Determination of beacon distance values according to ambient conditions by polynomial interpolation and artificial neural networks

Abstract

Beacon devices, which have Bluetooth infrastructure, can be turned on and off with a single button, are small and portable, and can operate for long periods of time with low energy, have become very popular in recent years. It is used in many areas, especially in promotion and location-based projects. In particular, the distance between the Beacon device and the user can be determined by utilizing the change in the strength of the Bluetooth signals sent by the Beacons. This distance information is used as a basic parameter in positioning algorithms. The distance between the Beacon and the user is automatically presented to the users by using the data obtained by the Beacon manufacturers with standard ambient conditions. The user can also calculate this distance by using the data created by the user according to the ambient conditions. In this study, Bluetooth signals from Beacons in an indoor environment were recorded and the distance between the Beacon and the user was calculated by polynomial interpolation and artificial neural network methods. The results obtained were compared with the distance information automatically presented to the user by the Beacons. The best result was achieved by 10th order polynomial interpolation, which was 1.21m better than the distance information automatically received from the Beacons.

Keywords

• Beacon
• Bluetooth
• Artificial neural networks
• Polynomial interpolation

Beacon mesafe değerlerinin ortam koşullarına göre polinom enterpolasyonu ve yapay sinir ağlarıyla belirlenmesi

Öz

Bluetooth alt yapısına sahip olan, tek bir tuşla açılıp kapatılabilen, küçük boyutlu ve taşınabilen, düşük enerji ile uzun süreler çalışabilen Beacon cihazları son yıllarda oldukça popüler hale geldi. Tanıtım ve konum bazlı projeler başta olmak üzere birçok alanda kullanılmaktadır. Özellikle Beacon’lar tarafından gönderilen Bluetooth sinyallerinin gücündeki değişimden yararlanılarak Beacon cihazı ile kullanıcı arasındaki mesafe belirlenebilmektedir. Bu mesafe bilgisi ise konumlandırma algoritmalarında temel parametre olarak kullanılmaktadır. Beacon üreticisi firmalar tarafından, standart ortam koşulları ile elde edilen veriler kullanılarak Beacon ile kullanıcı arasındaki mesafe otomatik olarak kullanıcılara sunulmaktadır. Kullanıcı bu mesafeyi ortam koşullarına göre kendi oluşturduğu verileri kullanarak da hesaplayabilmektedir. Bu çalışmada kapalı bir alanda Beacon’lardan gelen Bluetooth sinyalleri kaydedilerek ortam koşullarına göre Beacon ile kullanıcı arasındaki mesafe polinom enterpolasyonu ve yapay sinir ağları yöntemleriyle hesaplanmıştır. Elde edilen sonuçlar, Beacon’lar tarafından kullanıcıya otomatik olarak sunulan mesafe bilgisi ile karşılaştırılmıştır. Çalışmada en iyi sonucu, Beacon’lardan otomatik olarak alınan mesafe bilgisinden 1.21m daha iyi sonuç veren 10. dereceden polinom enterpolasyonu sağlamıştır.

Anahtar Kelimeler

• Beacon
• Bluetooth
• Yapay sinir ağları
• Polinom enterpolasyonu

Kaynakça

1. [1] Görmez Y, Arslan H, Işik YE, Tomaç S. “A novel hybrid model for bluetooth low energy-based indoor localization using machine learning in the internet of things”. Pamukkale Universitesi Muhendislik Bilimleri Dergisi, 30(1), 36-43, 2014.
2. [2] Pyt P, Skrobacz K, Jankowski-Mihułowicz P, Węglarski M, Kamuda K. “Empowering Accessibility: BLE beacon-based IoT localization”. Electronics, 12(19), 4012, 2023.
3. [3] Son D N, Thai-Mai D T. “Smartphone indoor positioning based on enhanced BLE beacon multilateration”. TELKOMNIKA Telecommunication Computing Electronics and Control, 19, 51-62, 2021.
4. [4] Ivanov R. “Accuracy analysis of BLE beacon-based localization in smart buildings”. Journal of Ambient Intelligence and Smart Environments, 13(4), 325-344, 2021.
5. [5] Bello-Ogunu E, Shehab M, Miazi M N. “Privacy is the best policy: A framework for BLE beacon privacy management”. 2019 IEEE 43rd Annual Computer Software and Applications Conference (COMPSAC), Milwaukee, USA, 1 July 2019.
6. [6] S Kajioka, T Mori, T Uchiya, I Takumi, H Matsuo. "Experiment of indoor position presumption based on RSSI of bluetooth LE beacon". 2014 IEEE 3rd Global Conference on Consumer Electronics (GCCE), Tokyo, Japan, 07-10 October 2014.
7. [7] Allurwar N, Nawale B, Patel S C. “Beacon for proximity target marketing”. International Journal of Engineering and Computer Science, 15(5), 16359-16364, 2016.
8. [8] W A Kristiana, M Mizanul Achlaq, B Anindito, A Nugroho, C Darujati, MN Al Azam. "UUID Beacon Advertisements For Lecture Schedule Information". 2018 5th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), Malang, Indonesia, 16-18 October 2018.

9. [9] A Assissi, A M Paul, J Mathew, J Paul, T Jose, K R Soumya, "Beaconholic: An efficient framework for location sensing reminder application using IoT".2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), Chennai, India, 03-05 March 2016.
10. [10] C H Lam, K E Jeon, S Wong, J She. "Distance estimation using BLE beacon on stationary and mobile objects". in IEEE Internet of Things Journal 9(7), 4928-4939, 2022.
11. [11] Y Wang, X Yang, Y Zhao, Y Liu, L Cuthbert, "Bluetooth positioning using RSSI and triangulation methods". 2013 IEEE 10th Consumer Communications and Networking Conference (CCNC), Las Vegas, NV, USA, 11-14 January 2013.
12. [12] A Mackey, P Spachos, L Song, KN Plataniotis. "Improving BLE beacon proximity estimation accuracy through bayesian filtering". in IEEE Internet of Things Journal, 7(4), 3160-3169, 2020.
13. [13] Arıkan D, Yıldız F, Makineci H B. “Hava lidarı verilerine uygulanan farklı enterpolasyon yöntemlerinin sam doğruluğuna etkisi”. KONJES, 9(2), 377-394, 2021.
14. [14] Yılmaz N. “Jeoid yüksekliklerinin belirlenmesinde ağırlıklı ortalama ve polinomlarla enterpolasyon yöntemlerinin karşılaştırılması”. DÜMF MD, 10(2), 743-754, 2019.
15. [15] McCulloch WS, Pitts W. “A logical calculus of the ideas immanent in nervous activity”. Bulletin of Mathematical Biophysics, 5, 115-133, 1943.
16. [16] Ataseven B. “Yapay sinir ağları ile ilgili bilgiler”. Öneri Dergisi, 10(39), 101-115, 2013.
17. [17] Alpaydın E. Inroduction to Machine Learning. Cambridge, England, The MIT Press. 2020.
18. [18] Konakoglu B. “Prediction of geodetic point velocity using MLPNN, GRNN, and RBFNN models: a comparative study”. Acta Geod Geophys, 56, 271-291, 2021.
19. [19] Kisi O, Alizamir M, Zounemat-Kermani M. “Modeling Groundwater Fluctuations by Three Different Evolutionary Neural Network Techniques Using Hydroclimatic Data”. Natural Hazards, 87(1), 367-38, 2017.
20. [20] Kisi O, Alizamir M. “Modelling Reference Evapotranspiration Using a New Wavelet Conjunction Heuristic Method: Wavelet Extreme Learning Machine vs Wavelet Neural Networks”. Agricultural and Forest Meteorology, 263, 41-48, 2018.
21. [21] Ceylan H, Avan M. “Tü rkiyede’ki ı̇ş kazalarının yapay sinir ağ ları ile 2025 yılına kadar tahmini”. International Journal of Engineering Research and Development, 4(1), 46-54, 2012.
22. [22] Okkan U, Serbeş ZA, Gedik N. “MATLAB ile LevenbergMarquardt algoritması tabanlı YSA uygulaması: Aylık yağış-akış modellemesi”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 351-362, 2018.
23. [23] İplikçi S. “Support vector machines based neuro fuzzy control of nonlinear systems”. Neurocomputing, 73(1012) ,2097-2107, 2010.
24. [24] Dinç N, Ulukavak M. “Adıyaman ili için yapay sinir ağları ile geoit belirleme”. Harran Üniversitesi Mühendislik Dergisi, 7(3), 181-192, 2022. 356