Resumen

El posicionamiento en interiores y exteriores permite ofrecer servicios universales de localización en la industria y el mundo académico. Wi-Fi y el Sistema de Posicionamiento Global (GPS) son las tecnologías más prometedoras para el posicionamiento en interiores y exteriores, respectivamente. Sin embargo, el posicionamiento basado en Wi-Fi es menos preciso debido a los fuertes cambios del entorno y a los efectos de las sombras. El posicionamiento basado en GPS también se caracteriza por ser muy costoso, muy susceptible a la disposición física de los equipos, consumir mucha energía y ser sensible a la oclusión. En este artículo, proponemos un híbrido de máquina de vectores soporte (SVM) y red neuronal profunda (DNN) para desarrollar un posicionamiento escalable y preciso en entornos interiores y exteriores basados en Wi-Fi. En los procesos de posicionamiento, en primer lugar construimos conjuntos de datos reales de entornos interiores y exteriores basados en Wi-Fi. En segundo lugar, aplicamos el análisis lineal discriminante (LDA) para construir un vector proyectado que se utiliza para reducir las características sin afectar al contenido de la información. En tercer lugar, construimos un modelo de posicionamiento mediante la integración de SVM y DNN. En cuarto lugar, utilizamos conjuntos de datos en línea de ubicaciones desconocidas y comprobamos los valores de intensidad de señal de radio (RSS) omitidos utilizando el algoritmo de red neuronal feed-forward (FFNN) para rellenar los valores omitidos. En quinto lugar, proyectamos los datos en línea mediante un vector proyectado basado en LDA. Por último, probamos la precisión del posicionamiento y la escalabilidad de un modelo creado a partir de un híbrido de SVM y DNN. Todos los procesos se implementan utilizando el lenguaje de programación Python 3.6 en el framework TensorFlow. El método propuesto proporciona servicios de posicionamiento precisos y escalables en diferentes escenarios. Los resultados también muestran que nuestro enfoque propuesto puede proporcionar un posicionamiento escalable, y el 100% de las precisiones de estimación son con errores inferiores a 1 m y 1,9 m para el posicionamiento en interiores y exteriores, respectivamente.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:posicionamiento en exteriores, dnn, svm, posicionamiento, sistema de posicionamiento global, red neuronal profunda, análisis lineal discriminante, intensidad de la señal de radio, servicios de posicionamiento escalables, máquina de vectores soporte
• Keywords:outdoor positioning, dnn, svm, positioning, global positioning system, deep neural network, linear discriminate analysis, radio signal strength, scalable positioning services, support vector machine