[논문]기계학습 기반의 실내 측위 성능 향상을 위한 학습 데이터 전처리 기법

김대진; 황치곤; 윤창표

doi:10.6109/jkiice.2020.24.11.1528

초록
AI-Helper

최근 Wi-Fi 전파 지문을 이용한 실내 위치 인식 기술이 다양한 산업 분야 및 공공 서비스에서 적용되어 운영되고 있다. 기계학습 기술의 관심과 함께 단말 주변의 무선 신호 데이터를 사용한 기계학습 기반의 위치 인식 기술이 빠르게 발전하고 있다. 이때 기계학습에 필요한 무선 신호 데이터의 수집 과정에서 왜곡되거나 학습에 적합하지 않은 데이터가 포함되어 위치 인식의 정확도가 낮아지는 결과가 발생한다. 또한 특정 위치에서 수집된 데이터를 기반의 위치 인식을 수행하는 경우 학습에 포함되지 않은 주변 위치에서의 위치 인식에 문제가 발생한다. 본 논문에서는 수집된 학습 데이터의 전처리 과정을 통해 향상된 위치 인식 결과를 얻기 위한 학습 데이터 전처리 기법을 제안한다.

Abstract ▼ AI-Helper

Recently, indoor location recognition technology using Wi-Fi fingerprints has been applied and operated in various industrial fields and public services. Along with the interest in machine learning technology, location recognition technology based on machine learning using wireless signal data aroun...

Recently, indoor location recognition technology using Wi-Fi fingerprints has been applied and operated in various industrial fields and public services. Along with the interest in machine learning technology, location recognition technology based on machine learning using wireless signal data around a terminal is rapidly developing. At this time, in the process of collecting radio signal data required for machine learning, the accuracy of location recognition is lowered due to distorted or unsuitable data for learning. In addition, when location recognition is performed based on data collected at a specific location, a problem occurs in location recognition at surrounding locations that are not included in the learning. In this paper, we propose a learning data preprocessing technique to obtain an improved position recognition result through the preprocessing of the collected learning data.

주제어

표/그림 (5)

표 Table. 1 Overview of traing data
그림 Fig. 1 Classification table
표 Table. 2 Initial setup for learning
그림 Fig. 2 Graph of learning result by initial value
그림 Fig. 3 Graph of learning result by initial value

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문은 실내 위치 인식 시스템의 향상된 위치 인식률을 위해 신호 데이터 테이블의 전처리 과정과 그로 인해 구분되는 데이터 값의 분류를 제안하였다. 이에 이장에서 제안 기술의 성능을 실험하고 제안 기술을 평가한다.
본 논문은 실내 위치 인식률의 향상을 위하여 학습 데이터의 전처리를 통한 데이터 분리와 분리된 데이터를 기반으로 기계학습을 수행하는 전처리 기법을 채택하였다. 이러한 방식은 위치 정보가 저장된 데이터에서 위치의 정확도 개선과 장소 외부의 판단을 하나의 데이터로 처리하기 위함이다.

제안 방법

구분되는 데이터 값의 분류를 제안하였다. 이에 이장에서 제안 기술의 성능을 실험하고 제안 기술을 평가한다.
이러한 방식은 위치 정보가 저장된 데이터에서 위치의 정확도 개선과 장소 외부의 판단을 하나의 데이터로 처리하기 위함이다. 이에 측위자의 위치를 더욱 정확하게 결정하기 위해 기계학습 기법 중 랜덤 포레스트를 이용한 실내 위치 인식 기술을 제안하였다. 이는 스마트기기에서 측정된 무선 신호 데이터를 이용하여 실내 사용자의 위치를 판단하기 위해 연구되었으며, 무선 신호를 사용하는 측위 시스템의 많은 분야에서 적용할 수 있다.
이와 같은 문제를 해결하기 위해 측위가 진행 될 때 inbound 신호와 outbound 신호를 분리하여 와 _를 이용하여 지정 장소 내부인지 외부인지를 확인한다. 이에 따라 inbound 신호를 이용한 측위와 outbound 신호를 이용한 측위를 선택한다.
제안하는 데이터의 전처리 기법은 측정된 신호 테이블(PT)로부터 유효한 데이터를 추출하기 위해 수식 1과 같은 방법을 사용한다.
학습에 필요한 데이터는 측정 시간 값, 측정 위치 라벨, 수신된 주변 무선 신혼들의 세기 값으로 구성한다. 특정 위치의 분류를 위해 측정 위치들을 라벨링하고 해당 위치에서 수신되는 Wi-Fi beacon 신호 세기 값을 수집한다[7]. 즉 측정 위칫값을 기준으로 수신된 무수히 많은 주변 무선 신호들로 구성한다.

대상 데이터

이루어졌다. 그리고 실험에 사용된 SW는 MATLAB 의 분류 학습기를 사용하였으며 실험에 사용된 데이터 세트는 세 구역으로 구분된 장소에서 수집된 272개의 MAC 주소의 신호 데이터를 사용하여 실험하고 평가하였다.

이론/모형

엔트로피가 높은 집단은 그 집단의 특징을 찾기 힘들고, 과대적합은 의사결정 트리에서 높은 정확성을 제공할 수 있지만, 새로운 데이터에 대해서는 정확도가 감소한다. 따라서 이를 위해 본 논문의 제안 기술이 적용된 실내 위치 인식 과정의 정확도 향상을 위해 랜덤 포레스트 기법을 사용한다.
기계학습에서 앙상블은 여러 개의 기계학습 모델을 결합하여 하나의 강한 모델을 만드는 기법이다. 이때 부족한 데이터의 양이나 품질을 극복하기 위해 재샘플링 기법을 이용한다[10].
차이가 발생할 수 있다. 이에 따라 본 논문에서 적용할 기계학습기법으로 앙상블 기법의 하나로 랜덤 포레스트 기법을 적용하였다. 이에 따른 방식으로 테스트 결과는 표 2와 같고, 테스트를 위한 설정은 앙상블 기법의 랜덤 포레스트, AdaBoost, 결정 트리로 하고 최대 분할 수는 20을 기본으로 하였다.
이에 따라 본 논문에서 적용할 기계학습기법으로 앙상블 기법의 하나로 랜덤 포레스트 기법을 적용하였다. 이에 따른 방식으로 테스트 결과는 표 2와 같고, 테스트를 위한 설정은 앙상블 기법의 랜덤 포레스트, AdaBoost, 결정 트리로 하고 최대 분할 수는 20을 기본으로 하였다.
그 중 문제의 정답을 알고 있는 데이터 집합을 이용하여 모델의 parameter 값을 학습하는 지도학습은 새로운 데이터가 입력될 때 정답을 추론하는 문제에 많이 적용된다. 즉 주어진 입력 벡터가 어떤 종류의 값인지 표시하는 분류에서 주어진 문제를 해결할 수 있는 기계학습 알고리즘들인 결정 트리, Support Vector Machine (SVM)[3][4], K-Nearest Neighbors(KNN)[5] 알고리즘을 통해 학습하고 입력값을 판단한다. 이와 같은 분류 문제를 해결할 수 있는 알고리즘을 통해 실내 위치 인식 문제에 기계학습을 적용하여 해결할 수 있다[6].

성능/효과

각 case는 학습기 수, 학습률을 차등하여 변화를 주었으며 이에 따른 정확도와 총 오 분류 비용은 표 2와 같이 나왔으며, 학습기 수가 50을 초과하면 정확도와 총 오분류 비용의 차이가 거의 없는 것으로 확인되었다. 이에 inbound와 outbound를 분리하여 측정함으로써 측위 결과에 대한 위치 판단에 대한 정확성을 향상시킬 수 있다.
제안 기술은 적은 수의 장소 데이터를 이용하더라도 위치를 인식하는 결과를 얻을 수 있음이 확인됐다.
8%의 높은 정확도를 나타낸다. 즉 제안 기술을 적용하지 않고 트리 또는 SVM 알고리즘을 적용한 실험 결과와는 큰 성능 차이를 보인다.

참고문헌 (12)

C. P. Yoon and C. G Hwang, "Efficient indoor positioning systems for indoor location-based service provider," KIICE, vol.19, pp. 1368-1373, Jun. 2015.
R. Sheikhpour, M. A. Sarram, S. Gharaghani and M. A. Z. Chahooki, "A Survey on semi-supervised feature selection methods," Pattern Recognition, vol. 64, pp. 141-158, Apr. 2017.

상세보기
A. M. Abd and S. M. Abd, "Modelling the strength of lightweight foamed concrete using support vector machine (SVM)," Case studies in construction materials 6, pp. 8-15, 2017.

상세보기
I. Ahmad, M. Basheri, M. J. Iqbal, and A. Rahim, "Performance comparison of support vector machine, random forest, and extreme learning machine for intrusion detection." IEEE Access 6, pp. 33789-33795, 2018.

상세보기
N. Papernot and M. Patrick "Deep k-nearest neighbors: Towards confident, interpretable and robust deep learning." arXiv preprint arXiv:1803.04765, pp. 1-18, 2018.
J. Behmann, K. Hendriksen, U. Muller, W. Buscher, and L. Plumer, "Support Vector machine and duration-aware conditional random field for identification of spatio-temporal activity patterns by combined indoor positioning and heart rate sensors," Geoinformatica, vol. 20, no. 4, pp. 693-714, 2016.

상세보기
D. Kim, S. H. Park, and H.K. Jung, "Fingerprint-Based Indoor Logistics Location Tracking System," KIICE, vol.24, no.7, pp. 898-903, 2020.
C. P. Yoon, I. K. Lee, and C. G. Hwang, "The iBeacon Signal Optimization Methods for Improving the Reliability of Indoor Positioning Systems," Journal of Engineering and Applied Sciences, vol. 12, no. 10, pp. 2692-2696, 2017.
E. S. Lohan, J. Torres-Sospedra, H. Leppakoski, P. Richter, Z. Peng, and J. Huerta, "Wi-Fi crowdsourced fingerprinting dataset for indoor positioning," Data, 2017.
G.James, D.Witten, T.Hastie, and R.Tibshirani, "An introduction to statistical learning: with applications in R," Spinger, 2013.
A.Criminisi, J.Shotton, and E.Konukoglu, "Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning," Foundations and Trends in Computer Graphics and Vision 7.2-3, pp. 81-227, 2012.

상세보기
L.Rokach and O.Maimon, "Top-down induction of decision trees classifiers-a survey," IEEE Transactions on Systems, Man, and Cybernetics, Part C(Applications and Reviews), vol. 35, no. 4, pp. 476-487, 2005.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

기계학습 기반의 실내 측위 성능 향상을 위한 학습 데이터 전처리 기법
Learning data preprocessing technique for improving indoor positioning performance based on machine learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습 기반의 실내 측위 성능 향상을 위한 학습 데이터 전처리 기법 Learning data preprocessing technique for improving indoor positioning performance based on machine learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

황치곤 (26)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습 기반의 실내 측위 성능 향상을 위한 학습 데이터 전처리 기법
Learning data preprocessing technique for improving indoor positioning performance based on machine learning 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper