Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Bartosz Paszkiewicz

Wyznaczanie położenia terminala komórkowego z wykorzystaniem danych zbieranych w trybie crowdsourcing


Mobile Terminal Positioning Based on Crowdsourced Fingerprints


Opiekun pracy dyplomowej: dr inż. Piotr Korbel prof. ucz.
Praca dyplomowa IFE - BSc obroniona 2018-03-12
Streszczenie pracy dyplomowej:
Celem niniejszej pracy dyplomowej było opracowanie narzędzia (np. programu komputerowego) do określania lokalizacji terminala sieci komórkowej z wykorzystaniem metody fingerpriting. Założenia obejmowały wykorzystanie referencyjnej bazy danych (stworzonej w trybie crowdsourcing) zawierającej pomiary mocy odbieranych sygnałów radiowych na terenie kampusu uczelni. W tym celu wykorzystano oprogramowanie Mathworks MATLAB (wraz z pakietem Statistics and Machine Learning Toolbox) oraz MySQL Workbench. Po wstępnym przetworzeniu danych w celu wyeliminowania błędnych rekordów oraz ograniczenia ilości przetwarzanych danych, zastosowano oraz porównano cztery rodzaje klasyfikatorów. Z grupy obejmującej klasyfikatory wykorzystujące koncepcje drzew decyzyjnych (decision trees), maszyn wektorów nośnych (SVMs), k-najbliższych sąsiadów (KNN), metod złożonych (Ensemble methods), jako docelowy dla opracowywanego narzędzia wybrano klasyfikator knajbliższych sąsiadów. Dla obszaru testowego, obejmującego niewielki fragment kampusu uczelni, algorytm osiągnął skuteczność klasyfikacji na poziomie 93,7%. Podczas analizy pełnego zbioru danych, skuteczność algorytmu wyniosła 84,5%. W trakcie dalszych testów, w których wykorzystano 7500 losowo wybranych rekordów, średnia skuteczność oraz mediana wyniosły odpowiednio 85,04% i 84%. Słowa kluczowe: metody lokalizacji, sieci bezprzewodowe, crowdsourcing, uczenie maszynowe, fingerprinting.
Abstract:
The aim of this thesis was to develop a solution in the form of a tool (i.e. a computer software) for estimation of mobile terminal localization based on the radio signal fingerprinting approach. The use of crowdsourced reference database, covering the area of Lodz University Campus and its vicinity was assumed. To create the localization tool the Mathworks MATLAB (with Statistics and Machine Learning Toolbox) software and MySQL Workbench were exploited. After the data preprocessing required to prepare the raw datasets for further processing, four types of classifiers were applied and compared. Out of the group consisting of Decision Trees, SVMs, k-Nearest Neighbours and Ensemble methods, KNN classifier was chosen for the final tool implementation. On the smaller amount of data covering the campus area excerpt its peak accuracy was equal to 93.7%. The same algorithm trained on the whole data set achieved a peak accuracy of 84.5%. Further tests, consisting of 7500 randomly chosen fingerprints gave the median accuracy of 84% while the average being 85.04%. Keywords: localization, mobile networks, crowdsourcing, machine learning, fingerprinting