Resumen

Estimar la posición en interiores de los usuarios en edificios comerciales sigue siendo un reto importante hasta la fecha. Aunque la localización de interiores basada en WiFi se ha explorado ampliamente en muchos trabajos empleando patrones de intensidad de señal recibida (RSS) como características, suelen dar lugar a resultados inexactos, ya que la RSS podría verse afectada fácilmente por la dinámica del entorno interior. Además, los métodos existentes son intensivos en cálculo y consumen mucho tiempo, lo que los hace inadecuados para aplicaciones reales. Para resolver estos problemas, proponemos utilizar la tendencia de forma de onda normalizada (SWT) del RSS para el posicionamiento en interiores. Demostramos que la SWT propuesta es robusta frente al ruido generado por el entorno dinámico. Además, desarrollamos un novedoso sistema de posicionamiento en interiores mediante la integración de la SWT y el algoritmo KELM (kernel extreme learning machine). Se llevan a cabo amplios experimentos de posicionamiento en el mundo real para demostrar la superioridad de nuestro modelo propuesto en términos tanto de precisión de posicionamiento como de robustez frente a los cambios ambientales cuando se compara con las líneas de base del estado del arte.

• 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:rss, swt, kernel extreme learning machine, alto consumo de tiempo, dinámica ambiental en interiores, sistema de posicionamiento en interiores, experimentos de posicionamiento mundial, líneas de base artísticas, edificios comerciales, entorno dinámico
• Keywords:rss, swt, kernel extreme learning machine, high time consumption, indoor environmental dynamics, indoor positioning system, world positioning experiments, art baselines, commercial buildings, dynamic environment