رسالة جامعية
Inomhuspositionering med bredbandig radio
| العنوان: | Inomhuspositionering med bredbandig radio |
|---|---|
| المؤلفون: | Gustavsson, Oscar, Miksits, Adam |
| بيانات النشر: | KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. |
| سنة النشر: | 2019 |
| المجموعة: | DiVA Archive at Upsalla University |
| مصطلحات موضوعية: | Indoor Localisation, WiFi-fingerprinting, k-Nearest Neighbour, RSSI, CSI, Electrical Engineering, Electronic Engineering, Information Engineering, Elektroteknik och elektronik |
| الوصف: | In this report it is evaluated whether a higher dimensional fingerprint vector increases accuracy of an algorithm for indoor localisation. Many solutions use a Received Signal Strength Indicator (RSSI) to estimate a position. It was studied if the use of the Channel State Information (CSI), i.e. the channel’s frequency response, is beneficial for the accuracy.The localisation algorithm estimates the position of a new measurement by comparing it to previous measurements using k-Nearest Neighbour (k-NN) regression. The mean power was used as RSSI and 100 samples of the frequency response as CSI. Reduction of the dimension of the CSI vector with statistical moments and Principal Component Analysis (PCA) was tested. An improvement in accuracy could not be observed by using a higher dimensional fingerprint vector than RSSI. A standardised Euclidean or Mahalanobis distance measure in the k-NN algorithm seemed to perform better than Euclidean distance. Taking the logarithm of the frequency response samples before doing any calculation also seemed to improve accuracy. I denna rapport utvärderas huruvida data av högre dimension ökar noggrannheten hos en algoritm för inomhuspositionering. Många lösningar använder en indikator för mottagen signalstyrka (RSSI) för att skatta en position. Det studerades studerade om användningen av kanalens fysikaliska tillstånd (CSI), det vill säga kanalens frekvenssvar, är fördelaktig för noggrannheten.Positioneringsalgoritmen skattar positionen för en ny mätning genom att jämföra den med tidigare mätningar med k-Nearest Neighbour (k-NN)-regression. Medeleffekten användes som RSSI och 100 sampel av frekvenssvaret som CSI. Reducering av CSI vektornsdimension med statistiska moment och Principalkomponentanalys(PCA) testades. En förbättring av noggrannheten kunde inte observeras genom att använda data med högre dimension än RSSI. Ett standardiserat Euklidiskt eller Mahalanobis avståndsåatt i k-NN-algoritmen verkade prestera bättre än Euklidiskt avstånd. Att ta logaritmen av frekvenssvarets sampel innan andra beräkningar gjordes verkade också förbättra noggrannheten. |
| Original Identifier: | oai:DiVA.org:kth-254253 |
| نوع الوثيقة: | Student thesis bachelorThesis text |
| وصف الملف: | application/pdf |
| اللغة: | Swedish |
| العلاقة: | TRITA-EECS-EX ; 2019:138 |
| الإتاحة: | http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-254253Test |
| حقوق: | info:eu-repo/semantics/openAccess |
| رقم الانضمام: | edsndl.UPSALLA1.oai.DiVA.org.kth.254253 |
| قاعدة البيانات: | Networked Digital Library of Theses & Dissertations |
| الوصف غير متاح. |