論文の概要: Static vs. Dynamic Databases for Indoor Localization based on Wi-Fi
Fingerprinting: A Discussion from a Data Perspective
- arxiv url: http://arxiv.org/abs/2402.12756v1
- Date: Tue, 20 Feb 2024 06:49:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 16:46:58.783679
- Title: Static vs. Dynamic Databases for Indoor Localization based on Wi-Fi
Fingerprinting: A Discussion from a Data Perspective
- Title（参考訳）: wi-fiフィンガープリントに基づく屋内位置推定のための静的対動的データベース:データの観点からの考察
- Authors: Zhe Tang, Ruocheng Gu, Sihao Li, Kyeong Soo Kim, Jeremy S. Smith
- Abstract要約: データ中心の観点から, 屋内におけるWi-Fi指紋の時間変化が位置推定に与える影響を考察する。
我々は RSSI 測定に基づくXJTLU の IR ビルの3階を 44 日間にわたってカバーする動的データベースを構築した。
- 参考スコア（独自算出の注目度）: 4.147346416230272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wi-Fi fingerprinting has emerged as the most popular approach to indoor
localization. The use of ML algorithms has greatly improved the localization
performance of Wi-Fi fingerprinting, but its success depends on the
availability of fingerprint databases composed of a large number of RSSIs, the
MAC addresses of access points, and the other measurement information. However,
most fingerprint databases do not reflect well the time varying nature of
electromagnetic interferences in complicated modern indoor environment. This
could result in significant changes in statistical characteristics of
training/validation and testing datasets, which are often constructed at
different times, and even the characteristics of the testing datasets could be
different from those of the data submitted by users during the operation of
localization systems after their deployment. In this paper, we consider the
implications of time-varying Wi-Fi fingerprints on indoor localization from a
data-centric point of view and discuss the differences between static and
dynamic databases. As a case study, we have constructed a dynamic database
covering three floors of the IR building of XJTLU based on RSSI measurements,
over 44 days, and investigated the differences between static and dynamic
databases in terms of statistical characteristics and localization performance.
The analyses based on variance calculations and Isolation Forest show the
temporal shifts in RSSIs, which result in a noticeable trend of the increase in
the localization error of a Gaussian process regression model with the maximum
error of 6.65 m after 14 days of training without model adjustments. The
results of the case study with the XJTLU dynamic database clearly demonstrate
the limitations of static databases and the importance of the creation and
adoption of dynamic databases for future indoor localization research and
real-world deployment.
- Abstract（参考訳）: Wi-Fiフィンガープリントは、屋内のローカライゼーションにおいて最も一般的なアプローチである。
MLアルゴリズムの使用はWi-Fiフィンガープリントのローカライズ性能を大幅に向上させたが、その成功は多数のRSSI、アクセスポイントのMACアドレス、その他の測定情報からなる指紋データベースの可用性に依存する。
しかし、ほとんどの指紋データベースは、複雑な屋内環境における電磁波干渉の時間的変化をよく反映していない。
これは、トレーニング/検証およびテストデータセットの統計的特性に大きな変化をもたらし、それらはしばしば異なる時間に構築され、テストデータセットの特徴でさえ、デプロイ後のローカライズシステムの運用中にユーザが送信したデータと異なる可能性がある。
本稿では,wi-fi指紋の経時変化が屋内局在に与える影響をデータ中心の観点から検討し,静的データベースと動的データベースの違いについて考察する。
本研究は,rssi測定に基づくxjtluのirビルディングの3階をカバーする動的データベースを44日以上にわたって構築し,統計的特性と局所化性能の観点から静的データベースと動的データベースの違いについて検討した。
差分計算と孤立林による分析はRSSIsの時間的変化を示し、モデル調整なしで14日間のトレーニング後に最大6.65mの誤差を持つガウス過程回帰モデルの局所化誤差の増加が顕著な傾向を示した。
XJTLU動的データベースを用いたケーススタディの結果は、静的データベースの限界と、将来の屋内ローカライゼーション研究と実世界展開のための動的データベースの作成と導入の重要性を明確に示している。
関連論文リスト
- How Hard is this Test Set? NLI Characterization by Exploiting Training Dynamics [49.9329723199239]
本稿では, 実例と非実例を手作業で構築することなく, 挑戦的なテストセットを自動生成する手法を提案する。
一般的なNLIデータセットのテストセットを,トレーニングダイナミクスを利用した3つの難易度に分類する。
我々の評価法がトレーニングセットに適用された場合、トレーニング対象データのごく一部でトレーニングされたモデルは、フルデータセットでトレーニングされたモデルに匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-10-04T13:39:21Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - 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) - On the Domain Generalizability of RF Fingerprints Through Multifractal Dimension Representation [6.05147450902935]
近年,深層学習によるRFデータ駆動型デバイス指紋認証が,セキュアなデバイス識別と認証を可能にする方法として浮上している。
従来のアプローチは、あるドメインで収集されたデータに基づいてトレーニングされたモデルが異なるドメインで収集されたデータ上でテストされた場合、そのドメイン適応の問題に一般的に影響を受けます。
本研究では,深部ニューラルネットワークに入力されるデータ表現として,マルチフラクタル解析と分散フラクタル次元軌跡(VFDT)を用いて,ドメインを一般化可能なデバイス指紋を抽出する。
論文 参考訳（メタデータ） (2024-02-15T16:07:35Z) - On the Multidimensional Augmentation of Fingerprint Data for Indoor
Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian
Process [3.8310036898137296]
Wi-Fiフィンガープリンティングは、大規模な屋内ローカライゼーションの主流のソリューションとなる。
位置化指紋の測定における基準点(RP)の数と分布は精度に大きな影響を及ぼす。
データ拡張は、RPの少ない数と不均一な分布を改善するための実現可能なソリューションとして提案されている。
論文 参考訳（メタデータ） (2022-11-19T10:07:17Z) - Domain Adversarial Graph Convolutional Network Based on RSSI and
Crowdsensing for Indoor Localization [8.406788215294483]
少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。
本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
論文 参考訳（メタデータ） (2022-04-06T08:06:27Z) - Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building
and Multi-Floor Indoor Localization [3.8310036898137296]
RSSIに基づく位置情報のフィンガープリントは,新たなインフラの設置を必要としないという利点から,屋内のローカライズ技術として主流となる。
DNNのようなAI/ML技術を使用することで、位置フィンガープリントをより正確で信頼性の高いものにすることができる。
我々は,多出力ガウス過程(MOGP)に基づくRSSIデータ拡張の3つの異なる手法について検討した。
MOGPに基づくRSSIデータ拡張の可能性は、最先端のRNN屋内ローカライゼーションモデルとUJIに基づく実験によって実証される。
論文 参考訳（メタデータ） (2022-02-04T05:15:52Z) - DAPPER: Label-Free Performance Estimation after Personalization for
Heterogeneous Mobile Sensing [95.18236298557721]
DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
論文 参考訳（メタデータ） (2021-11-22T08:49:33Z) - Efficient Nearest Neighbor Language Models [114.40866461741795]
非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。
比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
論文 参考訳（メタデータ） (2021-09-09T12:32:28Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z)
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。