論文の概要: Indoor Positioning via Gradient Boosting Enhanced with Feature
Augmentation using Deep Learning
- arxiv url: http://arxiv.org/abs/2211.08752v1
- Date: Wed, 16 Nov 2022 08:27:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 16:36:09.501514
- Title: Indoor Positioning via Gradient Boosting Enhanced with Feature
Augmentation using Deep Learning
- Title（参考訳）: 深層学習による機能強化による傾斜促進による屋内位置決め
- Authors: Ashkan Goharfar, Jaber Babaki, Mehdi Rasti, Pedro H. J. Nardelli
- Abstract要約: 本稿では,ニューラルネットワーク(AugBoost-ANN)を用いたステップワイズ機能拡張によるグラディエントブースティングによる新たな深層学習手法を提案する。
そこで本研究では,Bluetooth Low Energy (BLE) モジュールの受信信号強度指標 (RSSI) を,屋内環境におけるアクセスポイント (AP) としてのRaspberry Piを用いて収集するために,星ネットワークトポロジを用いたIoTアーキテクチャを提案する。
実験の結果, 従来の勾配向上法や深層学習法と比較すると, 精度は8%以上向上した。
- 参考スコア（独自算出の注目度）: 6.838210499792621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the emerge of the Internet of Things (IoT), localization within indoor
environments has become inevitable and has attracted a great deal of attention
in recent years. Several efforts have been made to cope with the challenges of
accurate positioning systems in the presence of signal interference. In this
paper, we propose a novel deep learning approach through Gradient Boosting
Enhanced with Step-Wise Feature Augmentation using Artificial Neural Network
(AugBoost-ANN) for indoor localization applications as it trains over labeled
data. For this purpose, we propose an IoT architecture using a star network
topology to collect the Received Signal Strength Indicator (RSSI) of Bluetooth
Low Energy (BLE) modules by means of a Raspberry Pi as an Access Point (AP) in
an indoor environment. The dataset for the experiments is gathered in the real
world in different periods to match the real environments. Next, we address the
challenges of the AugBoost-ANN training which augments features in each
iteration of making a decision tree using a deep neural network and the
transfer learning technique. Experimental results show more than 8\%
improvement in terms of accuracy in comparison with the existing gradient
boosting and deep learning methods recently proposed in the literature, and our
proposed model acquires a mean location accuracy of 0.77 m.
- Abstract（参考訳）: iot(internet of things, モノのインターネット)が出現するにつれ、屋内環境におけるローカライズは避けられないものとなり、近年多くの注目を集めている。
信号干渉の存在下で正確な位置決めシステムの課題に対処するために、いくつかの取り組みがなされている。
本稿では,ニューラルネットワーク(AugBoost-ANN)を用いて,ラベル付きデータを学習するグラディエント・ブースティング・エンハンスメントによる新しい深層学習手法を提案する。
そこで本研究では,Bluetooth Low Energy (BLE) モジュールの受信信号強度指標 (RSSI) を,屋内環境におけるアクセスポイント (AP) としてのRaspberry Piを用いて収集するために,星ネットワークトポロジを用いたIoTアーキテクチャを提案する。
実験用のデータセットは、実環境に合わせて異なる期間に現実世界に収集される。
次に,ディープニューラルネットワークとトランスファー学習技術を用いた意思決定木作成の反復毎に機能を強化した,augboost-annトレーニングの課題に対処する。
実験の結果,本論文で最近提案されている勾配向上法や深層学習法と比較して8倍以上の精度向上率を示し,提案手法は平均位置精度0.77mを得た。
関連論文リスト
- Improved Indoor Localization with Machine Learning Techniques for IoT
applications [0.0]
本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。
実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
論文 参考訳（メタデータ） (2024-02-18T02:55:19Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳（メタデータ） (2023-06-14T01:24:42Z) - Navigating Local Minima in Quantized Spiking Neural Networks [3.1351527202068445]
深層学習(DL)アルゴリズムの超効率的な実装においては,スパイキングと量子ニューラルネットワーク(NN)が極めて重要になっている。
これらのネットワークは、ハードしきい値を適用する際の勾配信号の欠如により、エラーのバックプロパゲーションを使用してトレーニングする際の課題に直面している。
本稿では,コサインアニールLRスケジュールと重み非依存適応モーメント推定を併用したシステム評価を行った。
論文 参考訳（メタデータ） (2022-02-15T06:42:25Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。
本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
論文 参考訳（メタデータ） (2020-10-16T22:48:29Z) - Meta-Reinforcement Learning for Trajectory Design in Wireless UAV
Networks [151.65541208130995]
ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。
この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。
新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-25T20:43:59Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - Centimeter-Level Indoor Localization using Channel State Information
with Recurrent Neural Networks [12.193558591962754]
本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。
チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。
また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
論文 参考訳（メタデータ） (2020-02-04T17:10:18Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z) - Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive
MIMO Systems [43.63380272164857]
本稿では,DTL(Deep Transfer Learning)問題として,ダウンリンクチャネル予測を定式化する。
具体的には、完全に接続されたニューラルネットワークアーキテクチャに基づくダイレクトトランスファーアルゴリズムを開発する。
転送効率をさらに向上するため,内部タスクとマルチタスクの更新を交互に行い,ネットワークを訓練するメタ学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2019-12-27T17:59:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。