CHOSUN

Design of Geomagnetic Field Based Indoor Landmark Classifier using a Deep Learning

Metadata Downloads
Author(s)
비말 바하타라이
Issued Date
2018
Keyword
RF signal, fingerprinting, geomagnetic field, deep recurrent neural network (DRNN), long short-term memory (LSTM)
Abstract
The unstable nature of RF signals and the need for external infrastructure inside buildings have limited the use of positioning techniques, such as Wi-Fi and Bluetooth fingerprinting. Compared to these techniques, the geomagnetic field exhibits a stable signal strength in the time domain. However, existing magnetic positioning methods cannot perform well in a wide space because the magnetic signal is not always discernible. In this thesis, deep recurrent neural networks (DRNNs) is proposed to build a model that is capable of capturing long-range dependencies in variable-length input sequences. The used of DRNNs is brought from the idea that the spatial/temporal sequence of magnetic field values around a given area will create a unique pattern over time; despite multiple locations having the same magnetic field value. Therefore, the indoor space can be divided into landmarks with magnetic field values and find the position of the user in a particular area inside the building. A long short-term memory (LSTM) DRNNs is presented for spatial/temporal sequence learning of magnetic patterns and evaluate their positioning performance on our testbed datasets. Experimental results show that our proposed models outperform other traditional positioning approaches with machine learning methods, such as k-nearest neighbors (KNNs) and support vector machine (SVM).|GPS 신호의 수신이 제한되는 실내 환경에서 위치 기반 서비스 제공을 위해 Wi-Fi 및 블루투스와 같은 무선 기술 기반의 핑거프린팅 방식이 사용되고 있지만, 이러한 기술들은 실내 환경에 인프라를 구축해야 한다는 점과 실내 환경에 따라 무선 신호의 세기가 불안정하게 관측된다는 한계가 있다. 이러한 무선 기술과 달리, 지자기장은 시간 도메인 상에서 비교적 안정적인 자기장 세기를 보여주고 있어 지자기장 기반 측위 기술에 대한 연구 및 활용 사례가 증가하고 있다. 그러나, 자기장 세기가 언제 어디서나 식별 가능한 고유한 값을 나타내지는 않기 때문에 기존의 지자기장 기반 측위 방식은 넓은 공간에서 활용하기에 무리가 있다. 본 논문에서는 가변 길이 입력 시퀀스에서 긴 범위의 종속성을 획득할 수 있는 모델을 구축하기 위한 Deep Recurrent Neural Networks (DRNN)을 제안한다. DRNN의 사용은 동일한 세기의 자기장 값이 여러 장소에서 관측될 수 있지만 주어진 영역 주위의 자기장 값의 공간적/시간적 시퀀스는 시간의 흐름에 따라 고유한 패턴을 생성한다는 점에 착안하여 제안되었다. 따라서, 실내 공간은 자기장 값을 가진 랜드마크로 나뉘어질 수 있으며 이를 통해 건물 내 특정 영역에서 사용자의 위치를 찾을 수 있다. 본 논문에서는 자기장 패턴의 공간적/시간적 시퀀스 학습을 위해 장단기 메모리 (LSTM) DRNN을 제시하고 본 연구에서 사용된 테스트 환경에 대한 데이터세트에서 측위 성능을 평가하였다. 마지막으로, 본 논문의 실험 결과를 통해 제안 모델이 Support Vector Machine (SVM) 및 K-nearest Neighbors (KNN)과 같은 기존의 머신러닝 기반 측위 방식들보다 우수한 성능을 제공함을 확인하였다.
Alternative Title
딥 러닝을 활용한 지자기장 기반 실내 랜드마크 분류기 설계
Alternative Author(s)
Bimal Bhattarai
Department
일반대학원 정보통신공학과
Advisor
변재영
Awarded Date
2019-02
Table Of Contents
Table of Contents i
List of Figures iii
List of Tables iv
Acronyms v
Abstract vi
Abstract [Korean] viii
Chapter 1: Introduction 1
1.1 Motivation 1
1.2 Objectives 2
1.3 Contributions 3
1.4 Thesis Layout 3
Chapter 2: Background 5
2.1 Indoor Positioning System (IPS) 5
2.1.1 Radio technologies 5
2.1.2 Non-radio technologies 6
2.2 Magnetic Field Preliminaries 7
2.2.1 Magnetic Data Acquisition 10
2.3 Recurrent Neural Network (RNN) 11
2.4 Long Short-Term Memory (LSTM) based RNN 12
2.5 Performance Metrics 14
Chapter 3: Related Works 16
3.1 Traditional Approaches 16
3.2 Machine Learning Approaches 17
3.2.1 K-nearest Neighbor (KNN) 17
3.2.2 Support Vector Machines (SVM) 18
3.2.3 Decision Trees 18
3.2.4 Naïve Bayes (NB) 18
3.2.5 Logistic Regression 19
Chapter 4: Proposed System 21
4.1 DRNN Architecture 22
4.2 Unidirectional LSTM-Based DRNN Model 23
4.3 Bidirectional LSTM-Based DRNN Model 25
4.4 Cascaded Bidirectional and Unidirectional LSTM-based DRNN Model 26
Chapter 5: Experimental Procedure 28
5.1 Setup and Methodology 28
5.2 Evaluation 31
5.2.1 Network Training and Testing 32
Chapter 6: Experimental Results and Discussion 38
Chapter 7: Conclusion 44
Bibliography 45
Degree
Master
Publisher
Chosun University
Citation
비말 바하타라이. (2018). Design of Geomagnetic Field Based Indoor Landmark Classifier using a Deep Learning.
Type
Dissertation
URI
https://oak.chosun.ac.kr/handle/2020.oak/13706
http://chosun.dcollection.net/common/orgView/200000267053
Appears in Collections:
General Graduate School > 3. Theses(Master)
Authorize & License
  • AuthorizeOpen
  • Embargo2019-02-08
Files in This Item:

Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.