Design of Geomagnetic Field Based Indoor Landmark Classifier using a Deep Learning = 딥 러닝을 활용한 지자기장 기반 실내 랜드마크 분류기 설계
저자
발행사항
광주: Chosun University, 2018
학위논문사항
학위논문(석사)-- Chosun University 일반대학원 : 정보통신공학과 2019. 2
발행연도
2018
작성언어
영어
주제어
DDC
006.31 판사항(21)
발행국(도시)
광주
형태사항
ix, 50p.; 26cm.
일반주기명
조선대학교 논문은 저작권에 의해 보호받습니다.
지도교수:변재영
참고문헌 : p.45-50
UCI식별코드
I804:24011-000000037557
소장기관
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.
더보기The 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).
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)