RADIO FREQUENCY BASED INPAINTING FOR INDOOR LOCALIZATION USING MEMORYLESS TECHNIQUES AND WIRELESS TECHNOLOGY

Tammineni Shanmukha Prasanthi; Swarajya Madhuri Rayavarapu; Gottapu Sasibhushana Rao; Raj Kumar Goswami; Gottapu Santosh Kumar

doi:10.35784/iapgos.6236

PDF (angielski)

Opublikowane: 2024-12-21

DOI: https://doi.org/10.35784/iapgos.6236

Numer Tom 14 Nr 4 (2024)

IDENTYFIKACJA SZTYWNEJ PRZESZKODY O DOWOLNYM KSZTAŁCIE OŚWIETLONEJ PŁASKĄ FALĄ AKUSTYCZNĄ PRZY UŻYCIU DANYCH Z BLISKIEGO POLA
Tomasz Rymarczyk, Jan Sikora

5-9
OBRAZOWANIE OPARTE NA CZĘSTOTLIWOŚCI RADIOWEJ DO LOKALIZACJI WEWNĄTRZ POMIESZCZEŃ Z WYKORZYSTANIEM TECHNIK BEZPAMIĘCIOWYCH I TECHNOLOGII BEZPRZEWODOWEJ
Tammineni Shanmukha Prasanthi, Swarajya Madhuri Rayavarapu, Gottapu Sasibhushana Rao, Raj Kumar Goswami, Gottapu Santosh Kumar

10-15
INTELIGENTNA TECHNOLOGIA DOPASOWYWANIA DLA ELASTYCZNYCH ANTEN
Olena Semenova, Andriy Semenov, Stefan Meulesteen, Natalia Kryvinska, Hanna Pastushenko

16-22
RÓŻNICOWE MAPOWANIE MACIERZY MULLERA SKŁADNIKA POLIKRYSTALICZNEGO TKANEK BIOLOGICZNYCH NARZĄDÓW LUDZKICH
Andrei Padure, Oksana Bakun, Ivan Mikirin, Oleksandr Dubolazov, Iryna Soltys, Oleksandr Olar, Yuriy Ushenko, Oleksandr Ushenko, Irina Palii, Saule Kumargazhanova

23-27
SELEKTOR POLARYZACJI NA FALOWODACH CZĘŚCIOWO WYPEŁNIONYCH DIELEKTRYKIEM
Vitaly Pochernyaev, Nataliia Syvkova, Mariia Mahomedova

28-31
FUNKCJONALNIE ZINTEGROWANY PRZYRZĄD DO POMIARU TEMPERATURY
Les Hotra, Oksana Boyko, Igor Helzhynskyy, Hryhorii Barylo, Marharyta Rozhdestvenska, Halyna Lastivka

32-37
BADANIA PROCESU KONTROLI OZONU Z WYKORZYSTANIEM CZUJNIKÓW ELEKTRONICZNYCH
Sunggat Marxuly, Askar Abdykadyrov, Katipa Chezhimbayeva, Nurzhigit Smailov

38-45
OPTYMALIZACJA FARM WIATROWYCH: PORÓWNAWCZE ZWIĘKSZENIE WYDAJNOŚCI W WARUNKACH NISKIEJ PRĘDKOŚCI WIATRU
Mustafa Hussein Ibrahim, Muhammed A. Ibrahim, Salam Ibrahim Khather

46-51
STEROWANIE MPPT SYSTEMU PV: ANALIZA PORÓWNAWCZA ALGORYTMÓW P&O, INCCOND, SMC I FLC
Khoukha Bouguerra, Samia Latreche, Hamza Khemlche, Mabrouk Khemliche

52-62
15-POZIOMOWY ASYMETRYCZNY FALOWNIK WIELOPOZIOMOWY OPARTY NA TECHNOLOGII DSTATCOM POPRAWIAJĄCY JAKOŚĆ ZASILANIA
Panneerselvam Sundaramoorthi, Govindasamy Saravana Venkatesh

63-70
SYMULACJA KOMPUTEROWA ZWARCIA TRANSFORMATORA NADPRZEWODNIKOWEGO
Leszek Jaroszyński

71-74
STEROWANIE ZORIENTOWANE POLOWO DLA SILNIKÓW INDUKCYJNYCH OPARTE NA SZTUCZNEJ INTELIGENCJI
Elmehdi Benmalek, Marouane Rayyam, Ayoub Gege, Omar Ennasiri, Adil Ezzaidi

75-81
BADANIE ZMIAN POZIOMU BEZPIECZEŃSTWA SIECI W OPARCIU O PODEJŚCIE KOGNITYWNE
Olha Saliieva, Yurii Yaremchuk

82-85
WYKORZYSTANIE UCZENIA MASZYNOWEGO W SYSTEMACH WYKRYWANIA WŁAMANIA DO SIECI
Ahmad Sanmorino, Herri Setiawan, John Roni Coyanda

86-89
WYKORZYSTANIE WEKTORÓW WSPIERAJĄCYCH DO ZBUDOWANIA OPARTEGO NA REGUŁACH SYSTEMU WYKRYWANIA ZŁOŚLIWYCH PROCESÓW W RUCHU SIECIOWYM ORGANIZACJI
Halyna Haidur, Sergii Gakhov, Dmytro Hamza

90-96
WYODRĘBNIANIE PAR EMOCJA-PRZYCZYNA: METODOLOGIA OPARTA NA BiLSTM
Raga Madhuri Chandra, Giri Venkata Sai Tej Neelaiahgari, Satya Sumanth Vanapalli

97-103
UDOSKONALENIE α-PARAMETERYZOWANEJ METODY PRZEKSZTAŁCENIA RÓŻNICZKOWEGO Z OPTYMALIZATOREM DANDELION DO ROZWIĄZYWANIA RÓWNAŃ RÓŻNICZKOWYCH ZWYCZAJNYCH
Mustafa Raed Najeeb, Omar Saber Qasim

104-108
METODA ADAPTACYJNEGO KODOWANIA STATYSTYCZNEGO Z UWZGLĘDNIENIEM CECHY STRUKTURALNE OBRAZÓW WIDEO
Volodymyr Barannik, Dmytro Havrylov, Serhii Pantas, Yurii Tsimura, Tatayna Belikova, Rimma Viedienieva, Vasyl Kryshtal

109-114
OPTYMALIZACJA PROGNOZOWANIA SZEREGÓW CZASOWYCH: WYKORZYSTANIE MODELI UCZENIA MASZYNOWEGO W CELU ZWIĘKSZENIA DOKŁADNOŚCI PREDYKCYJNEJ
Waldemar Wójcik, Assem Shayakhmetova, Ardak Akhmetova, Assel Abdildayeva, Galymzhan Nurtugan

115-120
SYNCHRONIZACJA ZARZĄDZANIA STEROWANEGO ZDARZENIAMI PODCZAS GROMADZENIA DANYCH
Valeriy Kuzminykh, Oleksandr Koval, Yevhen Havrylko, Beibei Xu, Iryna Yepifanova, Shiwei Zhu, Nataliia Bieliaieva, Bakhyt Yeraliyeva

121-129
UKŁAD INTERFEJSU A WYDAJNOŚĆ PRZYSWAJANIA INFORMACJI W PROCESIE UCZENIA SIĘ
Julia Zachwatowicz, Oliwia Zioło, Mariusz Dzieńkowski

130-135
ZAUTOMATYZOWANY SYSTEM ZARZĄDZANIA WODĄ Z PROGNOZOWANIEM ZAPOTRZEBOWANIA OPARTYM NA SZTUCZNEJ INTELIGENCJI
Arman Mohammad Nakib

136-140
SCHEMATY UML SYSTEMU ZARZĄDZANIA STANOWISKAMI UTRZYMANIA
Lyudmila Samchuk, Yuliia Povstiana

141-145
PRZEWIDYWANIE WAGI DEFEKTU KODU NA PODSTAWIE UCZENIA ZESPOŁOWEGO
Ghada Mohammad Tahir Aldabbagh, Safwan Omar Hasoon

146-153
NIEDROGA RZECZYWISTOŚĆ ROZSZERZONA W CHIRURGII KRĘGOSŁUPA: BADANIE EMPIRYCZNE DOTYCZĄCE POPRAWY WIZUALIZACJI I DOKŁADNOŚCI CHIRURGICZNEJ
Iqra Aslam, Muhammad Jasim Saeed, Zarmina Jahangir, Kanza Zafar, Muhammad Awais Sattar

154-163

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Tammineni Shanmukha Prasanthi

prashanthitammineni.rs@andhrauniversity.edu.in

Andhra University

https://orcid.org/0009-0000-5352-2265

Swarajya Madhuri Rayavarapu

madhurirayavarapu.rs@andhrauniversity.edu.in

Andhra University

Gottapu Sasibhushana Rao

sasigps@gmail.com

Andhra University

Raj Kumar Goswami

rajkumargoswami@gmail.com

Gayatri Vidya Parishad College of Engineering for Women

https://orcid.org/0000-0002-0651-6783

Gottapu Santosh Kumar

kumar.santou@gmail.com

Gayatri Vidya Parishad College of Engineering

https://orcid.org/0000-0002-1452-9752

Abstrakt

W ostatnim czasie Internet Rzeczy (IoT) rozwinął się i objął nadzór nad urządzeniami poprzez wykorzystanie Systemów Pozycjonowania Wewnętrznego (IPS) i Usług Lokalizacyjnych (LBS). Jedną z powszechnie stosowanych metod pozycjonowania wewnętrznego (IPS) jest wykorzystanie sieci bezprzewodowych do określenia lokalizacji celu. Osiąga się to poprzez wykorzystanie urządzeń o znanej pozycji. Usługi oparte na lokalizacji (LBS) odgrywają istotną rolę w wielu aplikacjach inteligentnych budynków, umożliwiając tworzenie wydajnych i efektywnych środowisk pracy. W niniejszym opracowaniu przeanalizowano cztery algorytmy pozycjonowania bez pamięci, a mianowicie K-Nearest Neighbour (KNN), drzewo decyzyjne, Naïve Bayes i Random Forest Regressor. Algorytmy są porównywane na podstawie ich wydajności pod względem błędu średniokwadratowego, pierwiastka błędu średniokwadratowego, średniego błędu bezwzględnego i współczynnika determinacji R². Przeprowadzono analizę porównawczą w celu zweryfikowania wyników różnych technik bez pamięci w technologii Wi-Fi. Na podstawie dowodów empirycznych ustalono, że Naïve Bayes jest strategią lokalizacji, która wykazuje najwyższy poziom dokładności. Zbiór danych zawierający pomiary wskaźnika siły odbieranego sygnału (RSSI) ze wszystkich badań jest dostępny online.

Słowa kluczowe:

RSSI, K-Nearest Neighbour, lokalizacja wewnątrz pomieszczeń, Random Forest Regressor

Bibliografia

[1] Ahmad T., X. Li J., Seet B.-C.: A self-calibrated centroid localization algorithm for indoor ZigBee WSNs. 8th IEEE International Conference on Communication Software and Networks (ICCSN), Beijing, China, 2016, 455–461 [https://doi.org/10.1109/ICCSN.2016.7587200].

[2] Amirisoori S. et al.: Wi-Fi based indoor positioning using fingerprinting methods (KNN algorithm) in real environment. International Journal of Future Generation Communication and Networking 10(9), 2017, 23–36.

[3] Ge X., Qu Z.: Optimization WIFI indoor positioning KNN algorithm location-based fingerprint. 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), Beijing, China, 2016, 135–137.

[4] Guo L. et al.: From signal to image: Capturing fine-grained human poses with commodity Wi-Fi. IEEE Communications Letters 24(4), 2019, 802–806.

[5] Jadhav S. D., Channe H. P.: Comparative study of K-NN, Naive Bayes and decision tree classification techniques. International Journal of Science and Research (IJSR) 5(1), 2016, 1842–1845.

[6] Kato S. et al.: CSI2Image: Image reconstruction from channel state information using generative adversarial networks. IEEE Access 9, 2021, 47154–47168.

[7] Kefayati M. H., Pourahmadi V., Aghaeinia H.: Wi2Vi: Generating video frames from WiFi CSI samples. IEEE Sensors Journal 20(19), 2020, 11463–11473.

[8] Konings D. et al.: The effects of interference on the RSSI values of a ZigBee based indoor localization system. 24th International Conference on Mechatronics and Machine Vision in Practice (M2VIP). New Zealand, Auckland, 2017, 1–5 [https://doi.org/10.1109/M2VIP.2017.8211460].

[9] Lemic F. et al.: Experimental decomposition of the performance of fingerprinting-based localization algorithms. International Conference on Indoor Positioning and Indoor Navigation (IPIN). Korea (South), Busan, 2014, 355–364 [https://doi.org/10.1109/IPIN.2014.7275503].

[10] Li Z. et al.: A passive WiFi source localization system based on fine-grained power-based trilateration. IEEE 16th International Symposium on A World of Wireless, Mobile and Multimedia Networks (WoWMoM). USA, Boston, MA, 2015, 1–9 [https://doi.org/10.1109/WoWMoM.2015.7158147].

[11] Lin T.-N., Lin P.-C.: Performance comparison of indoor positioning techniques based on location fingerprinting in wireless networks. International Conference on Wireless Networks, Communications and Mobile Computing – vol. 2. USA, Maui, HI, 2005, 1569–1574 [https://doi.org/10.1109/WIRLES.2005.1549647].

[12] Mackey A. et al.: Improving BLE beacon proximity estimation accuracy through Bayesian filtering. IEEE Internet of Things Journal 7(4), 2020, 3160–3169.

[13] Mustaquim S. M. S. et al.: A resource utilizing approach towards implementing indoor localization using Wi-Fi network. 4th International Conference on Advances in Electrical Engineering (ICAEE). Bangladesh, Dhaka, 2017, 308–313 [https://doi.org/10.1109/ICAEE.2017.8255372].

[14] Ou C.-W. et al.: A ZigBee position technique for indoor localization based on proximity learning. IEEE International Conference on Mechatronics and Automation (ICMA). Japan, Takamatsu, 2017, 875–880 [https://doi.org/10.1109/ICMA.2017.8015931].

[15] Radoi I. et al.: Indoor positioning inside an office building using BLE. 21st International Conference on Control Systems and Computer Science (CSCS). Romania, Bucharest, 2017, 159–164.

[16] Rezazadeh J. et al.: Novel iBeacon placement for indoor positioning in IoT. IEEE Sensors Journal 18(24), 2018, 10240–10247.

[17] RSSI Fingerprinting Dataset [https://github.com/pspachos/RSSI-Dataset-for-Indoor-Localization-Fingerprinting] (available 10.05.2024).

[18] Rusli M. E. et al.: An improved indoor positioning algorithm based on rssi-trilateration technique for Internet of Things (IoT). International Conference on Computer and Communication Engineering (ICCCE). Malaysia, Kuala Lumpur, 2016, 72–77 [https://doi.org/10.1109/ICCCE.2016.28].

[19] Song Q. et al.: CSI amplitude fingerprinting-based NB-IoT indoor localization. IEEE Internet of Things Journal 5(3), 2017, 1494–1504.

[20] Spachos P., Plataniotis K.: BLE beacons in the smart city: Applications, challenges, and research opportunities. IEEE Internet of Things Magazine 3(1), 2020, 14–18.

[21] Spachos P., Papapanagiotou I., Plataniotis K. N.: Microlocation for smart buildings in the era of the internet of things: A survey of technologies, techniques, and approaches. IEEE Signal Processing Magazine 35(5), 2018, 140–152.

[22] Terán M. et al.: IoT-based system for indoor location using Bluetooth low energy. IEEE Colombian Conference on Communications and Computing (COLCOM). Colombia, Cartagena, 2017, 1–6.

[23] Wang X., Gao L., Mao S.: CSI phase fingerprinting for indoor localization with a deep learning approach. IEEE Internet of Things Journal 3(6), 2016, 1113–1123.

[24] Wu C. et al.: WILL: Wireless indoor localization without site survey. IEEE Transactions on Parallel and Distributed systems 24(4), 2012, 839–848.

[25] Xue W. et al.: Improved Wi-Fi RSSI measurement for indoor localization. IEEE Sensors Journal 17(7), 2017, 2224–2230.

[26] Yiu S., Yang K.: Gaussian process assisted fingerprinting localization. IEEE Internet of Things Journal 3(5), 2015, 683–690.

OBRAZOWANIE OPARTE NA CZĘSTOTLIWOŚCI RADIOWEJ DO LOKALIZACJI WEWNĄTRZ POMIESZCZEŃ Z WYKORZYSTANIEM TECHNIK BEZPAMIĘCIOWYCH I TECHNOLOGII BEZPRZEWODOWEJ. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(4), 10-15. https://doi.org/10.35784/iapgos.6236

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 4 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja