Analiza wpływu zależności czasowych na skuteczność identyfikacji warunków LOS i NLOS przy użyciu uczenia maszynowego

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

Identyfikatory

DOI

10.15199/59.2020.7-8.11

Warianty tytułu

EN

Analysis of the time dependencies influence on efficiency of LOS and NLOS identification with machine learning approach

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

Abstrakty

PL

Identyfikacja warunków LOS i NLOS jest istotna z punktu widzenia utrzymania jakości świadczonych usług telekomunikacyjnych, szczególnie w środowisku wewnątrzbudynkowym. Z uwagi na dynamiczny rozwój metod z obszaru AI (Artificial Intelligence) niniejszy artykuł przedstawia porównanie dwóch najpopularniejszych modeli, tj. głębokiej sieci neuronowej oraz sieci z pamięcią LSTM (Long Short-Term Memory) do identyfikacji warunków bezpośredniej widoczności LOS i NLOS w środowisku wewnątrzbudynkowym dla scenariuszy dynamicznych.

EN

LOS and NLOS classification is essential in reference to quality and reliability of the telecommunication services, especially considering an indoor environment. Due to rapid development of the methods within AI (Artificial Intelligence) area, the given paper compares two, most popular, machine learning methods, i.e. deep neural network and LSTM (Long Short-Term Memory) network for the direct visibility of the two antennas conditions identification based on the indoor, dynamic measurement scenarios.

Słowa kluczowe

PL

głębokie uczenie; LOS; NLOS; sztuczna inteligencja; uczenie maszynowe

EN

artificial intelligence; deep learning; LOS; machine learning; NLOS

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2020
• Tom: nr 7-8
• Strony: 174--179, CD
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

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

Cwalina Krzysztof K.

• 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] Ayadi, M., A. Ben Zineb, S. Tabbane. 2017. “A UHF Path Loss Model Using Learning Machine for Heterogeneous Networks.” IEEE Transactions on Antennas and Propagation. 65 (7): 3675–83.
• [2] Bregar, Klemen, Mihael Mohorcic. 2018. “Improving Indoor Localization Using Convolutional Neural Networks on Computationally Restricted Devices.” IEEE Access. 6: 17429–41.
• [3] Cai, Xiong, Xiaohui Li, Ruiyang Yuan, Yongqiang Hei. 2015. “Identification and Mitigation of NLOS Based on Channel State Information for Indoor WiFi Localization.” 2015 International Conference on Wireless Communications and Signal Processing, WCSP 2015., 1–5.
• [4] Chitambira, Benny, Simon Armour, Stephen Wales, Mark Beach. 2017. “NLOS Identification and Mitigation for Geolocation Using Least-Squares Support Vector Machines.” IEEE Wireless Communications and Networking Conference, WCNC., 1–6.
• [5] Choi, Jeong Sik, Woong Hee Lee, Jae Hyun Lee, Jong Ho Lee, Seong Cheol Kim. 2018. “Deep Learning Based NLOS Identification with Commodity WLAN Devices.” IEEE Transactions on Vehicular Technology. 67 (4): 3295–3303.
• [6] Cwalina, Krzysztof K., Slawomir J. Ambroziak, Piotr Rajchowski. 2018. “An Off-Body Narrowband and Ultra-Wide Band Channel Model for Body Area Networks in a Ferryboat Environment.” Applied Sciences (Switzerland). 8 (6): 1–16.
• [7] Ghasemi, Amir. 2018. “Data-Driven Prediction of Cellular Networks Coverage: An Interpretable Machine-Learning Model.” 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP)., 604–8.
• [8] Goodfellow, Ian, Yoshua Bengio, Aaron Courville. 2016. Deep Learning. London: MIT Press.
• [9] Han, Zijun, Tao Lei, Zhaoming Lu, Xiangming Wen, Wei Zheng, Lingchao Guo. 2019. “Artificial Intelligence-Based Handoff Management for Dense Wlans: A Deep Reinforcement Learning Approach.” IEEE Access. 7: 31688–701.
• [10] Hsu, Li Ta. 2018. “GNSS Multipath Detection Using a Machine Learning Approach.” IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC. 2018-March: 1–6.
• [11] Krishnan, Sivanand, Rochelle Xenia Mendoza Santos, Enhao Ranier Yap, May Thu Zin. 2018. “Improving UWB Based Indoor Positioning in Industrial Environments Through Machine Learning.” 2018 15th International Conference on Control, Automation, Robotics and Vision, ICARCV 2018. 138632 (65): 1484–88.
• [12] Li, Xiaohui, Xiong Cai, Yongqiang Hei, Ruiyang Yuan. 2017. “NLOS Identification and Mitigation Based on Channel State Information for Indoor WiFi Localisation.” IET Communications. 11 (4): 531–37.
• [13] Olejniczak, Alicja, Krzysztof K Cwalina, Piotr Rajchowski, Jarosław Sadowski. 2019. “Detekcja Warunków LOS i NLOS w Środowisku Wewnątrz Budynkowym Przy Użyciu Algorytmu Głębokiego Uczenia.” Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne. 6: 353–57.
• [14] Patterson, Josh, Adam Gibson. 2017. Deep Learning a Practitioner’s Approach. USA: O’Reilly.
• [15] Qolomany, Basheer, Ala Al-Fuqaha, Driss Benhaddou, Ajay Gupta. 2017. “Role of Deep LSTM Neural Networks and Wi-Fi Networks in Support of Occupancy Prediction in Smart Buildings.” In Proceedings - 2017 IEEE 19th Intl Conference on High Performance Computing and Communications. IEEE, 50–57. Bangkok.
• [16] Ramadan, Mohammed, Vladica Sark, Jesús Gutiérrez, Eckhard Grass. 2018. “NLOS Identification for Indoor Localization Using Random Forest Algorithm.” WSA 2018; 22nd International ITG Workshop on Smart Antennas., no. February: 1–5.
• [17] Studer, Christoph, Said Medjkouh, Emre Gonultas, Tom Goldstein, Olav Tirkkonen. 2018. “Channel Charting: Locating Users within the Radio Environment Using Channel State Information.” IEEE Access. 6: 47682–98.
• [18] Viola, Paul, and Michael Jones. 2001r. “Rapid Object Detection Using a Boosted Cascade of Simple Features.” In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Kauai, USA.
• [19] Xiao, Zhuoling, Hongkai Wen, Andrew Markham, Niki Trigoni, Phil Blunsom, Jeff Frolik. 2015. “Non-Line-of-Sight Identification and Mitigation Using Received Signal Strength.” IEEE Transactions on Wireless Communications. 14 (3): 1689–1702.
• [20] Zandian, Reza, Ulf Witkowski. 2018. “Differential NLOS Error Detection in UWB-Based Localization Systems Using Logistic Regression.” 2018 15th Workshop on Positioning, Navigation and Communications, WPNC 2018., 1–6.
• [21] Zeng, Zhuoqi, Steven Liu, Lei Wang. 2019. “UWB NLOS Identification with Feature Combination Selection Based on Genetic Algorithm.” 2019 IEEE International Conference on Consumer Electronics, ICCE 2019., 1–5.

Uwagi

PL

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