Enhancing Cluster-based RFID Tag Localization using artificial neural networks and virtual reference tags
Notice bibliographique
Résumé
Indoor/outdoor localization has gained importance as it has the potential to improve various processes related to the resource management of construction projects and to deliver personalized and location-based services (LBS). Radio Frequency Identification (RFID) based systems, have been widely used in different applications in construction and maintenance. This paper investigates the usage of active RFID technology for the localization of movable objects (e.g. material, equipment, tools, and assets) equipped with RFID tags using handheld readers. The method builds on Cluster-based Movable Tag Localization (CMTL) technique which uses k-Nearest Neighbor (k-NN) algorithm. CMTL uses multidimensional clustering technique that considers signal pattern similarity between target and reference tags together with spatial distribution of reference tags for detecting the region where the target tag is located. This paper proposes applying an irregular bilinear interpolation method to form a grid of virtual reference tags within the selected cluster of real reference tags. Moreover, the proposed method uses artificial neural networks (ANN) for positioning the target tag, as opposed to empirical weighted averaging formulas used in similar k-NN based methods. Comparative analysis is performed to quantify the improvement of the proposed method over similar k-NN-based methods using a simulation environment. A case study is performed to analyze the performance of the proposed method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».