Aufrufe
vor 4 Jahren

Approximative Indoor-Lokalisierung von RFID ... - Gernot A. Fink

Approximative Indoor-Lokalisierung von RFID ... - Gernot A. Fink

68 5.2 Ergebnisse

68 5.2 Ergebnisse Auffällig ist die schlechte Erkennungsrate für Raum 5 am Ende der Trajektorie. Es ist zu erkennen, dass dieses Sensormodell mit den gewählten Parametereinstellungen keine zufriedenstellenden Erkennungsraten liefert. Um zu untersuchen, ob eine deutliche Steigerung der Partikelzahl eine Verbesserung der Erkennungsrate bewirkt, wird dieses Sensormodell mit folgenden Parametern getestet: • 10000 Partikel • Motion Error: 0,5 und 1,0 • Sensor TTL: 10 und 20 • Noise Particles: 0 Durchschnittliche Erkennungsraten Sensormodell RFID 10000 Partikel 100 90 80 Erkennungsrate (%) 70 60 50 40 30 20 10 0 0,5 1 Motion Error Sensor TTL: 5 Sensor TTL: 10 Bild 5.13: Erkennungsraten des Sensormodells RFID in der synthetischen Testserie mit 10000 Partikeln Es zeigt sich, dass eine starke Steigerung der Partikelzahl die Erkennungsrate erhöht, jedoch nur in einem geringen Ausmaß. Die durchschnittliche Standardabweichung bleibt in den Größenordnungen der Messergebnisse für 500 und 1000 Partikeln. Bei 10000 Partikeln scheinen sich ein Sensor TTL-Wert von 20 und ein Motion Error-Wert von 0, 5 negativ auf die Erkennungsrate auszuwirken.

5 Evaluierung 69 Sensormodell Approximation In diesem Abschnitt werden die Messergebnisse für das Sensormodell Approximation vorgestellt. Abbildung 5.15 zeigt die durchschnittlichen Erkennungsraten dieser Testserie in Abhängigkeit von Partikelzahl und Motion Error. Abbildung 5.14 zeigt die durchschnittlichen Erkennungsraten in Abhängigkeit von Partikelzahl und Q(err). Die vertikalen Linien stellen die durchschnittliche Standardabweichung der Erkennungsraten dar. Es deutet sich eine hohe Abhängigkeit der Erkennungsraten und deren Standardabweichung von dem Parameter Q(err) an. Insbesondere fallen die schlechten Ergebnisse für Q(err) = 20 auf. Um die Auswirkungen dieses Parameterwertes genauer zu untersuchen, werden in Abbildung 5.16 die Erkennungsraten in Abhängigkeit von Q(err) aufgeschlüsselt nach Räumen dargestellt. Hier bestätigen sich die schlechten Erkennungsraten für Q(err) = 20. 100 90 80 Durchschnittliche Erkennungsraten Synthetische Testreihe Sensormodell Approximation Erkennungsrate (%) 70 60 50 40 30 20 10 0 5 10 20 Q(err) 250 Partikel 500 Partikel 1000 Partikel Bild 5.14: Erkennungsraten des Sensormodells Approximation in der synthetischen Testserie in Abhängigkeit von Partikelzahl und Q(err) In Abbildung 5.17 die Erkennungsraten in Abhängigkeit von der Partikelzahl aufgeschlüsselt nach Räumen mit und ohne Q(err) = 20 dargestellt. In Abbildung 5.18 werden die Erkennungsraten in Abhängigkeit von der Motion Error aufgeschlüsselt nach Räumen mit und ohne Q(err) = 20 dargestellt. Es zeigt sich, dass mit steigender Partikelzahl die Erkennungsrate steigt und die Standardabweichung sinkt.

Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Faltungsnetzwerke zur Gesichtsdetektion unter ... - Gernot A. Fink
Mustererkennung - Prinzipien, Methoden ... - Gernot A. Fink
Secure Candle - Klassifikation akustischer ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Cluster - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Unüberwachtes Lernen von Handschriftstilen - Gernot A. Fink - TU ...
DETEKTION HANDSCHRIFTLICHER TEXTE IN ... - Gernot A. Fink
Simultane Lokalisierung und Kartenerstellung eines ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Skriptum zur Vorlesung “Mustererkennung” - Gernot A. Fink
Mensch und Maschine verbinden - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Automatische Kalibrierung verteilter Mikrophonfelder - Gernot A. Fink