선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 실험 장비는 Samsung 노트북 R530을 MU로 하고, 2개의 AP를 기준으로 하여 무선 랜 신호강도를 측정하는 NetStubler 프로그램을 사용하였다. 2개의 AP로부터 각 RP포인트에 수신된 SNR 값을 연속된 그래프와 값으로 측정되었으며 1초 간격으로 SNR 값을 구하여 Fingerprinting 방식으로 데이터베이스화 하였다.
- 무선 랜 실내 측위 결정을 위해 training 단계에서 여러 개의 AP로부터 수신된 SNR(Signal to Noise Ratio)값을 측정하여 Fingerprint 방식의 데이터베이스를 구축하여 측위를 위한 어떠한 장비 없이 기존에 설치된 AP를 사용하여 KNN과 SVM 군집화 기반의 혼합된 알고리즘을 무선 랜 실내 측위로 결정한다.
- 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 SVM 혼합된 무선 실내 측위 방법을 제안한다. KNN/SVM 알고리즘을 이용해 효율적인 실내 측위를 식별할 수 있었다.
- 측위에 대한 관심이 높아짐에 따라 여러 가지 방식이 발전 되고 있는데, 최근 들어 무선 랜 노트북이나 넷 북 그리고 스마트 폰 사용이 늘어남에 따라 건물 내 무선 랜 사용도가 늘어나고 있다. 본 논문은 특수 장비를 사용하지 않고, 무선 네트워크 기반의 실내 측위 중에 정확도가 높은 Fingerprinting 방법을 택하였다. ingerprinting 방식에 속하는 기술은 다양하지만 가장 기본적으로 널리 사용되는 기술은 KNN이다.
- 실험 장비는 Samsung 노트북 R530을 MU로 하고, 2개의 AP를 기준으로 하여 무선 랜 신호강도를 측정하는 NetStubler 프로그램을 사용하였다. 2개의 AP로부터 각 RP포인트에 수신된 SNR 값을 연속된 그래프와 값으로 측정되었으며 1초 간격으로 SNR 값을 구하여 Fingerprinting 방식으로 데이터베이스화 하였다.
- 위치 측위대상이 되는 공간을 일정한 범위로 나누고 각 RP(Reference Point)의 위치 값을 DB(데이터 베이스)에 저장한 후 위치 값과 AP로부터 단말기(MU: Mobile Unit)에 도달한 신호세기나 신호잡음비를 측정하여 추출한 전파 특성 값을 저장한다. 이과정은 측위대상이 되는 공간의 모든 RP를 측정할 때까지 반복적으로 수행한다.
- 총길이 25m×4m인 복도에 1m 간격으로 39개의 RP 포인트와 24개의 TP 포인트를 바둑판 모양으로 지정하였고 RP 포인트는 검정색으로 TP 포인트는 빨간색으로 표시하였다.
대상 데이터
- 실험 장소는 (그림 2)에서 보이는 목포대학교 대외 협력관 1층 복도이다. 총길이 25m×4m인 복도에 1m 간격으로 39개의 RP 포인트와 24개의 TP 포인트를 바둑판 모양으로 지정하였고 RP 포인트는 검정색으로 TP 포인트는 빨간색으로 표시하였다.
이론/모형
- 비선형적인 입력데이터에 대한 분류 정확률을 높이기 위해 가우시안 커널 함수를 적용하였으며 다중 집단의 분류가 가능한 Multi-Class SVM으로 기본 알고리즘을 확장 하였다[4].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.