Популярное

Мифы о звукоизоляции



Как построить дом из пеноблоков



Как построить лестницы на садовом участке



Подбираем краску для ремонта



Каркасные дома из дерева


Главная » Ситуационно-адаптивный нейро-преобразователь в

Ситуационно-адаптивный нейро-преобразователь в эмпирическом сотовом позиционировании.

Подрябинников А.А. (podriabinnikov@yandex.ru)

Московский Государственный Институт Электроники и Математики

Сотовому позиционированию - определению местоположения пользователя в сотовых сетях связи, в настоящее время, уделяется все большее внимание, как со стороны разработчиков оборудования и операторов связи, так и со стороны потенциальных потребителей услуг позиционирования.

Основное отличие сотового позиционирования от спутникового в том, что сотовое позиционирование решает задачу определения координат, основываясь только на измерениях радиосигналов самой сотовой сети. Ведь спутниковое позиционирование (обычно GPS) наряду с преимуществами в точности (5-10м) и глобальном охвате, обладает и серьезными недостатками по сравнению с сотовым. Так, встраивание GPS-приемника в сотовый телефон увеличивает габариты, массу и цену аппарата и существенно снижает время работы от батарей. Неработоспособность в помещениях снижает оперативность и удобство получения информации. Неспособность проникновения спутникового сигнала сквозь препятствия (стены, кроны деревьев, одежда) заметно снижает эффективность автомобильных охранных систем и других услуг персональной безопасности, что усугубляется простотой и доступностью устройств блокировки спутникового сигнала. То есть, спутниковое позиционирование имеет неоспоримое преимущество перед сотовым только там, где не ставится требование работы в помещениях, и нет ограничений на габариты и массу, например в автомобильных навигационных системах и системах управления транспортом.

Сотовое позиционирование открывает широкие перспективы, связанные с реализацией множества актуальных приложений: коммерческих (управление транспортом, персональная навигация, снабжение информацией, зависящей от местоположения), внутрисетевых (локальная тарификация, управление подсистемой базовых станций, динамическое распределение каналов), приложений экстренных ситуаций.

Для успешной реализации перечисленных приложений, необходимо, чтобы выбранный метод позиционирования обеспечивал требуемую для данного класса приложений точность. Так, в качестве необходимого уровня точности для системы помощи в экстренных ситуациях E911 определены такие параметры: СКП не более 50 метров для 67% случаев и не более 150 м для 95% случаев. А для расчета пути следования, достаточно определить, на какой из двух параллельных улиц находится пользователь. В условиях г. Москвы, где типичное расстояние между параллельными улицами составляет 200-500м, достаточна точность порядка 100-250м.

Тем не менее, на данный момент широко внедряется только самый простой и дешевый в реализации метод сотового позиционирования - метод идентификатора соты (Cell ID) который дает и наихудшие по точности результаты - 500-1000м.

В настоящее время ведется разработка более точных методов позиционирования (OTDOA, E-OTD) [4], основанных на оценивании расстояния от базовых станций системы связи до приемника, с последующим проведением геометрических расчетов (как в GPS). Но такой принцип безупречно работает только в пространстве, свободном от препятствий для радиосигнала (в системах спутникового позиционирования сигнал либо достигает приемника по прямой линии, либо не достигает вовсе). Однако в сотовых сетях, в связи с наличием препятствий на пути прохождения радиосигнала, вызывающих



непредсказуемые затухания и переотражения, достижение высоких показателей точности связано с большими и не всегда преодолимыми трудностями. Кроме того, для обеспечения работоспособности таких методов в уже развернутых сетях стандарта GSM, требуется размещение дополнительного приемо-передающего оборудования, модификация программного обеспечения сети связи и значительные затраты на внедрение и эксплуатацию.

Существует также принципиально иная концепция определения местоположения пользователя, основанная на принципе максимального использования особенностей среды распространения сигнала в сотовой системе связи. Это методы, основанные на использовании априорной информации о затуханиях и переотражениях, заключенной в измеримых параметрах радиосигнала. Авторы этих методов присваивают им разные названия (Signature Matching [6], Pattern Matching [7], Database Correlation Method (DCM) [5]) и к настоящему времени нет устоявшегося термина для определения таких методов, поэтому предлагается именовать такие методы эмпирическими , так как все они основаны на априорных эмпирических исследованиях (т.е. измерениях) радиопокрытия. Суть эмпирических методов заключается в том, что в условиях хаотичного распределения препятствий для радиосигнала (например, в городе), на территории охвата сотовой сети существует множество областей, которым присущ уникальный набор характеристик радиосигнала, причем размер этих областей достаточно мал. Таким образом, заранее измерив параметры радиосигнала в точках с известными координатами, можно построить отображение пространства параметров в пространство географических координат. Конкретные реализации этой концепции отличаются используемыми параметрами и алгоритмами отображения. Так, для реализации метода Pattern Matching [7] требуется серьезное вмешательство в работу оборудования сети связи, а метод DCM [5] может функционировать в стандартной сети GSM.

В данной статье предлагается алгоритм, позволяющий добиться высокой точности позиционирования, используя параметры, измеряемые любым телефоном стандарта GSM и доступные для приложений SIM Tool Kit, то есть не требующие модификации ни телефонов, ни оборудования и ПО сети связи. К таким параметрам относятся уровень принимаемой мощности обслуживающей и до 6-ти соседних базовых станций (БС). Метод DCM [5] основан на измерении тех же параметров и использует для построения отображения метод ближайшего соседа. Будем сравнивать полученные результаты с этим методом, а также с методом Cell ID.

Итак, уровень мощности принятого сигнала в каждой точке пространства определяется условиями распространения радиосигнала в пространстве между передатчиком и приемником. То есть, значение уровня принятого сигнала от каждой базовой станции в каждой конкретной точке пространства зависит от мощности передатчика этой БС, удаленности приемника от антенны БС, от количества и проникающих свойств препятствий, расположенных на пути прохождения сигнала, от количества переотражений сигнала, от коэффициентов затухания при переотражениях и от чувствительности приемника. В условиях города значение уровня принятого сигнала меняется с расстоянием от передатчика не монотонно, поэтому по этому значению нельзя однозначно определить расстояние. Однако по набору значений уровня принятого сигнала от нескольких передатчиков можно определить область или множество областей возможного нахождения приемника. То есть ставится задача множественной регрессии -оценивания значения непрерывной выходной переменной (координаты) по значениям нескольких входных переменных (измерений) [3]. Для решения этой задачи применены алгоритмы ближайшего соседа (Nearest Neighborhood - NN), многослойной нейронной сети прямого распространения (Feed Forward - FF) [3], нейронной сети обобщенной регрессии (General Regression Neural Network - GRNN) [3], нейронной сети радиального базиса (Radial Basis Function - RBF) [3]. Алгоритм NN состоит в отыскании в заранее



созданной базе данных набора измерений, наиболее близкого к входному измерению. Значения координат, соответствующих найденному набору измерений и являются выходом алгоритма. Выход нейронной сети GRNN является взвешенным средним координат всех обучающих измерений, где в качестве весов используются значения гауссовых ядерных функций, помещенных в точках расположения всех обучающих измерений. Нейронные сети FF и RBF формируют выход, осуществляя разбиение пространства измерений гиперплоскостями и гиперсферами соответственно. Различия вышеперечисленных алгоритмов определяют особенности их функционирования: алгоритм NN не обладает способностью аппроксимации, нейронные сети FF и RBF обобщают лучше, чем GRNN, нейронная сеть FF способна экстраполировать данные (что, однако, является недостатком в задаче сотового позиционирования). Эти особенности определяют условия, в которых одни алгоритмы функционируют лучше других. Например, при наличии плотной сетки измерений на местности с большим количеством препятствий, лучше функционируют алгоритмы NN и GRNN, а в условиях доступности малого количества соседних БС - алгоритмы FF и RBF. Таким образом, условия функционирования не всегда являются взаимоисключающими, и выбор лучшего алгоритма зависит от ситуации.

Для оценки качества функционирования каждого из описанных алгоритмов, был проведен ряд экспериментов, результаты которых сведены в таблицу 1.

Таблица 1. Показатели точности различных алгоритмов.

Погрешность

GRNN

Максимальная

2178m

1206m

1208m

2508m

2162m

СКП

375m

144m

123m

221m

197m

409m

126m

228m

199m

858m

615m

493m

636m

574m

Следует учесть, что абсолютные значения погрешностей и соотношение результатов зависят от местности (приведенные здесь результаты получены на окраине Москвы) и плотности предварительных измерений.

Лучший по среднему значению погрешности результат получен на нейронной сети GRNN. Причем средняя погрешность такой сети - 129м, что ниже, чем при использовании метода ближайшего соседа - 169м. Нейронные сети RBF и FF, в целом показывают худшие результаты - 213м и 201 м. Однако для каждого из алгоритмов существует множество входных векторов, на котором данный алгоритм работает лучше других (см. таблицу 2).

Таблица 2. Процент входных векторов тестовой выборки, на которых каждый из

алгоритмов выдал наиболее точную оценку.

GRNN

Процент побед на тестовой выборке

Интерпретация полученных результатов позволила выявить особенности функционирования различных нейронных архитектур. Учет этих особенностей позволяет повысить точность определения координат в различных условиях. Так нейронная сеть GRNN обладает лучшими способностями запоминания входных образов, что позволяет добиться высокой точности в условиях близости входного вектора к одному из обучающих векторов. Нейронные сети RBF и FF обладают лучшими способностями к обобщению, что позволяет добиться высокой точности в условиях отсутствия в обучающей выборке вектора, близкого к входному. Таким образом, логично в каждом



конкретном случае использовать тот алгоритм, который показывает наилучшие результаты в данной ситуации.

Исходя из вышеизложенного, предлагается для решения задачи эмпирического сотового позиционирования использовать алгоритм отображения пространства измерений радиосигнала в пространство географических координат, основанный на использовании нейроархитектур и обладающий ситуационной адаптивностью - Ситуационно-Адаптивный Нейро-Преобразователь (САНП) (рис. 1).


Оценка координат Рисунок 1. Блок-схема САНП.

В качестве параметров описания ситуации предлагается использовать:

1. Количество соседних БС, измерения по которым содержатся в запросе (от 0 до 6). Этот параметр определяет количество информации, содержащейся в запросе.

2. Наименьшее значение меры близости (а), полученное методом NN. Данный параметр характеризует количество априорной информации о данном запросе.


Исследование влияния параметров описания ситуации на значение СКП каждого метода, позволило установить пороговое значение меры близости (а), при превышении которого СКП резко возрастает. Это значение равно ее среднему значению на тестовой выборке (аср). Зависимость результатов, полученных каждым из методов, от параметров описания ситуации приведена в таблице 3.

Таблица 3. Зависимость среднеквадратического превышения погрешности каждого из методов над минимальной достигнутой на данном входном векторе погрешностью, от параметров описания ситуации.

СКП

197 184

СКП при

а>аср 226

197 384

СКП при

0<Оср

СКП

GRNN

СКП при

а>аср 2

СКП при

0<Оср

СКП

СКП при

а>аср 2

СКП при

0<Оср

СКП

СКП при

а>аср 15

СКП при

0<Оср



3 I 134 I 97 I 138 I 86 I 256 I 68 I 174 I 388 I 152 I 184 I 381 I 163

4 63 66 63 60 133 45 171 335 136 134 185 122

5 41 33 42 41 120 27 137 280 111 121 288 92

6 I 12 I 22 I 5 I 47 I 109 I 3 198 264 151 220 390 97

Исследование зависимости результатов, полученных каждым из методов, от

параметров описания ситуации позволило вывести правила функционирования САНП, приведенные в таблице 4.

Таблица 4. Параметры САНП.

Количество соседних БС

Наименьшее значение меры близости

Используемый метод

не используется

GRNN, RBF, FF

меньше порога

GRNN

больше порога

RBF, FF

3,4,5

меньше порога

GRNN

3,4,5

больше порога

меньше порога

GRNN, NN

больше порога

Если в графе Используемый метод перечислено несколько методов, то используется геометрический центр точек, полученных каждым из методов. Распределение запросов по количеству соседних БС приведено в таблице 5.

Таблица 5. Распределение запросов по количеству соседних БС.

Количество соседних БС

Процент в тестовой выборке

Показатели точности метода САНП в сравнении с другими алгоритмами приведены в таблице 6 и рисунке 1.

Таблица 6. Показатели точности различных алгоритмов в сравнении с САНП.

Погрешность

GRNN

Максимальная

2178m

1206m

1208m

2508m

2162m

1208m

СКП

375m

144m

123m

221m

197m

113m

% <150m

231m

300m

156m

135m

409m

126m

228m

199m

858m

615m

493m

636m

574m

427m

1315m

928m

892m

964m

945m

860m



Рисунок 2. Распределение вероятности погрешности позиционирования

100 90 80 70 60 50 40 30

-------

у

*<

i

- CI

- NN

- GRNN

- RBF

ч

- FF

- САНП

------ Минимум по всем методам

Г

0 50 100 150 200 250 300 350 400 450 500

погрешность, м

1000

Таким образом, использование САНП позволяет достичь наилучших показателей точности позиционирования. Выигрыш в точности относительно методов, предложенных ранее, то есть методов CI и NN, а также алгоритма, показавшего лучшие результаты в условиях проведенного эксперимента - GRNN, приведен в таблице 7.

и GRNN.

Выигрыш в точности относительно методов

Погрешность

GRNN

Максимальная

970 м

80 %

-2 м

0 м

СКП

262 м

232 %

31 м

27 %

10 м

321 м

365 %

38 м

43 %

10 м

11 %

431 м

101 %

188 м

44 %

66 м

15 %

Предложенный метод сотового позиционирования на основе САНП позволяет полностью использовать достоинства каждого из алгоритмов, обходя стороной их недостатки и достигать высоких показателей точности в различных условиях. Техническая реализация данного метода отличается от реализации метода CI лишь в деталях, сопоставима с ним по стоимости, в то же время значительно превосходя в точности. Таким образом, метод САНП может служить экономически эффективной основой широкомасштабного развития услуг сотового позиционирования.

ЛИТЕРАТУРА

1. Подрябинников А. А. Аппаратнонезависимая система сотового позиционирования. - В кн.: Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. - М.~:МИЭМ, 2003.-536с. Стр. 228-230. ISBN 5-94506-017-8

2. Подрябинников А. А. Масштабируемая система сотового позиционирования на основе нейронной сети. - В кн.: Научно-техническая конференция студентов,



аспирантов и молодых специалистов института, посвященная 40-летию МИЭМ Тезисы докладов. - М.~:МИЭМ, 2002.-395с. Стр. 178-179. ISBN 5-230-16362-3

3. StatSoft, Inc. (1999). Электронный учебник по статистике. Москва, StatSoft. WEB: http: www.statsoft.ru/home/textbook/default.htm

4. H. Laitinen Cellular Location Techniques, MLW 2001, www.vtt.fi

5. H. Laitinen, J. Lahteenmaki and T. Nordstrom, Database correlation method for GSM location, IEEE VTC 2001 Spring Conference, Rhodes, May 2001

6. M. Wax and O. Hilsenrath, Signature matching for location determination in wireless communication systems, U.S. Patent 6,112,095

7. U.S. Wireless Technology Location Pattern Matching & The RadioCamera http: www.uswcorp.com/USWCMainPages/our.htm



© 2017 РубинГудс.
Копирование запрещено.