$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

WLAN 실내 측위 결정을 위한 KNN/PFCM Hybrid 알고리즘
KNN/PFCM Hybrid Algorithm for Indoor Location Determination in WLAN 원문보기

한국정보처리학회 2010년도 추계학술발표대회, 2010 Nov. 12, 2010년, pp.1708 - 1710  

김경성 (목포대학교 정보통신공학과) ,  이장재 (목포대학교 정보산업연구소) ,  오일환 (목포대학교 정보전자공학과) ,  이연우 (목포대학교 정보통신공학과) ,  정민아 (목포대학교 컴퓨터공학과) ,  이성로 (목포대학교 정보전자공학과)

초록
AI-Helper 아이콘AI-Helper

무선 네트워크 기반 실내 측위는 측위를 위한 특수 장비를 필요로 하지 않고, Fingerprinting 방식은 무선네트워크 기반 측위를 위한 기술 중에서 가장 정확도가 높기 때문에 무선 네트워크 Fingerprinting 방식이 가장 적당한 실내 측위 방법이다. Fingerprinting 방식에서 KNN은 WLAN 기반 실내 측위에 가장 많이 적용되고 있지만 KNN의 성능은 k개의 이웃 수와 RP의 수에 따라 민감하다. 논문에서는 KNN 성능을 향상시키기 위해 PFCM 군집화를 적용한 KNN과 PFCM을 혼합한 알고리즘을 제안하였다. 제안한 알고리즘은 신호잡음비 데이터를 KNN 방법에 적용하여 k개의 RP를 선택한 후 선택된 RP의 신호잡음비를 PFCM에 적용하여 k개의 RP를 군집하여 분류한다. 실험 결과에서는 위치 오차가 2m 이내에서 KNN/PFCM 알고리즘이 KNN과 KNN/FCM 알고리즘보다 성능이 우수하다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

제안 방법

  • 실험 장비는 Samsung SENS Q70, NetStumbler 프로그램, AP 2개를 이용하였고 (그림 3)은 무선 랜 신호 강도를 측정하는 NetStumbler 프로그램이다. 2개의 AP로부터 각 RP포인트에 수신된 SNR 값을 연속된 그래프와 값으로 측정되었으며 1초 간격으로 SNR 값을 구하여 fingerprinting 방식으로 데이터베이스화 하였다.
  • 무선 환경 하에서 패턴 매칭 알고리즘을 위해 training 단계에서 여러 개의 AP로부터 수신된 SNR 값을 측정하여 fingerprinting 방식의 데이터베이스를 만들어 활용해서 측위를 위한 특수 장비를 전혀 사용하지 않고 기존에 설치된 AP를 사용하면서 KNN과 PFCM 군집화 기반의 혼합된 알고리즘을 이용한 무선랜 실내 측위를 결정하는 절차는 (그림 1)과 같다.
  • 무선 네트워크를 이용하는 방법 중에는 fingerprinting 방식이 가장 정확하다고 알려져 있다. 무선 환경 하에서 패턴 매칭 알고리즘을 위해 training 단계에서 여러 개의 AP로부터 수신된 SNR값을 측정하여 fingerprinting 방식의 데이터베이스를 만들어 활용해서 측위를 위한 특수 장비를 전혀 사용하지 않고 무선 랜을 위하여 기존에 설치된 AP를 사용하면서 KNN과 PCM 군집화 기반의 혼합된 무선 실내 측위 방법을 제안한다. KNN은 광범위하고 복잡한 실내 환경에서 계산량이 많기 때문에 실제 환경에서 최적인 위치를 찾기가 어렵다.
  • 곳곳에 설치되어 있는 무선 인터넷 망을 활용하여 실내 위치를 식별하기 때문에 적은 비용으로도 시스템을 구축할 수 있으며 외부 인터넷 연결이 용이한 AP(Access Point)를 활용하기 때문에 위치 측정과 동시에 인터넷 통신도 사용할 수 있다[1]. 본 논문은 무선 환경 하에서 패턴 매칭 알고리즘을 위해 training 단계에서 여러 개의 AP로부터 수신된 신호 잡음비(SNR)를 측정하여 fingerprinting 방식의 데이터베이스를 만들어 활용해서 측위를 위한 특수 장비를 전혀 사용하지 않고 기존에 설치된 AP를 이용한 SNR (Signal to Noise Ratio) 데이터에 관한 KNN/PFCM 혼합된 군집화 방법으로 무선 실내 측위 방법을 제안한다..
  • SNR 데이터에 대한 거리 제곱합이 최소인 클러스터에 속한 RP는 TP(Test Point)에서 측정된 SNR 데이터와 가장 유사한 특징을 갖는다고 가정하면 선택된 RP을 사용하여 실내 위치 추정의 성능을 향상시킨다. 세 번째로 두 번째 단계에서 선택된 군집 중에서 MU에서 측정된 SNR 데이터와 가장 적합한 군집을 선택한 후 군집 내에 있는 RP들의 평균을 산출하여 위치를 추정한다.
  • 실험 장비는 Samsung SENS Q70, NetStumbler 프로그램, AP 2개를 이용하였고 (그림 3)은 무선 랜 신호 강도를 측정하는 NetStumbler 프로그램이다. 2개의 AP로부터 각 RP포인트에 수신된 SNR 값을 연속된 그래프와 값으로 측정되었으며 1초 간격으로 SNR 값을 구하여 fingerprinting 방식으로 데이터베이스화 하였다.
  • 총길이 25m×4m인 복도에 1m 간격으로 63개의 RP 포인트와 40개의 TP 포인트를 (그림 2)와 같이 바둑판 모양으로 지정하였고 RP 포인트는 검정색으로 TP 포인트는 빨간색으로 표시하였다.

대상 데이터

  • 실험 장소는 (그림 2)에서 보이는 목포대학교 대외 협력관 4층 복도이다. 총길이 25m×4m인 복도에 1m 간격으로 63개의 RP 포인트와 40개의 TP 포인트를 (그림 2)와 같이 바둑판 모양으로 지정하였고 RP 포인트는 검정색으로 TP 포인트는 빨간색으로 표시하였다.

이론/모형

  • training 단계에서는 각 RP에서 수집된 SNR 데이터를 fingerprinting 방식으로 DB화 한다. estimation 단계에서는 KNN/PFCM 혼합 알고리즘을 사용하여 무선랜 실내 위치를 추정하고 결정한다. 첫 번째로 training 단계에서 측정된 SNR 데이터를 KNN 방법을 이용하여 k개의 RP을 선택한다.
  • 첫 번째로 training 단계에서 측정된 SNR 데이터를 KNN 방법을 이용하여 k개의 RP을 선택한다. 두 번째로 선택된 k개 RP의 SNR 데이터를 PFCM방법을 이용하여 군집화한다. 이 군집은 군집 중심벡터와 각 AP로부터 측정된 SNR 데이터에 대한 거리 제곱합을 이용하여 군집화한다.
  • estimation 단계에서는 KNN/PFCM 혼합 알고리즘을 사용하여 무선랜 실내 위치를 추정하고 결정한다. 첫 번째로 training 단계에서 측정된 SNR 데이터를 KNN 방법을 이용하여 k개의 RP을 선택한다. 두 번째로 선택된 k개 RP의 SNR 데이터를 PFCM방법을 이용하여 군집화한다.
본문요약 정보가 도움이 되었나요?

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로