Một kỹ thuật định vị trong nhà bằng WiFi hiệu quả sử dụng học máy kết hợp
An Efficient WiFi Indoor Positioning Technique using Combined Machine Learning
Abstract
Trong nghiên cứu này, chúng tôi đề xuất mô hình học tích hợp nhiều mô hình học máy theo hai pha. Pha
thứ nhất kết hợp tổ hợp các mô hình phân lớp k-Nearest Neighbor (KNN), Logistic Regression (LR) , Support Vector Machines (SVM) được tổ hợp dữ liệu mới. Pha thứ hai sử dụng một bộ phân lớp trên tổ hợp dữ liệu mới. Mô hình này được áp dụng trong giai đoạn huấn luyện mô hình. Trong giai đoạn kiểm thử, dữ liệu thu từ thiết bị điện thoại được tiền xử lý, sau đó dữ liệu được đưa vào mô hình dự báo để ước tính một vị trí tòa-tầng cụ thể trong tòa nhà. Đề xuất được cài đặt và đánh giá trên tập dữ liệu UJIIndoorLoc đạt kết quả dự báo chính xác 98.73%. Kết quả này cao hơn kết quả của các mô hình sử dụng từng thuật toán thành phần và cũng cao hơn kết quả của các nghiên cứu khác dùng cùng thuật toán và trên cùng tập dữ liệu.
References
S. Chan and G. Sohn, “Indoor localization using wi-fi based fingerprinting and trilateration techiques for lbs applications,” International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 38, no. 4, p. C26, 2012.
R. Harle, “A survey of indoor inertial positioning systems for pedestrians,” IEEE Communications Surveys Tutorials, vol. 15, no. 3, pp. 1281–1293, 2013.
C. Basri and A. El Khadimi, “Survey on indoor localization system and recent advances of wifi fingerprinting technique,” in 2016 5th international conference on multimedia computing and systems (ICMCS). IEEE, 2016, pp. 253–259.
E. Laitinen, E. S. Lohan, J. Talvitie, and S. Shrestha, “Access point significance measures in wlan-based location,” in 2012 9th Workshop on Positioning, Navigation and Communication, 2012, pp. 24–29.
I. T. Jolliffe and J. Cadima, “Principal component analysis: a review and recent developments,” Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 374, 2016.
D. Chu, L.-Z. Liao, M. K. Ng, and X. Wang, “Incremental linear discriminant analysis: A fast algorithm and comparisons,” IEEE Transactions on Neural Networks and Learning Systems, vol. 26, pp. 2716–2735, 2015.
A. Nessa, B. Adhikari, F. Hussain, and X. N. Fernando, “A survey of machine learning for indoor positioning,” IEEE Access, vol. 8, pp. 214 945–214 965, 2020.
N. Singh, S. Choe, and R. Punmiya, “Machine learning based indoor localization using wi-fi rssi fingerprints: an overview,” IEEE Access, 2021.
P. Bahl and V. N. Padmanabhan, “Radar: An in-building rf-based user location and tracking system,” in Proceedings IEEE INFOCOM 2000. Conference on computer communications. Nineteenth annual joint conference of the IEEE computer and communications societies (Cat. No. 00CH37064), vol. 2. Ieee, 2000, pp. 775–784.
M. Y. Umair, K. V. Ramana, and D. Yang, “An enhanced k-nearest neighbor algorithm for indoor positioning systems in a wlan,” 2014 IEEE Computers, Communications and IT Applications Conference, pp. 19–23, 2014.
C. Sujin and G. Kousalya, Fingerprint-Based Support Vector Machine for Indoor Positioning System, 01 2019, pp. 289– 298.
Z. Peng, Y. Xie, D. Wang, and Z. Dong, “One-to-all regularized logistic regression-based classification for wifi indoor localization,” 2016 IEEE 37th Sarnoff Symposium, pp. 154– 159, 2016.
J. Torres-Sospedra, R. Montoliu, A. Martínez-Usó, J. P. Avariento, T. J. Arnau, M. Benedito-Bordonau, and
J. Huerta, “Ujiindoorloc: A new multi-building and multifloor database for wlan fingerprint-based indoor localization problems,” in 2014 International Conference on Indoor Positioning and Indoor Navigation (IPIN), 2014, pp. 261– 270.
M. T. Hoang, Y. Zhu, B. Yuen, T. Reese, X. Dong, T. Lu, R. Westendorp, and M. Xie, “A soft range limited k-nearest neighbors algorithm for indoor localization enhancement,” IEEE Sensors Journal, vol. 18, no. 24, pp. 10 208–10 216, 2018.
P. Dai, Y. Yang, M. Wang, and R. Yan, “Combination of dnn and improved knn for indoor location fingerprinting,” Wireless Communications and Mobile Computing, vol. 2019, 2019.
L. Zhang, Y. Li, Y. Gu, and W. Yang, “An efficient machine learning approach for indoor localization,” China Communications, vol. 14, no. 11, pp. 141–150, 2017.
Y. Rezgui, L. Pei, X. Chen, F. Wen, and C. Han, “An efficient normalized rank based svm for room level indoor wifi localization with diverse devices,” Mobile Information Systems, vol. 2017, pp. 1–19, 07 2017.
C. Xiang, Z. Zhang, S. Zhang, S. Xu, S. Cao, and V. K. N. Lau, “Robust sub-meter level indoor localization - a logistic regression approach,” ICC 2019 - 2019 IEEE International Conference on Communications (ICC), pp. 1–6, 2019.
C. Xiang, S. Zhang, S. Xu, X. Chen, S. Cao, G. C. Alexandropoulos, and V. K. N. Lau, “Robust sub-meter level indoor localization with a single wifi access point—regression versus classification,” IEEE Access, vol. 7, pp. 146 309– 146 321, 2019.
P. R. Shivam Wadhwa and R. Kaushik, “Machine learning based indoor localization using wi-fi fingerprinting,” International Journal of Recent Technology and Engineering, 2019.
H. Gan, M. H. B. M. Khir, G. Witjaksono Bin Djaswadi, and N. Ramli, “A hybrid model based on constraint oselm, adaptive weighted src and knn for large-scale indoor localization,” IEEE Access, vol. 7, pp. 6971–6989, 2019.
G. H. Apostolo, I. G. B. Sampaio, and J. Viterbo, “Feature selection on database optimization for wi-fi fingerprint indoor positioning,” Procedia Computer Science, vol. 159, pp. 251–260, 2019, knowledge-Based and Intelligent Information Engineering Systems: Proceedings of the 23rd International Conference KES2019.
W. Charoenruengkit, S. Saejun, R. Jongfungfeuang, and K. Multhonggad, “Position quantization approach with multi-class classification for wi-fi indoor positioning system,” in 2018 International Conference on Information Technology (InCIT), 2018, pp. 1–5.
