مضمون

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 مقالات

بافت چیست؟ • توسط آقایان Schilit , Pacoe • برنامه های آگاه از بافت • بافت موقعیت • برنامه های آگاه از موقعیت

تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن • برونی • سیستم ماهواره جهانی • استفاده از تکنیک انگشت نگاری محلی • درونی • شبکه سنسورها • استفاده از تکنیک انگشت نگاری محلی

GPS سيستم GPS شامل 3 بخش • ‌ فضا • كنترل • كاربري

شبکه سنسوری Active bat Cricket(beacons) Active Badge(Badge,infrared) • Active Bat • ابتدا توسط AT&t و بعد توسط انجمن مهندسی کمبریج کامل شد • دستگاه کاربرهم گیرنده امواج رادیویی و هم امواج مافوق صوت دارد • ایستگاه رادیویی با ارسال امواج رادیویی به فعال سازی دستگاه همراه با کاربر می پردازد. • این امواج پس از رسیدن به دستگاه کاربر، به فعال سازی وی پرداخته، که سبب می شود دستگاه مذکور شروع به ارسال امواج مافوق صوت کند • گیرنده های سقفی(شبکه ماتریسی) با دریافت این امواج وامواج رادیویی به تعیین فاصله کاربر با خود می پردازند. • این اطلاعات فاصله ای از همه گیرنده ها به کامپیوتر ارسال و کامپیوتر با پردازش همه آنها به تعیین موقعیت کاربر می پردازد. • برای برآورده ساختن خاصیت محرمانگی کاربر ودر نتیجه مدیریت غیر متمرکز مطرح شد • فرستنده ها در محل هایی از سقف یا جاهای خاصی تعبیه شده اند • ایستگاه رادیویی با ارسال امواج رادیویی به فعال سازی فرستنده ها، می پردازد. • این امواج پس از رسیدن به فرستنده ها و فعال نمودن آنها، سبب می شوند که فرستنده شروع به ارسال امواج مافوق صوت کنند • دستگاه کاربر با دریافت این امواج وامواج رادیویی به تعیین فاصله خود می پردازد. • بر اساس ارسال امواج اینفرارد از دستگاه همراه با کاربر کار می کند • همراه با امواج اینفرارد، شناسه یکتای هر دستگاه نیز ارسال می شود سیستم گیرنده که در چندین محل وجود دارد با در یا فت این سیگنال ها و انتقال آنها توسط یک شبکه سیمی به ارسال آنها به یک کنترل مرکزی می پردازد • کنترل کننده به تعیین موقعیت 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

انگشت‌نگاري محلي • انگشت‌نگاري محلي براساس خصوصيات موج راديويي (RSS:Radio Signal Strength) AOA:Angle of arrive TDOA:time difference of arrival (Location)=L

انگشت‌نگاري محلي Location Classification Li(-1,1) Regression Dimension (x),(x,y),(x,y,z) Orientation (E,W,N,S),(R,Θ)

انگشت‌نگاري محلي Location Deterministic F=(P1, P2,…. Pn)T Pi=امi متوسطقدرت سیگنال دریافتی از نقطه دسترسی F=(σ1, σ 2,…. σ n)T σ i=امi متوسطانحراف استاندارد سیگنال دریافتی از نقطه دسترسی Probablistic p(F|L) =تابع چگالي، تابع مشابهت (likelihood) F= قدرت سیگنال دريافتي L موقعيت موردنظر =

انگشت‌نگاري محلي Location Training Mode Measurment M points • L • F(from n access point) Refference Mode F=RSS Training Mode Location

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) each k#j Location

انگشت‌نگاري محلي (الگوریتم نزدیکترین فاصله) • Distance Metric Dist(S,Fj)≤Dist(S,Fk) each k#j n=دسترسيتعداد نقاط wi<=1 فاكتور وزنيi ρ (مقدار اوليه= 1) پارامترنرم= فاصله اقليدسي 1=wi و 2=ρ فاصله منها تن (Manhattan) فاصله‌ ما هالانبز (Mahalanobs) (ماتريس كواريايس ) روش k هسمايه نزديك (X_tree و R_Tree و انتخاب بهينه k همسايه )

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 Wall Attenuation Factor(WAF) model (is derived the Floor Attenuation Factor propagation model) N, WAF obtain experimentally • SEARCH Method • Method for location Estimation • (nearest neighbor(s) in signal space (NNSS). • Multiple Nearest Neighbors • the well-accepted Rayleigh fading model [Has93], the Rician distribution model [Ric44]. 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 search algorithm because our relatively small data set and dimensionality

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 Fingerprintingneural network • 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 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 سیستم Horus بلوک مورد استفاده در فازآزمایش Correlation handeler:میانگیری از n نمونه متوالی ِِDiscrete Space Estimator: محاسبه 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 (Vapnik) است 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 SVM به 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 لازم هستند . • با توجه به آنکه روش پیشنهادی نیز بر اساس اطلاعات موجود در پروژه WILMA (مطرح کننده این روش) می باشد نتایج مربوطه بعدا بررسی می شود.

W11 W12 Ap1-signal W12 W22 x Ap2-signal y Apn-signal Wn1 لايه ورودي (لايه کشنده) Wn2 لايه خروجي (جمع وزني خطي) بکارگيری شبکه عصبی RBF براي الگوریتم مورد استفاده در روش انگشت نگاری محلی • هر ورودی به تعدادی توابع شعاعی وارد می شود که در نتیجه یک عدد در خروجی هر تابع بدست می آید. • از ترکیب این مقادیر با ضرائب مختلف خروجی های بدست می آید Fi(S)=∑ wijφ(||S-uj||)

W11 W12 Ap1-signal W12 W22 x Ap2-signal y Apn-signal Wn1 لايه ورودي (لايه کشنده) Wn2 لايه خروجي (جمع وزني خطي) بکارگيری شبکه عصبی RBF براي الگوریتم مورد استفاده در روش انگشت نگاری محلی فاز یادگیری هدف : کم نمودن میزان خطادر نقاط مجموعه آموزشی • 3- ضرائب • يادگيري تعديلي • روش دلتا ("ويدرور" و"هوف") • 1- مرکز تابع شعاع مداری • روش های مختلف خوشه بندی • الگوريتم k ميانگين • 2- واریانس تایع شعاع مداری • روش کيلز • الگوريتم نزديكترين p همسايه

استفاده از نرم افزار مطلب برای طراحی شبکه عصبی RBF • تنظیم ميزان خطاي يادگيري= (0) • تنظیم ميزان افزايش تعداد توابع شعاع مداري ( Step) در هر گام (2) • تنظیم مقدار واريانس توابع شعاع مداري توسط کاربر با پارامتر Spread • اجرای روال تکراری زیر • محاسبه مراکز ثقل مطابق با الگوريتم (k ميانگين) • محاسبه ماتريس ضرائب با استفاده از روش گراديان نزولي يا دلتا ( بدين منظور مقدار net.adaptFcn برابر 'learngd' تنظيم شد.) • محاسبه خطا بين مقادير خروجي با مقادير هدف (معيار فاصله اقليدسي ) • در صورتيکه اين مقدار از خطاي پيش فرض (Goal ) کمتر بود تابع با افزايش تعداد توابع شعاع مداري برابر با گام تعريف شده(Step) به تکرار روال فوق می پردازد. این روال تا زمانی که خطا به حد مورد نظر برسد یا 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 مقالات

ارزیابی روش(محیط مورد استفاده) • اطلاعات استفاده شده در پروژه Wilma می باشد. شبكه محلی LAN در پروژه WILMA شامل 6 نقطه دسترسیAVAYA WP-II با تكنولوژی LUCENT با آنتن‌های خارجی چند جهته می‌باشد. • تجهیزات موبایل از نوع كامپیوترهای كوچك از نوع COMPAQ ipAQ H-3870 با سیستم عامل Linux 0.52، تطبیق دهندۀ PCMC1A و كارت ORINOCO Silver با تكنولوژی Lucent می‌باشد. • محیط مورد آزمایش دارای فضایی با ابعاد m25×30 می‌باشد. • نمونه‌های مورد آزمایش شامل 257 اندازه‌گیری در كل فضا می‌باشد .(در هر موقعیت(2 بعد) از هر 6 نقطه دسترسی اندازه گیری انجام شده است.. قدرت سیگنال دریافتی دارای محدودۀ متفاوت –102 dBm (زمانی که فقط سیگنال نویز قابل دسترسی است تا –30dB در مجاورت آنتن‌ها و كامپیوترهای جیبی قابلیت تحمل تا 1dB را دارند.) • معیارهای مقایسه عبارت است از متوسط خطا، میزان خطای متوسط برای %50 از نمونه ها، %75 از نمونه ها، %90 از نمونه ها ، تعداد نمونه های مورد نیاز در مجموعه آموزشیو تحلیل های مختلف از نتایج بدست آمده می باشد.

روش های مورد بررسی • ارائه روشهای مختلف • تعيين پارامترهاي بهينه براي شبکه مدار شعاعي مختلف • حصول نتايج از شبکه مدار شعاعي بهينه مختلف • قياس نتايج خود با نتايج موجود ديگر روش ها Classification Li(-1,1,-1,-1,-1,-1,-1) Regression (x,y)=(0.2,16.6)

روش های مختلف رگرسیون • رگرسيون با روش انتخاب مجموعه آموزشي بطور تصادفي • رگرسيون با انتخاب مجموعه آموزشي بر حسبمقايسه سيگنال

رگرسيون با روش انتخاب مجموعه آموزشي بطور تصادفي(تعيين پارامترهاي بهينه براي شبکه مدار شعاعي مختلف) تعداد نرون هاي شبکه عصبي اندازه مجموعه آموزشي اندازه سطح گسترش

رگرسيون با روش انتخاب مجموعه آموزشي بطور تصادفي(تعيين پارامترهاي بهينه براي شبکه مدار شعاعي مختلف) Goal=0 ,Spread=30, Number of Neurons=21 Sample in data set=120

رگرسيون با روش انتخاب مجموعه آموزشي بطور تصادفي(حصول نتیجه از شبکه بهینه ) • ميزان خطاي متوسط برابر 868/2 متر مي باشد. • همانطور که مشاهده مي شود ميزان خطاي متوسط براي 50% از نمونه ها زير 7/2 متر است • علاوه بر آن کمتر از 25% از نمونه ها خطايي بالاتر از 4 متر دارند.

رگرسيون با انتخاب مجموعه آموزشي بر حسبمقايسه سيگنال(تعيين پارامترهاي بهينه براي شبکه مدار شعاعي مختلف) تعداد نرون هاي شبکه عصبي اندازه مجموعه آموزشي اندازه سطح گسترش

رگرسيون با انتخاب مجموعه آموزشي بر حسبمقايسه سيگنال(تعيين پارامترهاي بهينه براي شبکه مدار شعاعي مختلف) Goal=0 , Spread=3,Number of RBF functions=10,Number of data set=10

رگرسيون با انتخاب مجموعه آموزشي بر حسبمقايسه سيگنال(حصول نتیجه از شبکه بهینه ) • ميزان خطاي متوسط برابر 868/1متر مي باشد. • همانطور که مشاهده مي شود ميزان خطاي متوسط براي 50% از نمونه ها زير 8/1 متر است • علاوه بر آن کمتر از 15% از نمونه ها خطايي بالاتر از 3 متر دارند.

ارزيابي نتايج رگرسیون • روش نزدیکترین همسایه • روش k همسایه نزدیک • روش RBF با انتخاب تصادفی مجموعه آموزشی • روش RBF با انتخاب مجموعه آموزشی بر حسب سیگنال • روش بیسیان • شبکه عصبی پرسپترون • روش یادگیری آماری • روش وزن دار K همسایه نزدیک K=13

مقایسه نتایج برای روش رگرسیون

گروه بندی • گروه بندي بر مبناي اطلاعات حاصل از رگرسيون • گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي • گروه بندي باانتخاب نزديكترين نمونه ها از نظر سيگنال در مجموعه آموزشي • گروه بندي با طراحي شبکه عصبي براي هر گروه

گروه بندي بر مبناي اطلاعات حاصل از رگرسيون نتایج حاصل از رگرسیون با انتخاب مجموعه آموزشی بر اساس نزدیکترین سیگنال نتایج حاصل از رگرسیون با انتخاب تصادفی مجموعه آموزشی

گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي تعداد نرون هاي شبکه عصبي اندازه مجموعه آموزشي اندازه سطح گسترش

گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي Spread=30,Number of RBF function=50,Number of data set=200

گروه بندی مجزا برای هر گروه

نتایج گروه بندی رگرسیون تصادفی=29 رگرسیون تزدیکترین سیگنال =25 نقاط واقعی گروه بندی تزدیکترین سیگنال =17 گروه بندی تصادفی=20 گروه بندی برای هر گروه=16

نتایج گروه بندی

بررسي تاثير گرانوليتي بر روي خطاي مشاهده شده در حالت رگرسيون

بررسي تاثير گرانوليتي بر روي خطاي مشاهده شده در حالت گروه بندي

Mobile user Wireless services producers Mobile to Mobile Money transfer Mobile banking Mobile Micro Payment Mobile buying برنامه های کاربردی تجارت الکترونیک سیار تجارت الکترونیک تجارت الکترونیک سیار • اداره سیار • تراکنش های مالی • برنامه های مربوط به چرخه تولید • انتقال اطلاعات دیجیتال مدیریت روابط با مشتری مدیریت کامپیوتری تولید و استفاده از سیستم های هوش تجاری مدیریت توزیع مدیریت محصولات زنجیره تولید عرضه سرگرمی های مختلف عرضه سرویسهای اضطراری جست وجوی خدمات خاص تبلیغات سیار

مضمون

مضمون

Presentation Transcript