Detekcja warunków LOS i NLOS w środowisku wewnątrzbudynkowym przy użyciu algorytmu głębokiego uczenia

• Autorzy: Olejniczak Alicja , Cwalina Krzysztof , Rajchowski Piotr , Sadowski Jarosław

Identyfikatory

DOI

10.15199/59.2019.6.49

Warianty tytułu

EN

Identification of the LOS/NLOS conditions in the real-world indoor environment based on deep learning algorithms

• Konferencja: Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (25-27.06.2019 ; Wrocław, Polska)
• Języki publikacji: PL

Abstrakty

PL

W środowisku wewnątrzbudynkowym występuje wiele czynników negatywnie wpływających na transmitowane sygnały. Niniejszy artykuł przedstawia metodę opartą na koncepcji głębokich sieci neuronowych, służącą do detekcji warunków LOS i NLOS w środowisku wewnątrzbudynkowym. Algorytm opracowany i przetestowany został na podstawie pomiarów sygnałów UWB przeprowadzonych w rzeczywistym środowisku wewnątrzbudynkowym.

EN

Due to many obstacles occurrence and multipath propagation problem among harsh, indoor environment, the transmitted signal may be easily affected and thus deteriorated. The given paper presents an algorithm based on neural network and deep learning concept to efficiently detect the LOS and NLOS conditions. It was realized and tested within real-world, indoor environment.

Słowa kluczowe

PL

UWB; LOS; NLOS; uczenie głębokie

EN

UWB; LOS; NLOS; deep learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2019
• Tom: nr 6
• Strony: 353--357, CD
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Olejniczak Alicja

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, ul. Narutowicza 11/12, 80-233 Gdańsk

autor

Cwalina Krzysztof

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, ul. Narutowicza 11/12, 80-233 Gdańsk

autor

Rajchowski Piotr

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, ul. Narutowicza 11/12, 80-233 Gdańsk

autor

Sadowski Jarosław

• Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki, ul. Narutowicza 11/12, 80-233 Gdańsk

Bibliografia

• [1] Al-Jazzar S. 2005. “New algorithms for NLOS Identification”. IST Mobile and Wireless Communication Summit.
• [2] DecaWave Ltd. 2016. “DW1000 User Manual”
• [3] Jeong-Sik Choi. 2017. “Deep Learning Based NLOS Identification with Commodity WLAN Devices” IEEE Transactions on Vehicular Technology 67(4): 3295 – 3303.
• [4] Kingma D. P., Lei Ba J., 2014. “Adam: A Method for Stochastic Optimization” Proceedings of the 3rd International Conference on Learning Representations (ICLR).
• [5] Kołakowski Marcin. 2018. “Detection of Direct Path Component Absence in NLOS UWB Channel” 22nd International Microwave and Radar Conference (MIKON)
• [6] Patterson Josh, Gibson Adam. 2017. Deep Learning a practitioner’s approach O’Riley Media Inc.:
• [7] Ramadan Mohammed, et.al. 2018. “NLOS Identification for Indoor Localization using Random Forest Algorithm” 22nd International ITG Workshop on Smart Antennas
• [8] Weijie Li, Tingting Zhang ,Qinyu Zhang. 2013. „Experimental researches on an UWB NLOS identification method based on machine learning” 15th IEEE International Conference on Communication Technology.
• [9] Zhuoling Xiao, et.al. 2015. “Non-Line-of-Sight Identification and Mitigation Using Received Signal Strength” IEEE Transactions on Wireless Communications, 11(4): 1689 – 1702.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).