Aufrufe
vor 3 Jahren

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

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

80 5.3 Zusammenfassung

80 5.3 Zusammenfassung der Ergebnisse und Diskussion müssen sich die Partikel auch durch den Durchgang bewegen (s. Abbildung 3.4.3). Falls kein Partikel in das Feld eintritt, ist das Ergebnis gleichbedeutend mit einer falsch-negativen Messung. Das lässt vermuten, dass dieses Modell eine hohe Partikelzahl erfordert. Es ist denkbar, dass eine massive Steigerung oder eine dynamische Anpassung der Partikelzahl die Erkennungsraten steigert. Versuchsreihen mit 10000 Partikeln steigerten die Erkennungsrate jedoch nur um 10- 20% im Vergleich zu 500 und 1000 Partikeln. Ein weiterer möglicher Kritikpunkt ist, dass dieses Modell eventuell anfällig für Größenunterschiede von Räumen sein kann. Mit der Größe eines Raums verändert sich auch das Verhältnis von Partikel pro Fläche: je größer der Raum, desto geringer das Verhältnis bei gleichbleibender Partikelzahl. Das Verhältnis Partikel pro Fläche ist gleichzeitig die Wahrscheinlichkeit, wie viele Partikel sich in einem bestimmten Bereich befinden. Da in diesem Modell die Partikel im Randbereich der Sensoren entscheidend sind, wird mit diesem Verhältnis auch das Verhalten des Partikelfilters beeinflusst. Eine geringe Wahrscheinlichkeit der Anwesenheit von Partikeln in der Nähe von Sensorfeldern bedeutet auch eine geringe Eintrittswahrscheinlichkeit von Partikeln in das Feld zum Zeitpunkt einer Sensorauslösung. Allgemein ist zu vermuten, dass auch die Kombination aus dem Sensormodell RFID und dem randomisierten Bewegungsmodell (s. Abschnitt 3.4.2) zu diesen schlechten Ergebnissen führt. Während der Versuche konnte beobachtet werden, dass regelmäßig Partikel, die während einer Sensorauslösung ins Sensorfeld eintraten und hochgewichtet wurden, nicht den Durchgang entlangschritten, sondern beispielsweise gegen eine Wand liefen und per Bewegungsmodell zurückprallten. Ein Bewegungsmodell, das nicht allein auf Gaußscher Unschärfe basiert, sondern realistische Annahmen in Bezug auf das menschliche Bewegungsverhalten innerhalb von Gebäuden implementiert, könnte zur Verbesserung der Ergebnisse führen. Sensormodell Approximation. Dieses Modell lieferte in einer Reihe von Parameterkombinationen deutlich bessere Erkennungsraten als das Sensormodell RFID. Der entscheidende Parameter für das Verhalten des Partikelfilters ist Q(err), ein Parameter im Gewichtungsschritt des Partikelfilters. Ein Q(err)-Wert von 20 führte zu einem unerwarteten Verhalten des Partikelfilters. Er hatte einen starken Einfluss auf die Erkennungsrate, wie in den Abbildungen 5.14 und 5.16 zu sehen ist. Daher wurden für die Ergebnisse die Werte einmal mit Q(err): 20 und einmal ohne bewertet. Ein Wert von Q(err) zwischen 5 bis 10 liefert eine durchschnittliche Erkennungsrate von 94, 6%, eine Einstellung auf 20 dagegen eine durchschnittliche Erkennungsrate von 35, 8% (s. Tabelle 5.11). Daraus lässt sich schließen, dass sich ein Q(err)-Wert < 10 zur Lokalisierung eignet. Das Verhalten des Partikelfilters bei einem Q(err)-Wert von 20 bewirkt eine große Varianz in den Messwerten, wenn nicht nach Q(err) getrennt wird, was sich in den Standardabweichungen zeigt. Wenn man die durchschnittliche Erkennungsrate für das Approximations-Sensormodell über alle Räume und alle Parameter grafisch betrachtet und die Raumgrößen mit berücksichtigt, erhält man Abbildung 5.28.

5 Evaluierung 81 Q(err) ø Erkennungsrate (%) 5 95,8 10 93,4 20 35,8 Tabelle 5.11: Durschnittliche Erkennungsrate der synthetischen Testserie, Sensormodell Approximation, gruppiert nach Q(err) 100 Vergleich von Erkennungsrate und Raumgröße Sensormodell Approximation 90 80 70 60 50 40 Erkennungsquote (%) Raumgröße (m²) 30 20 10 0 3 2 1 2 3 4 3 5 Raum Bild 5.28: Vergleich zwischen der Erkennungsrate des Sensormodells Approximation (blaue Linie, %) und den Raumgrößen (rote Linie, m 2 )

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
Mensch und Maschine verbinden - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Simultane Lokalisierung und Kartenerstellung eines ... - Gernot A. Fink
Skriptum zur Vorlesung “Mustererkennung” - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Automatische Kalibrierung verteilter Mikrophonfelder - Gernot A. Fink