머신러닝기반 랜덤포레스트와 핑거프린트를 이용한 실내 위치 인식 시스템 :Indoor Location Recognition System Using Random Forest based on Machine Learning and Fingerprint

이선민

추천

검색

자료유형: 학위논문

저자정보: 이선민 (호서대학교, 호서대학교 일반대학원)

지도교수: 문남미

발행연도: 2017

저작권: 호서대학교 논문은 저작권에 의해 보호받습니다.

이용수6

이 논문의 연구 히스토리 (2)

2018

핑거프린트와 랜덤포레스트 기반 실내 위치 인식 시스템 설계와 구현

이선민 , 문남미 방송공학회논문지 2018.01 학술저널

2017

머신러닝기반 랜덤포레스트와 핑거프린트를 이용한 실내 위치 인식 시스템

이선민 컴퓨터공학과 2017.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

다양한 스마트기기의 사용증가에 따라 위치인식 서비스 관련연구의 중요성이 강조되고 있다. 특히, 스마트기기 사용자의 대부분이 실내에서 시간을 보냄에 따라 실내 위치인식 서비스에 대한 연구의 중요도가 높아지고 있다.
대표적인 위치인식 서비스는 GPS로 인공위성에서 보내는 신호를 수신해 사용자의 위치를 계산하는 방식이다. GPS는 전 세계 어디에서나 사용가능하다는 장점이 있지만 실내에서는 신호가 잘 수신되지 않고 수신되더라도 많은 오차를 포함하고 있어 실내에서는 쓰이지 않는다. 실내 위치인식에는 주로 WiFi, Bluetooth, RFID 등이 연구되고 있으나, 본 연구에서는 대부분의 스마트폰에 WiFi 기능이 탑재되어 있어 접근성이 좋으며, 추가적인 설치 없이 실내공간에서 활용 가능한 WiFi를 사용한다. 따라서 본 연구에서는 다변량 분류법 중 Ensemble learning method인 랜덤포레스트 알고리즘와 수집된 WiFi의 수신신호세기(RSSI: Received Signal Strength Indications)를 이용하는 핑거프린트 기술을 사용한다. 핑거프린트의 데이터로는 수신신호세기와 더불어 WiFi AP의 고유주소(BSSID: The Basic Service Set IDentifier)를 사용해 총 4개의 라디오 맵을 만들어 사용하였다. 랜덤포레스트 알고리즘의 학습 데이터로는 정확성을 높이기 위해 이미 수집된 라디오 맵의 WiFi 데이터를 새로 측정된 BSSID값으로 필터링을 거쳐 측정하고자 하는 장소 인근 데이터만을 필터링하여 사용한다.
실험은 제한된 실내공간에서 진행되었으며, 자체 제작한 시뮬레이션을 이용해 실험하였다. 실험결과분석을 위해 본 연구에서 제안하는 방법과 유사한 WiFi 신호세기와 랜덤포레스트 알고리즘을 사용하는 실내 위치인식 시스템과 비교 분석하였다. 실험 결과 기존의 랜덤포레스트를 사용하는 실내 위치인식 시스템보다 본 연구에서 제안하는 시스템의 평균 위치인식 정확도와 위치인식 속도가 더 빠름을 입증하였다.

With the increase of the use of various smart devices, the importance of studies related to the position recognition service is emphasized, as most users of smart devices spend time indoors, the importance of studies of the indoor place position recognition service increases.
The typical position recognition service is the way in which the signals are received from a satellite by GPS, and the user’s position is calculated. GPS has a merit that it can be used anywhere in the world, but signals are not well received indoors, and even if they are received, they contain many errors, so it is not used indoors. For indoor position recognition, studies are conducted on WiFI, Bluetooth and RFID; however, since most smartphones are equipped with WiFi function, this study uses WiFi which has a good accessibility and is available indoors without additional installation. Therefore, this study uses the random forest algorithm, an ensemble learning method of Multi-variate classification and fingerprint technology using the collected Received Signal Strength Indications (RSSI) of WiFI. As for the fingerprint data, four radio maps were produced and used, using the unique address (BSSID: The Basic Service Set IDentifier) for WiFi AP in addition to RSSI. As for the learning data of the random forest algorithm, only the data collected naer the place to be measured are used after filtering the WiFi data of the radio map already collected to increase the accuracy through filtering by the newly measured BSSID value.
An experiment was conducted in a limited indoor space, using the simulation produced by the researcher. For an analysis of the result of the experiment, the method proposed in this study was compared with an indoor location recognition system that used similar WiFi signal intensity and a similar random forest algorithm. As as result of the experiment, it was proven that the system proposed in this study had a higher average position recognition accuracy and higher speed than the existing indoor location recognition system using the random forest.

#랜덤포레스트 #핑거프린트 #실내위치인식 #와이파이

Ⅰ. 서 론 1
1. 연구 배경 및 필요성 1
2. 연구 목표 4
3. 논문 구성 5
Ⅱ. 관 련 연 구 7
1. 위치 인식 7
가. 삼각측량 7
나. cell ID 9
다. 핑거프린트 10
2. 신호 처리 12
가. 의사결정트리 12
나. 랜덤포레스트 13
Ⅲ. 본 론 15
1. 시스템 개요 15
2. 무선신호 측정 구역 설계 18
3. 무선신호 측정 및 라디오 맵 생성 방법 19
4. 위치 인식 방법 28
Ⅳ. 실 험 30
1. 실험환경 30
2. 실험분석 및 결과 31
Ⅴ. 결 론 35
참고문헌 37
ABSTRACT 39

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)