Розробка трьохмірної системи локалізації з використанням глибокого навчання і попередньо навчених архітектур для IEEE 802.11 Wi-Fi

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.263185

Ключові слова:

3D-локалізація, Wi-Fi, метод класифікації глибокого навчання, матриця плутанини, IEEE 802.11

Анотація

Продуктивність систем внутрішньої локалізації Wi-Fi з відбитками пальців у внутрішньому середовищі залежить від інформації про стан каналу, яка зазвичай обмежена через ефект загасання багатопроменевості. Стандарт Wi-Fi™, IEEE 802.11az, який зазвичай називають наступним поколінням позиціонування, пропонує характеристики фізичного рівня, які дозволяють виконувати позиціонування та розширений діапазон з використанням традиційних методів. Отже, важливо створити набір даних відбитків пальців для багатоканальних імпульсних відповідей у приміщенні на основі сигналів 802.11az і позначити всі ці відбитки пальців за їх даними про місцезнаходження, оцінивши розташування станції на основі частини набору даних для відбитків пальців. У цій роботі розробляється модель навчання згорткової нейронної мережі (ЗНМ) для позиціонування та локалізації шляхом створення даних IEEE 802.11. Дослідження включає використання навченої CNN для прогнозування положення або розташування декількох станцій за даними відбитків пальців. Це включає оцінку продуктивності ЗНМ для БІВ. Алгоритми глибокого навчання та відбитків пальців використовуються у моделях позиціонування Wi-Fi для створення набору даних шляхом вибірки каналу відбитків пальців у розпізнаних позиціях у середовищі. Модель передбачає розташування користувача відповідно до сигналу, підтвердженого непізнаним місцезнаходженням через довідкову базу даних. У роботі також обговорюється вплив розміру антеної решітки та смуги пропускання каналу на продуктивність. Показано, що збільшення періодів навчання та кількості станцій покращує продуктивність мережі. Результати були підтверджені матрицею плутанини, яка узагальнює та візуалізує метод класифікації підприємств. Ми використовуємо обмежений набір даних для простоти та короткого часу моделювання, але більша продуктивність досягається за рахунок навчання великих даних.

Спонсор дослідження

  • The authors acknowledge the University of Babylon, Iraq for their support and assistance.

Біографії авторів

Aseel Hamoud Hamza, University of Babylon

College of Law

Sabreen Ali Hussein, University of Babylon

Department of Mathematics and Computer

College of Basic Education

Ghassan Ahmad Ismaeel, University of Mosul

Department of Clinical Laboratory Sciences

College of Pharmacy

Saad Qasim Abbas, Al-Turath University College

Department of Medical Instrument Engineering Technique

Musadak Maher Abdul Zahra, Al-Mustaqbal University College

Computer Techniques Engineering Department

Ahmad H. Sabry, Al-Nahrain University

Doctor of Control and Automation Engineering

Department of Computer Engineering

Посилання

  1. IEEE P802.11az/D1.0, February 2019: IEEE Draft Standard for Information Technology - Telecommunications and Information Exchange Between Systems Local and Metropolitan Area Networks - Specific Requirements Part 11: Wireless LAN Medium Access Control (MAC) (2019). IEEE.
  2. Boukerche, A. (Ed.) (2008). Algorithms and Protocols for Wireless Sensor Networks. Wiley. doi: https://doi.org/10.1002/9780470396360
  3. Ketshabetswe, L. K., Zungeru, A. M., Mangwala, M., Chuma, J. M., Sigweni, B. (2019). Communication protocols for wireless sensor networks: A survey and comparison. Heliyon, 5 (5), e01591. doi: https://doi.org/10.1016/j.heliyon.2019.e01591
  4. Kokkinis, A., Kanaris, L., Liotta, A., Stavrou, S. (2019). RSS Indoor Localization Based on a Single Access Point. Sensors, 19 (17), 3711. doi: https://doi.org/10.3390/s19173711
  5. Wang, X., Gao, L., Mao, S., Pandey, S. (2016). CSI-based Fingerprinting for Indoor Localization: A Deep Learning Approach. IEEE Transactions on Vehicular Technology, 1–1. doi: https://doi.org/10.1109/tvt.2016.2545523
  6. Pujiharsono, H., Utami, D., Ainul, R. D. (2020). Trilateration Method For Estimating Location in RSSI-Based Indoor Positioning System Using Zigbee Protocol. JURNAL INFOTEL, 12 (1). doi: https://doi.org/10.20895/infotel.v12i1.380
  7. Nguyen, C. L., Raza, U. (2019). LEMOn: Wireless Localization for IoT Employing a Location-Unaware Mobile Unit. IEEE Access, 7, 40488–40502. doi: https://doi.org/10.1109/access.2019.2904731
  8. Zhang, X., Tepedelenlioglu, C., Banavar, M., Spanias, A. (2016). Node Localization in Wireless Sensor Networks. Synthesis Lectures on Communications, 9 (1), 1–62. doi: https://doi.org/10.2200/s00742ed1v01y201611com012
  9. Mohammed, A. B., Al-Mafrji, A. A. M., Yassen, M. S., Sabry, A. H. (2022). Developing plastic recycling classifier by deep learning and directed acyclic graph residual network. Eastern-European Journal of Enterprise Technologies, 2 (10 (116)), 42–49. doi: https://doi.org/10.15587/1729-4061.2022.254285
  10. Hussein, Z. R. (2022). Improvement of noisy images filtered by bilateral process using a multi-scale context aggregation network. Eastern-European Journal of Enterprise Technologies, 2 (9 (116)), 14–20. doi: https://doi.org/10.15587/1729-4061.2022.255789
  11. Liu, X., Zhou, B., Huang, P., Xue, W., Li, Q., Zhu, J., Qiu, L. (2021). Kalman Filter-Based Data Fusion of Wi-Fi RTT and PDR for Indoor Localization. IEEE Sensors Journal, 21 (6), 8479–8490. doi: https://doi.org/10.1109/jsen.2021.3050456
  12. Yu, Y., Chen, R., Liu, Z., Guo, G., Ye, F., Chen, L. (2020). Wi-Fi Fine Time Measurement: Data Analysis and Processing for Indoor Localisation. Journal of Navigation, 73 (5), 1106–1128. doi: https://doi.org/10.1017/s0373463320000193
  13. Wang, Y., Li, M., Li, M. (2017). The statistical analysis of IEEE 802.11 wireless local area network–based received signal strength indicator in indoor location sensing systems. International Journal of Distributed Sensor Networks, 13 (12), 155014771774785. doi: https://doi.org/10.1177/1550147717747858
  14. Lim, H., Kung, L.-C., Hou, J. C., Luo, H. (2010). Zero-configuration indoor localization over IEEE 802.11 wireless infrastructure. Wireless Networks, 16 (2), 405–420. doi: https://doi.org/10.1007/s11276-008-0140-3
  15. Hernández, N., Parra, I., Corrales, H., Izquierdo, R., Ballardini, A. L., Salinas, C., García, I. (2021). WiFiNet: WiFi-based indoor localisation using CNNs. Expert Systems with Applications, 177, 114906. doi: https://doi.org/10.1016/j.eswa.2021.114906
  16. Chase, O. A., Teles, M. B., de Jesus dos Santos Rodrigues, M., de Almeida, J. F. S., Macêdo, W. N., da Costa Junior, C. T. (2018). A Low-Cost, Stand-Alone Sensory Platform for Monitoring Extreme Solar Overirradiance Events. Sensors, 18 (8), 2685. doi: https://doi.org/10.3390/s18082685
  17. Wang, F., Feng, J., Zhao, Y., Zhang, X., Zhang, S., Han, J. (2019). Joint Activity Recognition and Indoor Localization With WiFi Fingerprints. IEEE Access, 7, 80058–80068. doi: https://doi.org/10.1109/access.2019.2923743
  18. Tseng, P.-H., Chan, Y.-C., Lin, Y.-J., Lin, D.-B., Wu, N., Wang, T.-M. (2017). Ray-Tracing-Assisted Fingerprinting Based on Channel Impulse Response Measurement for Indoor Positioning. IEEE Transactions on Instrumentation and Measurement, 66 (5), 1032–1045. doi: https://doi.org/10.1109/tim.2016.2622799

##submission.downloads##

Опубліковано

2022-08-31

Як цитувати

Hamza, A. H., Hussein, S. A., Ismaeel, G. A., Abbas, S. Q., Zahra, M. M. A., & Sabry, A. H. (2022). Розробка трьохмірної системи локалізації з використанням глибокого навчання і попередньо навчених архітектур для IEEE 802.11 Wi-Fi. Eastern-European Journal of Enterprise Technologies, 4(9(118), 41–47. https://doi.org/10.15587/1729-4061.2022.263185

Номер

Том 4 № 9(118) (2022): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2022 Aseel Hamoud Hamza, Sabreen Ali Hussein, Ghassan Ahmad Ismaeel, Saad Qasim Abbas, Musadak Maher Abdul Zahra, Ahmad H. Sabry

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.