Aufrufe
vor 3 Jahren

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

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

72 5.2 Ergebnisse 5.2.2

72 5.2 Ergebnisse 5.2.2 Ergebnisse der Fehlertoleranz-Testserie Für die Fehlertoleranz-Testserie wurden für jede Fehlerart insgesamt 12 Testreihen mit jeweils 10 Wiederholungen durchgeführt. Die Ergebnisse der Messungen werden nach Fehlerart getrennt betrachtet. Falsch-Negativ-Test Das Ausbleiben der ersten Auslösung des Sensors 4 hat zur Folge, dass der Wechsel des Raums nicht erkannt wird und somit die Zustandsschätzung bei Raum 5 bleibt. Somit fällt die Erkennungsrate in allen Versuchen nach dem ersten Raumwechsel auf 0%. Erst mit weiteren, korrekten Sensorauslösungen verbessert sich die Erkennungsrate. Abbildung 5.19 zeigt die Erkennungsraten mit dem Sensormodell RFID. Es ist zu erkennen, dass sich die Erkennungsraten erst nach dem vierten Raumwechsel erholen. Nach dem siebten Raumwechsel scheinen sie sich wieder sich den Weten aus der synthetischen Testserie anzunähern. 100 Erkennungsraten des Falsch-Negativ-Tests Sensormodell RFID Erkennungsrate (%) 90 80 70 60 50 40 30 20 10 Noise Particles 0 Noise Particles 100 Noise Particles 200 0 3 2 1 2 3 4 3 5 Raum Bild 5.19: Darstellung der Erkennungsraten des Sensormodells RFID im Falsch-Negativ-Test Das Sensormodell Approximation zeigt ein besseres Erholungsverhalten auf eine falsch-negative Messung. Auch hier liegen nach dem ersten Raumwechsel die Erkennungsraten bei 0%. Sie steigen aber stetig mit jeder korrekten Sensorauslösung an. Nach dem fünften Raumwechsel ist eine durchschnittliche Erkennungsrate auf über 90% gestiegen. Die Steigung der Erkennungsraten scheint unabhängig von den Parametereinstellungen zu sein. Allgemein liefert eine höhere Partikelzahl eine höhere Erkennungsrate, wie schon in der synthetischen Testserie festzustellen war. Abbildung 5.20 zeigt die Erkennungsraten des Sensormodells Approximation für den

5 Evaluierung 73 Falsch-Negativ-Test in Abhängigkeit von der Partikelzahl. Abbildung 5.21 zeigt die Erkennungsraten des Sensormodells Approximation für den Falsch-Negativ-Test in Abhängigkeit von Noise Particles. 100 Durchschnittliche Erkennungsraten des Falsch-Negativ-Tests Sensormodell Approximation Erkennungsrate (%) 90 80 70 60 50 40 30 20 10 250 Partikel 500 Partikel 1000 Partikel 0 3 2 1 2 3 4 3 5 Raum Bild 5.20: Darstellung der Erkennungsraten des Sensormodells Approximation im Falsch- Negativ-Test in Abhängigkeit von Partikelzahl Falsch-Positiv-Test Abbildung 5.22 zeigt die Erkennungsraten des Sensormodells RFID im Falsch-Positiv-Test. Sie variieren stark je nach Raum. Es ist nicht zu erkennen, ob der Einsatz von Noise Particles einen Einfluss auf die Erholung der Erkennungsraten hat. Das Sensormodell Approximation zeigt auch beim Falsch-Positiv-Test ein besseres Erholungsverhalten. Hier liegen nach dem ersten Raumwechsel die Erkennungsraten bei durchschnittlich 76%. Sie steigen stetig mit jeder weiteren korrekten Sensorauslösung, um sich nach dem fünften Raumwechsel bei über 90% zu stabilisieren. Die Steigung der Erkennungsraten scheint unabhängig von den Parametereinstellungen zu sein. Eine höhere Partikelzahl liefert eine höhere Erkennungsraten (Abbildung 5.23). Der Einsatz von Noise Particles scheint die Erkennungsraten schneller zu verbessern (Abbildung 5.24).

Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Faltungsnetzwerke zur Gesichtsdetektion unter ... - Gernot A. Fink
Secure Candle - Klassifikation akustischer ... - Gernot A. Fink
Mustererkennung - Prinzipien, Methoden ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Unüberwachtes Lernen von Handschriftstilen - Gernot A. Fink - TU ...
Rechnerarchitektur SS 2012 - Cluster - Gernot A. Fink - TU Dortmund
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