Nesnelerin internetinde iç mekân lokalizasyonu için makine öðrenimini kullanan bluetooth düþük enerji tabanlý özgün hibrit model

Ýç mekân konumlandýrma, bir nesnenin iç mekandaki konumunun tam olarak belirlenmesi olarak tanýmlanabilir ve navigasyon, varlýk takibi ve vardiya yönetimi olmak üzere bir çok uygulama alaný bulunmaktadýr. Ýç mekân konumlandýrma problemlerini çözmek için üçgenleme, Kalman filtreleri ve makine öðrenmesi modelleri gibi birçok yöntem önerilmiþtir ancak hala istenilen baþarý oranlarý elde edilememiþtir. Bu yöntemler deney ortamlarýnda baþarýlý sonuçlar elde etse de, gerçek zamanlý durumlarda hata oranlarý çok fazla olabilmektedir. Bu çalýþmada, Bluetooth düþük enerji tabanlý iç mekan konumlandýrma için hibrit bir model önerilmiþtir. Bu modelde, üçgenleme yöntemini, üç farklý ortamda optimize edilmiþ ve test edilmiþ birkaç makine öðrenmesi yöntemiyle (Naive Bayes, k-en yakýn komþu, lojistik regresyon, destek vektör makineleri ve yapay sinir aðlarý) birleþtiren hibrit bir yaklaþým kullanýlmýþtýr. Çalýþmada önerilen model, kolay ve orta durumlarda üçgenleme modeline benzer þekilde performans göstermiþ; ancak önerilen model, zor durumlar için üçgenleme veya tek baþýna makine öðrenimi modellerinden çok daha küçük bir hata oraný elde etmiþtir.

A novel hybrid model for bluetooth low energy-based indoor localization using machine learning in the internet of things

Indoor localization involves pinpointing the location of an object in an interior space and has several applications, including navigation, asset tracking, and shift management. However, this technology has not yet been perfected, and many methods, such as triangulation, Kalman filters, and machine learning models have been proposed to address indoor localization problems. Unfortunately, these methods still have a large degree of error that makes them ill-suited for difficult cases in real-time. In this study, we propose a hybrid model for Bluetooth low energy-based indoor localization. In this model, the triangulation method is combined with several machine learning methods (naïve Bayes, k-nearest neighbor, logistic regression, support vector machines, and artificial neural networks) that are optimized and tested in three different environments. In the experiment, the proposed model performed similarly to the solo triangulation model in easy and medium cases; however, the proposed model obtained a much smaller degree of error for hard cases than either solo triangulation or machine learning models alone.