Mô hình định vị trong nhà sử dụng BLE iBeacon và mạng nơ ron nhân tạo

Bài viết trình bày đề xuất mô hình hệ thống định vị trong nhà dựa trên công nghệ Bluetooth Low Energy (BLE) và mạng Nơ-ron nhân tạo, triển khai hoạt động trên thiết bị BLE iBeacon, cùng với mạch Raspberry Pi 3. Hệ thống sẽ sử dụng phương pháp Fingerprinting để xây dựng một cơ sở dữ liệu từ cường độ tín hiệu đo được từ các iBeacon, và xử lý qua một mạng Nơ-ron nhân tạo để dự đoán vị trí của Raspberry Pi 3.

Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2021) Mơ Hình Định Vị Trong Nhà Sử Dụng BLE iBeacon Và Mạng Nơ-Ron Nhân Tạo Nguyễn Việt Hưng, Nguyễn Thành Phúc, Lê Tất Thắng, Đinh Thị Thái Mai Khoa Điện tử viễn thông Đại học Công nghệ, Đại học Quốc gia Hà Nội Email: {18020606, 18021007, 18021155, dttmai}@vnu.edu.vn Abstract— Trong thời gian gần đây, phát triển tự động hóa, robot tự hành, IoT,… kéo theo yêu cầu định vị vị trí nhà tăng vọt Các hệ thống định vị nhà phải đáp ứng tiêu chí giá thành, lượng tiêu thụ, khả triển khai thiết bị nhỏ, di động Trong báo này, chúng tơi đề xuất mơ hình hệ thống định vị nhà dựa công nghệ Bluetooth Low Energy (BLE) mạng Nơ-ron nhân tạo, triển khai hoạt động thiết bị BLE iBeacon, với mạch Raspberry Pi Hệ thống sử dụng phương pháp Fingerprinting để xây dựng sở liệu từ cường độ tín hiệu đo từ iBeacon, xử lý qua mạng Nơ-ron nhân tạo để dự đốn vị trí Raspberry Pi Thử nghiệm thực tế cho thấy kết định vị vị trí thực tế đạt sai số trung bình 1.16m Do đặc điểm kỹ thuật RSS FP, thuật toán học máy thường sử dụng để phân tích sở liệu vị trí RSS đưa kết dự đốn Đã có nhiều cá nhân, nhóm nghiên cứu ứng dụng kỹ thuật học máy khác vào RSS FP K-nearest neighbors, K-mean, Neural Network, Các kỹ thuật học máy có đặc điểm riêng, tạo sai số ước lượng vị trí đích khác Vì vậy, cần có kết hợp phương pháp khác để giảm sai số đo RSS, giảm lưu lượng thông tin, nhằm tăng tốc độ tính tốn, giảm chi phí tăng xác Vấn đề RSS FP phương pháp định vị khác giá trị đầu vào (RSS) thu giai đoạn trực tuyến có ảnh hưởng trực tiếp đến kết tính tốn, sở liệu RSS FP lớn tất liệu thu trình thực nghiệm hữu ích q trình huấn luyện suy luận cho mơ hình học máy Nhóm nghiên cứu [1] xây dựng hệ thống định vị dựa Important Access Point (IAP), kết hợp thuật toán học máy K-nearest neighbors, với độ xác thử nghiệm 85% Một đề xuất khác sử dụng kỹ thuật Fingerprinting dựa mạng WLAN Trong giai đoạn ngoại tuyến, khu vực định vị phân nhóm lọc fuzzy C-mean, chọn điểm truy cập hữu ích nhằm giảm kích thước sở liệu FP Trong giai đoạn trực tuyến, giải thuật Neural Network chọn để ước lượng vị trí, kết hợp thuật tốn “Ước lượng khoảng cách mờ tương đối” (Relative Distance Fuzzy Localization) Thời gian tính tốn độ xác cải thiện đáng kể [2] Nhóm tác giả [3] đưa phương pháp định vị dự đốn vị trí dựa tính xác suất vị trí ước lượng sử dụng phương pháp địa hóa Markov, sử dụng liệu thống kê “dấu vân tay” vị trí, để dự đốn vị trí có khả xảy Trong môi trường nhà, để xử lý trường hợp không gian môi trường thay đổi theo thời gian, có ngoại vật di chuyển, nhóm nghiên cứu [4] đề xuất thuật toán việc điều chỉnh liệu RSS FP Các phép đo RSS FP ngoại tuyến theo thời gian không gian thực liên tục Cơ sở liệu vị trí RSS cập nhật mà khơng phải cố định Nhóm tác giả [5] đề xuất thay định vị trí thời điểm mà định vị quỹ đạo mối tương quan phép đo RSS nhận quỹ đạo giai đoạn ngoại tuyến, Keywords- Định vị nhà, BLE, iBeacon, Neural network, Raspberry Pi, Fingerprinting I GIỚI THIỆU Ngày nay, nhu cầu dịch vụ định vị ngày tăng, ứng dụng nhiều lĩnh vực tương lai như: Robotic (vệ sinh, chăm sóc y tế, ), xe tự hành, dị tìm đường, tìm vật thể Mỗi lĩnh vực cần hệ thống định vị phù hợp theo mơi trường ứng dụng Với mơi trường ngồi trời, có số kỹ thuật định vị phổ biến: Định vị toàn cầu GPS, kỹ thuật định vị sử dụng tế bào Cell mạng di động, Tuy nhiên, với môi trường nhà, hầm mỏ, đường hầm,…, tính chất vật liệu không gian gây ảnh hưởng lớn tới kỹ thuật nêu trên, tạo nhiều vấn đề độ xác, tin cậy kết ước lượng vị trí Do đó, u cầu phát triển kỹ thuật định vị dành riêng cho môi trường nhà đặt Các hệ thống định vị nhà phổ biến thường sử dụng công nghệ tín hiệu khơng dây như: Wi-Fi, Bluetooth Low Energy (BLE) kết hợp kỹ thuật định vị dựa cường độ tín hiệu bên thu (Receiver Signal Strength Indicator - RSSI) Trong báo này, đề xuất hệ thống định vị nhà dựa tảng kỹ thuật RSS Fingerprinting (RSS FP), kết hợp với Neural Network, sử dụng giao thức iBeacon Bluetooth Low Energy (BLE), triển khai mạch Raspberry Pi Estimote iBeacon ISBN 978-604-80-5958-3 163 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Chúng thấy Bluetooth lựa chọn tốt, lựa chọn phù hợp với hệ thống định vị nhà Bluetooth Low Energy (BLE) BLE xây dựng dựa tảng Bluetooth 4.0, với mục tiêu phiên nhỏ gọn tối ưu Bluetooth để sử dụng thiết bị di động BLE hướng tới tiết kiệm lượng tiêu thụ tối đa, thiết bị hoạt động thời gian dài, lên đến hàng năm mà dựa nguồn lượng viên pin cúc áo [11] Apple nhà sản xuất tiên phong BLE, với giao thức iBeacon trở thành tiêu chuẩn công nghiệp, sử dụng nhiều hệ thống định vị nhà Các thiết bị phát sóng sử dụng giao thức iBeacon (gọi chung thiết bị iBeacon) Chúng hoạt động trạm phát quảng bá thơng thường, liên tục phát gói tin 100ms Gói tin phát bao gồm ID riêng biệt cho iBeacon liệu RSS sử dụng lọc trung bình gán trọng số cho RSS FP dùng giải thuật Recurrent Neural Networks (RNN) để ước tính vị trí Kết thu ấn tượng, sai số khoảng 0.75m, cho thấy độ xác thật toán KNN 30% Trong báo này, đề xuất hệ thống định vị sử dụng Estimote BLE beacon Raspberry Pi với vai trị nút nguồn nút đích Kỹ thuật sử dụng RSS FP Thuật tốn sử dụng để khớp hai giai đoạn ngoại tuyến trực tuyến mạng Nơ-ron nhân tạo Phần lại báo tổ chức sau: Trong phần II chúng tơi trình bày tổng quan định nghĩa, phân tích kỹ thuật, thuật tốn sử dụng Trong phần III, nêu lên mô hình hệ thống triển khai mơ Phần IV kết mơ phân tích lý thuyết Cuối cùng, kết luận báo phần V II TỔNG QUAN THUẬT TOÁN Các kỹ thuật định vị vị trí nhà thường sử dụng phương thức truyền tín hiệu khơng dây Bluetooth, Wi-Fi, Ultra Wideband (UWB),… Wi-Fi công nghệ mạng truyền thông dùng mạng LAN không dây Tần số thường thấy 2.4 GHz 5.8 GHz [6] Wi-Fi truyền dựa sóng điện từ, mức độ tiêu thụ lượng vừa phải Tuy nhiên tín hiệu bị nhiễu ảnh hưởng từ thiết bị điện gia dụng lị vi sóng, điện thoại di động,…, thiết bị Bluetooth Một tính chất Wi-Fi dễ bị hấp thụ vật liệu xây dựng, đặc biệt thạch cao [7] Ultrawide band (UWB) giao thức truyền không dây khoảng cách ngắn UWB có tần số cao, băng thơng rộng [8] Do đặc tính riêng, tín hiệu UWB khơng bị nhiễu tác động bên ngoài, mức độ tiêu thụ lượng thấp, UWB chưa thể triển khai rộng rãi thiết bị thương mại yêu cầu đặc biệt phần cứng, tiềm ứng dụng thực tế giới hạn [9] Bluetooth công nghệ truyền dẫn không dây khoảng cách 10m đến 15m, băng tần 2.45 GHz Điểm đáng ý Bluetooth sử dụng băng tần chưa cấp phép, điều cho phép hệ thống dùng Bluetooth tự phát triển mà khơng tốn thêm phụ phí đăng ký quyền [10] Bluetooth tạo để hỗ trợ kết nối không dây tiêu thụ lượng thấp Một tính chất đặc biệt thiết bị phát điều khiển cơng suất phát tín hiệu để tối ưu, làm cho mức độ tiết kiệm lượng tăng [10] Tuy nhiên Bluetooth chịu ảnh hưởng nhiễu hiệu ứng đa đường, điều cần phải lưu ý, môi trường nhà có nhiều vật cản [10] Qua so sánh ba kỹ thuật truyền dẫn khơng dây trên, thấy Bluetooth lựa chọn phù hợp với hệ thống định vị nhà, ưu điểm chi phí, khoảng cách hoạt động, tiết kiệm lượng ISBN 978-604-80-5958-3 Hình Gói tin phát từ iBeacon (Nguồn: bleesk.com) Giá trị Major Minor dùng để xác định phân biệt iBeacon Giá trị TX Power RSS đo từ iBeacon khoảng cách tham chiếu [12] Đối với hệ thống này, quan tâm tới địa MAC RSS thu từ beacon Địa MAC dùng để phân biệt beacon với phân biệt khu vực định vị vị trí Hình Địa MAC RSS trung bình từ beacon Với định vị dùng RSS, giá trị thu được tính tốn trực tiếp chuyển đồi thành khoảng cách để ước lượng từ vị trí vật thể đích đến điểm mốc phát sóng Kỹ thuật thuộc lớp kỹ thuật định vị tam giác Để định vị không gian chiều, cần tối thiểu iBeacon, đóng vai trị nút sở phát tín hiệu tới vật thể cần xác định [13] Một phương pháp phổ biến RSS Fingerprinting (RSS FP) Kỹ thuật Fingerprinting gồm giai đoạn Giai đoạn ngoại tuyến (Offline phase), giai đoạn thu thập liệu Các iBeacon gắn vị trí cố định, sau tiến hành lấy mẫu tín hiệu RSS nhiều lần vị trí khác Với lần đo, hệ thống lấy 10 mẫu tín hiệu vịng giây tính giá trị RSS trung bình Dữ liệu lưu trữ sở liệu để xây dựng mơ hình khơng gian phục vụ xác định vị trí Trong giai đoạn trực tuyến (Online phase), RSS đo dùng để so sánh với liệu lưu sở, sử dụng mạng Nơ-ron nhân tạo để dự đoán vị trí vật thể [14] 164 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Đầu nơ-ron với n đầu vào: Z = ∑(x1w1, x2w2, …, xnwn, b) (1) Kết phép tổng đưa qua hàm kích hoạt Nếu vượt qua giá trị ngưỡng liệu qua (Nơ-ron kích hoạt) trở thành đầu vào nơ-ron Nơ-ron lớp ẩn thứ sử dụng hàm kích hoạt Rectified Linear (ReLU) Công thức hàm ReLu biểu diễn bởi: F(x) = max(0, x) (2) Hình Lưu đồ hệ thống Hệ thống đề xuất bao gồm mạch Raspberry Pi đóng vai trị vật đích cần định vị, thu nhận tín hiệu từ iBeacon Trong giai đoạn ngoại tuyến, RSS trung bình nhận gắn nhãn lưu sở liệu Trong giai đoạn trực tuyến, mạng Nơ-ron nhân tạo phương thức chọn để ước tính vị trí RSS thu giai đoạn so sánh với liệu sở liệu, từ đưa kết vị trí gần Kết sau trả tới mạch Raspberry Pi để hiển thị Neural Network (NN) nhánh học máy Mơ hình mạng NN hệ thống tính tốn xây dựng mơ theo nơ-ron thần kinh sinh học thể người, bao gồm nhiều lớp ẩn chứa nhiều nơ-ron, đầu nơ-ron lớp trước đầu vào tất nơ-ron lớp sau [15] Hình Hàm kích hoạt ReLU Lớp ẩn thứ hai dùng hàm kích hoạt Softmax: F(x) = exp(𝑥) ∑exp(𝑥) (3) Hình Hàm kích hoạt Softmax Hình Mơ hình mạng Nơ-ron nhân tạo hệ thống Hàm Softmax thường dùng lớp ẩn đầu ra, tạo cho NN khả “phân loại” Đầu hàm Softmax nằm khoảng [0, 1], biểu thị cho xác suất, hay “độ tự tin” xếp kết dự đoán vào lớp kết [15] Hoạt động huấn luyện mạng NN gồm bước Bước thứ truyền xuôi (Forward propagation), liệu đầu vào truyền tính toán qua lớp đưa kết Bước thứ tính tốn sai khác kết vừa tính với kết xác biết trước Sự sai khác tính theo hiệu kết dự đoán kết thực tế Bước thứ ba truyền ngược (Backward propagation), liệu truyền từ đầu qua lớp tới đầu vào Trong trình hệ số Weight Bias điều chỉnh, dựa giá trị sai khác tính Bước Ba bước lặp lại nhiều lần để đưa Weight Bias cho sai khác kết mạng đưa so với kết xác nhỏ Chúng tơi xây dựng mạng Nơ-ron nhân tạo hệ thống gồm lớp ẩn Lớp ẩn thứ có 10 nơ-ron, tương ứng với giá trị nhãn iBeacon (iBeacon đánh nhãn phân biệt từ địa MAC) RSS nhận từ iBeacon Lớp ẩn thứ có 72 nơ-ron, cho 72 giá trị đầu ra, tương ứng với 72 vị trí định vị khu vực thử nghiệm Đặc trưng nơ-ron trọng số (Weight) với đầu vào riêng biệt, hệ số làm lệch (Bias) Các thông số điều chỉnh nhiều lần qua hoạt động huấn luyện mạng [15] Hình Mơ hình nơ-ron nhân tạo (Nguồn: nnfs.com) ISBN 978-604-80-5958-3 165 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Weight (W) Bias (B) điều chỉnh theo công thức: Wnew = Wold - α * Wcorrection (4) Bnew = Bold - α * Bcorrection (5) Hệ số α (learning rate) hệ số biểu thị “tốc độ học” mạng, ảnh hưởng tới mức độ thay đổi thông số chu kỳ điều chỉnh, α thường chọn khoảng 0.1 - 0.5 [15] Wcorrection thông số điều chỉnh Weight Bias, phụ thuộc vào sai khác (error – e) tính từ Bước Với lớp ẩn thứ hai: Wcorrection = 𝒆 ∗ 𝒁[𝟏] 𝑻 Bcorrection = 𝑛 ∑𝒆 𝑛 (6) Hình Estimote iBeacon gắn cố định vị trí cách mặt đất tối thiểu m (7) Khu vực thử nghiệm sảnh tầng tòa nhà G2, Trường Đại học Công nghệ - Đại học Quốc Gia Hà Nội với diện tích 14.4m x 3.2m, iBeacon gắn vị trí cố định độ cao khác nhau, khoảng cách tối thiểu iBeacon 2m minh họa Hình 10 Khu vực thử nghiệm chia thành 72 phân vùng, kích thước 0.8m x 0.8 m, đánh nhãn từ đến 71 Vị trí điểm đo phân vùng, hướng đo khơng đổi suốt q trình thử nghiệm Công thức xây dựng truyền ngược giá trị qua hàm Softmax, đạo hàm hàm Softmax [15] Tương tự với lớp ẩn thứ nhất, truyền ngược qua hàm ReLU: Wcorrection = 𝒆 ∗ 𝑾𝒍𝒂𝒚𝒆𝒓𝟐 𝑻 ∗ 𝑹𝒆𝑳𝑼′ (𝒁[𝟏] ) ∗ 𝒊𝒏𝒑𝒖𝒕𝑻 𝑛 ∑(𝒆 ∗ 𝑾𝒍𝒂𝒚𝒆𝒓𝟐 ∗ 𝑹𝒆𝑳𝑼′ (𝒁[𝟏] )) Bcorrection = 𝑛 (8) 𝑻 (9) Với Z[1] đầu lớp ẩn thứ n số lượng trường hợp sở liệu III MƠ HÌNH HỆ THỐNG VÀ TRIỂN KHAI Hệ thống sử dụng thiết bị iBeacon sản xuất Estimote, sở liệu RSS FP mạng Neural Network triển khai mạch Raspberry Pi 3, đóng vai trị thiết bị cần định vị Thiết bị Raspberry Pi 3B v1.2 Estimote Proximity beacons (Developer Kit) Thông số A 1.2GHz 64-bit quadcore ARMv8 Bluetooth 4.1 Python 3.7.3 64MHz ARM CortexM4F, BLE 5.0/2.4GHz Cơng suất phát: dBm Qng phát: 100ms Hình 10 Mô khu vực thử nghiệm với điểm màu tím vị trí gắn iBeacon lưới phân vùng đánh nhãn từ – 71 Trong giai đoạn ngoại tuyến, với phân vùng, tiến hành thu 90 mẫu liệu RSS từ iBeacon, biểu diễn sở liệu dạng: Vị trí i: [i, (Beacon1, RSS1,…, Beacon5, RSS5)] Bảng 1: Thơng số thiết bị thí nghiệm Hình Hình ảnh thực tế q trình thí nghiệm, mạch Raspberry Pi cố định giá chân điều khiển máy tính khác thơng qua giao thức SSH ISBN 978-604-80-5958-3 Bảng Biểu diễn phần sở liệu RSS 166 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Sau xây dựng sở liệu với 6480 mẫu vị trí ngẫu nhiên, mạng NN huấn luyện sở liệu Ở giai đoạn trực tuyến, mạch Raspberry Pi đặt vị trí số phân vùng giai đoạn ngoại tuyến tiến hành xác định vị trí Mạch gắn giá ba chân, hướng đo giữ cố định Các giá trị RSS đo so sánh với liệu có trước để đưa dự đốn vị trí gần Thơng số Weight Bias điều chỉnh qua lần lặp, làm cho độ xác mạng tăng dần Sau 1000 lần lặp huấn luyện, độ xác bão hịa hệ thống đạt độ xác mặt so sánh nhãn vị trí 56% Tức số lần hệ thống xác định xác phân vùng mạch đặt chiếm 50%, trường hợp cịn lại đa số hệ thống dự đốn mạch đặt phân vùng lân cận với phân vùng xác biết trước, với khoảng cách từ 0.8m 1.12m Trong giai đoạn trực tuyến, thực 720 phép thử, với 10 mẫu thử phân vùng đo khoảng cách sai lệch thực tế Hình 11 Vị trí tiến hành đo RSS phân vùng kích thước 0.8m x 0.8m IV KẾT QUẢ Mạng NN sau đào tạo sở liệu với 6480 mẫu thử, trình huấn luyện lặp 10000 lần, learning rate 0.5 Bảng Biểu diễn liệu phép thử sai số khoảng cách thực tế giai đoạn trực tuyến Hình 12 Huấn luyện mạng Nơ-ron nhân tạo Từ sai số khoảng cách thực tế phép thử, chúng tơi xây dựng hàm phân bố tích lũy biểu đồ hộp thống kê sai số theo khoảng cách khơng gian chiều Từ Hình 15 Hình 16, ta thấy sai số 2m hệ thống chiếm tới 80% Sai số khoảng cách trung bình thực tế hệ thống khoảng xấp xỉ 1.16m, không gian thử nghiệm mơi trường tĩnh hồn tồn, hệ thống chịu ảnh hưởng từ nhiễu có người di chuyển khu vực q trình đo tín hiệu từ thiết bị điện khác Hình 13 Độ xác huấn luyện NN theo nhãn vị trí Hình 14 Đánh giá độ xác theo khoảng cách hai chiều ISBN 978-604-80-5958-3 167 Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] Hình 15 Biểu đồ hộp thống kê sai số mạng Nơ-ron nhân tạo V [7] [8] KẾT LUẬN Trong báo này, đề xuất khảo sát hiệu mơ hình định vị vị trí nhà sử dụng Bluetooth Low Energy, kỹ thuật RSS Fingerpriting mạng Nơ-ron nhân tạo Hệ thống triển khai mạch Raspberry Pi Estimote iBeacon Kết thử nghệm cho thấy sai số trung bình hệ thống nằm khoảng 1.16m, với trường hợp sai số 2m chiếm tới 80% Trong tương lai, tiếp tục nghiên cứu cải thiện độ xác mạng Nơ-ron nhân tạo, sử dụng thuật tốn, lọc cao cấp để tói ưu hệ thống, điều chỉnh cách thức xây dựng sở liệu, mở rộng thử nghiệm phương thức truyền sóng khác ISBN 978-604-80-5958-3 [9] [10] [11] [12] [13] [14] [15] 168 P Jiang, Y Zhang, W Fu, H Liu, X Su, “Indoor mobile localization based on Wi-Fi fingerprint's important access point”, International Jounal of Distributed Sensor Networks, vol 11, issue 4, April 2015 L J.H., Tian, J.B., Fei, F., Wang, Z.X Wang, H.J, “Indoor localization based on subarea division with fuzzy C-means” Int J Distrib Sens Net, vol 12, 2016 Eduaro Navarro, Benjamin Peuker, Michael Quan, “Wi-Fi Localization using RSS Fingerprinting”, Computer Engineering Department, California Polytechnic State University, 2010 W Xiaoyang, T Wenyuan, O Chung-Minh, et al, “On the dynamic RSS feedbacks of Indoor Fingerprinting databases for Localization reliability improvement [J] Sensors 16 (8)”, pp 1278-1294, 2016 Minh Tu Hoang, Brosnan Yuen, Xiaodai Dong, Tao Lu, Robert Westendorp, and Kishore Reddy, “Recurrent Neural Networks For Accurate RSSI Indoor Localization”, IEEE Internet of Things Journal, Vol 6, Issue: 6, pp 10639-10651, Dec 2019 [Online]http://www.cisco.com/c/en/us/products/wireless /what-is-wifi.html [Online]https://www.netspotapp.com/what-is-wifi.html [Online]https://sirinsoftware.com/blog/uwb-technologyreview-modules-characteristic-usage-perspectives/ [Online]https://insights.samsung.com/2021/01/25/what-isultra-wideband-and-how-does-it-work-2/ Daan Schreerens, “Practical Indoor Localization using Bluetooth”, Master Thesis, pp 23-24, January 2012 K Townsend, C Cufí, Akiba & R Davidson, “Getting Started with Bluetooth Low Energy”, O’Reilly, pp 1-2, 2014 C Gilchrist, “Learning iBeacon”, Packt Publishing, pp 7–9, 2014 Various authors, “Handbook of position location”, IEEE Press, 2012 S Xia, Y Liu, G Yuan, M Zhu, Z Wang, “Indoor Fingerprinting Positioning Based on Wi-Fi: An Overview”, International Journal of Geo-Information, 2017 H Kinsley, D Kukiela, “Neural Networks from Scratch in Python”, 2020  ... [1] [2] [3] [4] [5] [6] Hình 15 Biểu đồ hộp thống kê sai số mạng Nơ- ron nhân tạo V [7] [8] KẾT LUẬN Trong báo này, đề xuất khảo sát hiệu mơ hình định vị vị trí nhà sử dụng Bluetooth Low Energy,... để xây dựng mơ hình khơng gian phục vụ xác định vị trí Trong giai đoạn trực tuyến (Online phase), RSS đo dùng để so sánh với liệu lưu sở, sử dụng mạng Nơ- ron nhân tạo để dự đoán vị trí vật thể... cần định vị, thu nhận tín hiệu từ iBeacon Trong giai đoạn ngoại tuyến, RSS trung bình nhận gắn nhãn lưu sở liệu Trong giai đoạn trực tuyến, mạng Nơ- ron nhân tạo phương thức chọn để ước tính vị