LOKALIZACIJA MOBILNIH UREĐAJA U ZATVORENOM PROSTORU POMOĆU MAŠINSKOG UČENJA
Ključne reči:
Lokalizacija u zatvorenom prostoru, mašinsko učenje, klasifikacija, preciznost, kompleksnost, 802.11ah
Apstrakt
Usled velikog napretka u razvoju mobilnih uređaja, problem njihove lokalizacije u zatvorenom prostoru postaje jedna od najvažnijih tema današnjice. Najnovije ideje vezane za njegovo rešavanje su usko povezane sa principima mašinskog učenja. Mi predlažemo novi algoritam, koji posmatra vremensko – frekvencijsku strukturu signala nakon OFDM demodulacije kao sliku, i koristi sve benefite mašinskog učenja koji se već primenjuju u rešavanju problema obrade i klasifikacije slike. Na kraju vršimo poređenje različitih arhitektura po tačnosti klasifikacije i vremenu potrebnom za trening neuralne mreže.
Reference
[1] A. Khalajmehrabadi, N. Gatsis, D. Akopian “Modern WLAN Fingerprinting Indoor Positioning Methods and Deployment Challenges”, IEEE Commun. Surv. Tutor., 2017.
[2] J. Xiao, K. Wu, Y. Yi, L. Ni , “FIFS: Fine-grained indoor fingerprinting system”, Proc. IEEE ICCCN’12, pp. 1-7, August 2012.
[3] X. Wang, L. Gao, S. Mao, S. Pandey , “CSI-based fingerprinting for indoor localization: A deep learning approach”, IEEE Trans. Veh. Technol., vol. 66, no. 1, pp. 763-776, January 2017.
[4] X. Wang, L. Gao, S. Mao, “CSI phase fingerprinting for indoor localization with a deep learning approach”, IEEE Internet of Things J., vol. 3, no. 6, pp. 1113-1123, December 2016.
[5] X. Wang, S. Mao, “ResLoc: Deep Residual Sharing Learning for Indoor Localizaton with CSI Tensors”, Proc. IEEE PIMRC’17, pp. 1-7, October 2017.
[6] E.Perahia, R.Stacey, “Next Generation Wireless LANs: Throughput, Robustness, and Reliability in 802.11n”, Cambridge, 2008.
[7] A. Krizhevsky, I. Sutskever, G. Hinton, “Imagenet classification with deep convolutional neural networks”, Advances in neural information processing system, pp. 1097-1105, 2012.
[8] K. He, X. Zhang, S. Ren, J.Sun “Deep residual learning for image recognition”, Proc. of CVPR, pp. 770-778, 2016.
[2] J. Xiao, K. Wu, Y. Yi, L. Ni , “FIFS: Fine-grained indoor fingerprinting system”, Proc. IEEE ICCCN’12, pp. 1-7, August 2012.
[3] X. Wang, L. Gao, S. Mao, S. Pandey , “CSI-based fingerprinting for indoor localization: A deep learning approach”, IEEE Trans. Veh. Technol., vol. 66, no. 1, pp. 763-776, January 2017.
[4] X. Wang, L. Gao, S. Mao, “CSI phase fingerprinting for indoor localization with a deep learning approach”, IEEE Internet of Things J., vol. 3, no. 6, pp. 1113-1123, December 2016.
[5] X. Wang, S. Mao, “ResLoc: Deep Residual Sharing Learning for Indoor Localizaton with CSI Tensors”, Proc. IEEE PIMRC’17, pp. 1-7, October 2017.
[6] E.Perahia, R.Stacey, “Next Generation Wireless LANs: Throughput, Robustness, and Reliability in 802.11n”, Cambridge, 2008.
[7] A. Krizhevsky, I. Sutskever, G. Hinton, “Imagenet classification with deep convolutional neural networks”, Advances in neural information processing system, pp. 1097-1105, 2012.
[8] K. He, X. Zhang, S. Ren, J.Sun “Deep residual learning for image recognition”, Proc. of CVPR, pp. 770-778, 2016.
Objavljeno
2019-11-02
Sekcija
Elektrotehničko i računarsko inženjerstvo
