ارائه روش تخمين موقعيت براي محيط هاي دروني با استفاده از شبکه عصبي مدار شعاعي با کاربرد در تجارت سیار
Download
Report
Transcript ارائه روش تخمين موقعيت براي محيط هاي دروني با استفاده از شبکه عصبي مدار شعاعي با کاربرد در تجارت سیار
ارائه روش تخمين موقعيت براي
محيط هاي دروني با استفاده از
شبکه عصبي مدار شعاعي با
کاربرد در تجارت سیار
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
بافت چیست؟
توسط آقایان Schilit , Pacoe
برنامه های آگاه از بافت
موقعیت
بافت عالئق شحصی
بافت بافت
فیزیکی آگاه از موقعیت
برنامه های
زمان
مکان
مقصد
شرایط ترافیکی
آب و هوا
شرایط فیزیکی
اهدا ف فرد
عالئق فرد
اطالعات و توانایی های
فرد
معلولیت ها
بافت محاسباتی
حافظه کامپیوتر
پهنای باند
اندازه مونیتور
پهنای باند
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
تقسیم بندی های مختلف تعیین موقعیت و روشهای
اصلی مطرح برای آن
برونی
سيستم ماهواره جهانی
استفاده از تکنيک انگشت نگاری محلی
درونی
شبکه سنسورها
استفاده از تکنيک انگشت نگاری محلی
GPS
سیستم GPSشامل 3بخش
فضا
كنترل
كاربري
شبکه سنسوری
Active bat
)Cricket(beacons
)Active Badge(Badge,infrared
•Active Bat
کمبريجتیجه
کاربر ودر ن
محرمانگی
خاصیت
برآورده
برای
کامل ش
مهندسی
توسط انجمن
ساختن بعد
AT&tو
توسط
ابتدا
امواج شد
گيرنده مطرح
کاربرهممتمرکز
مدیریت غیر
کاربرصوت
امواج بامافوق
هم
و
راديويی
دستگاه
همراه
دستگاه
از
اينفرارد
امواج
ارسال
اساس
بر
داردفرستنده ها در محل هایی از سقف یا جاهای خاصی تعبیه
شدهکاراند می کند
ايستگاه راديويی با ارسال امواج راديويی به فعال سازی دستگاه
می پردازد.
کاربر
همراه با
نيز
دستگاه
هر
يکتای
شناسه
اينفرارد،
امواج
با
همراه
ازی
س
فعال
به
رادیویی
امواج
ارسال
با
رادیویی
ایستگاه
شود رسيدن به دستگاه کاربر ،به فعال سازی وی
پس از
امواج
اين
می
ارسال
پردازد.
سببمی
فرستندهکهها،
ارسالينامواج
به
شروع
مذکور
دستگاه
شود
می
پرداخته،
فت ا
يا
در
با
دارد
وجود
محل
چندين
در
که
گيرنده
کند از رسیدن به فرستنده ها و فعال نمودن
صوت پس
سيستمامواج
این
مافوق
اج آنها
ارسال
سيمی به
فرستنده شبکه
شوندآنهاکهتوسط يک
انتقال
سببو
سيگنال ها
امو
ارسال
به
شروع
می
آنها،
ماتريسی) با دريافت اين امواج وامواج
شبکه
(
سقفی
های
گيرنده
کنند می پردازد
مرکزی
مافوقکنترل
به يک
صوت
راديويی به تعيين فاصله کاربر با خود می پردازند.
رادیویی به
وامواج
همه امواج
دریافت این
کاربر با
ايندستگاه
ارسال و
کامپيوتر
به
ها
گيرنده
از
ای
فاصله
اطالعات
پردازد.کاربر می پردازد
تعيينمیموقعيت
فاصلهبه
تعیین کننده
کنترل
خود
کامپيوتر با پردازش همه آنها به تعيين موقعيت کاربر می پردازد.
ایرادات وارد به سیستم های مطرح شده
محدوده پوششی
قیمت های زیادی
کاربران
توسعه دهندگان نرم افزارها
زیرساختارهای مورد استفاده برای این کار محدود
کمبود برنامه های کاربردی
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
انگشتنگاري محلي
انگشتنگاري محلي براساس خصوصیات موج رادیویي
(RSS:Radio Signal Strength)
AOA:Angle of arrive
TDOA:time difference of arrival
(Location)=L
انگشتنگاري محلي
Location
Regression
Dimension
(x),(x,y),(x,y,z)
Orientation
(E,W,N,S),(R,Θ)
Classification
Li(-1,1)
انگشتنگاري محلي
Location
Probablistic
) (likelihoodتابع چگالي ،تابع مشابهت= )p(F|L
قدرت سیگنال دریافتي=F
موقعیت موردنظر =L
Deterministic
Pn)T
F=(P1, P2,….
قدرت سیگنال دریافتی از نقطه دسترسی متوسط iام=Pi
F=(σ1, σ 2,…. σ n)T
انحراف استاندارد سیگنال دریافتی از نقطه دسترسی متوسط iام=σ i
انگشتنگاري محلي
Location
Training Mode
Refference Mode
Measurment M points
F=RSS
Location
L
Training Mode
F(from n access point)
انگشتنگاري محلي (الگوریتم نزدیکترین
)فاصله
Nearest Neighbors
Regression & Classification
Deterministic(Mean of Random Variable)
Off_Line
On_Line
M=Number of Points
N=Number of access Point
{F1, F2,…. Fm}
Fi=(P1i , P2i,……,Pni)
{L1, L2,…. L m}
S=( S 1, S 2,…. S n)T
Dist)S,Fj(≤Dist)S,Fk(
Location
each k#j
انگشتنگاري محلي (الگوریتم نزدیکترین
فاصله)
each k#j
Distance Metric
(Dist)S,Fj(≤Dist)S,Fk
تعداد نقاط دسترسي=n
w i<=1
iفاكتور وزني
(مقدار اولیه= )1پارامترنرم =ρ
فاصله اقلیدسي wi=1و ρ =2
فاصله منها تن ()Manhattan
فاصله ما هاالنبز (( )Mahalanobsماتریس كواریایس )
روش kهسمایه نزدیك ( X_treeو R_Treeو انتخاب بهینه k
همسایه )
Radar Method
Data Gathering
Empirical method(SS=Signalpower,Sn=Signal/Noise)
we use all of the (more than 20) SS samples collected for each of the
70*4 = 280 (x,y,d,ssi,snri),(69*4=learnining,1 for test)
signal propagation
The Wallthe
Attenuation
Factor(WAF)
model
(is derived
the Floor
Attenuation
well-accepted
Rayleigh
fading
model
[Has93],
the Rician
distribution
model
[Ric44].
Factor propagation model) N, WAF obtain experimentally
SEARCH Method
algorithms for such multidimensional searches (e.g., R-Tree
[Gut84], X-Tree [Ber96],optimal k-nearest neighbor search
[Sei98], etc.) However,we chose a simple linear-time
Method for location Estimation
search algorithm because our relatively small data set and
(nearest neighbor(s) in signal space (NNSS).
dimensionality
Multiple Nearest Neighbors
Radar Results
Max Signal Strength Across orientation
Impact of the Number of Data Points
Impact of the Number of Samples
Impact of User Orientation
Tracking a Mobile User
Location Fingerprinting
neural network
Regression & Classification
Deterministic(Mean of Random Variable)
Off_Line
M=Number of Points
N=Number of access Point
{F1, F2,…. Fm}
Fi=(P1i , P2i,……,Pni)
{L1, L2,…. L m}
On_Line
S=( S 1, S 2,…. S n)T
پيچيدگي زيادي براي بررسي رياضي
جعبه سياه
Neural Network
MLP System Proposed By Battiti
Propsed By Roberto Battiti, Alessandro Villani, and Thang
Le Nhat, Universit`a di Trent
MLP(One hidden Units)
Number of Neuron in Hidden layer(4,8,16)
Learning algorithm:oss =one step secant
Probabilistic Methods
location fingerprints=conditional probability
empirical distributions of RSS at each location based on
measured training sets
the kernel method
P(F|L) = P(s1|L)P(s2|L) … P(sN|L)
the histogram method
a fixed set of bins that counts the frequency of occurrence of RSS
samples that fall within a range of each bin.
radio propagation model with estimated radio
parameters without using any training set.
اجزای سيستم Horus
بلوک مورد استفاده در فازآزمايش
:Correlation handelerمیانگیری از nنمونه
متوالی
ِِ :Discrete Space Estimatorمحاسبه
موقعیت با لستفاده از قانون بیسیان
Small scale Estimator
Continuos Space Estimator
روش بردار حمایتی
ریشه این روش در تئوری یادگیری آماری مطرح شده توسط وپنیک ) (Vapnikاست که از ادغام
آمار ،یادگیری ماشینی و ...حاصل می شود .
با توجه به آنکه انگشت نگاری محلی به عنوان یک تابع غیر خطی عمل می کند
این روش با ارائه را هکارهایی به تغییر فضای این سیستم از فضای غیر خطی
به فضای خطی می پردازد .به این فضای خطی ،فضای ویژه و به تابع تبدیل دو
فضا تابع کرنل می گویند
پس از تغییر فضا با استفاده از این تابع کرنل و تبدیل به حالت خطی ،الگوریتم
SVMبه تعیین سطح بهینه برای جدا سازی گروه ها می پردازد با توجه به این
که سطح جداسازی یکتا نیست سطح بهینه ،سطحی است که بیشترین فاصله را با
نزدیکترین نقطه به آن داشته باشد .برای تعیین این سطح از بردارهای حمایتی
استفاده می شود و لذا منظور از بردار حمایتی ،بردارهای یادگیری هستند که
برای مشخص نمودن سطح جدا سازی الزم هستند .
با توجه به آنکه روش پیشنهادی نیز بر اساس اطالعات موجود در پروژه
( WILMAمطرح کننده این روش) می باشد نتایج مربوطه بعدا بررسی می شود.
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
بکارگيری شبکه عصبی RBFبراي الگوريتم مورد استفاده در روش
انگشت نگاری محلی
هر ورودی به تعدادی توابع شعاعی وارد می شود که
در نتيجه يک عدد در خروجی هر تابع بدست می آيد.
W11
از ترکيب اين مقادير با ضرائب مختلف خروجی های
بدست می آيد
W12
Ap1-signal
W12
W22
x
Ap2-signal
p
y
(|| x u j ||).
w
j
F ( x)
Apn-signal
j 1
Wn1
الیه خروجي
)جمع وزني خطي(
Wn2
)||Fi(S)=∑ wijφ (||S-uj
الیه ورودي
)الیه کشنده(
بکارگيری شبکه عصبی RBFبراي الگوريتم مورد استفاده در روش
انگشت نگاری محلی
W11
W12
W12
x
Ap1-signal
W22
Ap2-signal
y
الیه خروجي
)جمع وزني خطي(
Wn2
Apn-signal
Wn1
الیه ورودي
)الیه کشنده(
فاز يادگيری
هدف :کم نمودن ميزان خطا در نقاط مجموعه آموزشی
-1مرکز تابع شعاع مداری
-2واريانس تايع شعاع مداری
-3ضرائب
روش های مختلف خوشه بندی
روش کیلز
یادگیري تعدیلي
الگوریتم kمیانگین
الگوریتم نزدیكترین pهمسایه
روش دلتا ("ویدرور" و"هوف")
استفاده از نرم افزار مطلب برای طراحی شبکه عصبی RBF
تنظيم ميزان خطاي ياد گيري= ()0
تنظيم ميزان افزايش تعداد توابع شعاع مداري ( )Stepدر هر گام ()2
تنظيم مقدار واريانس توابع شعاع مداري توسط کاربر با پارامتر Spread
اجرای روال تکراری زير
محاسبه مراکز ثقل مطابق با الگوريتم ( kميانگين)
محاسبه ماتريس ضرائب با استفاده از روش گراديان نزولي يا دلتا ( بدين منظور مقدار
net.adaptFcnبرابر ' 'learngdتنظيم شد).
محاسبه خطا بين مقادير خروجي با مقادير هدف (معيار فاصله اقليدسي )
در صورتيکه اين مقدار از خطاي پيش فرض ( ) Goalکمتر بود تابع با افزايش تعداد
توابع شعاع مداري برابر با گام تعريف شده( )Stepبه تکرار روال فوق می پردازد .اين
روال تا زمانی که خطا به حد مورد نظر برسد يا تعداد توابع برابر ورودی شود ادامه پيدا
مي کند.
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
تتیجه گیری
مراجع
ارسال مقاالت
ارزیابی روش(محیط مورد استفاده)
اطالعات استفاده شده در پروژه Wilmaمی باشد .شبكه محلی LANدر پروژه
WILMAشامل 6نقطه دسترسی AVAYA WP-IIبا تكنولوژی LUCENTبا
آنتنهای خارجی چند جهته میباشد.
تجهیزات موبایل از نوع كامپیوترهای كوچك از نوع COMPAQ ipAQ H-
3870با سیستم عامل ،Linux 0.52تطبیق دهندۀ PCMC1Aو كارت
ORINOCO Silverبا تكنولوژی Lucentمیباشد.
محیط مورد آزمایش دارای فضایی با ابعاد 30×25mمیباشد.
نمونههای مورد آزمایش شامل 257اندازهگیری در كل فضا میباشد (.در هر
موقعیت( 2بعد) از هر 6نقطه دسترسی اندازه گیری انجام شده است ..قدرت
سیگنال دریافتی دارای محدودۀ متفاوت ( –102 dBmزمانی که فقط سیگنال نویز
قابل دسترسی است تا –30dBدر مجاورت آنتنها و كامپیوترهای جیبی قابلیت
تحمل تا 1dBرا دارند) .
معیارهای مقایسه عبارت است از متوسط خطا ،ميزان خطای متوسط برای
50%از نمونه ها 75% ،از نمونه ها 90% ،از نمونه ها ،تعداد نمونه
های مورد نياز در مجموعه آموزشی و تحليل های مختلف از نتایج بدست آمده
می باشد.
روش های مورد بررسی
Classification
)Li(-1,1,-1,-1,-1,-1,-1
Regression
)(x,y)=(0.2,16.6
ارائه روشهای مختلف
تعیین پارامترهاي بهینه براي شبکه مدار شعاعي مختلف
حصول نتایج از شبکه مدار شعاعي بهینه مختلف
قیاس نتایج خود با نتایج موجود دیگر روش ها
روش های مختلف رگرسیون
رگرسیون با روش انتخاب مجموعه آموزشي بطور تصادفي
رگرسیون با انتخاب مجموعه آموزشي بر حسب مقایسه
سیگنال
رگرسیون با روش انتخاب مجموعه آموزشي بطور
تصادفي(تعیین پارامترهاي بهینه براي شبکه مدار
)شعاعي مختلف
253.4
3.4
3.3
MeanError(m)
MeanError(m)
MeanError(m)
20
3.3
3.2
3.2
15
3.1
3.1
10 3
3
2.9
2.9
5
2.8
2.8
02.7
2.7
2.6
15
2030
25
70 25 80
30
95
110
35
125
15040 180
Neuons
30 Number of
35Samples 40
Spread=25
Spread
Spread=35
Spread=30,neuron=10
210
45
Spread=45
Spread=60,neuron=10"
Spread=30,neuron=40
Spread=30,neuron=60
Neurons=20
Neurons=30
Neurons=40
آموزشيشبکه عصبي
نرون هاي
تعداد
گسترش
سطح
اندازه
مجموعه
اندازه
250
رگرسیون با روش انتخاب مجموعه آموزشي بطور
تصادفي(تعیین پارامترهاي بهینه براي شبکه مدار
)شعاعي مختلف
3.3
MeanError(m)
3.2
3.1
3
2.9
2.8
2.7
2.6
19
20
21
Ne urons
Spread=29
Spread=30
Spread=31
3.3
MeanError(m)
3.2
3.1
3
2.9
2.8
2.7
2.6
29
30
31
Spre a d
Neuron=19
Neuron=20
Neuron=21
Goal=0 ,Spread=30, Number of Neurons=21
Sample in data set=120
رگرسیون با روش انتخاب مجموعه آموزشي بطور
تصادفي(حصول نتیجه از شبکه بهینه )
9
8
7
6
Error
5
4
3
2
1
0
99
93
87
82
76
70
64
58
52
47
41
35
29
23
17
12
6
0
Percent of sample
)MeanError(m
ميزان خطاي متوسط برابر 868/2متر مي باشد.
همانطور که مشاهده مي شود ميزان خطاي متوسط براي %50از نمونه ها زير 7/2متر است
عالوه بر آن کمتر از %25از نمونه ها خطايي باالتر از 4متر دارند.
رگرسیون با انتخاب مجموعه آموزشي بر حسب
مقایسه سیگنال (تعیین پارامترهاي بهینه براي شبکه
مدار شعاعي مختلف)
)Meanerror(m
)ErrorMean(m
)MeanError(m
25
40
50
2035
45
30
15 40
25
35
1020
30
15
5 25
20
10
0 15
5
10
0
5
0
12
14
10
11
12
9
8
7
Sample
in dataset
8
10
6
6
3
5
4
Neurons
5
7Spread=3
9
11
13 Spread=7
15
Neuron=10,
Neuron=11,
Neuron=6, Spread=11Spread
Spread=3
Spread=7
Spread=13
Neuron=12
Neuron=10
Neuron=7
آموزشيشبکه عصبي
نرون هاي
تعداد
گسترش
سطح
اندازه
مجموعه
اندازه
3
رگرسیون با انتخاب مجموعه آموزشي بر حسب
مقایسه سیگنال (تعیین پارامترهاي بهینه براي شبکه
)مدار شعاعي مختلف
3.5
MeanError(m)
3
2.5
2
1.5
1
0.5
0
8
10
12
Neurons
Spread=2
Spread=3
Spread=4
3.5
MeanError(m)
3
2.5
2
1.5
1
0.5
0
2
3
4
Spre a d
Neurons=8
Neurons=10
Neurons=12
Goal=0 , Spread=3,Number of RBF
functions=10,Number of data set=10
رگرسیون با انتخاب مجموعه آموزشي بر حسب
مقایسه سیگنال(حصول نتیجه از شبکه بهینه )
8
7
6
4
3
meanerror
5
2
1
0
99
93
87
82
76
70
64
58
52
47
41
35
29
23
17
12
6
0
percent of sample
ميزان خطاي متوسط برابر 868/1متر مي باشد.
همانطور که مشاهده مي شود ميزان خطاي متوسط براي %50از نمونه ها زير 8/1متر
است
عالوه بر آن کمتر از %15از نمونه ها خطايي باالتر از 3متر دارند.
ارزیابي نتایج رگرسیون
روش نزدیکترین همسایه
K=13
همسایه نزدیکk روش
با انتخاب تصادفی مجموعه آموزشیRBF روش
با انتخاب مجموعه آموزشی بر حسب سیگنالRBF روش
روش بیسیان
شبکه عصبی پرسپترون
روش یادگیری آماری
همسایه نزدیکK روش وزن دار
6
4
3
Samples
Neighbors=13
250
Neighbors=9
77
Neighbors=97
70
48
40
nnnNeighbors=73
62
Neighbors=17
33
225
Percent of sample
RBF random dataset
RBF nearest dataset
Nearest Neighbor
K Nearest Neighbor
92
200
85
175
55
150
25
18
11
9 2
8
7 1
6
5 0
4
125
3
2
1Neighbors=5
0
neighbors=45
3
MeanError(m)
Error
5
مقایسه نتایج برای روش رگرسیون
گروه بندی
گروه بندي بر مبناي اطالعات حاصل از رگرسیون
گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي
گروه بندي باانتخاب نزدیكترین نمونه ها از نظر سیگنال در
مجموعه آموزشي
گروه بندي با طراحي شبکه عصبي براي هر گروه
گروه بندي بر مبناي اطالعات حاصل از رگرسیون
نتايج حاصل از رگرسيون با انتخاب
تصادفی مجموعه آموزشی
نتايج حاصل از رگرسيون با انتخاب مجموعه
آموزشی بر اساس نزديکترين سيگنال
گروه بندي با انتخاب مجموعه آموزشي بصورت
تصادفي
Number of Error
Number of Error
200
60
80
150
Number of Error
70
50
100
60
50
40
30
20
10
0
50
40
30
0 20
50
80
110
10
140
170
200
230
Numbe r Of Sa mple
0
50
Neuron=50,Spread=30
30
70
40
90
Neuron=70,Spread=40
Neuron=50,Spread=50
50
110
60130
Spread
Ne urons
Neurons=50
Spread=30
Neurons=90
Spread=40
Neurons=110
Spread=60
شبکه عصبي
آموزشي
هاي
نرون
مجموعه
اندازهتعداد
گسترش
سطح
اندازه
گروه بندي با انتخاب مجموعه آموزشي بصورت
تصادفي
Number of Error
30
25
20
15
10
5
0
45
50
55
Ne urons
Spread=25
Spread=30
Spread=35
Number of Error
30
25
20
15
10
5
0
25
30
35
Spre a d
Neurons=60
Neurons=55
Neurons=50
Spread=30,Number of RBF function=50,Number of data set=200
گروه بندی مجزا برای هر گروه
Open Space
25
25
20
20
Spread=5
15
Error
Error number
Open Space
10
5
15
Spread=21
10
Spread=13
Spread=37
5
0
5
13
21
29
37
0
Spread
Nerons=10
10
Nerons=70
30
50
70
90
110
130
Nerons
Nerons=130
Enterance
Enterance
14
Error
12
Spread=5
10
Spread=21
8
6
Spread=13
Spread=37
4
2
5
13
21
29
0
37
10
Sample
30
50
70
90
110
130
Nerons
Nerons=10
Nerons=70
Nerons=130
Multimedia Room
Multimedia Room
12
12
Spread=5
8
Spread=21
6
Spread=13
4
Spread=37
Error Number
10
10
Error
Error number
16
16
14
12
10
8
6
4
2
0
8
Nerons=10
6
Nerons=70
4
Nerons=130
2
2
0
0
10
30
50
70
Nerons
90
110
130
5
13
21
29
Spread
37
نقاط واقعی
گروه بندی برای هر گروه=16
نتایج گروه بندی
رگرسیون تزدیکترین سیگنال =25
گروه بندی تصادفی=20
رگرسیون تصادفی=29
گروه بندی تزدیکترین سیگنال =17
نتایج گروه بندی
نتایج گروه بندی
بررسي تاثير گرانوليتي بر روي خطاي مشاهده
شده در حالت رگرسيون
Number of error samples
بررسي تاثير گرانوليتي بر روي خطاي مشاهده
شده در حالت گروه بندي
160
140
120
100
80
60
40
20
0
1.52
3.16
4.906
Mean distance from 8 nearest around sam ples
Number of error samples
6.867
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
برنامه های کاربردی تجارت الکترونیک سیار
تجارت الکترونیک
تجارت الکترونیک سیار
مدیریت روابط با مشتری
اداره سیار
مدیریت کامپیوتری تولید و استفاده از
تراکنش های مالی
سیستم های هوش تجاری
برنامه های مربوط به چرخه تولید مدیریت توزیع
عرضه سرگرمی های مختلف
انتقال اطالعات دیجیتال
مدیریت محصوالت زنجیره تولید
Mobile
user
Wireless services
producers
Mobile banking
Mobile buying
Mobile Micro Payment
عرضه سرویسهای اضطراری
جست وجوی خدمات خاص
تبلیغات سیار
Mobile to Mobile Money
transfer
تعیین موقعیت در برنامه های کاربردی تجارت
الکترونیک سیار
برنامه های مربوط به چرخه تولید
مديريت روابط با مشتری
مديريت توزيع
مديريت محصوالت زنجيره توليد
عرضه سرویسهای اضطراری
انتقال اطالعات دیجیتال
جست وجوی خدمات خاص
تبلیغات سیار
پارامترهای تعیین موقعیت در برنامه های کاربردی
هزینه
پیچیدگی
دقت
مقیاس پذیری
امنیت
پوشش
پایین
-1سیستم های راهنما برای
کم
نمایشگاه ها ،موزه ها
سیستم جست وجوی
در حدود 2متر %10،از-2نمونه ها
محصوالت خاص
باشدآگاه از
سیار
در محدوده ای که اندازه -3
تبلیغاتداشته
گیری وجود
موقعیت
بسته به مکانیزم مورد استفاده دارد
در حدود محدوده شبکه بی سیم
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
تبلیغات سیار
Mobile advertisement
Location Based
Non Location
Based
Outdoor (GOS, general mobile
infrastructure, etc)
push
Pull
Indoor (Sensor technique, location
fingerprinting, etc )
Offline
Online
push
Pull
روند تعیین موقعیت
-5محاسبه موقعیت
-4ارسال سيگنال دريافتی با پيام
های کنترلی
Location server
-3ارسال سیگنال با پیام های کنترلی
Wireless
Network
User Mobile
device
-2ارسال پيامهای کنترلی با تقاضای دريافت سيگنال
-1اندازه گيری قدرت سيگنال
تبلیغات در حالت ”دریافت“
Advertising
And Pricing
User Preference
Database
سرور مديريت تبليغات ،تقاضاي دريافت
عالقه هاي شخصي کاربر را از سرور
مربوطه مي کند.
Ad
Server
Location
Server
کاربر تقاضاي دريافت تبليغات آگاه از موقعيت
را مي کند
سرور مديريت تبليغات ،تقاضاي دريافت
موقعيت محل را از سرور موقعيت مي کند.
سرور مديريت تبليغات با ارسال اين موقعيت و عالقه هاي
فردي کاربر ،با دسترسي به بانک اطالعاتي تبليغات ،بهسرور مديريت تبليغات با پيگيري رفتار
اطالعات مطابق با عالئق و موقعيت کاربردسترسي پيداکاربر ،به تصحيح بانک اطالعات
مي کند
شخصي کاربر می پردازد .
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
نتیجه گیری
100
90
80
SVM
BAY
MLP
Number
70
60
تعیین موقعیت دستگاهاي سیار فضاي بسته
این مقاله به ارائه یک روش تخمین موقعیت براي محیط هاي
بسته با زیر ساختار شبکه بي سیم محلي با استفاده از شبکه
عصبي شعاع مداري پرداخته است.
رگرسیون با روش انتخاب مجموعه آموزشي بطور تصادفي
رگرسیون با انتخاب مجموعه آموزشي بر حسب مقایسه
سیگنال
50
RBF
40
30
)RBF (nearest signal
K nearest neighbors
20
10
0
10 11 13
9
7
8
6
5
4
3
2
1
)Error(meter
92
85
77
70
62
55
48
40
33
25
18
K Nearest Neighbor
Nearest Neighbor
11
RBF nearest dataset
dataset
RBF random
3
Pe rce nt of sa mple
)MeanError(m
9
8
7
6
5
4
3
2
1
0
نقاط واقعی
نتیجه گیری
رگرسیون تزدیکترین سیگنال =25
رگرسیون تصادفی=29
نتایج در حالت گروه بندي با اعمال روشهاي ذیل براي گروه بندي
بدست آمد:
گروه بندي بر مبناي اطالعات حاصل از رگرسیون
گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي
گروه بندي باانتخاب نزدیكترین نمونه ها از نظر سیگنال در مجموعه آموزشي
گروه بندي با طراحي شبکه عصبي براي هر گروه
نتایج مربوطه نشان داد که در بدترین حالت میزان خطا برابر 29
نمونه ودر بهترین حالت میزان خطا برابر 16نمونه مي باشد و با
توجه به آنکه 257نمونه براي آزمایش وجود داشت سیستم داراي
قدرت تشخیص %90نمونه ها را دارا است
گروه بندی برای هر گروه=16
گروه بندی تصادفی=20
گروه بندی تزدیکترین سیگنال =17
نتیجه گیری
چگونگي ساختار نقاط تشکیل دهنده نقشه رادیویي و بالتبع مجموعه
آموزشي و تاثیر گرانولیتي این نقاط (فاصله طولي و عرضي نقاط بر
حسب متر) بر میزان دقت ارائه شده توسط سیستم مورد بررسي قرار
گرفت و این نتیجه بدست آمد که مي توان با کاهش فاصله بین نقاط
مجموعه آموزش ،دقت سیستم را افزایش داد که چگونگي آن نیاز به
بررسي بیشتر دارد که مي تواند در آینده مورد بررسي قرار بگیرد.
زمان پاسخگویی سیستم در در حالت انتخاب مجموعه آموزشی بر
حسب نزدیکترین سیگنال بسیار کاش می یابد
سیستم با پیچیدگی کم جواب های خوبی ارائه می دهد.
نیاز به بررسی های بیشتر در آینده
تاثیر گرانولیتی نقاط در پارامترهای مورد ارزیابی
در ساخت مجموعه آموزشي موقعیت هاي دو بعدي( )x,yمورد بررسي قرار داده
شد و لکن بسیاري از فضاهاي دروني شامل ساختمانهاي چندین طبقه هستند و لذا
بررسي روش با استفاده از سه موقعیت( ) x,y,zمیتواند در آینده مناسب باشد.
اثر حرکت کاربر و چگونگي تطابق برنامه با آن هم مي تواند در دستور کار قرار
بگیرد.
بررسي داشتن اندازه گیري هاي فراوان در هر نقطه به نحوي که بتوان در هر
موقعیت چگالي تابع سیگنال را بدست اورد و بررسي این مورد در تعیین موقعیت
مي تواند دنبال داشت.
نیز
تاثیر موقعیت چگونگي ایستگاه هاي پایه نیز مي تواند یکي از موضوغات جالب
در تحقیقات آتي مي باشد.
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
مراجع
[1] Harter. A, Hopper. A, Steggles. P, Ward. A, and Webster. B, The anatomy of a context-aware application, In 5th Annual ACM/IEEE
International
Conference on Mobile Computing and Networking (Mobicom 99), (1999).
[2] Moran. T. P, and Dourish. P, Introduction to this special issue on context-aware com-puting, Human-Computer Interaction, vol. 16, no.
2,3,& 4, pp. 87-95, (2001).
[3 Battiti. R, Brunato. M, andVillani. A, Statistical learning theory for location
fingerprinting in wireless lans, Technical Report, Oct. (2002).
[Online]. Available: http://rtm.science.unitn.it/battiti/archive/86.pdf
[4] Battiti. R, Le Nhat. T, and Villani. A, Location–aware computing: a neural network model for determining location in wireless LANs,
Technical Report 5, Dipartimento di Informaticae Telecomunicazioni, Unversita’ di Trento, (Feb 2002).
[5] Bulusu. N, Heidemann. J, and Estrin. D, GPSless Low Cost Outdoor Localization For Very Small Devices, Tech. Rep. 00-729, Computer
Science Department, University of Southern California, (Apr. 2000).
[6] Want. R, Hopper. A, Falco. V, and.Gibbons. J, The Active Badge Location System. ACM Transactions on Information Systems,
10(1):91- 102, (January 1992).
[7] Azuma. R, Tracking Requirements for Augmented Reality, Communications of the ACM, Vol. 36, No. 7, pp: 50-51, (July 1993).
[8] Harter. A, Hopper. A, Steggles. P, Ward, and Webster. P, The anatomy of a context-aware application, in Proc. ACM International
Conference on Mobile Computing and Networking (MOBICOM'99), Seattle, WA, (Aug. 1999).
[9] Priyantha. N. B, Chakraborty. A, and Balakrishnan. H, The cricket location-support system, in Proc. ACM International Conference on Mobile
Computing and Networking(MOBICOM'00), Boston, MA, pp. 32-43, (Aug. 2000).
[10] Pahlavan. K, Li. Xi, and Makela. J. P, Indoor geolocation science and technology,
IEEE Commun. Mag., vol. 40, no. 2, pp. 112-118, (Feb. 2002).
[11] Bahl. P, and Padmanabhan. V. N, RADAR: an in-building RF-based user location and tracking system, in Proc. IEEE Nineteenth Annual
Joint Conference of the IEEE Computer and Communications Societies (INFOCOM'00), Tel Aviv, Israel, (Mar. 2000).
[12] Ekahau, Positioning Engine 2.1. User Guide, Ekahau, Inc., (2003). [Online]. Available: http://www.ekahau.com
[13] Prasithsangaree. P, Krishnamurthy. P, and Chrysanthis. P. K, On indoor position
location with wireless LANs, in Proc. IEEE International Symposium on Personal,
Indoor, and Mobile Radio Communications (PIMRC'02), Lisbon, Portugal, (Sept. 2002).
مضمون
بافت چیست؟
تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن
روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی
روش پیشنهادی
ارزیابی روش پیشنهادی
آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها
تبلیغات سیار
نتیجه گیری
مراجع
ارسال مقاالت
ارسال مقاالت
کنفرانس مهندسی برق
Special Issue JTAER 2007
EDAS Publication(Europa-2007)