellites without installing a separate device. However, it has a disadvantage that it cannot be measured indoors. To measure the user's indoor location, Wi-Fi, beacons, etc. are used. Wifi is a technology that is installed in most mobile devices, and while accessibility is easy, problems such as battery consumption must be solved. Beacons that use Bluetooth Low Energy (BLE) technology have the advantage of being able to use relatively low cost and low power.
한국 등록특허 제10-1760741호(이하 '선행문헌'으로 칭함)는 비콘을 이용한 사업장 내 위치 추정 방법 및 이를 통한 위치 기반 서비스 제공 시스템에 관한 것이다. 선행문헌은 비콘 노드들의 상대적 신호세기 패턴이 실내 위치별로 상이한 점을 이용하여 신경망을 활용하여 신호 패턴을 분석하여 사용자의 위치를 추정하는 것을 개시하고 있다. 선행문헌은 지정된 장소의 신호를 수집하여 신경망 학습을 수행하며, 사용자의 위치 추정을 분할된 공간 중 하나로 매핑하는 기술로 특정 장소에서 위치를 찾는다. Korean Patent Registration No. 10-1760741 (hereinafter referred to as'priority literature') relates to a method for estimating a location in a workplace using a beacon and a system for providing a location-based service through the method. Prior literature discloses that the relative signal strength pattern of beacon nodes is different for each indoor location, and analyzes the signal pattern using a neural network to estimate the user's location. Prior literature is a technology that performs neural network learning by collecting signals of a designated place, and finds a location at a specific place by mapping the user's location estimation to one of the divided spaces.
한편, 비콘은 일반적으로 통신기기들이 사용하는 주파수 대역폭을 사용함에 따라 많은 신호 간섭이 존재하게 되며, 안테나의 방향, 장애물, 수신방향 등에 따라 오차가 발생하기 쉽다. 따라서 비콘을 통해 위치를 추정할 때 오차율을 크게 감소시킬 수 있는 기술이 필요한 실정이다. Meanwhile, beacons generally have a lot of signal interference as they use the frequency bandwidth used by communication devices, and errors are likely to occur depending on the direction of the antenna, obstacles, and reception directions. Therefore, there is a need for a technology that can significantly reduce the error rate when estimating the location through beacons.
본 발명은 위와 같은 문제를 해결하기 위해 비콘으로부터 전송된 신호로부터 최초거리를 산출하며, 최초거리를 인공신경망을 통해 생성된 거리별 모델에 접목시켜 오차가 보정된 최종거리를 산출하는데 그 목적이 있다. An object of the present invention is to calculate an initial distance from a signal transmitted from a beacon in order to solve the above problem, and to calculate a final distance corrected for an error by grafting the initial distance to a distance-specific model generated through an artificial neural network. .
상기 목적을 달성하기 위한 본 발명의 관점에 따른 인공신경망을 기반으로 하는 적응형 거리측정장치는 비콘으로부터 전송된 신호의 수신신호세기의 잡음을 제거하여 보정데이터를 생성하는 신호전처리부, 기 설정된 활성화 함수가 적용되는 인공신경망을 구축하고, 기계학습엔진을 사용하여 보정데이터로부터 거리별 예측모델을 생성하는 인공신경망부, 및 상기 보정데이터를 상기 거리별 예측모델에 적용시켜 상기 비콘과의 거리를 산출하는 거리산출부를 포함한다. The adaptive distance measuring apparatus based on the artificial neural network according to the aspect of the present invention to achieve the above object is a signal preprocessing unit that generates correction data by removing noise of the received signal strength of a signal transmitted from a beacon, and a preset activation. An artificial neural network unit that constructs an artificial neural network to which the function is applied, generates a predictive model for each distance from the correction data using a machine learning engine, and calculates the distance to the beacon by applying the correction data to the predictive model for each distance. It includes a distance calculation unit.
본 발명에 따른 상기 신호전처리부는 동적 시스템의 상태를 추정하는 확장칼만필터와 상기 확장칼만필터를 통과한 데이터의 잡음을 보정하는 신호안정화필터를 포함한다. The signal preprocessor according to the present invention includes an extended Kalman filter for estimating a state of a dynamic system and a signal stabilization filter for correcting noise of data passing through the extended Kalman filter.
본 발명에 따른 상기 인공신경망부는 상기 비콘과의 거리측정이 가능한 전체거리를 측정하기 위한 전체모델을 생성하는 전체모델생성부와 상기 전체거리를 소정의 거리만큼 구획하여 각각의 거리구간마다 예측모델을 생성하는 구간모델생성부를 포함한다.The artificial neural network unit according to the present invention generates a total model generation unit that generates a total model for measuring the total distance from the beacon, and the total distance is divided by a predetermined distance to generate a prediction model for each distance section. It includes a section model generation unit to generate.
본 발명에 따른 상기 거리산출부는 상기 보정데이터를 상기 전체모델에 적용시켜 최초거리를 산출하는 최초거리산출부, 상기 최초거리가 상기 거리구간 중 특정 거리구간에 포함되는지 여부확인하고, 상기 특정 거리구간에 대응하는 특정 예측모델을 식별하는 예측모델식별부, 및 상기 보정데이터를 상기 특정 예측모델에 적용시켜 최종거리를 산출하는 최종거리산출부를 포함한다.The distance calculation unit according to the present invention is an initial distance calculation unit that calculates an initial distance by applying the correction data to the entire model, and checks whether the initial distance is included in a specific distance section among the distance sections, and the specific distance section And a prediction model identification unit for identifying a specific prediction model corresponding to, and a final distance calculation unit for calculating a final distance by applying the correction data to the specific prediction model.
본 발명은 비콘으로부터 전송된 신호로부터 최초거리를 산출하며, 최초거리를 인공신경망을 통해 생성된 거리별 모델에 접목시켜 오차가 보정된 최종거리를 산출함으로서 정밀하게 거리를 예측할 수 있는 효과가 있다.The present invention calculates an initial distance from a signal transmitted from a beacon, and calculates a final distance corrected for an error by incorporating the initial distance into a distance-specific model generated through an artificial neural network to accurately predict the distance.
도 1은 본 발명에 따른 인공신경망을 기반으로 하는 적응형 거리측정장치의 구성도이다.
도 2는 본 발명에 따른 인경신경망의 구조를 설명하기 위한 도면이다.
도 3은 본 발명에 따른 인공신경망을 기반으로 하는 적응형 거리측정장치의 일 실시예이다.
도 4는 본 발명의 인공신경망을 기반으로 하는 적응형 거리측정장치의 사용에 따른 정밀도를 나타내는 실험표이다.
도 5는 본 발명의 인공신경망을 기반으로 하는 적응형 거리측정장치의 사용에 따른 오차감소를 나타내는 실험표이다.1 is a block diagram of an adaptive distance measuring apparatus based on an artificial neural network according to the present invention.
2 is a view for explaining the structure of the neural network according to the present invention.
3 is an embodiment of an adaptive distance measuring apparatus based on an artificial neural network according to the present invention.
4 is an experimental table showing the precision according to the use of the adaptive distance measuring device based on the artificial neural network of the present invention.
5 is an experimental table showing error reduction according to the use of the adaptive distance measuring device based on the artificial neural network of the present invention.
이하, 본 발명의 바람직한 실시 예에 대하여 첨부된 도면을 참조하여 상세히 설명하기로 한다. 본 발명의 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In describing an embodiment of the present invention, when it is determined that a detailed description of a related known technology may unnecessarily obscure the subject matter of the present invention, a detailed description thereof will be omitted.
도 1은 본 발명에 따른 인공신경망을 기반으로 하는 적응형 거리측정장치의 구성도이다. 도 1을 참조하면, 인공신경망을 기반으로 하는 적응형 거리측정장치는 신호전처리부(100), 인공신경망부(200), 거리산출부(300)를 포함할 수 있다. 1 is a block diagram of an adaptive distance measuring apparatus based on an artificial neural network according to the present invention. Referring to FIG. 1, an adaptive distance measuring apparatus based on an artificial neural network may include a signal preprocessing
신호전처리부(100)는 비콘으로부터 전송된 신호의 수신신호세기의 잡음을 제거하여 보정데이터를 생성하는 장치이다. 신호전처리부(100)는 수신된 신호의 수신신호세기(RSSI; Received Signal Strength Indication)의 잡음을 제거하기 위해 확장칼만필터(110)와 신호안정화필터(120)를 포함한다. The signal preprocessing
확장칼만필터(Extended Kalman Filter; 110)는 주로 동적 시스템의 상태를 추정하는데 사용되는 필터이다. 또한, 확장칼만필터(110)는 가우시안(Gaussian) 잡음이 포함된 비선형 시스템의 상태에 대한 최적의 베이지안(Bayesian) 재귀 추정을 제공한다. 확장 칼만 필터(110)는 비선형 모델에서 최적 추정(Optimal Estimation)을 사용하는 평균제곱오차(Mean Square Error)를 최소화하는 방법을 사용하여 재귀적으로 다음상태를 추정하는 필터이다. 알고리즘의 수렴 속도가 빨라 실시간 처리가 용이하다. The Extended Kalman Filter 110 is a filter mainly used to estimate the state of a dynamic system. In addition, the extended Kalman
신호안정화필터(Signal Stabilization Filter; 120)는 확장칼만필터(110)를 통과한 데이터의 잡음을 보정하는 장치이다. 신호안정화필터(120)는 일정한 시간 동안 사용자가 수신한 비콘 신호 값의 흐름을 분석한 뒤 발생하는 잡음(noise) 데이터를 보정하여 위치 인식의 정확도로 확보하는 장치이다. 신호안정화필터(120)는 일정 사이즈로 데이터 구역을 설정한 후 평균값과 임계값을 이용하여 새로 수신된 신호의 잡음 여부를 판별한 후 잡음으로 판별되었을 경우 보정을 실시한다. The signal stabilization filter (120) is a device that corrects noise of data passing through the extended Kalman filter (110). The
인공신경망부(200)는 기 설정된 활성화 함수가 적용되는 인공신경망을 구축하고, 기계학습엔진을 사용하여 보정데이터부터 거리별 예측모델을 생성하는 장치이다. 이하 도 2를 통해 인공신경망 구조에 대해 자세히 설명하도록 한다. The artificial
도 2는 본발명에 따른 인공신공망의 구조로서 Input Layer, Hidden Layer, Output Layer로 설계되며, 각각의 Layer에는 활성화 함수가 적용된다. Input Layer는 비콘의 신호감도(TxPower)와 수신신호세기(RSSI)가 해당된다. Output Layer는 예측된 거리데이터(Distance)이다. Hidden Layer는 4-3구조로 설계되며, 각각에 tanh-sigmoid 함수를 사용한다. Input Layer에 보정데이터의 수신강도(TxPower)와 수신신호세기(RSSI)가 입력되면, Hidden Layer를 거쳐 Output Layer를 통해 거리가 예측되며, 기계학습엔진을 통해 거리별 모델이 생성된다. 기계학습엔진은 구글에서 개발한 tensorflow 등이 사용될 수 있다. 2 is a structure of an artificial new network according to the present invention, which is designed as an input layer, a hidden layer, and an output layer, and an activation function is applied to each layer. The input layer corresponds to the signal sensitivity (TxPower) of the beacon and the received signal strength (RSSI). The output layer is predicted distance data. The hidden layer is designed in 4-3 structure, and tanh-sigmoid function is used for each. When the reception strength (TxPower) and reception signal strength (RSSI) of the correction data are input to the input layer, the distance is predicted through the output layer through the hidden layer, and a model for each distance is generated through the machine learning engine. Machine learning engines such as tensorflow developed by Google can be used.
인공신경망부(200)는 전체모델생성부(210)와 구간모델생성부(220)를 포함할 수 있다. 전체모델생성부(210)와 구간모델생성부(220)는 기계학습엔진을 통해 전체모델과 거리별 예측모델을 생성하는 장치이다. 전체모델생성부(210)는 비콘과의 거리측정이 가능한 전체 영역 즉, 전체거리를 측정하기 위한 전체모델을 생성한다. 구간모델생성부(220)는 전체거리를 소정의 거리만큼 구획하여 각각의 거리구간마다 예측모델을 생성한다.The artificial
거리산출부(300)는 보정데이터를 거리별 예측모델에 적용시켜 비콘과의 거리를 산출하는 장치이다. 거리산출부(300)는 최초거리산출부(310)와 예측모델식별부(320), 최종거리산출부(330)를 포함할 수 있다. 최초거리산출부(310)는 보정데이터를 전체모델에 적용시켜 최초거리를 산출하는 장치이다. 예측모델식별부(320)는 최초거리가 거리구간 중 특정 거리구간에 포함되는지 여부확인하고, 특정 거리구간에 대응하는 특정 예측모델을 식별하는 장치이다. 최종거리산출부(330)는 보정데이터를 특정 예측모델에 적용시켜 최종거리를 산출하는 장치이다. The
이와 같은 본 발명에 의하여, 일정한 거리 단위별로 나누어 비콘의 수신신호세기(RSSI)를 수집한다. 수집된 수신신호세기의 잡음을 줄이기 위해 확장 칼만 필터(110)와 신호 안정화 필터(120)를 통해 신호전치리과정을 거친다. 산출된 수신신호세기 등을 기반으로 거리단위별 인공신경망(ANN; Artificial Neural Network) 학습을 수행한다. 이 과정을 통해 거리 단위별 인공신경망 모델이 생성되고, 이들은 각각 거리별로 특화된 모델이 된다. According to the present invention, the received signal strength (RSSI) of the beacon is collected by dividing it by a predetermined distance unit. In order to reduce the noise of the collected received signal strength, a signal pretreatment process is performed through the extended Kalman
거리 측정을 위하여 새로이 측정된 수신신호세기를 앞서 설명한 신호전처리부(100)를 통과시킨다. 잡음 등이 제거된 데이터(수신신호세기)는 거리산출부(300)에 입력된다. 거리산출부(300)에서는 측정 가능한 전 영역대의 전체거리 산출을 위하여 1차적으로 최초거리산출부(310)에 입력된다. 최초거리산출부(310)에서 계산된 최초거리는 예측모델식별부(320)를 거친 후, 일정 구간별로 구획된 최종거리산출부(330)에 입력되어 최종거리로 변환 출력된다.In order to measure the distance, the newly measured received signal strength is passed through the
[실험예][Experimental Example]
도 3은 본 발명에 따른 인공신경망을 기반으로 하는 적응형 거리측정장치의 일 실시예이다. 3 is an embodiment of an adaptive distance measuring apparatus based on an artificial neural network according to the present invention.
도 3을 참조하면, 신호전처리부(100)는 비콘로부터 신호를 전송받는다. 비콘으로부터 전송된 신호는 가공되지 않은 Raw Data이다. 신호전처리부(100)는 수신된 Raw Data의 확장칼만필터(110)를 통해 동적 시스템의 상태를 추정하며, 신호안정화필터(120)를 통해 확장칼만필터(110)를 통과한 데이터의 잡음을 보정하여 보정데이터를 생성한다. 3, the
도 3의 인공신공부(200)는 전체모델생성부(210)와 구간모델생성부(220)를 포함하고 있으며, 전체모델생성부(210)에 의해 생성된 전체모델(Full model)은 0~7m까지의 전체거리를 측정한다. 구간모델생성부(220)는 전체거리 0~7m를 0~3m, 3~5m, 5~7m로 구획하여 각각의 거리구간만다 예측모델을 생성하였다. 도 3의 실시예는 구간모델생성부(220)에 의해 0~3m구간은 2m Model, 3~5m의 구간은 4m Model, 5~7m는 6m Model이 생성된 경우이다. 여기서, 전체거리란 측정가능한 전 범위의 거리 영역을 의미한다. 한편, 각각의 거리구간은 사용자 등에 의하여 임의로 구획된 것으로 가변될 수 있다.The artificial
도 3을 참조하면, 최초거리산출부(310)는 전체모델에 보정데이터를 적용시켜 최초거리가 산출한다. 최초거리가 3m보다 작을 경우, 예측모델식별부(320)는 보정데이터를 2m Model에 적용시켜 최종거리를 산출하도록 한다. 최초거리가 3m이상 5m 미만일 경우는 4m Model, 5m 이상일 경우는 6m Model에 보정데이터를 적용시켜 최종거리가 산출된다. 3, the initial
도 4는 본 발명의 인공신경망을 기반으로 하는 적응형 거리측정장치의 사용에 따른 정밀도를 나타내는 실험표이다.4 is an experimental table showing the precision according to the use of the adaptive distance measuring device based on the artificial neural network of the present invention.
도 4의 실험예는 비콘의 TxPower가 -61로 고정, 수신기기는 삼성 갤럭시 S3제품을 사용하였다. 비콘과 수신기기 사이의 거리는 0.5m에서 시작하여, 0.5m간격으로 7m까지 점차 거리를 넓혀가며 실험을 진행한 경우이다. 스마트 기기에서 수집되는 데이터로는 측정시각, 초기 수신신호세기(RSSI)와 필터링 된 수신신호세기(RSS) 등이다.In the experimental example of FIG. 4, the TxPower of the beacon is fixed at -61, and the receiver is a Samsung Galaxy S3 product. This is a case where the distance between the beacon and the receiver starts at 0.5m and gradually increases to 7m at 0.5m intervals. Data collected by smart devices include measurement time, initial received signal strength (RSSI) and filtered received signal strength (RSS).
각 모델단위마다 약 1000개 정도의 데이터를 수집하였고, 수집한 전체 데이터 약 3000개 중 트레이닝 데이터는 60%, 테스팅 데이터는 40%로 정하였다. 실험은 3가지 환경에서 수행하였다. 먼저, 수신신호세기(RSSI)에 대해 필터링을 거치지 않고 ANN학습을 시킨 모델, 수신신호세기(RSSI)에 확장칼만필터(110)와 신호안정화필터(120)를 적용시킨 후 ANN학습 모델, 본 발명에서 제안하는 적응형 ANN 학습 모델에 대한 정밀도를 측정하였다. About 1000 data were collected for each model unit, and training data was set at 60% and testing data at 40% of the total collected data. Experiments were conducted in three environments. First, the ANN learning model without filtering for the received signal strength (RSSI), the
정밀도(Precision)값은 3m 모델의 경우에 에러(error)가 0.2로 가정한다. 실제거리가 0.5 ~ 3m인 경우에 에러를 고려하여 예측거리가 0.3 ~ 3.2m 이내로 나온 경우라면 정탐(TP; True Positive)로 카운팅한다. 반면, 실제거리가 3.5m 인데, 예측치가 0.3 ~ 3.2m 이내로 나온 경우라면 오탐(FP; False Positive)로 카운팅한다. The precision value is assumed to have an error of 0.2 in the case of a 3m model. If the actual distance is 0.5 to 3m, and the predicted distance is within 0.3 to 3.2m, taking into account the error, it is counted as a true positive (TP). On the other hand, if the actual distance is 3.5m and the predicted value is within 0.3 ~ 3.2m, it is counted as a false positive (FP).
도 4를 참고하여, 정밀도는 정탐/(정탐+오탐)으로 구하였다. 도 4와 같이, 전체적으로 본 발명에서 제안하는 적응형 ANN학습모델의 정밀도가 높은 것으로 측정된 것을 확인할 수 있다.With reference to FIG. 4, the precision was calculated as spy detection/( spy detection + false detection). As shown in FIG. 4, it can be seen that the overall accuracy of the adaptive ANN learning model proposed by the present invention is measured to be high.
도 5는 각각의 모델별, 평균 오차(Average Error)를 나타내는 실험표이다. 도 5의 실험예는 도 4와 동일한 조건에서 실행되었으며, 본 발명에서 제안하는 적응형 ANN학습모델의 평균오차가 약 0.67m로 가장 낮은 것을 확인할 수 있다. 반면, 다른 모델의 경우 평균 1m의 오차를 가지고 있음을 알 수 있다.5 is an experimental table showing an average error for each model. The experimental example of FIG. 5 was performed under the same conditions as in FIG. 4, and it can be seen that the average error of the adaptive ANN learning model proposed in the present invention is about 0.67m, which is the lowest. On the other hand, it can be seen that other models have an average error of 1m.
이를 통하여 볼 때 7m 이내의 거리에서 동일한 필터를 적용한 ANN 모델의 결과보다 약 0.34m의 오차가 개선된 것이 확인된다. 평균 0.78의 정밀도를 달성하였다.From this, it is confirmed that the error of about 0.34m is improved compared to the result of the ANN model applying the same filter at a distance within 7m. An average precision of 0.78 was achieved.
100 : 신호전처리부 110 : 확장칼만필터
120 : 신호안정화필터 200 : 인공신경망부
210 : 전체모델생성부 220 : 구간모델생성부
300 : 거리산출부 310 : 최초거리산출부
320 : 예측모델식별부 330: 최종거리산출부100: signal preprocessor 110: extended Kalman filter
120: signal stabilization filter 200: artificial neural network unit
210: entire model generation unit 220: section model generation unit
300: distance calculation unit 310: initial distance calculation unit
320: predictive model identification unit 330: final distance calculation unit
Claims (4)
기 설정된 활성화 함수가 적용되는 인공신경망을 구축하고, 기계학습엔진을 사용하여 상기 보정데이터로부터 거리별 예측모델을 생성하는 인공신경망부; 및
상기 보정데이터를 전체모델에 적용시켜 최초거리를 산출하는 최초거리산출부, 상기 최초거리가 거리구간 중 특정 거리구간에 포함되는지 여부확인하고, 상기 특정 거리구간에 대응하는 특정 예측모델을 식별하는 예측모델식별부, 및 상기 보정데이터를 상기 특정 예측모델에 적용시켜 최종거리를 산출하는 최종거리산출부가 포함된 거리산출부;를 포함하는 것을 특징으로 하는 인공신경망을 기반으로 하는 적응형 거리측정장치.
A signal preprocessing unit generating correction data by removing noise of the received signal strength of the signal transmitted from the beacon;
An artificial neural network unit for constructing an artificial neural network to which a preset activation function is applied, and generating a prediction model for each distance from the correction data using a machine learning engine; And
An initial distance calculation unit that applies the correction data to the entire model to calculate an initial distance, checks whether the initial distance is included in a specific distance section among distance sections, and identifies a specific prediction model corresponding to the specific distance section And a distance calculation unit including a model identification unit and a final distance calculation unit for calculating a final distance by applying the correction data to the specific prediction model.
동적 시스템의 상태를 추정하는 확장칼만필터; 및
상기 확장칼만필터를 통과한 데이터의 잡음을 보정하는 신호안정화필터;를 포함하는 것을 특징으로 하는 인공신경망을 기반으로 하는 적응형 거리측정장치.
The method of claim 1, wherein the signal preprocessor
An extended Kalman filter that estimates the state of a dynamic system; And
And a signal stabilization filter for correcting noise of data passing through the extended Kalman filter. 2. An adaptive distance measuring device based on an artificial neural network, comprising: a.
상기 비콘과의 거리측정이 가능한 전체거리를 측정하기 위한 상기 전체모델을 생성하는 전체모델생성부; 및
상기 전체거리를 소정의 거리만큼 구획하여 각각의 상기 거리구간마다 예측모델을 생성하는 구간모델생성부;를 포함하는 것을 특징으로 하는 인공신경망을 기반으로 하는 적응형 거리측정장치.The method of claim 1, wherein the artificial neural network
An entire model generation unit generating the entire model for measuring an entire distance capable of measuring a distance from the beacon; And
And a section model generation unit that divides the entire distance by a predetermined distance and generates a predictive model for each of the distance sections.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180123876A KR102155419B1 (en) | 2018-10-17 | 2018-10-17 | Apparatus for adaptive distace measurement base on artificial neural networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180123876A KR102155419B1 (en) | 2018-10-17 | 2018-10-17 | Apparatus for adaptive distace measurement base on artificial neural networks |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200043146A KR20200043146A (en) | 2020-04-27 |
KR102155419B1 true KR102155419B1 (en) | 2020-09-11 |
Family
ID=70467859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180123876A KR102155419B1 (en) | 2018-10-17 | 2018-10-17 | Apparatus for adaptive distace measurement base on artificial neural networks |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102155419B1 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102494708B1 (en) * | 2020-08-31 | 2023-02-02 | 한국전기연구원 | Pedestrian guidance system and method for the visually impaired on diagonal crosswalk |
CN112965048B (en) * | 2021-02-09 | 2023-04-07 | 深圳市灵明光子科技有限公司 | Laser ranging error correction method, device, electronic equipment and storage medium |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101775510B1 (en) * | 2016-04-15 | 2017-09-06 | 영남대학교 산학협력단 | Apparatus and method for measuring indoor position |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8498811B2 (en) * | 2011-02-09 | 2013-07-30 | SenionLab AB | Method and device for indoor positioning |
KR101760741B1 (en) | 2015-08-25 | 2017-07-26 | 주식회사 페이스시스템 | Method for assuming location in workplace using beacon and location based service providing system and method |
-
2018
- 2018-10-17 KR KR1020180123876A patent/KR102155419B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101775510B1 (en) * | 2016-04-15 | 2017-09-06 | 영남대학교 산학협력단 | Apparatus and method for measuring indoor position |
Also Published As
Publication number | Publication date |
---|---|
KR20200043146A (en) | 2020-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | Improved Wi-Fi RSSI measurement for indoor localization | |
CN109275095B (en) | Bluetooth-based indoor positioning system, positioning equipment and positioning method | |
Elbakly et al. | A robust zero-calibration RF-based localization system for realistic environments | |
Kim et al. | Distance estimation with weighted least squares for mobile beacon-based localization in wireless sensor networks | |
US8738030B2 (en) | Apparatus and method for determining a correspondence of a position with a reference position | |
KR20170091811A (en) | An indoor positioning method using the weighting the RSSI of Bluetooth beacon and pedestrian pattern | |
CN105120433A (en) | WLAN indoor positioning method based on continuous sampling and fuzzy clustering | |
CN102281629A (en) | Positioning method and positioning device | |
Moreira et al. | Multiple simultaneous Wi-Fi measurements in fingerprinting indoor positioning | |
EP1853082B1 (en) | System and method to perform network node localization training using a mobile node | |
WO2016079656A1 (en) | Zero-calibration accurate rf-based localization system for realistic environments | |
KR102155419B1 (en) | Apparatus for adaptive distace measurement base on artificial neural networks | |
CN110543842A (en) | Target motion identification method and system based on Wi-Fi signals | |
EP3045001A1 (en) | Methods, wireless device and network node for managing positioning method based on prediction | |
Chaudhari et al. | Spatial interpolation of cyclostationary test statistics in cognitive radio networks: Methods and field measurements | |
CN103152745A (en) | Method of locating mobile node with strong adaptivity | |
Siyang et al. | WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping | |
KR101189943B1 (en) | Cognitive radio communication system engine unit using chaotic property | |
KR102416604B1 (en) | Mehtod and device for precise positioning for wireless communication system | |
CN102869091B (en) | Method and device for determining arrival time of location reference signals | |
Moradbeikie et al. | A cost-effective LoRaWAN-based IoT localization method using fixed reference nodes and dual-slope path-loss modeling | |
Subhan et al. | Extended gradient predictor and filter for smoothing RSSI | |
KR101694521B1 (en) | Apparatus and method for generating radio fingerprint map | |
Li et al. | A dynamic adaptive indoor ranging model based on RSSI | |
CN110944293B (en) | Radio search positioning method based on path attenuation and Kalman filtering fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |