Диссертация (1090554), страница 9
Текст из файла (страница 9)
В большинстве случаев значение разброса оказывается близким к значению максимальнойошибки.521.6. ВыводыРезультаты данной главы можно сформулировать следующим образом:1. Рассмотрены основные технологии и методы позиционирования объектов по данным беспроводных сетей.2. Представлен обзор основных проблем, приводящих к снижению точности локального позиционирования объектов.3. Проведѐн сопоставительный анализ существующих методов увеличенияточности позиционирования. Зафиксированы их преимущества и недостатки.4. Выявлены перспективные направления для разработки новых методов иподходов к повышению точности локализации объектов по данным беспроводных сетей.5. Уточнены задачи диссертации на основе анализа актуальных проблемпредметной области. Определены ограничения, принятые при решениизадач диссертации.53ГЛАВА2.Разработкаметодовувеличенияточностипозиционирования по данным беспроводных сетейГлавной характеристикой любой системы позиционирования является еѐточность.
При этом построение высокоточных систем локального позиционирования в реальных условиях их применения является сложной научной задачей,требующей тщательного изучения. В данной главе эта задача рассматривается снескольких позиций.Во-первых, применительно к технологии Wi-Fi позиционирования, какнаиболее часто используемой на практике, проведена экспериментальная оценкаточности определения местоположения объекта для разных методов обработкиинформации.Во-вторых, произведѐн анализ применимости для решения задачи локального позиционирования методов корреляционно-экстремальных систем, решающихпохожую задачу в смежной области навигации и наведения летательных аппаратов.Наконец, в-третьих, осуществлѐн синтез комплексного метода локальногопозиционирования объектов и их групп, основанного на совокупном использовании нескольких методов и технологий позиционирования и позволяющего определять местоположение объектов с высокой точностью.542.1.
Экспериментальная оценка точности существующих алгоритмовопределения местоположения2.1.1. Описание объекта испытанийВ качестве объекта испытаний был выбран демонстрационный зал компании ООО «НИИ СОКБ», план которого приведен на рис. 2.1. Выбор был сделан,во-первых, в связи с наличием в указанном помещении достаточного для решениязадачи высокоточного позиционирования количества точек доступа, а во-вторых,из-за сложной интерференционной картины распределения сигналов Wi-Fi в данном помещении. Интерференционная картина усложняется за счѐт наличия стеклянных шкафов и металлических конструкций.
Общая площадь объекта испытаний составляет около 240 м2.На территории объекта испытаний располагаются восемь источников Wi-Fiсигнала, а именно 5 точек доступа D-link DIR-615/K1 и 3 точки доступа TP-LINKTL-MR3040. Каждой точке доступа на рисунке присвоен порядковый номер, который будет использован в дальнейшем.Рис. 2.1. План объекта испытаний552.1.2. Экспериментальная настройка системы позиционированияДля проведения экспериментальной настройки были определены опорныеточки измерений.
Интервал расстановки точек измерений обучающей и тестовойвыборок был выбран достаточным для обеспечения высокой точности работы системы. При этом значение интервала расстановки было взято равным 4 метрам.В каждой опорной точке было произведено по пять измерений в четырѐхотносительных направлениях, перпендикулярных друг другу.
Измерения производились с помощью смартфона LG Nexus 4, работающего под управлением операционной системы Android 4.4.Обучающая и тестовая выборки формировались на основании данных одного и того же устройства. Измерения производились пять раз с разницей в сутки –первый набор измерений использовался для обучения, а оставшиеся четыре длятестирования. При этом тестовые наборы данных были дополнены измерениями вдополнительных промежуточных точках. Итоговые объѐмы полученных выборок:обучающая выборка – 80 измерений, тестовая выборка – 464 измерения.Расположение опорных точек измерений обучающей и тестовой выборок наплане объекта испытаний изображено на рис.
2.2.Рис. 2.2. Расположение опорных точек измерений562.1.3. Анализ точности существующих методов позиционированияЭкспериментальное исследование точности существующих методов позиционирования заключалось в оценке итоговых значений средней и максимальнойошибки позиционирования, получаемых системой, использующей один из методов, по данным обучающей и тестовой выборок, сформированных на этапе экспериментальной настройки.Исследовались следующие методы:1) Методы, основанные на построении модели распространения сигналов: метод минимизации отношений RSS; метод минимизации разностей RSS.2) Методы, базирующиеся на идеях теории классификации: модифицированный метод k-ближайших соседей; наивный байесовский классификатор.При исследовании точности модифицированного метода k-ближайших соседей варьировались используемые меры близости и количество ближайших соседей.
Результаты данного исследования представлены на рис. 2.3.Рис. 2.3. Экспериментальная оценка точности модифицированного методаk-ближайших соседей57В рамках исследования модифицированного метода k-ближайших соседейне были найдены настройки, при которых одновременно минимизируются каксредняя, так и максимальная ошибка, поэтому для определения наилучших результатов использовался следующий эмпирический критерий: минимальная средняя ошибка при условии, что максимальная ошибка не превышает значения 5 м.Лучшие результаты с точки зрения выбранного критерия были полученыдля манхэттенской метрики (расстояние городских кварталов) при количествеближайших соседей k = 7 [59].В таблице 2.1 приведены суммарные результаты исследования точностисуществующих методов позиционирования.
Для модифицированного метода kближайших соседей в таблице указаны значения, полученные при использованииего оптимальных настроек. Оценка апостериорной вероятности при оценке точности наивного байесовского классификатора рассчитывалась по методу диаграмм.Таблица 2.1Результаты экспериментального исследования точностисуществующих методов Wi-Fi позиционированияМетодСредняяМинимальнаяМаксимальнаяпозиционированияошибка, мошибка, мошибка, м3,920,436,245,814,220,376,135,761,510,194,974,781,850,214,654,44Метод минимизацииотношений RSSМетод минимизацииразностей RSSРазброс, мМодифицированныйметод k-ближайшихсоседейНаивный байесовскийклассификаторПолученные результаты свидетельствуют о том, что ошибка позиционирования методов, использующих модели распространения сигнала, приблизительно58вдвое больше, чем у методов, применяющих вероятностных подход.
Из этогоможно сделать вывод о том, что применение методов, основанных на построениимодели распространения сигнала, для решения задачи позиционирования объектов с высокой точностью вряд ли возможно [60]. Это обусловлено тем, что такиемодели не учитывают реальную интерференционную картину Wi-Fi покрытия, накоторую влияют как значительное переотражение сигналов, так и наложение ихчастотных спектров.В свою очередь вероятностные методы позволяют получить приемлемуюточность как с точки зрения средней, так и с точки зрения максимальной ошибкипозиционирования. Именно эту группу методов можно рекомендовать для использования при построении высокоточных систем локального Wi-Fi позиционирования объектов.592.2.
Адаптация и применение методов корреляционно-экстремальныхсистемНа практике существуют два подхода к увеличению точности позиционирования. Первый заключается в разработке специальных мер коррекции оценок координат в условиях действия внешних воздействий, определяемых условиямиприменения системы. Второй подход основан на разработке новых или доработкесуществующих методов или технологий позиционирования для обеспечения работоспособности системы при всѐм многообразии внешних факторов.В данном разделе вопрос увеличения точности рассматривается со стороныдоработки модифицированного метода k-ближайших соседей с использованиемметодов корреляционно-экстремальных систем, успешно решающих задачу локализации положения объектов в смежной области навигации и наведения летательных аппаратов.2.2.1.
Определение и классификация КЭСКорреляционно-экстремальные системы (далее – КЭС) решают задачуопределения местоположения объекта на основании корреляционного сравненияэталонного изображения (ЭИ), хранящегося в памяти системы, и текущего изображения (ТИ), получаемого системой в процессе еѐ функционирования. ЭИ и ТИпредставляют собой изображения навигационных полей Земли [61]. В качествеполей навигации могут применяться различные физические поля Земли или ихкомбинации [62].
Наиболее часто КЭС используют информацию, содержащуюсяна топографических картах [63, 64].КЭС согласно [65] различаются по следующим признакам:1) Вид рабочей информации;2) Объѐм начальной (априорной) информации;3) Способ хранения и обработки информации;4) Метод определения отклонения от экстремума.Классификация КЭС по признакам, указанным выше, приведена в таблице2.2 (по данным [66, 67, 68]).60Таблица 2.2Классификация корреляционно-экстремальных систем№п/п1ПризнакВид рабочей информацииВиды системСистемы,вкоторыхинформацияснимается:1) В точке (системы I класса);2) С отрезка линии (системы II класса);3) С участка площади (системы III класса);4) С части объѐма (системы IV класса).Рабочая информация систем I класса – скалярная величина. Для остальных классов –это векторные величины2Объѐм априорной (началь-1) Системы «без памяти».
В этом случаеной) информациисравниваются сигналы, один из которыхимеет временную задержку;2) Системы «с памятью». Используют априорную информацию о случайном процессе3Способ хранения и1) Аналоговые системы;обработки информации2) Цифровые (дискретные) системы;3) Аналого-цифровые (комбинированные)системы4Метод определения1) Поисковые системы. Производят числен-отклонения от экстремуманый поиск;2) Беспоисковые системы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
