İÇ MEKÂN KONUM TESPİTİNDE SİNYAL HARİTASININ KÜÇÜLTÜLMESİ VE PERFORMANS ANALİZİ

Serpil USTEBAY, Ergün GÜMÜŞ, Muhammed Ali AYDIN, Ahmet SERTBAŞ
664 82

Öz


İç mekân konum tespitinde farklı yaklaşımlar geliştirilmiş olsa da mekânın “parmak izi” adı verilen sinyal haritasını kullanan yöntemler popülerliğini korumaktadır. Bu yöntemlerin; ekstra bir maliyet gerektirmemesi ve hali hazırda kurulmuş olan Kablosuz Erişim Noktalarını (KEN) kullanması en önemli avantajlarından biridir. Bu sistemlerde konum tespiti: (i) sinyal haritasının oluşturulması ve (ii) bu harita üzerinden kişinin konum tespitinin yapılması şeklinde iki aşamadan oluşmaktadır. Sinyal haritasını oluşturmak için kullanılan KEN sayısı ve konumu; sistemin maliyetini, konumlandırma doğruluğunu ve çalışma hızını etkileyen önemli faktörlerdir. Bu çalışma ile konumlandırma doğruluğundan ödün vermeden, daha düşük maliyetli ve daha hızlı bir sistemin oluşturulması için etkisiz KEN’leri eleyen bir küçültme yöntemi önerilmektedir. Bu amaçla başarılı bir boyut azaltım yöntemi olan Temel Bileşen Analizi (TBA) yöntemine başvurulmuştur. Önerilen yaklaşım, küçültülmüş sinyal haritası ve kullanıcının seçtiği üç farklı makine öğrenme yöntemini (K-En Yakın Komşuluk, Destek Vektör Makineleri, Doğrusal Ayırtaç Analizi) kullanan bir konumlandırma modelinden oluşmaktadır. Uygulama sonucunda, KEN sayısı %70 azaltılmış modelin, K-En Yakın Komşuluk yöntemi kullanıldığında %91 doğrulukla ve sinyal haritası küçültmesi yapılmamış modele göre ortalama %75  (test süresi üzerinden) daha hızlı bir şekilde kişinin konumunu tespit edebildiği görülmüştür.


Anahtar kelimeler


İç Mekan Konumlandırma, Kablosuz Erişim Noktası Seçimi, Parmak İzi Küçültme, Temel Bileşen Analizi, K-En Yakın Komşuluk, Destek Vektör Makineleri, Doğrusal Ayırtaç Analizi

Tam metin:

PDF


Referanslar


Bahl, P., & Padmanabhan, V. N. (2000). RADAR: An in-building RF-based user location and tracking system. In INFOCOM 2000. Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings. IEEE (Vol. 2, pp. 775-784). Ieee.

Technavio. (2014, Haziran 19). http://www.technavio.com. Mayıs 4, 2016 tarihinde Top 33 Indoor Location-Based Services (LBS) Companies in the US: http://www.technavio.com/blog/top-33-indoor-location-based-services-lbs-companies-in-the-us adresinden alındı

Ekahau RTLS Overview. (tarih yok). 2016 tarihinde http://www.ekahau.com/: http://www.ekahau.com/ adresinden alındı

AeroScout Company. 10.06.2016 tarihinde RTLS (Real Time Location Systems) Solutions: http://www.aeroscout.com/ adresinden alındı

Carlson, J. D., Mittek, M., Parkison, S. A., Sathler, P., Bayne, D., Psota, E. T., ... & Bonasera, S. J. (2014, August). Smart watch RSSI localization and refinement for behavioral classification using laser-SLAM for mapping and fingerprinting. In Engineering in Medicine and Biology Society (EMBC), 2014 36th Annual International Conference of the IEEE (pp. 2173-2176). IEEE.

Tatar, Y.,Yıldırım, G. (2014). Kablosuz Sensör Ağlarında Küçültülmüş Radyo Haritası Kullanan İmza Tabanlı Dinamik Konum Bulma Tekniği. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29(2).

Cherntanomwong, P.,, Suroso, D. J. (2011, December). Indoor localization system using wireless sensor networks for stationary and moving target. In Information, Communications and Signal Processing (ICICS) 2011 8th International Conference on (pp. 1-5). IEEE.

Zhang, A., Yuan, Y., Wu, Q., Zhu, S., & Deng, J. (2015). Wireless localization based on RSSI fingerprint feature vector. International Journal of Distributed Sensor Networks.

Torres-Sospedra, J., Montoliu, R., Martínez-Usó, A., Avariento, J. P., Arnau, T. J., Benedito-Bordonau, M., & Huerta, J. (2014, October). Ujiindoorloc: A new multi-building and multi-floor database for wlan fingerprint-based indoor localization problems. In Indoor Positioning and Indoor Navigation (IPIN), 2014 International Conference on (pp. 261-270). IEEE.

Chen, G., Meng, X., Wang, Y., Zhang, Y., Tian, P., & Yang, H. (2015). Integrated WiFi/PDR/Smartphone using an unscented kalman filter algorithm for 3D indoor localization. Sensors, 15(9), 24595-24614.

Gu, Q., Li, Z., Han, J. (2012). Generalized fisher score for feature selection. arXiv preprint arXiv:1202.3725.

Liu, H., & Setiono, R. (1995, November). Chi2: Feature selection and discretization of numeric attributes. In Tools with artificial intelligence, 1995. proceedings., seventh international conference on (pp. 388-391). IEEE.

Mitchell, Tom M. (1997). Machine Learning. The Mc-Graw-Hill Companies, Inc. ISBN 0070428077.

Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24, 417–441, and 498–520.

Vapnyarskii, I.B. (2001). Lagrange multipliers. Encyclopedia of Mathematics, Springer ISBN 978-1-55608-010-4.

McLachlan, G.J. (2004). Discriminant Analysis and Statistical Pattern Recognition. Wiley Interscience. ISBN 0-471-69115-1. MR 1190469.

Alpaydin, E. (2013). Yapay Öğrenme. Boğaziçi Üniversitesi Yayınevi. ISBN-13: 978-6-054-23849-1

Chang, C.C. and Lin, C.J. (2011). LIBSVM : a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2:27:1--27:27.

Torres-Sospedra, J., Montoliu, R., Trilles, S., Belmonte, Ó., & Huerta, J. (2015). Comprehensive analysis of distance and similarity measures for Wi-Fi fingerprinting indoor positioning systems. Expert Systems with Applications, 42(23), 9263-9278.




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.