Self-Organizing Fuzzy Rule-Based Approach for Dealing with the Classification of Indoor Environments for IoT Applications

• Ualison Dias Universidade Federal de Juiz de Fora
• Michel Hell Universidade Federal de Juiz de Fora
• Álvaro Medeiros Universidade Federal de Juiz de Fora
• Daniel Silveira Universidade Federal de Juiz de Fora
• Eduardo de Aguiar Universidade Federal de Juiz de Fora

DOI: https://doi.org/10.5753/eniac.2019.9356

Resumo

Atualmente, grande parte dos sensores utilizados em Internet das Coisas adota tecnologia sem fio, a fim de facilitar a construção de redes de sensoriamento. Neste sentido, a classificação do tipo de ambiente no qual estes sensores estão localizados exerce um importante papel no desempenho de tais redes de sensoriamento, uma vez que pode ser utilizada na determinação de níveis mais eficientes de consumo de energia dos sensores que as compõe. Assim, neste trabalho é apresentada uma abordagem baseada em Classificadores Fuzzy Auto-organizáveis para a classificação de ambientes internos a partir de medições em tempo real do sinal de radiofrequência de uma rede de sensoriamento sem fio em um ambiente real. Os resultados experimentais apresentados mostram que a abordagem proposta obteve alto desempenho com baixo custo computacional na solução do problema apresentado.

Palavras-chave: Classificação, Lógica Fuzzy, Auto-Organizável, Radiofrequência

Referências

Alhajri, M., Alsindi, N., Ali, N., and Shubair, R. (2016). Classification of indoor environments based on spatial correlation of rf channel fingerprints. Antennas and Propagation, 2016 IEEE International Symposium on, pages 1447-1448.

Alhajri, M., Raed, M., Ali, N., and Shubair, R. (2018). Classification of indoor environments for iot applications: A machine learning approach. IEEE Antennas and Wireless Propagation Letters, 17(12):2164-2168.

Angelov, P. and Yager, R. (2012). A new type of simplified fuzzy rule-based system. International Journal of General Systems, 41(2):163-185.

Angelov, P. P. and Gu, X. (2019). Empirical approach to machine learning. Springer, 1st 2019 edition.

Baccar, N. and Bouallegue, R. (2015). Intelligent type 2 fuzzy-based mobile application for indoor geolocalization. 2015 23rd International Conference on Software, Telecommunications and Computer Networks, pages 165-169.

Baccar, N., Jridi, M., and Bouallegue, R. (2017). Adaptive neurofuzzy location indicator in wireless sensor networks. Wireless Personal Communications,97(2):3165-3181.

Gu, X. and Angelov, P. P. (2018). Self-organising fuzzy logic classifier. Information Sciences, 447:36-51.

Onofre, S., Caseiro, B., Pimentão, J. P., and Sousa, P. (2016). Using fuzzy logic to improve ble indoor positioning system. Doctoral Conference on Computing, Electrical and Industrial Systems, 470:169-177.

Peña-Rios, A., Hagras, H., Gardner, M., and Owusu, G. (2017). A type-2 fuzzy logic based system for asset geolocation within augmented reality environments. 2017 IEEE International Conference on Fuzzy Systems, pages 1-6.

Shu, Y., Huang, Y., Zhang, J., Coué, P., Cheng, P., Chen, J., and Shin, K. G. (2016). Gradient-based fingerprinting for indoor localization and tracking. IEEE Transactions on Industrial Electronics, 63(4):2424-2433.

Tiwari, P., P. Saxena, V., Mishra, R. G., and Bhavsar, D. (2015). Wireless sensor networks: Introduction, advantages, applications and research challenges. Open International Journal of Technology Innovations and Research, 14.

Zhang, J., Firooz, M. H., Patwari, N., and Kasera, S. K. (2008). Advancing wireless link signatures for location distinction. Proceedings of the 14th ACM international conference on Mobile computing and networking, pages 26-37.