Автореферат (1090553), страница 2
Текст из файла (страница 2)
Точность методов данной группы определяется точностью построенной модели. На практике она обычно не превышает 5метров. Графически процесс определения местоположения объекта припомощи трилатерации показан на рис. 1.а.Вторая группа методов основана на том, что возможно провестипредварительное обучение системы, суть которого состоит в формировании карты так называемых «радиоотпечатков», ставящих в соответствие положениям объекта векторы измерений значений RSS точек доступа. В терминах теории классификации карта «радиоотпечатков»называется обучающей выборкой:11 … 1⃗ ℎ (ℎ , ℎ )) (1)…… ) , ⃗ℎ → ⃗ = { ⃗ℎ }=( …̅̅̅̅̅ℎ=1,1 … 17⃗ ℎ (ℎ , ℎ ) – положение объекта, ⃗ℎ –где ZE – обучающая выборка, ⃗вектор измерений значений RSS точек доступа, М – число точек доступа, используемых системой, N – размер обучающей выборки (количество векторов измерений).Позиционирование объекта в этом случае заключается в поискевнутри обучающей выборки векторов измерений, наиболее близких квектору, полученному объектом, с точки зрения значений выбранногостатистического критерия.
Графически это изображено на рис. 1.б.а)б)Рис. 1 – Методы Wi-Fi позиционирования: а) трилатерация;б) классификация по данным предварительного обученияНа рис.1 Δerr – это ошибка позиционирования, определяемая как евклидово расстояние между истинным положением объекта и оценкойего местонахождения.К числу методов второй группы относятся модифицированный метод k-ближайших соседей и наивный байесовский классификатор.Модифицированный метод k-ближайших соседей определяет оценку местоположения объекта как взвешенное значение центра масс фигуры – центроида, формируемого пространственными координатами kближайшими соседей, по формуле⃗ , ⃗ )) ∙ ⃗⃗∑(1/ (⃗⃗ ∗ = =1⃗ ∈ (2), ⃗⃗ ,⃗ ))∑=1(1/ (8⃗ ∗ ( ∗ , ∗ ) – оценка местоположения объекта, ⃗⃗ ( , ) – координагде ⃗⃗ – соответственно вектор текущих измерений иты i-ого соседа, ⃗, вектор измерений i-ого соседа, ds – мера близости между векторами измерений RSS точек доступа, Ωk – множество k-ближайших соседей.В качестве мер близости ds могут использоваться евклидово расстояние, расстояние городских кварталов (манхэттенская метрика), метрика Чебышева и расстояние Махаланобиса.Модификация метода k-ближайших соседей заключается в том, чтов оценке местоположения участвуют положения всех найденных соседей, а не только тех, которые встречаются среди них наиболее часто.Наивный байесовский классификатор, также относящийся к методам второй группы, основан на применении теоремы Байеса.
Оценкаместоположения объекта получается путем определения максимумаапостериорной вероятности местонахождения объекта, рассчитываемойсогласно выражению⃗ |⃗⃗ ] ∙ [⃗⃗ ]⃗ |⃗⃗ ] ∙ [⃗⃗ ][[⃗⃗⃗(3)[|] == .⃗⃗⃗⃗⃗⃗∑=1 [| ] ∙ [ ][]⃗⃗ ] – априорнаяЗдесь V – количество возможных положений объекта, [⃗ до получения векторавероятность нахождения объекта на позиции ⃗⃗ |⃗⃗ ] – апостериорная вероятность получения вектораизмерений ⃗, [⃗ , когда объект находится в позиции ⃗⃗.В литературе показано, что точность методов второй группы, базирующихся на данных предварительного обучения, оказывается существенно выше точности методов, не требующих обучения, и может достигать нескольких метров.В качестве критериев оценки точности позиционирования быливыбраны средняя и максимальная ошибка позиционирования. Значенияэтих ошибок позволяют в полной мере оценить итоговую точность системы за счёт учёта её регулярного поведения (средняя ошибка) и исключительных ситуаций, отрицательно влияющих на результирующуюточность (максимальная ошибка).В заключительной части первой главы приведены ограничения, врамках которых решались задачи диссертации:1.
Число и расположение точек доступа, а также объектов, качественно влияющих на распространение сигнала, не изменяется впроцессе эксплуатации системы.92. Методы позиционирования основаны на обработке информацииоб уровнях мощности беспроводных сигналов.3. Значения уровней мощности сигналов получаются с использованием интерфейса прикладного программирования, поэтомувопросы расчёта этих значений не рассматриваются.4. Технология Wi-Fi используется в качестве базовой технологии,применяемой для локализации положения объектов.Наиболее существенным ограничением, влияющим на применимость результатов диссертации на практике, является постоянство размещения точек доступа и объектов, изменяющих картину распределения сигналов.
Это ограничение не может быть выполнено на динамично изменяющихся объектах (таких, как склады и торговые центры), но вто же время оно выполняется на промышленных объектах и связанныхс ними офисных помещениях, конфигурация которых остаётся постоянной в течение достаточно долгого времени.Вторая глава посвящена разработке алгоритмов увеличения точности локального позиционирования объектов. В ней отражены результаты экспериментального исследования точности существующих методов Wi-Fi позиционирования (таблица 1), подтвердившего преимущество методов, базирующихся на идеях теории классификации, над методами, основанными на использовании модели распространения сигналов. Это позволило рекомендовать данные методы в качестве основыдля построения высокоточных систем локального позиционирования.Таблица 1Экспериментальная оценка точности существующих методовWi-Fi позиционированияМетодСредняя Минимальная Максимальная Разброс,позиционированияошибка, мошибка, мошибка, ммТрилатерация0,435,813,926,24Модифицированныйметод k-ближайших0,194,974,781,51соседейНаивный байесовский1,850,214,444,65классификаторИспытания проводились на территории демонстрационного залакомпании ООО «НИИ СОКБ», общей площадью около 240 м2.
Для измерений использовался смартфон LG Nexus 4 с Android 4.4. Итоговоечисло измерений: обучающая выборка – 80 измерений, тестовая – 464.10Во второй главе рассматриваются следующие направления увеличения точности локального позиционирования:1. Адаптация методов корреляционно-экстремальных систем.2. Совокупное использование различных методов обработки информации и беспроводных технологий.Принцип действия корреляционно-экстремальных систем (КЭС)заключается в статистическом поиске внутри предварительно сформированной матрицы наблюдений (называемой эталонным изображением)одной или нескольких записей, наиболее «похожих» на вектор текущихнаблюдений (именуемый текущим изображением) с точки зрения выбранного статистического критерия (алгоритма КЭС).Близость изложенной постановки к задаче систем локального позиционирования позволила рассмотреть решающие функции алгоритмовКЭС как меры близости для модифицированного метода k-ближайшихсоседей.
На практике в КЭС чаще всего используются следующие алгоритмы:1. Разностный алгоритм, сравнивающий изображения по близостизначений навигационных полей, в качестве которых могут применяться различные физические поля Земли или их комбинации.2. Корреляционный алгоритм, учитывающий взаимную корреляцию значений сравниваемых изображений.3. Алгоритм обобщённой фазовой корреляции, рассчитывающийсмещение изображений, используя данные о фазовой составляющей их взаимного спектра.Приведение решающих функций алгоритмов КЭС к выражениямдля расчёта мер близости показало, что мера обобщённой фазовой корреляции (ОФК) является новой в этой области применения. Остальныедве меры оказались квадратом евклидова расстояния (разностная мера)и коэффициентом взаимной корреляции (корреляционная мера).Сущность меры ОФК заключается в оценке максимального значения взаимной корреляционной функции обучающей выборки и векторатекущих наблюдений путём вычисления обратного преобразованияФурье от нормализованного энергетического спектра их многомерныхдискретных Фурье-преобразований.Выражение для расчёта меры ОФК имеет вид:⃗ , ⃗ℎ )ОФК (1−1 −1ℎ∙ () (, )2π( + )=∑ ∑√ =0 =0 | () (, )|1−(4)11где i – мнимая единица, L – степень учёта амплитудной составляющейвзаимного спектра (L ∈ [0, 1]), St(m) и Se(n,m) – дискретные преобразования Фурье обучающей выборки и текущего наблюдения: () = (, ) =11∑−1√ =0 +1∙∙ 2π (5),∙ ∙2π( + )∑−1∑−1+1,+1,=0=0√(6)где +1,+1– значение уровня мощности (v+1)-ой точки доступа в(u+1)-ом векторе измерений обучающей выборки ZE.Технологию использования меры можно представить следующимобразом.
Пусть обучающая выборка и текущее наблюдение имеют вид,представленный на рис. 2, где по оси абсцисс откладывается порядковый номер измерения, а по оси ординат – полученное в этом измерениизначение RSS точки доступа (ТД).Рис. 2 – Обучающая выборка и текущее наблюдениеЗадача использования меры заключается в определении положениятекущего наблюдения в обучающей выборке с учётом погрешности, которая могла быть внесена в процессе получения значений RSS (рис.