NGUYỄN KHÁNH NGỌC LUẬN VĂN THẠC SĨ CƠNG NGHỆ THƠNG TIN NĂM 2013 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN NGUYỄN KHÁNH NGỌC NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG ĐỊNH VỊ TRONG CÁC TỊA NHÀ LUẬN VĂN THẠC SĨ CƠNG NGHỆ THƠNG TIN Chun ngành : KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: TS LÊ ĐÌNH TUẤN TPHCM THÁNG / 2013 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN NGUYỄN KHÁNH NGỌC NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG ĐỊNH VỊ TRONG CÁC TỊA NHÀ Chun ngành: KHOA HỌC MÁY TÍNH Mã số: 60 48 0101 LUẬN VĂN THẠC SĨ CƠNG NGHỆ THƠNG TIN (Đã hiệu đính theo u cầu Hội đồng đánh giá luận văn thạc sĩ ngày 23/8/2013) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS LÊ ĐÌNH TUẤN TPHCM THÁNG / 2013 i Mục Lục Thuật Ngữ Và Chữ Viết Tắt iii Danh Mục Hình iv Lời Cảm Ơn vi Chương 1: Giới thiệu đặt vấn đề 1.1 Đặt vấn đề lý chọn đề tài 1.2 Mục tiêu đề tài 1.3 Phạm vi đề tài 1.4 Cấu trúc luận văn Chương 2: Cơ sở lý thuyết 2.1 Sự phát triển mạng không dây 2.2 Tổng quan mạng không dây 2.3 Đặc điểm sóng vô tuyến 12 2.4 Các giải pháp đònh vò nhà 16 2.4.1 Giải pháp đònh vò dựa khoảng cách 17 2.4.2 Giải pháp đònh vò dựa góc đến 27 2.4.3 Giải pháp đònh vò dựa Fingerprinting 29 2.5 Các loại thuật toán đònh vò áp dụng cho giải pháp Fingerprinting 32 2.5.1 Phương pháp K-Nearest Neighbor 32 2.5.2 Phương pháp dựa xác suất 33 2.5.3 Phương pháp Neural Network 36 2.5.4 Phương pháp Support Vector Machine 37 2.6 Các hệ thống đònh vò sử dụng WLAN RSS Fingerprinting 39 2.7 Thách thức việc triển khai hệ thống WLAN RSS Fingerprinting 39 Chương 3: Giải pháp đònh vò dựa kỹ thuật WLAN RSS Fingerprinting 42 3.1 WLAN RSS Fingerprinting 43 3.1.1 Kiến trúc 43 3.1.2 Mô tả 45 3.2 Các giai đoạn kiến trúc RSS Wlan Fingerprinting 46 3.2.1 Giai đoạn huấn luyện 46 ii 3.2.2 Giai đoạn hoạt động đònh vò 55 3.3.1 Thuật toán Nearest Neighbor 57 3.3.2 Thuật toán K-Nearest Neighbor 59 3.3.3 Thuật toán K-Maximum LikeliHood Neighbor 60 3.3.4 Thuật toán cải tiến K-Maximum LikeliHood Constraint Tracking Neighbor 63 Chương 4: Triển khai đánh giá hệ thống đònh vò 66 4.1 Xây dựng chương trình mô 67 4.1.1 Mục tiêu 67 4.1.2 Mô tả 67 4.1.2.1 Xây dựng đồ giả lập 68 4.1.2.2 Xây dựng liệu RSS Fingerprinting 68 4.1.2.3 Phương pháp Box–Muller sinh mẫu phân phối chuẩn ngẫu nhiên 69 4.1.3 Phương pháp đánh giá 71 4.1.4 Đánh giá kết phân tích 72 4.2 Triển khai hệ thống đònh vò 79 4.2.1 Mục tiêu 79 4.2.2 Mô tả 79 4.2.2.1 Triển khai thiết bò, sở hạ tầng 79 4.2.2.2 Cài đặt webservice cung cấp dòch vụ đònh vò IPS Server 81 4.2.2.3 Triển khai cài đặt chương trình đònh vò laptop 82 4.2.2.4 Triển khai cài đặt chương trình đònh vò Iphone 86 4.2.3 Phương pháp đánh giá 87 4.2.4 Đánh giá kết phân tích 88 Chương 5: Kết luận hướng phát triển 103 Tài Liệu Tham Khảo 107 iii Thuật Ngữ Và Chữ Viết Tắt AOA Angle of Arrival Góc đến AP Access Point Thiết bò mạng phát sóng Wifi DOA Direction of Arrival Hướng đến GPS Global Position System Hệ thống đònh vò toàn cầu IPS Indoor Positioning System Hệ thống đònh vò nhà KMLN K-Maximum Likelihood Neighbor K láng giềng có khả KNN K-Nearest Neighbor K láng giếng gần LBSs Location-Based Services Dòch vụ dựa vò trí PDAs Personal Digital Assistants Thiết bò trợ giúp kỹ thuật số cá nhân RSS Received Signal Strength Cường độ tín hiệu thu TOA Time of Arrival Thời gian đến TDOA Time Difference of Arrival Sự khác biệt thời gian đến WLAN Wireless Local Area Network Mạng không dây nội iv Danh Mục Hình Hình 2.1: Các nhóm phương pháp đònh vò 16 Hình 2.2: Phương pháp TOA với thiết bò phát sóng 19 Hình 2.3: Phương pháp TOA với thiết bò phát sóng 19 Hình 2.4: Time Difference of Arrival (TdoA) 22 Hình 2.5: Quá trình truyền tín hiệu môi trường 25 Hình 2.6: Phương pháp Angle of Arrival 27 Hình 2.7: Phương pháp Neural Network với hàm xử lý phi tuyến tính 36 Hình 3.1: Mô hình hoạt động phương pháp RSS Fingerprinting 44 Hình 3.2: Lưu đồ xây dựng sở liệu đồ sóng Fingerprinting 47 Hình 3.3: Minh họa trình đo đạc RSS 48 Hình 3.4: Biểu đồ thực nghiệm minh họa phân phối giá trò RSS AP vò trí tham chiếu 49 Hình 3.5: Biểu đồ thực nghiệm minh họa phân bố theo phân phối chuẩn giá trò RSS 50 Hình 3.6: Biểu đồ hàm phân phối chuẩn tắc 52 Hình 3.7: Lưu đồ minh họa trình dự đoán thông tin vò trí 56 Hình 4.1 :Bản đồ mô gồm 96 vò trí tham chiếu AP 68 Hình 4.2: Biểu đồ phân phối chuẩn RSS sinh từ thuật toán Box-Muller 72 Hình 4.3: Biểu đồ mối quan hệ độ lệch chuẩn RSS 73 Hình 4.4: Mối quan hệ số lượng AP sai số khoảng cách dự báo 75 Hình 4.5: Mối quan hệ số lượng AP sai số khoảng cách dự báo(độ lệch chuẩn = 4) 76 Hình 4.6: Sai số khoảng cách dự báo khoảng cách 77 Hình 4.7: Kiến trúc tầng nơi triển khai hệ thống IPS 80 Hình 4.8: Mô hình phần cứng triển khai hệ thống đònh vò IPS 81 Hình 4.9: Chức thu thập RSS điểm tham chiếu 84 Hình 4.10: Chức lọc nhiễu sóng RSS 85 Hình 4.11: Giao diện chương trình đònh vò cài đặt laptop 86 Hình 4.12: Hệ thống đònh vò cài đặt Iphone 87 Hình 4.13: Biểu đồ thực nghiệm minh họa phân bố giá trò RSS AP vị trí cách AP 1m 89 v Hình 4.14: Biểu đồ thực nghiệm minh họa xác suất 90 Hình 4.15: Biểu đồ thực nghiệm minh họa phân bố giá trò RSS AP vò trí cách AP 10m 91 Hình 4.16: Biểu đồ thực nghiệm minh họa xác suất 92 Hình 4.17: Biểu đồ thực nghiệm RSS AP1 vò trí 1,6,9,12 93 Hình 4.18: Biểu đồ mối quan hệ RSS khoảng cách 94 Hình 4.19: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Nearest Neighbor 95 Hình 4.20: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Maximum Likelihood Neighbor 96 Hình 4.21: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Maximum Likelihood Constraint Tracking Neighbor 97 Hình 4.22: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán KMLCTN vò trí (khoảng tin cậy 95%) 98 Hình 4.23: Minh họa đồ vò trí người dùng nằm vùng bao phủ điểm tham chiếu 99 Hình 4.24: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo thiết bò di động khác 101 vi Lời Cảm Ơn Trước hết, xin gửi lời cảm ơn đến thầy giáo hướng dẫn luận văn tiến só khoa học Lê Đình Tuấn, người giúp đỡ, hướng dẫn tận tình trình nghiên cứu hoàn thành luận văn Tôi xin gửi lời cảm ơn đến bạn khóa đào tạo thạc só chuyên ngành khoa học máy tính 2011-2013 cung cấp tài liệu cần thiết trình nghiên cứu giúp đỡ nhiều trình học tập, chuẩn bò luận án Xin cảm ơn khoa công nghệ thông tin phòng sau đại học tạo điều kiện cho học tập nghiên cứu suốt khóa học Cuối cho phép cảm ơn bạn bè, gia đình giúp đỡ, ủng hộ nhiều toàn trình học tập nghiên cứu hoàn thành luận văn Chương 1: Giới thiệu đặt vấn đề Tóm tắt nội dung: Chương trình bày lý chọn đề tài, mục tiêu đề tài nêu rõ phạm vi nghiên cứu đề tài Đồng thời đưa phương pháp tiếp cận cấu trúc toàn luận văn 1.1 Đặt vấn đề lý chọn đề tài Cùng với phát triển mạng không dây, dòch vụ dựa vò trí LBSs (Location-based services) ứng dụng thiết bò di động laptop, điện thoại thông minh hay PDAs(Personal Digital Assistants) để theo dõi người dùng phản ứng người dùng gặp cố khẩn cấp Những ứng dụng đòi hỏi phải xác đònh vò trí người dùng để phát thông điệp khẩn cấp đồng thời cung cấp vò trí người dùng bò cố Vì vấn đề xây dựng hệ thống đònh vò theo dõi người dùng người quan tâm Đối với môi trường trời, hệ thống đònh vò toàn cầu GPS(Global Position System) ngày phát triển sử dụng rộng rãi Nó có độ xác khoảng 10 mét, GPS thật bò hạn chế hoạt động hiệu đònh vò mục tiêu tòa nhà có nhiều vật cản tường, trần nhà tín hiệu vệ tinh bò suy yếu Các khu vực đô thò tòa nhà cao tầng vật cản làm suy yếu tín hiệu vệ tinh khiến cho hệ thống đònh vò dựa GPS hoạt động hiệu Vì đề tài nghiên cứu hệ thống đònh vò nhà trở thành lónh vực nhiều người nghiên cứu năm gần Hiện có số phương pháp xây dựng thiết bò di động cài đặt chức GPS để cung cấp dòch vụ đònh vò nhà , kỹ thuật AGPS(Assited GPS)[23] Kỹ thuật A-GPS cần kết nối đến máy chủ đạt độ xác phạm vi 5m đến 50m Một kỹ thuật khác Calibree[14], kỹ thuật dò tìm cường độ sóng GSM để xác đònh vò trí người dùng thiết bò di động họ có trang bò thiết bò thu GPS Tuy nhiên kỹ thuật Calibree có sai số dự báo trung bình lên đến 147m trường hợp sử dụng 25 thiết bò có trang bò thiết bò thu tín hiệu GPS khu vực có diện tích 1km2 Ngoài GPS, loại công nghệ không dây cảm ứng khác sử dụng để xây dựng hệ thống đònh vò nhà Ví dụ hệ thống đònh vò sử dụng hồng ngoại, sóng vô tuyến hệ thống cảm biến, siêu âm … đònh vò người dùng với độ xác cao Tuy nhiên hệ thống đòi hỏi phải có thiết bò sở hạ tầng thiết bò cảm ứng nên tốn chi phí cao dẫn đến khó khăn triển khai với quy mô lớn Trong luận văn đề xuất hệ thống đònh vò nhà Indoor Position System dựa mạng không dây nội WLAN(Wireless Local Area Network) sử dụng chuẩn IEEE 802.11b/g, giải pháp triển khai hệ thống đònh vò nhà dựa thiết bò phát sóng WiFi có sẵn tòa nhà thiết bò AP(Access Point) nhằm tận dụng sở hạ tầng có sẵn đem lại hiệu chi phí triển khai Hệ thống sử dụng giá trò cường độ tín hiệu RSS(Received Signal Strength) kết hợp với thông tin vò trí người dùng khứ để xác đònh vò trí người sử dụng thiết bò di động 1.2 Mục tiêu đề tài Mục tiêu đề tài nghiên cứu thuật toán đònh vò nhà (Indoor Localization Algorithms) xây dựng hệ thống đònh vò tòa nhà 96 So sánh vị trí thật vị trí dự báo(K-Maximum Likelihood Neighbor) Tọa độ Y (m) 3 2.5 8 9 10 1.5 11 11 10 12 11 12 12 0.5 0 10 13 14 Tọa độ X (m) Vị trí thật Dự báo Hình 4.20: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Maximum Likelihood Neighbor Với thuật toán K-Maximum Likelihood Neighbor sai số khoảng cách trung bình lần dự báo 0.98m Đây thuật toán dựa xác suất, sử dụng quy tắc Bayes để xác đònh vò trí người dùng Như thấy thuật toán K-Maximum Likelihood Neighbor có sai số khoảng cách trung bình dự báo vò trí người dùng nhỏ thuật toán K-Nearest Neighbor (0.98m < 1.1m) Tuy nhiên thuật toán K-Maximum Likelihood Neighbor chưa tận dụng thông tin vò trí người dùng khứ để xác đònh vò trí người dùng Chúng ta xem xét hiệu suất thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor 97 Tọa độ Y (m) So sánh vị trí thật vị trí dự báo (KMLCTN) 2.5 1.5 0.5 8 9 10 10 11 11 12 12 4 10 11 12 13 14 Tọa độ X (m) Vị trí thật Dự báo Hình 4.21: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Maximum Likelihood Constraint Tracking Neighbor Hình 4.20 kết trình thực nghiệm đònh vò, ô vuông màu xanh vò trí thật mà người dùng di chuyển đến, chấm tròn màu đỏ vò trí dự báo mà thuật toán đònh vò K-Maximum Likelihood Constraint Tracking Neighbor tính toán 12 vò trí với sai số khoảng cách trung bình 0.91m Thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor sử dụng thông tin trạng thái vò trí K vò trí có khả thời điểm trước người dùng để ràng buộc K vò trí có khả người dùng Nhờ điều kiện ràng buộc giả đònh giới hạn khoảng cách mà người dùng di chuyển khoảng thời gian ngắn mà thuật toán cải tiến giảm sai số khoảng cách dự báo vò trí người dùng Tuy nhiên biểu đồ 4.20 chưa thể chi tiết kết sai số khoảng cách việc dự báo vò trí người dùng Để thể kết sai số dự báo, sử dụng biểu đồ 4.21 để thấy rõ sai số trung bình dự báo khoảng cách vò trí với khoảng tin cậy 95% 98 2.8 2.6 2.4 2.2 1.8 1.6 1.4 1.2 0.8 0.6 0.4 0.2 vt1 vt2 vt3 vt4 vt5 vt6 vt7 vt8 vt9 vt1 vt11 vt12 Hình 4.22: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán KMLCTN vò trí (khoảng tin cậy 95%) Dựa vào biểu đồ 4.21, sai số trung bình khoảng cách đònh vò điểm từ 0.3m đến 1.6m Tuy nhiên kết sai số khoảng cách dư báo lớn triển khai thực tế môi trường có diện tích lớn siêu thò, nhà sách hay sân trường … Tuy nhiên giải pháp Fingerprint có nhược điểm giai đoạn huấn luyện đòi hỏi người triển khai phải thu thập liệu sóng RSS nhiều điểm tham chiếu tòa nhà, số lượng điểm tham chiếu (chưa đủ bao phủ hết toàn nhà) làm thuật toán đònh vò thiếu xác Chúng ta khảo sát trình đònh vò hệ thống để biết sai số khoảng cách đònh vò vò trí vùng bao phủ điểm tham chiếu 99 Hình 4.23: Minh họa đồ vò trí người dùng nằm vùng bao phủ điểm tham chiếu Chấm tròn màu đỏ hình 4.22 vò trí thật người dùng, thấy vò trí nằm vùng bao phủ điểm tham chiếu Kết quảsai số trung bình trình đònh vò người dùng xuất vò trí 1.99m Sai số dự báo trung bình dao động từ 1.97m – 2.01m với khoảng tin cậy 95% Kết cho ta thấy người dùng xuất vò trí xa điểm tham chiếu sai số dự báo cao Để khắc phục nhược điểm này, đòi hỏi triển khai thu thập RSS cần tăng số lượng điểm tham chiếu phủ khắp tòa nhà Tiếp theo khảo sát thêm tiêu chí sai số dự báo max/min để đánh giá độ tốt thuật toán đònh vò Vò trí KMLCTN KMLN KNN Min Max Min Max Min Max 1.6 0.54 1.21 1.62 2.22 0.36 0.91 2.27 0.54 1.2 0.57 1.08 0.54 1.19 0.54 3.46 0.36 1.08 0.54 0.85 0.54 0.64 0.55 2.59 1.1 2.23 0.52 2.42 1.14 0.55 0.55 1.7 0.03 1.47 0.53 1.93 0.6 3.53 0.56 1.17 0.35 2.23 0.55 1.22 100 0.55 1.19 0.77 1.2 0.92 2.21 10 0.87 2.54 0.54 1.2 0.54 1.2 11 0.92 0.72 0.84 0.84 0.94 12 0.84 1.41 0.85 2.74 0.84 0.9 Bảng 1: Sai số khoảng cách Min Max lần dự báo vò trí thuật toán đònh vò khác vò trí tham chiếu Dựa vào bảng 1, thấy thuật toán KNN có sai số trung bình Max 3.53m, thuật toán KMLN có sai số trung bình Max 2.74m, thuật toán KMLCTN sai số trung bình Max 2.59m Đối với sai số trung bình Min, thuật toán KNN có sai số trung bình Min 0.54m, thuật toán KMLN KMLCTN 0m Do nhược điểm thuật toán KNN lấy K láng giềng gần (K cố đònh 3) nên vò trí dự báo trọng tâm điểm láng giềng gần Đối với thuật toán KMLN KMLCTN, đặc thù thuật toán tìm K láng giềng có khả sử dụng quy tắc Bayes nên hệ số K tùy biến, nên kết đưa K vò trí người dùng, nên sai số khoảng cách trường hợp tốt 0m Kết luận: Qua trình thực nghiệm đánh giá thuật toán hệ thống đònh vò nhà, thấy thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor có kết đònh vò tốt hai thuật toán KNearest Neighbor K-Maximum Likelihood Neighbor So với thuật giải K-Neareast Neigbor có sai số trung bình dự báo 1.1m, thuật toán cải tiến cho kết dự báo với sai số trung bình 0.91m, giảm 0.19m sai số khoảng cách(17,27%) 101 So với thuật giải K-Maximum Likelihood Neighbor có sai số trung bình dự báo 0.97m, thuật toán cải tiến cho kết dự báo với sai số trung bình 0.91m, giảm 0.06m sai số khoảng cách (6.18%) Hệ thống đònh vò nhà sử dụng thuật toán K-Maximum Likelihood Constraint Tracking Neighbor triển khai cài đặt thành công nhà riêng với sai số trung bình 0.91m Sai số dự báo trường hợp xác 0m, nhiên có trường hợp xấu nhất, sai số khoảng cách dự báo lên đến 2.54m 4.2.4.4 Kết sai số khoảng cách dự báo vò trí thuật toán đònh vò thiết bò di động khác Trong phần này, luận văn thực nghiệm để kiểm tra sai số khoảng cách trình đònh vò sử dụng thiết bò khác 1.8 1.6 Sai số khoảng cách (m) 1.4 1.2 0.8 0.6 0.4 0.2 vt1 vt2 vt3 vt4 vt5 Acer vt6 vt7 vt8 vt9 vt10 vt11 vt12 Sony Vaio Hình 4.24: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo thiết bò di động khác 102 Trong giai đoạn huấn luyện luận văn, người thực sử dụng máy tính laptop hiệu Acer để thu thập liệu sóng RSS Trong giai đoạn đònh vò, thử nghiệm thực loại laptop khác để đònh vò Dựa vào biểu đồ 4.22 thấy rằng, sai số khoảng cách dự báo vò trí máy tính laptop Sony Vaio lớn so với đònh vò thiết bò laptop Acer Điều loại thiết bò có đặc thù phần cứng khác hệ điều hành khác Do giải pháp đònh vò Fingerprinting đòi hỏi phải xây dựng lại liệu huấn luyện cho thiết bò Việc thu thập liệu sóng RSS cho thiết bò đòi hỏi nhiều chi phí thời gian công sức Điều khiến cho khả mở rộng phương pháp Fingerprinting bò hạn chế Tuy nhiên theo nghiên cứu [12], sử dụng giải pháp điều chỉnh lại tập liệu sóng RSS thu thập giai đoạn huấn luyện cho phù hợp với thiết bò Giải pháp giảm chi phí thu thập lại tập liệu huấn luyện, giúp phương pháp đònh vò Fingerprinting triển khai nhiều thiết bò di động khác 103 Chương 5: Kết luận hướng phát triển 5.1 Kết Luận Trong trình nghiên cứu luận văn, hoàn thành mục tiêu đề đạt kết sau: Triển khai thành công hệ thống đònh vò nhà sử dụng kỹ thuật RSS WLAN Fingerprinting  Nghiên cứu đặc tính sóng vô tuyến quy luật phân bố giá trò RSS môi trường nhà  Tiến hành thử nghiệm lựa chọn vò trí thích hợp để lắp đặt AP cho cường độ tín hiệu sóng vô tuyến RSS ổn đònh, bò ảnh hưởng yếu tố môi trường  Tiến hành thu thập liệu RSS từ AP để xây dựng sở liệu huấn luyện  Xây dựng chương trình lọc nhiễu để sàng lọc giá trò RSS bất thường trình thu thập Nghiên cứu thuật toán đònh vò nhà  Nghiên cứu loại thuật toán đònh vò nhà: thuật toán K-Nearest Neighbor, thuật toán dựa xác suất (K-Maximum Likelihood Neighbor), thuật toán dựa Neural Network, thuật toán dựa Support Vector Machine  Tìm hiểu cài đặt thuật toán K-Nearest Neighbor K-Maximum Likelihood Neighbor  Đánh giá hiệu thuật toán K-Nearest Neighbor K-Maximum Likelihood Neighbor 104  Xây dựng chương trình mô để chạy thử đánh giá hiệu suất thuật toán đònh vò Đề xuất thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor  Đề xuất thuật toán cải tiến K-Maximum Likehood Constraint Tracking Neighbor giúp nâng cao tính xác trình đònh vò  So sánh hiệu thuật toán cải tiến thuật toán đònh vò Cài đặt thử nghiệm thành công chương trình đònh vò Iphone  Nghiên cứu kỹ thuật lập trình Iphone  Xây dựng triển khai thành công chương trình đònh vò Iphone thử nghiệm nhà riêng Bên cạnh kết đạt trình nghiên cứu, đề tài có hạn chế sau :  Hệ thống đònh vò chưa thể đồ chiều  Do khó khăn trang thiết bò, đòa điểm thời gian nên luận văn chưa có điều kiện triển khai hệ thống đònh vò thử nghiệm nhiều môi trường khác Từ công việc hoàn thành kết đạt được, trình nghiên cứu đạt mục tiêu đề Luận văn hướng dẫn cách thức triển khai hệ thống đònh vò nhà, bước để thu thập liệu sóng vô tuyến RSS xây dựng sở liệu huấn luyện Fingerprinting, đồng thời đề xuất thuật toán lọc nhiễu để sàng lọc RSS bất thường Luận văn nghiên cứu thuật toán đònh vò sử dụng kỹ thuật RSS WLAN Fingerprinting đề xuất thuật toán đònh vò cải tiến K-Maximum Likelihood Constraint Tracking Neighbor giúp nâng cao hiệu dự báo vò trí người dùng 105 Những nghiên cứu luận văn sở để triển khai hệ thống đònh vò nhà dựa kỹ thuật RSS WLAN Fingerprintinng tảng để xây dựng dòch vụ ứng dụng dựa đòa điểm 5.2 Những đònh hướng nghiên cứu tương lai Dựa kết đạt hạn chế luận văn, đề đònh hướng nghiên tương lai:  Hiện hệ thống triển khai thử nghiệm nhà riêng với không gian chiều Trong tương lai hướng đến nghiên cứu xây dựng hệ thống đònh vò nhà làm việc hiệu không gian chiều  Nghiên cứu mô hình markov ẩn phân tích thói quen người dùng di chuyển nhà, để kết hợp với thuật toán đònh vò nhằm nâng cao tính xác trình đònh vò, đồng thời phân tích hành vi người dùng 5.3 Những ứng dụng dựa đòa điểm phát triển thực tiễn Qua trình nghiên cứu xây dựng hệ thống đònh vò nhà dựa kỹ thuật RSS WLAN Fingerprinting thu kết khả quan việc xác đònh vò trí người dùng môi trường nhà Đây sở để phát triển dòch vụ ứng dụng dựa vò trí sau:  Phát triển hệ thống đònh vò lưu vết người dùng, đồng thời có khả dựa vào thông tin theo dõi người dùng, từ cung cấp dòch vụ dựa vò trí theo dõi, phát người dùng gặp cố tai nạn, phát gọi khẩn cấp đồng thời cung cấp xác vò trí người bò nạn tới tổ chức cứu hộ, bệnh viện  Phát triển ứng dụng phân tích hành vi người dùng dựa vò trí lưu vết, phân tích hành vi, thói quen họ 106  Phát triển theo hướng đường siêu thò, hướng dẫn đến gian hàng có khuyến giảm giá, gian hàng có sản phẩm 107 Tài Liệu Tham Khảo Tiếng Việt [1] Lê Sĩ Đồng, Xác Suất Thống Kê Và Ứng Dụng, Nhà Xuất Bản Giáo Dục Việt Nam, 2010 [2] "Phân phối chuẩn", [Online] Available: http://statistics.vn Tiếng Anh [3] Anthea Wain Sy Au, RSS-based WLAN Indoor Positioning and Tracking System Using Compressive Sensing and Its Implementation on Mobile Devices, thesis for the degree of Master of Applied Science, Department of Electrical and Computer Engineering University of Toronto, 2010 [4] A Alimohammad, Saeed F Fard, Bruce F Cockburn, Christian Schlegel, "A Compact and Accurate Gaussian Variate Generator", IEEE Transactions on VLSI Systems, Vol 16, No 5, MAY 2008 [5] B R Jadhavar, T R Sontakke, 2.4 GHz Propagation Prediction Models for Indoor Wireless Communications Within Building, International Journal of Soft Computing and Engineering (IJSCE), Volume-2, Issue-3, July 2012 [6] Cisco Systems, Wi-Fi Location-Based Services 4.1 Design Guide, May 20, 2008 [7] E Martin, O Vinyals, G Friedland, and R Bajcsy, “Precise Indoor Localization Using Smart Phones” Proceedings of the ACM International Conference on Multimedia (ACM Multimedia 2010), Florence, Italy, pp 787790, October 2010 [8] O Vinyals, G Friedland, and R Bajcsy Jorge Torres-Solis, Tiago H Falk and Tom Chau E Martin, “A review of indoor localization technologies: towards navigational assistance for topographical disorientation” Bloorview Research Institute & University of Toronto Canada, 2010 [9] Kavindra Kumar Ahirwar, "A review on distance measurement and localization in wireless sensor network", International Journal of Computer Science and Information Security,Vol 9, No 3, March 2011 108 [10] Nicholas D Lane, Emiliano Miluzzo, Hong Lu, Daniel Peebles, Tanzeem Choudhury, and Andrew T Campbell, Dartmouth College, “A Survey of Mobile Phone Sensing” IEEE Communications Magazine , September 2010 [11] Saeed Mohseni and Mohammad A Matin, Study of propagation path loss for OFDM mobile systems, International Journal of Computer Science and Network Security, VOL.12 No.9, September 2012 [12] Truc Le, Nam Nguyen A Scalable Wi-Fi Based Localization Approach In the REV Journal on Electronics and Communications (REV-JEC), vol 1, number 3, 2011, pp 167-174 [13] Santiago Mazuelas, Alfonso Bahillo, Ruben M Lorenzo, Patricia Fernandez, Francisco A Lago, Eduardo Garcia, Juan Blas, and Evaristo J.a Abril, Robust Indoor Positioning Provided by Real-Time RSSI Values in Unmodified WLAN Networks, IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING, VOL 3, NO 5, OCTOBER 2009 [14] A Varshavsky, D Pankratov, J Krumm, and E de Lara, “Calibree: Calibration-free localization using relative distance estimations,” in Sixth International Conference on Pervasive Computing (Pervasive) , Sydney, Australia, May 2008 [15] J Yin, Q Yang, and L M Ni, “Learning Adaptive Temporal Radio Maps for Signal Strength-Based Location Estimation,” Mobile Computing, IEEE Transactions on, vol 7, no 7, pp 869 –883, July 2008 [16] Q Yao, F.Y Wang, H Gao, K Wang, and H Zhao, "Location estimation in ZigBee Network based on fingerprinting," in 2007 IEEE International Conference on Vehicular Electronics and Safety, 2007, pp 1-6 [17] Thomas D, Luk W, Leong P, Villasenor J, "Gaussian random number generators ACM Comput" Surv 39, 4, Article 11 (October 2007) [18] U.Grossmann, M.Schauch, S.Hakobyan, "RSSI based WLAN Indoor Positioning with Personal Digital Assistants", IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, Sept 2007 [19] V Seshadri, G V Zaruba, and M Huber, A Bayesian Sampling Approach to In-door Localization of Wireless Devices using Received Signal Strength Indication In Proceedings of the Third IEEE International Conference on Pervasive Computing and Communications, 2005 [20] Widyawan, Learning Data Fusion for Indoor Localisation, A thesis submitted 109 for the degree of Doctor of Philosophy, October 2009 [21] A S Krishnakumar and P Krishnan, The Theory and Practice of Signal Strength-Based Location Estimation In Proceedings of the First International Conference on Collaborative Computing: Networking, Applications and Worksharing, 2005 [22] E Elnahrawy, X Li, and R P Martin, The Limits of Localization Using Signal Strength: A Comparative Study In First Annual IEEE Communications Society Conference on Sensor and Ad Hoc Communications and Networks, 2004 [23] H Liu, H Darabi, P Nanerjee, and J Liu, “Survery of Wireless Indoor Positioning Techniques and Systems,” IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, vol 37, no 6, pp 1067– 1080, Novermber 2007 [24] Kamol Kaemarungsi and Prashant Krishnamurthy, Properties of indoor received signal strength for wlan location fingerprinting In MobiQuitous, pages 14–23, 2004 [25] K Kaemarungsi, Distribution of WLAN Received Signal Strength Indication for Indoor Location Determination In Proceedings of the 1st International Symposium on Wireless Pervasive Computing, 2006 [26] M Brunato and R Battiti, Statistical learning theory for location Fingerprinting in wireless LANs Comput Netw ISDN Syst., 47(6):825-845, April 2005 [27] M Youssef, M Abdallah, and A Agrawala, Multivariate Analysis for Probabilistic WLAN Location Determination Systems In Proceedings of the Second Annual International Conference on Mobile and Ubiquitous Systems: Networking and Services, 2005 [28] P Bahl and V Padmanabhan, “RADAR: an in-building RF-based user location and tracking system,” in Proceedings of IEEE INFOCOM, pp 775–784, Tel Aviv, Israel, March 2000 [29] S Saha, K Chaudhuri, D Sanghi, and P Bhagwat, Location Determination of a Mobile Device using IEEE 802.11b Access Point Signals In Proceedings of the IEEE Wireless Communications and Networking Conference, 2003 [30] Sylvain Ranvier, Path loss models S-72.333 Physical layer methods in wireless communication systems, HELSINKI UNIVERSITY OF TECHNOLOGY, 23 November 2004 110 [31] T Roos, P Myllymaki, H Tirri, P Misikangas, and J Sievanen, A Probabilistic Approach to WLAN User Location Estimation International Journal of Wireless Information Networks, 9(3):155-164, 2002 [32] Mikkel Baun Kjaergaard, "Indoor Positioning with Radio Location Fingerprinting", A PhD Dissertation of the University of Aarhus in Denmark, 2010 [...]... Neighbor - Xây dựng chương trình mô phỏng đánh giá thuật toán đònh vò trong nhà trên o Xây dựng chương trình mô phỏng việc đònh vò trong nhà sử dụng thuật toán trên bộ dữ liệu thử nghiệm o Đánh giá hiệu quả của thuật toán và chạy thử để đánh giá hiệu quả của thuật toán đònh vò trong nhà 4 - Xây dựng chương trình đònh vò trong nhà trên thiết bò di động và đánh giá thuật toán trên thực tế o Xây dựng hệ thống. .. toán đònh vò 5 1.3 Phạm vi của đề tài Trong luận án này, việc nghiên cứu chỉ giới hạn trong các vấn đề sau: - Đề tài chỉ nghiên cứu các thuật toán đònh vò trong nhà và thể hiện thông tin đònh vò trong không gian 2 chiều - Đề tài không nghiên cứu số lượng Access Point tối ưu cần lắp đặt phù hợp với diện tích tòa nhà để thuật giải xác đònh vò trí tốt nhất Các giả đònh trong đề tài: - Sự phân bố của giá... trong lónh vực đònh vò và xác đònh khoảng cách Phương pháp TOA và TDoA có nhiều điểm tương đồng Cả hai phương pháp đã được chứng minh là rất phù hợp cho các hệ thống đònh vò ngoài trời quy mô lớn Ngoài ra, kết quả tốt đã thu được từ hệ thống TOA và TDoA khi sử dụng trong môi trường bán ngoài trời như sân vận động, các bãi xe hoặc bến cảng Đối với môi trường bên trong các tòa nhà, hệ thống TDoA chỉ đạt... thoại thông minh Iphone và xây dựng chương trình giả lập Simulator để đánh giá hiệu suất của chương trình định vị - Chương 5: Trình bày những kết quả đạt được trong quá trình nghiên cứu, những hạn chế của đề tài và đề ra hướng nghiên cứu trong tương lai 7 Chương 2: Cơ sở lý thuyết Tóm tắt nội dung: Trong chương 2 này sẽ trình bày tổng quan về sự phát triển của mạng không dây, và các đặc tính của sóng... pháp Nhìn chung, các phương pháp đònh vò hiện nay được chia thành các nhóm sau: Hệ Thống Đònh Vò Hồng Ngoại Sóng Vô Tuyến Siêu Âm Phương pháp đo khoảng cách Fingerprinting Phương pháp đo góc TOA AOA TDOA RSS RSS Path Loss Hình 2.1: Các nhóm phương pháp đònh vò hay DOA 17 Hồng ngoại, sóng vô tuyến, và siêu âm thanh là những công nghệ chính được sử dụng cho các hệ thống đònh vò trong nhà Các loại thiết... thống TDoA chỉ đạt hiệu suất khi áp dụng vào trong các tòa nhà lớn và không gian tương đối mở, và trần nhà cao Đó là điều kiện để hệ thống TDoA và TOA hoạt động ở hiệu suất cao nhất 2.4.1.3 Receiced Signal Strength (RSS) Path Loss Chúng ta đã tìm hiểu hai kỹ thuật TOA và TDoA sử dụng thời gian đến để đo khoảng cách Phương pháp tiếp theo có thể được thực hiện bằng cách sử dụng nhận được cường độ tín hiệu... nhiều vào việc tìm kiếm một mô hình toán học tốt có thể mô tả tốt nhất trạng thái của các kênh truyền sóng vô tuyến Tuy nhiên, kênh truyền sóng vô tuyến trong nhà là rất khó dự báo và có sự biến đổi theo thời gian Do hiện tượng đa đường trong môi trường trong nhà, hiệu ứng đổ bóng phát sinh từ phản chiếu, 27 khúc xạ và tán xạ gây ra bởi các chướng ngại vật và các bức tường, và sự giao thoa với các thiết... với thực tiễn - Nghiên cứu, tìm hiểu các loại thiết bò cảm ứng tích hợp trên Smart Phone được sử dụng trong mô hình nghiên cứu - Tìm hiểu các phương pháp, thuật toán xác đònh vò trí người dùng thiết bò Smart phone và vò trí của nơi quan tâm - So sánh, đánh giá các thuật toán đònh vò, lựa chọn thuật toán phù hợp - Xây dựng chương trình và cài đặt thử nghiệm trên laptop, thiết bò di động và đánh giá kết... khoảng cách Giá trò của hệ số mũ suy hao đường truyền tín hiệu phụ thuộc vào tần số tín hiệu và môi trường, và phụ thuộc nhiều vào mức độ vật cản có trong môi trường Hệ số mũ suy hao đường truyền tín hiệu có giá trò là 2 đối với môi trường có không gian mở, trống trải và có giá trò 25 lớn hơn 2 trong môi trường có nhiều vật cản [6] Một hệ số mũ suy hao đường truyền tín hiệu đối với môi trường văn phòng trong. .. rằng tất cả các thiết bò phát sóng cũng như các thiết bò thu sóng được đồng bộ hóa một cách chính xác với một nguồn thời gian chính xác Từ các thông tin về tốc độ lan truyền và thời gian đo, chúng ta có thể tính toán khoảng cách (D) giữa các thiết bò phát sóng và các thiết bò thu sóng: (2.1) Trong đó:  D: khoảng cách (m)  C: tốc độ lan truyền (~300 m/ micro giây)  T: thời gian truyền Trong công thức