최근에 위치 인식 기술이 많은 관심을 받고 있다. 특히 실내에서 주변 환경에 영향을 받지 않고 사람이나 사물의 위치를 파악하고, 유용한 서비스를 제공하는 기술이 대두되고 있다. 기존에 물체나 사람의 위치를 인식하는 방법으로 보편적으로 GPS기술을 많이 사용하였다. GPS는 매우 효율적으로 위치를 감지하지만 실내에서의 위치를 파악하기는 어렵기 때문에 실내에서 위치 인식을 위한 방법으로 RFID의 사용이 대두되었다. RFID는 무선주파수를 이용하여 태그가 부착된 사물 또는 사람의 위치정보를 파악하는 기술이다. 본 논문에서는 RFID 시스템을 구성하고 태그를 이용하여 위치를 측정했다. 이때 실제위치와 측정된 위치간의 오차가 발생한다. 본 논문에서는 오차를 줄이기 위해 측정된 위치 데이터와 실제 위치 데이터를 이용하여 신경망을 훈련하였다. 이때 측정된 태그의 개수가 일정하지 않아 신경망을 훈련시키기 위한 입력값으로 적합하지 않으므로 무게중심 입력과 중앙값 입력으로 변환하여 입력하여 신경망을 훈련시켰다. 그 결과 신경망에 의한 위치 오차가 줄어든 것을 확인하였다. 또한 훈련시킨 개수를 50, 100, 200, 300개로 실험하여 데이터입력 개수와 오차의 상관관계를 확인하고, 신경망을 이용하여 훈련시켰을 때 무게중심 입력과 중앙값 입력을 사용했을 때의 오차를 비교하였다. 그 결과 훈련시킨 데이터 개수가 많을수록 오차가 줄어들고, 무게중심 입력보다 중앙값 입력을 사용했을 때 오차가 줄어드는 것을 확인하였다.
최근에 위치 인식 기술이 많은 관심을 받고 있다. 특히 실내에서 주변 환경에 영향을 받지 않고 사람이나 사물의 위치를 파악하고, 유용한 서비스를 제공하는 기술이 대두되고 있다. 기존에 물체나 사람의 위치를 인식하는 방법으로 보편적으로 GPS기술을 많이 사용하였다. GPS는 매우 효율적으로 위치를 감지하지만 실내에서의 위치를 파악하기는 어렵기 때문에 실내에서 위치 인식을 위한 방법으로 RFID의 사용이 대두되었다. RFID는 무선주파수를 이용하여 태그가 부착된 사물 또는 사람의 위치정보를 파악하는 기술이다. 본 논문에서는 RFID 시스템을 구성하고 태그를 이용하여 위치를 측정했다. 이때 실제위치와 측정된 위치간의 오차가 발생한다. 본 논문에서는 오차를 줄이기 위해 측정된 위치 데이터와 실제 위치 데이터를 이용하여 신경망을 훈련하였다. 이때 측정된 태그의 개수가 일정하지 않아 신경망을 훈련시키기 위한 입력값으로 적합하지 않으므로 무게중심 입력과 중앙값 입력으로 변환하여 입력하여 신경망을 훈련시켰다. 그 결과 신경망에 의한 위치 오차가 줄어든 것을 확인하였다. 또한 훈련시킨 개수를 50, 100, 200, 300개로 실험하여 데이터입력 개수와 오차의 상관관계를 확인하고, 신경망을 이용하여 훈련시켰을 때 무게중심 입력과 중앙값 입력을 사용했을 때의 오차를 비교하였다. 그 결과 훈련시킨 데이터 개수가 많을수록 오차가 줄어들고, 무게중심 입력보다 중앙값 입력을 사용했을 때 오차가 줄어드는 것을 확인하였다.
Recently, location recognition technology has attracted much attention, especially for locating people or objects in an indoor environment without being influenced by the surrounding environment GPS technology is widely used as a method of recognizing the position of an object or a person. GPS is a ...
Recently, location recognition technology has attracted much attention, especially for locating people or objects in an indoor environment without being influenced by the surrounding environment GPS technology is widely used as a method of recognizing the position of an object or a person. GPS is a very efficient, but it does not allow the positions of objects or people indoors to be determined. RFID is a technology that identifies the location information of a tagged object or person using radio frequency information. In this study, an RFID system is constructed and the position is measured using tags. At this time, an error occurs between the actual and measured positions. To overcome this problem, a neural network is trained using the measured and actual position data to reduce the error. In this case, since the number of read tags is not constant, they are not suitable as input values for training the neural network, so the neural network is trained by converting them into center-of-gravity inputs and median value inputs. This allows the position error to be reduce by the neural network. In addition, different numbers of trained data are used, viz. 50, 100, 200 and 300, and the correlation between the number of data input values and the error is checked. When the training is performed using the neural network, the errors of the center-of-gravity input and median value input are compared. It was found that the greater the number of trained data, the lower the error, and that the error is lower when the median value input is used than when the center-of-gravity input is used.
Recently, location recognition technology has attracted much attention, especially for locating people or objects in an indoor environment without being influenced by the surrounding environment GPS technology is widely used as a method of recognizing the position of an object or a person. GPS is a very efficient, but it does not allow the positions of objects or people indoors to be determined. RFID is a technology that identifies the location information of a tagged object or person using radio frequency information. In this study, an RFID system is constructed and the position is measured using tags. At this time, an error occurs between the actual and measured positions. To overcome this problem, a neural network is trained using the measured and actual position data to reduce the error. In this case, since the number of read tags is not constant, they are not suitable as input values for training the neural network, so the neural network is trained by converting them into center-of-gravity inputs and median value inputs. This allows the position error to be reduce by the neural network. In addition, different numbers of trained data are used, viz. 50, 100, 200 and 300, and the correlation between the number of data input values and the error is checked. When the training is performed using the neural network, the errors of the center-of-gravity input and median value input are compared. It was found that the greater the number of trained data, the lower the error, and that the error is lower when the median value input is used than when the center-of-gravity input is used.
Sae Hyeon Nam, You Chung Chung "RFID Location Based Tree Management System Using Insertion UHF RFID TAG and GPS", The Journal of The Korean nstitute Of Communication Sciences '12-10 vol. 37C no. 10', Oct. 2012. DOI: http://doi.org/10.7840/kics.2012.37C.10.909
Byoung-Suk Choi, Jang-Myung Lee, "An Efficiett Localization of Mobile Robot in RFID Sensor Space", Journal of Control, Automation and SystemEngineering, vol. 12, no. 1, Jan. 2006. DOI: https://doi.org/10.5302/J.ICROS.2006.12.1.015
Juels, A, "RFID security and privacy: a research survry", IEEE Vol. 24, pp. 381-394, Feb. 2006 . DOI: https://doi.org/10.1109/JSAC.2005.861395
Chang-Hawn Lee, "Research on Position Tracking Using Passive RFID Tags", Graduate courses of Dankook University, 2012,
Chang-Snn Yoon, Doog-Min Yoon, Young-Chan Kwon, Yeon-Chan Hong, "RFID Based Indoor Localization and effective Tag Arrangement Method", Journal of the Korea Academic-Industrial cooperation Society, vol 16, no. 312, pp. 8760-8766, 2015. DOI: https://doi.org/10.5762/KAIS.2015.16.12.8760
Nichapat Pathanawongthum, Panarat Cherntan-omwong, "Empirical Evaluation of RFID-based Indoor Localization with Human Body Effect", Proceedings of the 15th Asia-Pacific Conference on Communications, pp. 479-482, Oct. 2009.
Won-lee Joo, Hyo-Sun Kim, Yeong-Ah Jung, Yeon-Chan Hong*, Advanced Indoor Location Tracking Using RFID, Journal of the Korea Academia-Industrial cooperation Society, vol. 18, no. 1 pp. 425-430, 2017. DOI: http://doi.org/10.5762/KAIS.2017.18.1.425
Howard Demuth, Mark Beale, Neural Network Toolbox User's Guide. The MathWorks, Inc. 2000
Nimmi.S, Meenakshi.S and R.Priyadarshiui, AP, RFID Location System Based on Artificial Neural Networks, International Journal of Computer Communication and Information System (IJCCIS), 2010.
Jurgen Schruidhuber, Deep Learning in Neural Networks: An Overview, 2014.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.