Improving indoor positioning system by using wi-fi fingerprint with machine learning methods

Abstract

Yeni nesil telefonlar, PDA, netbook'lar vb akıllı cihazlar Wi-Fi şebekelerine daha duyarlı hale getirilmiş ve bizi bu şebekeler üzerinden ağa dâhil eden son teknolojiler ile donatılmıştır. Bu nedenle, çoğu mobil cihaz, ucuz bir ağ altyapısını kullanan çeşitli hizmetleri sunma imkânını getirdi. Bluetooth ve GPS gibi mevcut hizmetler günümüz ihtiyaçlarını karşılayacak kadar yeterli değildir. Bu çalışmada çoğu akıllı telefonda yaygın olarak bulunan Wi-Fi sinyalleri kullanarak makine öğrenmesi yaklaşımlar ile konum tahmini için alternatif bir servis sunulmuştur. Bu tezde Wi-Fi teknolojilerinin konum tahmini için kullanılabilirliğini deneysel çalışmalarla göstermiş olduk. Her biri 4 katlı olan 3 farklı bina için Wi-Fi verilerinin RSS değerlerine dayalı olarak yakınlık tahmini yapan bir model önerdik. Ayrıca tezde ELM, ANN, SVM ve Regresyon gibi makine öğrenmesi yöntemler ile Wi-Fi parmak izi kullanılarak konum belirlemenin gerçekleştirilebileceği gösterilmiştir. Önerilen yaklaşımları test etmek için herkese açık olarak paylaşılan UJIndoorLoc veri seti kullanılmıştır. Önerilen yaklaşımlar ile yüksek tanıma ve başarı oranları elde edilmiştir.

As devices (including smartphones, Personal Digital assistants, netbooks etc) are been equipped with state of the art technology making them susceptible to new generation Wi-Fi networks, getting more integrated and getting us more interconnected. Because of this, most mobile devices has brought with it the possibility of providing a lot of various services that utilize a cheap network infrastructure. Existing approaches such as Bluetooth and GPS signal services are not sufficient enough to meet the requirements of accuracy and flexibility. In contrast, Wi-Fi, which is commonly available on most smartphones, provides a compelling alternative for proximity estimation using machine learning tools. In this thesis, we demonstrate through experimental studies the efficacy of Wi-Fi for this exact purpose. We propose a proximity estimation model to determine the distance based on the RSS values of Wi-Fi data in 3 different buildings, each having at up to 4 floors. Thesis has explored a Wi-Fi fingerprint based localization scheme that exploits the power of machine learning methods to solving the problems of Wi-Fi fingerprint localization. The data used was acquired from UJIndoorLoc dataset wish is publicly available and the recognition rate are impressive.