Semi-supervised indoor localization using rssi fingerprints
Yarı güdümlü öğrenme yöntemleriyle rssı parmakizi tabanlı bina içi konumlandırma sistemi
- Tez No: 527106
- Danışmanlar: DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Harita üzerinde bir kişinin konumlandırılması, navigasyondan oyunlara kadar geniş bir yelpazede pek çok konum tabanlı uygulama alanına sahiptir. Akıllı telefonlar kullanıldığında ideal bir sistemden beklenen, mevcut sensörlerin ve mevcut altyapının kullanılmasıdır. GSM ve WiFi teknolojileri bizlere bu imkânı sunmaktadır. Sinyal gücü seviyesi (RSSI), çeşitli kaynaklardan alınan sinyallerin parmak iziyle çalışan konum tahmini yöntemlerinde sıklıkla kullanılmaktadır. Makine öğrenmesi yöntemleri bu parmak izlerinin tanınmasında kullanılmaktadır. Hiç şüphesiz, bu tip bir tanımlama yapabilmek için RSSI parmak izlerinin belirli bir konumda nokta nokta etiketlenmesi gerekmektedir. Bu durum, çoğu uygulama için masraflı olmakla beraber, bazı durumlarda da imkânsızdır. RSSI verisi önceden belirlenmiş konumlarda toplanıp, daha sonra küresel koordinat sistemine dönüştürülecek şekilde bir konum etiketi ile etiketlenmektedir. Toplanan verinin miktarı ve doğruluğu, yapılacak olan konum tahmininin başarımı üzerinde önemli bir etkiye sahiptir. Tipik bir algoritma, çok sayıda RSSI verisinin günler boyunca sürecek, birkaç metre aralıklarla farklı zaman dilimlerinde toplanmasına dayanmaktadır. Ortamdaki hava durumu, yapısal değişiklikler ve insan hareketi gibi dinamik değişimler, veri toplama işleminin tekrarlanmasını gerektirmektedir. Bu tip etiketli veriye olan ihtiyacı azaltmak, RSSI tabanlı konumlandırma yöntemlerini çok daha erişilebilir kılacaktır. Bu hususta, yapılacak olan konum tahmininin düz veya dolambaçlı koridorlarda yapılması şartıyla yarı güdümlü bir yöntem önermekteyiz. Bu şartlar altında veri toplama işlemini çok daha rahatlatacak ve her konumda yapılan veri toplama işlemini sadece birkaç konuma indirebileceğiz. Bu minvalde RSSI parmak izlerini etiketsiz olarak sınıflandırabilen yeni bir algoritma önermekteyiz. Bu yöntem RSSI tabanlı konumlandırma için hem GSM hem de WiFi sinyallerini kullanabilmektedir. Alınan sonuçlar, yöntemimizin K-En yakın komşu ve derin öğrenme yöntemleri gibi güdümlü yöntemlerle kıyaslanabilir, K-Ortalama algoritması gibi kümeleme algoritmalarından ise çok daha iyi performans sergilediğini göstermektedir.
Özet (Çeviri)
Locating a person on a map has many location-based services applications ranging from navigation to gaming. When smartphones are used, ideal location estimation systems should use the existing sensors and infrastructure. GSM or WiFi capabilities of such devices offer such conveniences. Receiver signal strength indicators (RSSI) are frequently used for location estimation based on the fingerprint of the signals received from various sources. Machine learning methods are employed to recognize these fingerprints. Of course, such a recognition method requires labeling of RSSI fingerprints for a grid of locations. This makes the application of these methods expensive and in many cases impossible. RSSI data is collected for a set of predefined locations and labeled with the location tag which in turn is transformed to a global coordinate system. The accuracy and the amount of data is of critical importance for the estimated location accuracy. A typical algorithm needs the collection of multiple RSSIs at different times and grid locations separated within a few meters requiring many days. The dynamic changes in the environment, such as weather conditions, infrastructure modifications, and people movement, make it necessary to repeat this surveying process. Eliminating the need for labeled data can make RSSI-based localization methods more accessible. We propose a semi-supervised method for applications where the location to be estimated lies on a constraint path such as a corridor or a winding road. In these cases, the data collection process is reduced to recording the data freely and labeling only for a couple of locations. A new algorithm is proposed to classify the RSSI fingerprints for the unlabeled locations. The method is applicable to RSSI-based localization using GSM as well as WiFi infrastructures. The results show that the proposed method provides comparable results to supervised algorithms such as KNN and deep learning and much better results than traditional clustering methods such as K-means.
Benzer Tezler
- Okul öncesi eğitim kurumlarında kullanılan oyuncakların ve oyun alanlarının ergonomik açıdan incelenmesi
Ergonomic assessment of toys and playgrounds used in preschool education institutes
ZEYNEP OLGUN
Yüksek Lisans
Türkçe
2015
Eğitim ve ÖğretimGazi ÜniversitesiAile Ekonomisi ve Beslenme Eğitimi Ana Bilim Dalı
DOÇ. DR. AYBALA AKSOY
- Semi-supervised iterative teacher-student learning for monocular depth estimation
Monoküler derinlik tahmini için yarı denetimli yinelemeli öğretmen-öğrenci öğrenimi
CEMAL BARIŞKAN SÜVARİ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR HALICI
- Semi-supervised method for determining the maxillary and mandibular boundaries on panoramic radiographs
Panoramik radyografi görüntülerinde maksiller ve mandibüler yapıların sınırlarının belirlenmesi için yarı-gözetimli bir metot
BERKAY KAĞAN ÜLKÜ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İMAM ŞAMİL YETİK
- Çizgelerde etiket yayılımı ile belgelerin yarı eğitimli sınıflandırılması
Semi-supervised classification of documentsvia label propagation in graphs
GÖKHAN KOCAMAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CAN GANİZ
- Semi-supervised feature selection using mean absolute deviation
Ortalama mutlak sapma kullanarak yarı denetlenen özellik seçimi
ZAHARADDEEN BABAGANA
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. NURAN DOĞRU