論文の概要: Machine Learning-Based Localization Accuracy of RFID Sensor Networks via RSSI Decision Trees and CAD Modeling for Defense Applications

• arxiv url: http://arxiv.org/abs/2510.20019v1
• Date: Wed, 22 Oct 2025 20:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.830086
• Title: Machine Learning-Based Localization Accuracy of RFID Sensor Networks via RSSI Decision Trees and CAD Modeling for Defense Applications
• Title（参考訳）: RSSI決定木を用いたRFIDセンサネットワークの機械学習による位置推定精度と防衛用CADモデリング
• Authors: Curtis Lee Shull, Merrick Green,
• Abstract要約: この研究は、位置推定を行うために12のラボゾーン(LabZoneA-L)を分類することに焦点を当てている。 このモデルは成層化したサブサンプルから5,000のバランスの取れた観測値に訓練され、総合的な精度は34.2%となり、F1スコアは複数のゾーンで0.40以上となった。 これらの結果は、RSSIに基づく決定木を現実的なシミュレーションに適用し、ゾーンレベルの異常検出を可能にすることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Radio Frequency Identification (RFID) tracking may be a viable solution for defense assets that must be stored in accordance with security guidelines. However, poor sensor specificity (vulnerabilities include long range detection, spoofing, and counterfeiting) can lead to erroneous detection and operational security events. We present a supervised learning simulation with realistic Received Signal Strength Indicator (RSSI) data and Decision Tree classification in a Computer Assisted Design (CAD)-modeled floor plan that encapsulates some of the challenges encountered in defense storage. In this work, we focused on classifying 12 lab zones (LabZoneA-L) to perform location inference. The raw dataset had approximately 980,000 reads. Class frequencies were imbalanced, and class weights were calculated to account for class imbalance in this multi-class setting. The model, trained on stratified subsamples to 5,000 balanced observations, yielded an overall accuracy of 34.2% and F1-scores greater than 0.40 for multiple zones (Zones F, G, H, etc.). However, rare classes (most notably LabZoneC) were often misclassified, even with the use of class weights. An adjacency-aware confusion matrix was calculated to allow better interpretation of physically adjacent zones. These results suggest that RSSI-based decision trees can be applied in realistic simulations to enable zone-level anomaly detection or misplacement monitoring for defense supply logistics. Reliable classification performance in low-coverage and low-signal zones could be improved with better antenna placement or additional sensors and sensor fusion with other modalities.
• Abstract（参考訳）: 無線周波数識別(RFID)追跡は、セキュリティガイドラインに従って保管しなければならない防衛資産の有効な解決策である可能性がある。 しかし、センサーの特異性(長距離検出、偽造、偽造など)が低いため、誤検知や運用上のセキュリティイベントが発生する可能性がある。 本稿では,リアル受信信号強度指標(RSSI)データを用いた教師あり学習シミュレーションと,コンピュータ支援設計(CAD)モデルフロアプランにおける決定木分類について述べる。 本研究では、位置推定を行うために12のラボゾーン(LabZoneA-L)を分類することに焦点を当てた。 生のデータセットは約980,000回の読み込みがあった。 クラス周波数は不均衡であり、クラス重みは、このマルチクラス設定におけるクラス不均衡を考慮に入れた。 このモデルは成層型サブサンプルから5,000のバランスの取れた観測で訓練され、総合的な精度は34.2%となり、F1スコアは複数のゾーン(Zones F, G, Hなど)で0.40以上となった。 しかしながら、まれなクラス(特にLabZoneC)は、クラスウェイトを使用しても、しばしば誤って分類された。 隣り合う領域をよりよく解釈できるように, 隣接対応の混乱行列を算出した。 これらの結果は, RSSIに基づく決定木を現実的なシミュレーションに適用することにより, 防衛物資のゾーンレベルの異常検出や誤配置監視を可能にすることを示唆している。 低被覆域と低信号域の信頼性の高い分類性能は、アンテナ配置の改善やセンサーの追加、その他のモダリティとのセンサ融合によって改善される可能性がある。

関連論文リスト

• Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation [48.265859815346985]
  レーダー信号認識は電子戦(EW)において重要な役割を果たす 近年のディープラーニングの進歩は、レーダー信号認識の改善に大きな可能性を示している。 これらの手法は、注釈付き無線周波数(RF)データが少ない、あるいは入手できないEWシナリオでは不十分である。
  論文  参考訳（メタデータ） (2025-01-07T01:35:56Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Extending RAIM with a Gaussian Mixture of Opportunistic Information [1.9688858888666714]
  元の受信機自動整合性監視(RAIM)は安全のために設計されていない。 我々は、地上インフラや搭載センサーから得られるすべての機会情報、すなわち計測情報を組み込むことでRAIMを拡張した。 本研究の目的は,拡張RAIM溶液から得られる位置を解析し,スプーフィングの可能性を評価することである。
  論文  参考訳（メタデータ） (2024-02-05T19:03:18Z)
• Performance evaluation of Machine learning algorithms for Intrusion Detection System [0.40964539027092917]
  本稿では機械学習(ML)技術を用いた侵入検知システム(IDS)の解析に焦点を当てた。 機械学習モデルのトレーニングと検証に使用されるKDD CUP-'99'侵入検出データセットを分析した。
  論文  参考訳（メタデータ） (2023-10-01T06:35:37Z)
• Distribution-Aware Calibration for Object Detection with Noisy Bounding Boxes [58.2797274877934]
  そこで我々はDISCO(Distribution-aware CalibratiOn)を提案する。 分類, 局所化, 解釈可能性を改善するために, 3つの分布認識技術を開発した。
  論文  参考訳（メタデータ） (2023-08-23T09:20:05Z)
• A deep learning approach to predict the number of k-barriers for intrusion detection over a circular region using wireless sensor networks [3.6748639131154315]
  無線センサネットワーク(WSN)は、国境地帯における侵入検知と監視の問題に対して実現可能な解決策である。 本稿では,高速な侵入検知・防止のためのkバリア数の正確な予測を行うために,完全接続型フィードフォワードニューラルネットワーク(ANN)に基づくディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-25T06:39:29Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。