Luận văn thạc sĩ Kỹ thuật điện tử: Đánh giá các phương pháp Pattern Matching trong định vị bằng Wifi

Tuy nhiên, phương pháp này cũng bị ảnh hưởng khá nhiều của nhiễu do đó các phương pháp để nâng cao độ chính xác trong định vị là khá quan trọng.. Đề tài này sẽ thiết kế một phần mềm giúp

Giới thiệu tổng quan

UWB-based user position tracking

Phần này sẽ đề cập đến hệ thống "Sapphire DART Ultra-WideBand (UWB) Digital Active Real Time Tracking" Hệ thống này được thiết kế để dò tìm người và các thiết bị Hệ thống này bao gồm một hub xử lý, 4 hoặc nhiều hơn các bộ thu, một hoặc nhiều hơn các thẻ (tags) cho từng thiết bị riêng biệt

Hệ thống sử dụng sóng ngắn hoặc kỹ thuật UWB để xác định chính xác vị trí của các thẻ UWB RFID và nó hoạt động như sau: Mỗi thẻ liên tục gửi ra một gói xung bao gồm một chuỗi ngắn của xung UWB, mỗi xung có một băng thông tức thời hơn 1 GHz Các thẻ riêng biệt là không đồng bộ và các gói xung có khoảng thời gian rất ngắn, xác suất xung đột là rất nhỏ cho phép xử lý đồng thời hàng trăm đến hàng ngàn thẻ trong một khu vực nội bộ Những chuỗi xung UWB được truyền đi này được nhận bởi một hoặc nhiều bộ thu Sapphire DART UWB nằm xung quanh vùng ngoại vi của khu vực đã biết trước Tín hiệu thu bởi ba hoặc nhiều máy thu cho phép định vị 2D chính xác, trong khi tiếp nhận bởi bốn hoặc nhiều hơn cho phép thực hiện định vị 3D chính xác Nếu chỉ có một hoặc hai bộ thu có thể nhận được từ một thẻ truyền, dò gần đúng cũng có thể dễ dàng thực hiện

Mỗi bộ thu sử dụng bộ dò xung ngắn nhạy và tốc độ cao để đo thời gian chính xác khi thẻ tới ăng-ten Băng thông rộng của xung UWB giúp bộ thu đo thời gian đến với độ chính xác theo đơn vị nano giây Để xác định vị trí thực tế của thẻ từ các phép đo thời gian, Sapphire DART Hub/Processor sử dụng dữ liệu hiệu chỉnh từ thẻ Sapphire DART UWB để xác định thời gian sai lệch (TDOA) giữa các bộ thu và thực hiện thuật toán tối ưu hóa để xác định vị trí bằng kỹ thuật "multilateration" Với tốc độ ánh sáng khoảng 0,98 feet mỗi nano giây, sự khác biệt về thời gian đến có thể dễ dàng chuyển đổi thành khoảng cách đo được.

Các kết quả thu được từ các hệ thống theo dõi UWB được cung cấp từ trung tâm đến các máy khách hàng trong các định dạng sau:

, , , , , , ,

"Data Header" đại diện cho các thông tin về chiều không gian của thẻ Có nhiều giá trị dự kiến cho "Data Header" nhưng một trong những quan tâm trong nghiên cứu này là R nơi phản ánh tính toán 3D cho x, y, z "Tag #" là ID của tag "X, Y, Z" là tọa độ của thẻ "battery" là chỉ báo pin thấp của thẻ (giá trị dao động từ 0-15, trong đó 15 đại diện cho một pin sạc đầy) "timestamp" đại diện cho thời gian hệ thống

"unit" là một ID nhóm ảo Các dữ liệu vị trí thẻ được tính từ thời gian truyền đo được của các bộ thu trong nhóm ảo "LF" là ký tự kết thúc hàng trong bảng mã ASCII (với mã ASCII = 0 × 0A), để chấm dứt một chuỗi dữ liệu vị trí Trong số tất cả các thông tin đầu ra, "Data Header", "tag #" và "X, Y, Z" là quan trọng hàng đầu cho mục đích của kỹ thuật này

Hình 2.2 Hệ thống dò tìm UWB Sapphire[23]

Hình 2.3 Hệ thống dò tìm trong mê cung bằng UWB (Disaster city)[23]

Indoor GPS-based user position tracking

Hệ thống được thiết kế bởi 4 hoặc nhiều hơn số bộ phát và 1 bộ thu Một bộ phát hoạt động bằng pin sử dụng laser và ánh sáng hồng ngoại để truyền thông tin vị trí và chiều cao một chiều từ bộ phát đến bộ thu Bộ thụ có các photo diode bên trong để dò các tín hiệu laser và hồng ngoại từ bộ phát Với thông tin thêm vào của bộ phát thứ hai với vị trí và hướng đã được biết trước, người dùng có thể tính toán được vị trí của bộ thu trong hệ tọa độ cơ bản Bằng cách thêm vào hai bộ phát nữa, hệ thống sẽ có 4 bộ phát laser và lúc này độ chính xác sẽ đạt tối đa Tín hiệu định hướng giống như GPS được truyền qua mạng không dây Giống như trong hệ thống GPS dựa trên vệ tinh, tín hiệu một chiều được truyền đến bộ thu cho phép một số lượng không giới hạn các bộ thu tính toán một cách liên tục và độc lập bất cứ khi nào hai hoặc nhiều hơn số bộ phát được nhìn thấy

Vị trí 3D của bộ thu quang được xác định bằng việc xử lý theo phép đạc tam giác

Phép đạc tam giác được sử dụng nếu các góc đến của các vị trí đã biết trước được cho Với hai vị trí đã biết trước, vị trí tuyệt đối trong 2D được xác định Hai góc được dùng để xác định các đường truyền thẳng (LOS) tới các vị trí đã biết trước

Với vị trí của các điểm này, các đường là duy nhất trong không gian 2 chiều và điểm giao nhau là vị trí mong muốn Do đó cung cấp thông tin góc từ tối thiểu 2 bộ phát và vị trí cộng với hướng của mỗi bộ phát, một vị trí 3D duy nhất sẽ được tính ra từ các số liệu đo này

Hình 2.4 Hệ thống dò tìm trong mê cung bằng các bộ phát laser[23]

WLAN-based user position

Sử dụng thông tin RSS đo được từ các Access Points (APs) là quá trình định vị trong nhà dựa trên hai bước cơ bản Bước 1 là thu thập mẫu tín hiệu RSS (dấu vân tay RSS) từ các vị trí已知, tạo thành tập thông tin mẫu Bước 2 là xác định vị trí bằng cách so sánh thông tin RSS đo được với tập thông tin mẫu đã thu thập trước đó Quá trình này được minh họa trong mô hình định vị trong nhà của nhà cung cấp Ekahau.

Hình 2.5 Kiến trúc của hệ thống Ekahau [23][19]

Hình 2.6 Giai đoạn 1-Thu thập mẫu[26]

Hình 2.7 Giai đoạn 2-Xử lý thời gian thực bằng giải thuật pattern matching[26]

Hiện tại có rất nhiều giải thuật pattern matching đang được áp dụng và sẽ được đề cập ở trong mục tiếp theo.

So sánh các kỹ thuật định vị indoor

Bảng 2.1 So sánh các kỹ thuật định vị trong nhà[23]

Line of sight Position uncertainty Calibration Deployment and Cost

Indoor GPS Needed (receiver- transmitter) Very low (1-2 cm) Needed (few sampling points)

Quite easy but very expensive

UWB Needed (receiver- transmitter tag) Low (0-50 cm) Not needed

Quite easy but very expensive

WLAN (Ekahau) Not needed Medium (1.5-2m) Needed (time- consuming)

Trong 3 phương pháp đã nêu thì 2 phương pháp đầu tuy có độ chính xác cao nhưng rất tốn kém về mặt chi phí không thích hợp với việc triển khai rộng rãi Hai phương pháp này chỉ thích hợp về mặt điều khiển robot công nghiệp

Mặc dù độ chính xác không cao, nhưng phương pháp WLAN lại rất phù hợp với các môi trường nhiễu đa đường có nhiều vật che chắn như trong nhà Đặc biệt, phương pháp này dễ dàng triển khai và ứng dụng rộng rãi nhờ chi phí thiết bị thấp Do vậy, hầu hết các công ty, công trình công cộng đều có sẵn thiết bị WLAN và số lượng người dùng smartphone/tablet tích hợp WLAN cũng rất phổ biến.

Các giải thuật pattern matching cho định vị bằng WLAN đã được nghiên cứu

Bài toán định vị WLAN bằng RSS fingerprint đặt mục tiêu tăng độ chính xác, giảm thời gian tính toán, giảm ảnh hưởng của thiết bị và môi trường Để đạt được mục tiêu này, hiện có một số hướng nghiên cứu chính:

 Nghiên cứu các thuật toán pattern matching để cải thiện độ chính xác

 Sự dụng phương pháp hybrid để kết hợp ưu điểm của 2 hay nhiều phương pháp khác nhau

 Nghiên cứu mô hình truyền sóng trong wifi để tìm cách khử bỏ các ảnh hưởng của nhiễu

 Biến đổi dữ liệu RSS fingerprint thành các dạng dữ liệu ít bị ảnh hưởng của các yếu tố gây sai số

Trong những hướng nghiên cứu trên, các thuật toán pattern matching được tập trung nghiên cứu nhiều nhất Một số cách tiếp cận đã được các kỹ sư nghiên cứu trong thời gian vừa qua được liệt kê như bên dưới

2.5.1 Centroid [21] Đây là một trong những phương pháp đơn giản nhất dùng để định vị Trong suốt quá trình huấn luyện, chúng ta kết hợp tất cả các dữ liệu đo được của các AP để tính ra giá trị vị trí trung bình của AP này Sau đó, tạo nên bảng cở sở dữ liệu chỉ chứa vị trí ước lượng của các APs mà thôi Sử dụng bảng dữ liệu này, phương pháp định vị Centroid sẽ lấy giá trị trung bình về tọa độ của tất cả các APs mà thiết bị di động dò thấy Thêm vào đó phương pháp này có thể được cải tiến bằng cách thêm vào trọng số cho mỗi APs ứng với cường độ đo được trong quá trình quét

Phương pháp xác định vị trí trong nhà bằng hệ thống tần số vô tuyến đã chứng minh hiệu quả trong việc xác định vị trí người dùng Phương pháp này dựa trên cường độ tín hiệu (RSS) thu được từ nhiều điểm kết nối (BS) để xác định khu vực chồng lấn nơi người dùng có thể hiện diện Các phép đo trong thực tế hoặc mô hình truyền sóng được kết hợp để xác định vị trí chính xác của người dùng, tạo điều kiện cho các ứng dụng và dịch vụ định vị hoạt động hiệu quả trong môi trường trong nhà.

Phương pháp này cũng mang những đặc điểm cơ bản của phương pháp đinh vị bằng WLAN Nó được chia làm 2 bước: bước "off-line" và bước "real time" Các card mạng không dây có thể đo được cường độ tín hiệu (Signal strength-SS*log 10 (s/0.001) dBm) và tỉ lệ tín hiệu trên nhiễu (SNR*log 10 (s/n) dB) Đồng hồ giữa thiết bị di động và BS, tối thiểu sai số là 5ms Việc cần đồng bộ thời gian mục đích chủ yếu là do các tín hiệu được thu thập tại các BS chứ không phải thiết bị di động Do đó, cần đồng bộ các BS và thiết bị di động để bảo đảm dữ liệu phát ra từ các thiết bị đi động đến BS có thể gộp chung lại thành một ở mỗi lần phát từ thiết bị di động

Trong qua trình nghiên cứu người ta nhận ra rằng hướng của thiết bị đo cũng ảnh hưởng đáng kể đến cường độ sóng thu được lên tới 5dBm

Hình 2.8 Bản vẽ khu vực được khảo sát tron phương pháp RADAR[18]

Bản vẽ của tầng được nghiên cứu Các chấm đen là các điểm được thu thập thông tin trong pha "off-line" Các dấu sao lớn là vị trí các bộ phát (BS) Hướng lên trên là phía bắc và bên phải là hướng đông Tổng số điểm khảo sát là 70, mỗi điểm khảo sát 4 lần ứng với 4 hướng

Các giải thuật được sử dụng trong phương pháp RADAR bao gồm: tìm vị trí thông qua mô hình truyền sóng, so sánh với dữ liệu "offline" để tìm các điểm giá trị gần giống nhất (k Nearest neighbors-kNN) Trong đó, phương pháp kNN được tập trung nghiên cứu

Một số kết luận quan trong của phương pháp RADAR:

1 Ảnh hưởng của hệ số k: khi k tăng thì sai số giảm, khi k nhỏ giá trị sai số tăng không đáng kể Khi k quá lớn thì sai số lại tăng dần do số lượng điểm được ước lượng quá nhiều và nằm khá xá vị trí thực tế cho nên khi lấy giá trị trung bình sẽ tạo sai lệch lớn

Hình 2.9 Ảnh hưởng của k đến độ chính xác Kết quả được biễu diễn trong 2 trường hợp:25th(25% xác xuất lỗi), 50th(50% xác xuất lỗi)[18]

Hai đường được biểu diễn trên hình 2.9 biểu diễn sai số khoảng cách theo hệ số k

2 Ảnh hưởng của số điểm khảo sát: số lượng điểm tăng thì độ chính xác tăng cao nhưng đến một giá tri giới hạn thì độ chính xác không được cải thiện nhiều Cụ thể tại nơi khảo sát của đề tài số điểm thực tế là 70 tuy nhiên chỉ cần 40 điểm là có thể cho giá trị xấp xỉ

Hình 2.10 Sai số khoảng cách thay đổi theo số điểm khảo sát (log scale)[18]

3 Ảnh hưởng của số lượng mẫu trong giai đoạn real-time: chỉ cần một số lượng mẫu nhỏ là đủ để ước lượng vị trí

4 Ảnh hưởng của hướng: hướng của máy phát cũng ảnh hưởng một cách đáng kể đến kết quả Do đó việc thu thập dữ liệu sử dụng thông tin hướng là khá quan trọng

Phương pháp dùng mô hình truyền sóng

Môi hình gốc được mô tả bởi Seidel và Rappaport[18] bao gồm hệ số suy giảm để phản ánh sự suy giảm do ảnh hưởng của tầng và các vật che chắn Mô hình hệ số suy giảm tường (WAF) được mô tả như sau:

(2.1) n là tỉ lệ suy giảm theo khảng cách, P(d 0 ) là công suất tín hiệu tại điểm tham chiếu với khoảng cách d 0 và d là khoảng cách giữa bộ phát và bộ thu Hệ số n phụ thuộc vào cấu trúc xây dựng của từng tòa nhà C là số lượng tối đa các vật cản nơi mà hệ số suy giảm tạo nên thay đổi đáng kể, nW là số lượng vật cản giữa bộ phát và bộ thu, WAF là hệ số suy giảm tường

Hình 2.11 Đồ thị cường độ sóng theo khoảng cách[18]

Phương pháp này mặc dù không cho kết quả tốt hơn k-NN nhưng có được lợi thế là không cần phải khảo sát hết toàn bộ tòa nhà Các hệ số có thể tái sử dụng khi vị trí các APs bị thay đổi

Hệ thống này cũng bao gồm 2 pha: huấn luyện và định vị Quá trình huấn luyện trong Ekahau được gọi là "SiteCalibration" Hệ thống sử dụng giải thuật định vị đã được đăng ký bản quyền Vị trí được tính từ trung bình của các RSS đo được ở phía client Dưới điều kiện tối ưu hệ thống só thể đạt độ chính xác 1-2m a) b)

Hình 2.12 Mô hình hệ thống Ekahau [23]

Phương pháp này sử dụng bộ lọc Kalman để lọc bỏ nhiễu trong RSSI thu được và kỹ thuật nhiều đối tượng quan sát (multiple observers) Phương pháp này giúp cải tiến độ chính xác lên tới 90% Giải thuật cũng được chia ra làm 2 giai đoạn: offline và online

Hình 2.13 Ảnh hưởng của lọc nhiễu RSS lên độ chính xác

Cơ sở lý thuyết và thực nghiệm

Khoảng cách Euclid

Công thức tính khoảng cách Euclid giữa một điểm trong cơ sở dữ liệu và dữ liệu đo lúc định vị trong trường hợp có 3 AP (Access Point):

 Các hệ số 1,2,3 ứng với AP1, AP2, AP3

 RSS 1 : Cường độ tín hiệu của AP1 trong cơ sở dữ liệu

 RSS’ 1 : Cường độ tín hiệu của of AP1 khi người dùng quét thông tin các AP lúc định vị.

Phương pháp RADAR (k-nearest neighbors)

Giải thuật được sử dụng trong phương pháp RADAR:

 Giải thuật dựa trên 2 thông tin: cơ sở dữ liệu (offline) và dữ liệu quét trong quá trình định vị (online)

 Tìm k điểm trong cơ sở dữ liệu có khoảng cách Euclid nhỏ nhất đến dữ liệu được quét trong quá trình định vị

Trong quá trình xác định vị trí, thiết bị di động thu thập dữ liệu từ nhiều điểm truy cập (AP) hơn số cần thiết Tuy nhiên, chỉ thông tin của một số AP được giữ lại để tính toán Khoảng cách Euclid chỉ được tính đối với các điểm trong cơ sở dữ liệu có chứa thông tin của các AP này Các điểm không khớp sẽ bị loại bỏ khỏi phép tính.

 Nếu sau quá trình tính toán vẫn không thể tìm được một điểm nào trong cơ sở dữ liệu thỏa điều kiện Ta có thể áp dụng thêm một cải tiến bằng cách loại bỏ ra thành phần AP có cường độ nhỏ nhất sau khi quét dữ liệu sau đo lặp lại quá trình tìm kiếm k điểm có khoảng cách Euclid nhỏ nhất

Hình 3.1 Giải thuật k-NN với k=3 Vị trí ước lượng là trung bìn.h cộng tọa độ của 3 điểm có khoảng cách Euclid nhỏ nhất được khoanh tròn

Get value of input variable:

3 List datapoints of database (max # items =k) 4 List of selected APs

Create new list of candidate datapoints i=0; i1 N

Hình 3.2 Lưu đồ giải thuật cho phương pháp RADAR được sử dụng trong phần mềm

Theo kết quả nghiên cứu ở [18] cho thấy khi k=1, sai số dưới 2.94m chiếm 50% số mẫu Khi k=5, sai số là 2.75m (Cải thiện được 9%).

Phương pháp ηk-nearest neighhbors[22]

Phương pháp này hoàn toàn dựa trên phương pháp k-nearest neghbors Điểm khác biệt chính là các dữ liệu sẽ được chuẩn hóa trước khi đưa vào tính toán bằng giải thuật k-nearest neighbors

Phương pháp chuẩn hóa được thực hiện như sau:

 Đặt a 1 (x),a 2 (x)… a n (x) ứng với dữ liệu các RSS của các AP sau khi đã lấy giá trị trung bình từ tất cả các mẫu đo được

 Tính toán giá trị trung bình:

 Tính toán độ lệch chuẩn:

 Tính toán dữ liệu được chuẩn hóa:

Phương pháp này được đề xuất ở [22] dùng để xác định vị trí phòng thay vì xác định chính xác tọa độ x,y Bên cạnh đó nó còn dùng thêm dữ liệu về chất lượng tín hiệu Phương pháp này được cho là cải tiến được độ chính xác lên đến 96% trong việc xác định vị trí phòng Trong đề tài này, phương pháp này sẽ được đưa vào tính toán tọa độ để so sánh với phương pháp RADAR và ANN Một trong những lý do quan trọng để cân nhắc phương pháp này là sau khi chuẩn hóa, thông tin giữa các AP chỉ còn lại mối liên hệ về tỉ lệ thay vì độ lớn Do chỉ tương quan lẫn nhau về tỉ lệ nên phương pháp này cũng sẽ hứa hẹn giảm đi sự ảnh hưởng của loại thiết bị lên kết quả ước lượng do mỗi nhà sản suất thiết bị di động khác nhau có thể tạo ra các thiết bị WLAN với những độ suy hao tin hiệu khác nhau lúc thu.

Phương pháp ANN

Phương pháp này được dùng để tạo ra một hàm xấp xỉ với các biến là cường độ các AP và kết quả ngõ ra là các giá trị x,y

Giới thiệu sơ lược về ANN: [24][25]

 Tế bào thần kinh gồm: thân tế bào (soma), đầu dây thần kinh vào (dendrite), khớp nối (synapse), sợi trục (axon) và đầu dây thần kinh ra

Hình 3.3 Tế bào thần kinh và mô hình toán học[24] x=[x 1 x 2 … x m ] T Vector tín hiệu vào tế bào thần kinh w=[w 1 w 2 … w m ] T Vector trọng số tế bào thần kinh

 Hàm xử lý ngõ vào tế bào thần kinh (Đề tài này chỉ đề cập đến hàm tuyến tính):

 Hàm tác động (activation function):

Hàm tuyến tính: a (f) = f (3.6) Hàm logsig (đơn cực):

Hình 3.4 Hàm logsig (đơn cực)[24]

Hình 3.5 Hàm Tansig (lưỡng cực)[24]

Trong đề tài này hàm tansig sẽ được lựa chọn cho tất cả các perceptron

 Cấu trúc mạng thần kinh (Sử dụng mạng truyền thẳng nhiều lớp MLP):

Hình 3.6 Mạng truyền thẳng nhiều lớp[24] Đề tài này sử dụng mạng truyền thẳng một lớp ẩn Với ngõ vào là giá trị các AP và ngõ ra là tọa độ x,y

Hình 3.7 Mô hình ANN được dùng trong đề tài

 Phương pháp huấn luyện mạng bằng giải thuật truyền ngược (Back propagation):

Hình 3.8 Phương pháp huấn luyện mạng bằng giải thuật truyền ngược[24]

Trong phần này chúng ta tìm hiểu về giải thuật truyền ngược (backpropagation) và các giải thuật cải tiến của nó, áp dụng cho phương pháp học có giám sát

Giải thuật truyền ngược cập nhật các trọng số theo nguyên tắc: w ij (k+1) = w ij (k) + ηg(k) (3.9) trong đó: w ij (k) là trọng số của kết nối từ nơ-ron j đến nơ-ron i, ở thời điểm hiện tại η là tốc độ học (learning rate, 0< η≤1) g(k) là gradient hiện tại

Có nhiều phương pháp xác định gradient g(k), dẫn tới có nhiều giải thuật truyền ngược cải tiến Để cập nhật các trọng số cho mỗi chu kỳ huấn luyện, giải thuật truyền ngược cần 2 thao tác:

 Thao tác truyền thuận (forward pass phase): Áp vectơ dữ liệu vào trong tập dữ liệu học cho ANN và tính toán các ngõ ra của nó

 Thao tác truyền ngược (backward pass phase): Xác định sai biệt (lỗi) giữa ngõ ra thực tế của ANN và giá trị ngõ ra mong muốn trong tập dữ liệu học

Sau đó, truyền ngược lỗi này từ ngõ ra về ngõ vào của ANN và tính toán các giá trị mới của các trọng số, dựa trên giá trị lỗi này

Hình 3.9 Minh họa phương pháp điều chỉnh trọng số nơ-ron thứ j tại thời điểm k[25]

Xét một MLP như sau:

Hình 3.10 Mô hình MLP mẫu[25]

 Tính ngõ ra lớp ẩn (hidden layer):

(3.11) với f 1 là hàm kích truyền của các nơ-ron trên lớp ẩn

Ngõ ra của lớp ẩn là ngõ vào của các nơ-ron trên lớp ra

 Tính ngõ ra ANN (output layer):

(3.13) với f 2 là hàm truyền của các nơ-ron trên lớp ra

 Tính tổng bình phương của lỗi: (3.14) với t(k) là ngõ ra mong muốn tại k

 Tính sai số các nơ-ron ngõ ra:

 Tính sai số các nơ-ron ẩn:

 Cập nhật trọng số: o Lớp ẩn: (3.17) o Lớp ra: (3.18)

 Huấn luyện đến khi nào thì dừng?

 Đủ số chu kỳ (epochs) ấn định trước (Đề tài sử dụng giá trị 500)

 Hàm mục tiêu đạt giá trị mong muốn (=0)

 Hàm mục tiêu phân kỳ Trong đề tài này, nếu giá trị hàm mục tiêu giảm 6 lần liên tiếp thì quá trình huấn luyện sẽ dừng lại và giá trị tốt nhất trong các chu kỳ sẽ được chọn

Lỗi bình phương trung bình (MSE) được định nghĩa trong quá trình huấn luyện mạng nơ-ron và được sử dụng để đánh giá độ chính xác của quá trình huấn luyện MSE được xác định bằng cách tính toán trung bình tổng các bình phương giữa giá trị đầu ra thực tế a và giá trị đầu ra mong muốn t Do đó, MSE càng nhỏ thì độ chính xác của mạng nơ-ron càng cao.

 Việc lựa chọn tốc độ học có thể dẫn tới cực tiểu cục bộ Quá trình huấn luyện mạng, giải thuật cần vượt qua các điểm cực tiểu cục bộ (ví dụ: có thể thay đổi hệ số momentum), để đạt được điểm global minimum Hình vẽ bên dưới thể hiện các điểm cực tiểu cục bộ và cực tiểu toàn cục

Hình 3.11 Các điểm cực tiểu cục bộ và cực tiểu toàn cục[25]

 Nhằm cải tiến tốc độ hội tụ của giải thuật gradient descent, người ta đưa ra 1 nguyên tắc cập nhật trọng số của ANN:

Để tối ưu quá trình huấn luyện, nhiều nghiên cứu khuyến nghị tổng giá trị của động lượng (μ) và tốc độ học (η) nên gần bằng 1 Cụ thể, động lượng thường nằm trong khoảng [0,8; 1], trong khi tốc độ học được đề xuất trong phạm vi [0; 0,2].

 Giải thuật Levenberg-Marquardt được xây dựng để đạt tốc độ hội tụ bậc 2 mà không cần tính đến ma trận Hessian như giải thuật BFGS Quasi-

 Ma trận Hessian được tính xấp xỉ: H=J T J và giá trị gradient được xác định: g=J T e trong đó, J là ma trận Jacobian, chứa đạo hàm bậc nhất của hàm lỗi (δe/δw ij ),với e là vectơ lỗi của mạng

 Nguyên tắc cập nhật trọng số: w ij (k+1)=w ij (k) – [J T J + mI] -1 J T e (3.22)

 Nếu m=0, thì đây là giải thuật BFGS Quasi-Newton

 Nếu m có giá trị lớn nó là giải thuật gradient descent

 Giải thuật Levenberg-Marquardt luôn sử dụng giá trị m nhỏ, do giải thuật BFGS Quasi-Newton tốt hơn giải thuật gradient descent

 Các giải thuật của Neural Network toolbox

 Trainb: Batch training with weight & bias learning rules

 Trainbfg: BFGS quasi-Newton backpropagation

 Trainc: Cyclical order incremental training w/learning functions

 Traincgb: Powell-Beale conjugategradient backpropagation

 Traincgf : Fletcher-Powell conjugate gradient backpropagation

 Traincgp: Polak-Ribiere conjugate gradient backpropagation

 Traingdm: Gradient descent with momentum backpropagation

 Traingda: Gradient descent with adaptive lr backpropagation

 Traingdx: Gradient descent w/momentum & adaptive lr backpropagation

 Trainoss: One step secant backpropagation

 Trainr: Random order incremental training w/learning functions

 Trains: Sequential order incremental training w/learning functions

 Trainscg: Scaled conjugate gradient backpropagation

Trong số các giải thuật này, đề tài chỉ tập trung sử dụng giải thuật Levenberg- Marquardt backpropagation

Phương pháp ANN dùng cho định vị được đề cập đến trong 3 đề tài [7][8][9] Theo kết quả ở [7] cho thấy khá khả quan với sai số đạt được là 1.79 m Mặc dù kết quả là vượt trội so với các phương pháp khác nhưng đề tài sử dụng một môi trường khảo sát khác với các đề tài khác và các giải thuật khác cũng không được tính toán trực tiếp trong bài viết [7] nên việc đánh giá chưa thể khẳng định chính xác

Phương pháp nghiên cứu

Phần mềm thu thập và phân tích dữ liệu

 Ngôn ngữ lập trình: C# (Visual studio 2010)

 Mô hình 3 lớp: o Presentation layer: Các class thực thi giao diện tương tác với người dùng o Business layer: Các class dùng để tương tác với thiết bị wifi, giải thuật định vị và phân tích dữ liệu o Data access layer: Đọc và xuất dữ liệu Có hai dạng dữ liệu đang được sử dụng trong chương trình này: XML và CSV

 Lưu trữ dữ liệu wifi của khu vực cần khảo sát VD: Tên của tòa nhà, tầng, phòng, cường độ và chất lượng tín hiệu tại các điểm khảo sát trong các tầng Phần mềm có thể lưu và đọc dữ liệu từ file xml

 Dữ liệu trong file XML sẽ được đưa vào Excel để xuất ra dạng CSV sau đó đưa vào phân tích trong công cụ mạng neural của Matlab Ngoài ra, dữ liệu này còn được dùng để vẽ đồ thị 3D cường độ các AP

 Dùng để ước lượng vị trí trong quá trình định vị

 Dùng để đánh giá sai số cho các phương pháp sau đó xuất ra file CSV

 CSV: Lưu trữ kết quả thống kê từ quá trình phân tích dữ liệu của các phương pháp định vị Radar, k-NN, ηk-NN Việc lựa chọn định dạng CSV để dễ dàng phân tích kết quả hơn trong Excel

Hình 4.1 Mô hình thiết kế 3 lớp

4.1.2 Các tính năng của phần mềm

 Tạo mới, mở lại, lưu một dự án (Dạng XML)

Hình 4.2 New/Open/Save project o Lựa chọn card mạng o Quét dữ liệu WLAN bằng nút "Scanning" ( Chỉ hiển thị thông tin quét được, không lưu vào file)

Hình 4.3 Giao diện phần mềm o Tạo các tầng trong dự án (New floor, Delete floor, Rename Floor)

 Nhập bản vẽ cho từng tầng (Import Floor Plan)

 Lựa chọn các chế độ:

 Quy hoạch (Planning mode) : o Lấy tỉ lệ pixel/m (Scaling)

Hình 4.4 Scaling o Tạo lưới khảo sát (Planning)

 Thu thập dữ liệu tại từng điểm (Right

 Xóa dữ liệu tại từng điểm (Right Click)

 Chỉnh sửa dữ liệu tại từng điểm (Right Click)

Hình 4.5 Thu thập dữ liệu

 Định vị (Locating Mode): o Lựa chọn các phương pháp định vị (RADAR, ηk- NN, ANN(LM)…) o Định vị (Locating button)

 Thay đổi thông số cấu hình của chương trình: o Thông số tổng quát (General):

 Tần số WLAN (Chỉ hỗ trợ 2.4Ghz) o Thông số quy hoạch (Planning):

 Point2Points distance(m): Khoảng cách giữa 2 điểm khảo sát gần nhất

 Total number of samples: Tổng số mẫu cần quét cho một điểm Các mẫu sẽ được chia làm 2 phần Phần đầu cho cơ sở dữ liệu (Mặc định mẫu) và phần còn lại dùng để đánh giá sai số của các phương pháp định vị

 Samples per scan: Số lần quét cho mỗi mẫu (Mặc định = 3)

Mỗi mẫu cần quét hơn 1 lần để đảm bảo mỗi lần quét thu được thông tin về hầu hết các APs lân cận

 Number of planning samples: Số mẫu cho cơ sở dữ liệu (mặc định mẫu) Các mẫu sẽ được dùng để tính ra giá trị trung bình/max/min để tính toán tùy thuộc vào giải thuật pattern matching

 Size of rectangular points (đơn vi là pixel): Kích thước của các hình vuông biểu thị cho các điểm trên bản vẽ

 Optimize algorithm: Tối ưu hóa dữ liệu bằng cách triệt nhiễu (Thông số này chưa được áp dụng tại phiên bản 1.31) o Thông số định vị (Locating):

 Number of samples: Số mẫu dùng cho việc định vị

 Smoothing algorithm: Tối ưu hóa dữ liệu bằng cách triệt nhiễu

(Thông số này chưa được áp dụng tại phiên bản 1.31)

 Locating algorithm (Cấu hình thông số cho từng giải thuật):

 Radar và ηk-NN: o Number of candidate points: hệ số k

 ANN: o Number of perceptron: Số lượng perceptron lớp ẩn o Thông số cơ sở dữ liệu (Database):

 Optimize algorithm: None (Default), Keep info of selected BSSIDs (Phiên bản 1.31 chưa hỗ trợ chức năng này)

 Xử lý dữ liệu: o Xử lỹ dữ liệu từ các mẫu thu được (Processing planning database):

 Lấy giá trị trung bình

 Chuẩn hóa các giá trị trung bình o Huấn luyện mạng neuron từ dữ liệu đã được xử lý (ANN training database) o So sánh các giải thuật và xuất ra file csv (Compare algorithms):

 Tính toán độ chính xác và thời gian tính toán của phương pháp RADAR và ηk-NN theo giá trị k và số mẫu của dữ liệu định vị

4.1.3 Cấu trúc dữ liệu và phương pháp phân tích 4.1.3.1 Dạng XML

File XML sẽ lưu trữ toàn bộ thông tin của một dự án (Giới hạn trong một tòa nhà) File XML được tạo ra khi người dùng thao tác "FileNew" File chỉ cập nhật những thông tin mới nhất khi người dùng bấm "Save" File XML bao gồm những thông tin sau:

 Các thông số tương ứng với mục "ToolsOptions"

 Chế độ thực thi đang được lựa chọn (Locating/Planning)

Hình 4.9 Cấu trúc file XML (thông số cơ bản)

The survey details the floors within the building by listing the access points (APs) present, including their BSSID, SSID, channel, encryption, and whether they were selected for locating Additionally, the survey provides information on the grid points used for the survey on each floor, identified by the floor name.

 Link tới bản vẽ của từng tầng (link):

 Chiều cao theo pixels (High)

 Chiều rộng theo pixels (Width)

 Tỉ lệ pixel/m đối với bản vẽ (scaling)

Hình 4.10 Cấu trúc file XML (APs, thông số bản vẽ)

 Mã số của điểm (ID), tọa độ của điểm (x,y), tên phòng (Room name)

 Mã số của lần quét (ID), thời điểm quét (time) o Thông tin của các APs trong mỗi lần quét (BSSID, RSSI,link quality)

Hình 4.11 Cấu trúc file XML (Thông số bản vẽ và thông tin các điểm)

4.1.3.1.2 Xử lý dữ liệu XML

 Mở file xml bằng excel

 Sử dụng pivot table để xuất ra dữ liệu trung bình cho từng điểm

Hình 4.12 Xử lý dữ liệu bằng excel

 Các dữ liệu này có thể được lưu dạng CSV để làm dữ liệu vào cho matlab: o Đồ thị 3D thể hiện độ mạnh của các APs o Dữ liệu cho ANN

4.1.3.2 Dạng CSV 4.1.3.2.1 Cấu trúc dữ liệu

Dữ liệu được xuất ra dạng CSV khi người dùng thao tác "ToolsCompare Algorithms"

File CSV bao gồm các thông tin sau:

 Samples: số mẫu dùng để đánh giá sai số

 Radar error(m): sai số dùng cho phương pháp RADAR

 Radar time(μs): sai số trung bình cho mỗi lần định vị bằng phương pháp

 ηk-NN error(m): sai số dùng cho phương pháp ηk-NN

 ηk-NN time(μs): sai số trung bình cho mỗi lần định vị bằng phương pháp ηk- NN

 Number of fingerprints: Số mẫu được dùng để so sánh trong quá trình định vị

Hình 4.13 Cấu trúc file CSV

4.1.3.2.2 Xử lý dữ liệu CSV

 Mở file bằng excel đã được tạo ra trong phần trên

 Sử dụng tính năng "Text to column"

 Sử dụng tính năng pivot table để thống kê dữ liệu

 Sử dụng chức năng vẽ đồ thị của excel để so sánh các phương pháp định vị

Hình 4.16 Đồ thị trong excel

Công cụ ANN trên matlab

Input layer: The number of inputs equals the number of APs used for localization.* Hidden layer: Perceptrons use a tansig activation function.* Output layer: Uses two perceptrons with a tansig activation function.

Hình 4.17 Mô hình MLP cho định vị

 Phương pháp huấn luyện: o Levenberg-Marquardt backpropagation (ANN -LM) o Early learning: Phương pháp sẽ dừng huấn luyện nếu sai số tăng liên tục sau 6 chu kỳ huấn luyện liên tiếp Dữ liệu cuối cùng là dữ liệu có sai số nhỏ nhất o Có 2 bộ dữ liệu được sử dụng:

 Bộ dữ liệu để huấn luyện: 80% số điểm sẽ được dùng để huấn luyện, 20% được dùng để đánh giá sai số dùng cho "early stop" của quá trình huấn luyện

 Bộ dữ liệu để đánh giá sai số thực tế của quá trình huấn luyện

Hình 4.18 ANN tool trong Matlab

1 Nhập 2 bộ dữ liệu (Training/Testing) từ các file csv Các dữ liệu này được tạo ra trong quá trình xử lý file XML

'TrainInput.csv' 'TrainOutput.csv' 'TestInput.csv' 'TestOutput.csv' 2 Tạo vòng lặp từ 1:100 ứng với số perceptron từ 1 đến 100 o Ứng với mỗi vòng lặp sử dụng thông tin từ bước 1 (TrainInput &

TrainOutput) để huấn luyện o Sau khi huấn luyện, sử dụng bộ dữ liệu Testing (TestInput &

TestOutput) để đánh giá sai số cho mạng ANN vừa được huấn luyện

Sai số được tính bằng khoảng cách Euclid trung bình giữa tọa độ thực với tọa độ được huấn luyện

3 Đồ thị sai số (m) theo số perceptron sẽ được vẽ tự động bằng matlab Qua đồ thị có thể xác định các giá trị tối ưu

Hình 4.19 Kết quả vẽ từ Matlab

Mô hình thực nghiệm và đánh giá kết quả

Mô hình thực nghiệm và đánh giá kết quả

Mô hình khảo sát 1

 Khu vực khảo sát có quy mô nhỏ (6.8mx8.1m)

 Các APs cố định về vị trí và anten

 Khảo sát 2 lần (Một lần dùng để tạo cơ sở dữ liệu, một lần dùng để định vị)

 Khoảng cách giữa 2 vị trí cần khảo sát (0.5m)

 Hướng khảo sát của thiết bị không đổi ở tất cả các điểm

Hình 5.1 Bản vẽ mô hình 1

Mô hình khảo sát 2

 Khu vực khảo sát có quy mô lớn (18mx44.1m)

 Các APs cố định về vị trí và anten

 Khảo sát 2 lần (Một lần dùng để tạo cơ sở dữ liệu, một lần dùng để định vị)

 Khoảng cách giữa 2 vị trí cần khảo sát (1m)

 Hướng khảo sát của thiết bị không đổi ở tất cả các điểm

Hình 5.3 Bản vẽ mô hình 2

Kết quả

Số APs bằng 3 Sử dụng mô hình 1 để đánh giá

Hình 5.5 Ảnh hưởng của lỗi theo k (110)

 Đánh giá ảnh hưởng của k khi số mẫu

 k=1,2,3 cho các sai số trung bình cao hơn so với k=4-10

 k=4-10 cho các kết quả gần bằng nhau Khi triển khai hệ thống nên chọn k bằng 4 là đủ để tính toán

Hình 5.6 Ảnh hưởng của lỗi theo số mẫu (120)

 Đánh giá ảnh hưởng của số mẫu khi k=4

Nhận xét: o Số lượng mẫu càng lớn thì sai số càng giảm dần tới giá trị bão hòa o Số lượng mẫu khoảng 10-20 mẫu thì kết quả xấp xỉ tối ưu Nếu tăng số lượng mẫu thêm cũng không cải thiện nhiều đến độ chính xác Nên lựa chọn số mẫu khoảng 10 mẫu

5.3.2 Ảnh hưởng của số perceptron

Số APs bằng 3 Số lượng mẫu thu thập trên mỗi vị trí là 20

Hình 5.7 Ảnh hưởng của số perceptron trên mô hình 1

 Độ chính xác cao nhất 1.4021 m khi số perceptron=6

 Số perceptron trong khoảng từ 4-14 cho kết quả xấp xỉ hoặc gần bằng giá trị tối ưu

Hình 5.8 Ảnh hưởng của số perceptron trên mô hình 2

 Độ chính xác cao nhất 3.9868 m khi số perceptron4

 Số perceptron trong khoảng từ 6-14 cho kết quả xấp xỉ tối ưu

 Số lượng perceptron ở lớp ẩn không cần phải quá nhiều vẫn có thể đạt được độ chính xác Có thể lựa chọn từ 6-14 perceptron

 Để tăng tố độ tính toán nên chọn n nhỏ nhất mà vẫn đảm bảo xấp xỉ tối ưu

(Ví dụ: n=6 trong 2 môi trường trên)

5.3.3 So sánh độ chính xác giữa các phương pháp

Số APs : 3 Số lượng mẫu thu thập trên mỗi vị trí: 10 k nearest neighbor: 4 Mô hình 1:

Hình 5.9 Mô hình 1-So sánh các phương pháp pattern matching theo số AP

Hình 5.10 Mô hình 2-So sánh các phương pháp pattern matching theo số AP

 Cả 2 mô hình khảo sát đều cho thấy số lượng APs càng lớn thì sai số càng giảm Cần phải tăng số lượng APs để giảm sai số

 Khu vực khảo sát càng lớn thì sai số càng nhiều

 Khi số lượng APs tăng từ 345 thì sai số thay đổi nhưng không nhiều

 Phương pháp Radar và ANN(LM) cho kết quả tốt nhất Tuy nhiên, cần cân nhắc sử dụng phương pháp ANN(LM) đối với các thiết bị di động bởi vì ANN(LM) không cần phải lưu một lượng lớn cơ sở dữ liệu của tất cả các tòa nhà vẫn có thể ước lượng được vị trí

 Kết quả thực tế trong mô hình 2 cho thấy sự ảnh hưởng lớn của đặc tính khu vực khảo sát lên độ sai số trong lúc ước lượng Ví dụ trường hợp cùng 3 AP - phương pháp RADAR trong mô hình 1 cho sai số 1.65 m trong khi mô hình 2 cho sai số lên tới 4.09m Kết quả trong mô hình 2 cũng chênh lệch khá nhiều so với kết quả của phương pháp ANN được khảo sát ở [7] với sai số

1.79m Sự khác biệt này là do những khả năng sau: vị trí đặt của các AP trong mô hình 2 không được phân bố đều, môi trường có rất nhiều nhân viên qua lại và các cửa cũng thường xuyên được đóng mở liên tục, thời gian khảo sát kéo dài từ 9h sáng đến 7h tối, ngoài ra số lượng lớn các máy tính và máy chủ cũng là một nguồn nhiễu lớn đến hệ thống wifi.

Kết luận và hướng phát triển