İç mekân konum tespitinde sinyal haritasının küçültülmesi ve performans analizi

Yıl 2017, Cilt: 32 Sayı: 4, 1131 - 1142, 08.12.2017

Serpil Üstebay , Ergün Gümüş Muhammed Ali Aydın , Ahmet Sertbaş

https://doi.org/10.17341/gazimmfd.369507

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

kablosuz erişim noktası seçimi, parmak izi küçültme, temel bileşen analizi, k-en yakın komşuluk, destek vektör makineleri, doğrusal ayırtaç analizi, İç mekân konumlandırma, doğrusal ayırtaç analizi

Kaynakça

• 1. Paramvir B., Padmanabhan V.N., RADAR: An in-building RF-based user location and tracking system, INFOCOM 2000. Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies, Proceedings. 2, 777-784, 2000.
• 2. Technavio. Top 33 Indoor Location-Based Services (LBS) Companies in the US. https://www.technavio.com/blog/top-33-indoor-location-based-services-lbs-companies-in-the-us, Yayın Tarihi 19 Haziran 2014, Erişim Tarihi 10.06.2016.
• 3. Ekahau. Wi-Fi Site Surveys: Passive, Active, RTLS, https://www.ekahau.com/blog/2010/04/27/wi-fi-site-surveys-passive-active-rtls. Yayın Tarihi 27 Nisan 2010. Erişim Tarihi 10.06.2016.
• 4. AeroScout Company. RTLS (Real Time Location Systems) Solutions: http://www.aeroscout.com/ Yayınlanma Tarihi 10. Ocak. 2011, Erişim Tarihi 10.06.2016.
• 5. Carlson J.D., Mittek M., Parkison S.A., Sathler P., Bayne D., Psota E.T., Bonasera S.J. Smart watch RSSI localization and refinement for behavioral classification using laser-SLAM for mapping and fingerprinting, Engineering in Medicine and Biology Society (EMBC), 2014 36th Annual International Conference of the IEEE, 2173-2176, August, 2014.
• 6. Tatar Y., Yıldırım G., A dynamic location estimation technique based on fingerprint using a reduced radio map in wireless sensor networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 29 (2), 217-226 2014.
• 7. Cherntanomwong, P., Suroso D.J., Indoor localization system using wireless sensor networks for stationary and moving target, Information in Communications and Signal Processing (ICICS) 8th International Conference of IEEE, 1-5 December 2011.
• 8. Zhang A., Yuan Y., Wu Q., Zhu S., Deng J., Wireless localization based on RSSI fingerprint feature vector, International Journal of Distributed Sensor Networks 11 (11), 2015.
• 9. Torres-Sospedra J., Montoliu R., Martínez-Usó, A., Avariento J.P., Arnau, T.J., Benedito-Bordonau M., Huerta J., 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 of IEEE, 61-270, October, 2014.
• 10. Chen G., Meng X., Wang Y., Zhang Y., Tian P., Yang H., Integrated WiFi/PDR/Smartphone using an unscented kalman filter algorithm for 3D indoor localization, Sensors, 15 (9), 24595-24614, 2015.
• 11. Gu Q., Li Z., Han J., Generalized fisher score for feature selection. arXiv preprint arXiv, 1202-3725, 2012. 12. Liu H., Setiono R., Chi2: Feature selection and discretization of numeric attributes. Tools with artificial intelligence, Seventh international conference on IEEE, 388-391, November, 1995.
• 13. Mitchell Tom M., Machine Learning.,The Mc-Graw-Hill Companies, Inc, 0070428077, 997, 1997.
• 14. Hotelling H., Analysis of a complex of statistical variables into principal components, Journal of Educational Psychology, 24 (6), 417–441, 1933.
• 15. Vapnyarskii I.B., Lagrange multipliers, Encyclopedia of Mathematics, 978, 1-55, 2001.
• 16. McLachlan G.J., Discriminant Analysis and Statistical Pattern Recognition. Wiley Interscience, 544, 2004.
• 17. Alpaydin E., Yapay Öğrenme, Boğaziçi Üniversitesi Yayınevi, 2013.
• 18. Chang C.C., Lin C.J., LIBSVM: A library for support vector machines, ACM Transactions on Intelligent Systems and Technology, 2:3, 27, 2011.
• 19. Torres-Sospedra J., Montoliu R., Trilles S., Belmonte Ó., Huerta J., Comprehensive analysis of distance and similarity measures for Wi-Fi fingerprinting indoor positioning systems, Expert Systems with Applications, 42 (23), 9263-9278, 2015.