Analiza sposobu doboru zbiorów uczących metody głębokiego uczenia do określania warunków LOS i NLOS w radiowych sieciach BAN

• Autorzy: Cwalina Krzysztof K. , Olejniczak Alicja , Błaszkiewicz Olga , Rajchowski Piotr , Sadowski Jarosław

Identyfikatory

DOI

10.15199/59.2020.7-8.10

Warianty tytułu

EN

Analysis of the learning datasets selection method for the deep learning-based LOS and NLOS conditions identification in wireless bans

• Konferencja: Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (17-18.09.2020 ; Łódź, Polska)
• Języki publikacji: PL

Abstrakty

PL

W niniejszym artykule przeprowadzono analizę wpływu zaników szybkozmiennych w zbiorach uczących na uzyskiwaną efektywność proponowanej metody głębokiego uczenia do określania warunków LOS i NLOS w ultraszerokopasmowych radiowych sieciach BAN. Przedstawiono zrealizowane scenariusze pomiarowe w dwóch środowiskach wewnątrzbudynkowych. Określono, że możliwe jest uzyskanie efektywności klasyfikacji na poziomie 99,6% niezależnie od scenariusza pomiarowego, a także wykazano, że składowa zaników szybkozmiennych ma znaczący wpływ na metodę doboru zbioru danych uczących i skuteczność głębokiego uczenia.

EN

In the article the impact of fast fading occurrence in learning datasets on the efficiency of the proposed deep learning approach for determining LOS and NLOS conditions in ultra-wideband BANs is investigated. Performed measurement scenarios in two indoor environments are presented. It was determined that it is possible to achieve up to 99.6% classification efficiency regardless of the measurement scenarios. In addition it has been shown that the fast fading component has a significant impact on the selecting learning datasets method and the classification efficiency of the proposed deep learning approach.

Słowa kluczowe

PL

BAN; głębokie uczenie; sztuczna inteligencja; uczenie maszynowe

EN

artificial intelligence; BAN; deep learning; machine learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2020
• Tom: nr 7-8
• Strony: 169--173, CD
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Cwalina Krzysztof K.

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

autor

Olejniczak Alicja

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

autor

Błaszkiewicz Olga

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

autor

Rajchowski Piotr

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

autor

Sadowski Jarosław

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

Bibliografia

• [1] Rajchowski P., 2017, „Badanie i analiza dokładności estymacji położenia obiektów ruchomych w hybrydowym systemie lokalizacyjnym”, rozprawa doktorska, Politechnika Gdańska.
• [2] Cwalina K. K., S. J. Ambroziak, P. Rajchowski, J. Sadowski, J. Stefański, 2019, “A Novel Bitrate Adaptation Method for Heterogeneous Wireless Body Area Networks”, MDPI Applied Sciences 2018, 8.
• [3] Kołakowski M., J. Modelski, 2018, „Detection of Direct Path Component Absence in NLOS UWB Channel”, 22nd International Microwave and Radar Conference (MIKON).
• [4] Krishnan S., R. X. M. Santos, E. R. Yap, M. T. Zin, 2018, “Improving UWB Based Indoor Positioning in Industrial Environments through Machine Learning”, 15th International Conference on Control, Automation, Robotics and Vision (ICARCV).
• [5] Marano S., W. M. Gifford, H. Wymeersch, M. Z. Win, 2010, “NLOS Identification and Mitigation for Lozalization Based on UWB Experimental Data”, IEEE Journal on Selected Areas in Communications, wol. 28, nr
• [6] Tabaa M., S. Saadaoui, M. Chehaitly, A. Dandache, 2015, „NLOS Identification for UWB Body Communications”, International Journal of Computer Applications, wol. 124, nr 6.
• [7] Cwalina K.K., P. Rajchowski, O. Blaszkiewicz, A. Olejniczak, J. Sadowski, 2019, “Deep Learning-Based LOS and NLOS Identification in Wireless Body Area Networks,” MDPI Sensors, wol. 19, nr 4229.
• [8] Goodfellow I., Y. Bengio, A. Courville, 2016, „Deep Learning”, Massachusetts Institute of Technology, The MIT Press Cambridge.
• [9] Kingma D. P., J. Lei Ba, 2014, „Adam: A Method for Stochastic Optimization”, Proceedings of the 3rd International Conference on Learning Representations (ICLR).
• [10] Ambroziak S. J., L. M. Correia, R. J. Katulski, M. Mackowiak, C. Oliveira, J. Sadowski, K. Turbic, 2016, „An Off-Body Channel Model for Body Area Networks in Indoor Environments”, IEEE Transactions on Antennas and Propagation, wol. 64, nr 9.
• [11] Cwalina K. K., S. J. Ambroziak, P. Rajchowski, L. M. Correia, 2017, “Radio channel measurements in 868 MHz off-body communications in a ferry environment”, XXXIInd General Assembly and Scientific Symposium of the International Union of Radio Science (URSI GASS), Montreal, QC, Kanada.
• [12] DecaWave, 2016, DWM1000 User Manual, wer. 2.07, DecaWave: Dublin, Irlandia.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).