Ergebnisse

Die Ergebnisse der Algorithmen von MaWIPS :

Nachfolgend sind die Ergebnisse der Positionierungsalgorithmen beschrieben. Zum einen die Ergebnisse der implementierten Algorithmen ohne jegliche Optimierung und zum anderen ausgewählte Algorithmen, die in ihrer Umgebungsbedingungen, Implementierung und Berechnungsweise optimiert wurden.

  • implementierte Algorithmen
  • optimierte Algorithmen

Implementierte Positionierungsalgorithmen:

Algorithmus Genauigkeit
25%
Genauigkeit
50%
Genauigkeit
75%
Genauigkeit
95%
Nearest Neighbor in Signal Space
(NNSS)
1,53 m 1,57 m 4,33 m 4,83 m
k-Nearest Neighbor in Signal Space
(k-NNSS)
0,80 m 1,67 m 1,99 m 2,59 m
History Monitoring Algorithmus
(HMA)
History Monitoring Algorithmus + Layout
( HMA2)
1,01 m 1,31 m 1,46 m 2,55 m
Multilayer Perzeptron
(MLP)
2,57 m 2,83 m 3,92 m 6,73 m
Statische Messungen (30) an verschiedenen Positionen
Position 5 Position 8 Position 8
k-NNSS 3 NN HMA 3 NN MLP 5 APs

Optimierte Positionierungsalgorithmen:

Nachfolgend werden Optimierungsmöglichkeiten vorgestellt. Diese werden anhand der zwei Algorithmen, die die besten Ergebnisse erzielten, erklärt.

  • Anzahl Access Points
  • Positionierungsintervall in der Onlinephase
  • Veränderung der Messpunkte
  • Verbesserung des k-NNSS und des HMA
Algorithmus Genauigkeit
25%
Genauigkeit
50%
Genauigkeit
75%
Genauigkeit
95%
k-Nearest Neighbor in Signal Space
(k-NNSS)
0,30 m 1,32 m 1,91 m 1,92 m
History Monitoring Algorithmus + Layout
( HMA2)
0,82 m 1,18 m 1,18 m 1,18 m
Statische Messungen (30) an verschiedenen Positionen
Position 5 Position 8
k-NNSS 3 NN HMA 6 NN

Anzahl Access Points
Eine Erhöhung der Anzahl von Access Points bewirkt eine signifikante Steigerung in der Genauigkeit. Dieser Effekt tritt beim k-Nearest Neighbor in Signal Space sowie beim History Monitoring Algorithmus unter Verwendung des statischen Nutzerprofils auf. Dabei werden die bestmöglichen Ergebnisse aus der Analyse mit steigender Zahl von Access Points verglichen. In nachstehender Tabelle ist eine Verbesserung zwischen drei und sechs Zugriffspunkten um 25 % des k-NNSS zu beobachten.

knnss Verbesserung Anzahl APs

Damit weicht der ermittelte Standpunkt weniger als 1,92 Meter in 95 % aller Fälle von der realen Position ab.

Im Falle des HMA ist eine bedeutende Steigerung der erreichbaren Genauigkeit bei fünf Zu- griffspunkten erkennbar. Aus der nachfolgender Tabelle geht ein Zuwachs um etwa 53 % hervor, was eine maximal Abweichung zur realen Position von 1,18 m bedeutet. Die Steigerung der Anzahl von Zugriffspunkten bringt unterhalb des Prozentsatzes 95 weitere Verbesserungen, jedoch ist mit 1,43 Meter in 95 % aller Fälle eine Verschlechterung um etwa 0,25 Meter des HMA zu erkennen.

HMA Verbesserung Anzahl APs

Weiterführend konnte aus Mangel an Hardware keine Untersuchung über sechs Access Points erfolgen. Es ist jedoch hierbei zu erkennen, das mit steigender Anzahl eine Verbesserung in der Genauigkeit zu erreichen ist.

Positionierungsintervall in der Onlinephase
Durch die Veränderung des Positionierungsintervalls kann eine positive Verbesserung der Positionierungsgenauigkeit erreicht werden. Die Standardmessungen erfolgten jeweils im Intervall von einer Sekunde. Eine Erhöhung auf fünf Sekunden brachte zum Beispiel ein Gewinn von rund 9 % unter Verwendung des k-Nearest Neighbor in Signal Space Algorithmus. In der nachfolgenden Abbildung werden die gewonnenen Ergebnisse am Beispiel des k-NNSS anhand des Prozentsatzes 95 bei drei Access Points veranschaulicht.

knnss Verbesserung Anzahl APs

Hierbei werden weiterhin die Signalstärken im Intervall von einer Sekunde aufgenommen und über einem bestimmten Zeitraum gesammelt. Anschließend wird über die aufgenommenen Messwerte der Median bestimmt und an den Positionierungsalgorithmus übergeben. Somit lassen sich Schwankungen in den Signalstärken besser ausgleichen. In weiteren Versuchen wurde somit eine durchschnittliche Verbesserung der Genauigkeit der jeweiligen Algorithmen um etwa 21 % erreicht.

Veränderung der Messpunkte
In den vorangegangenen Messungen wurden pro Referenzpunkt jeweils 30 Samples gesammelt. Dies hat den Vorteil das Schwankungen der Signalstärken gut ausgeglichen werden können. Somit haben Signalspitzen in den Messungen unter Verwendung des Medians keine Auswirkungen auf das spätere Ergebnis. Würde jedoch nur ein Sample pro Referenzpunkt aufgenommen werden, könnte durch den momentanen Messwert ein verfälschtes Ergebnis entstehen. Dies geht aus den Beobachtungen der Signalstärken hervor, die durchschnittlich um 10 dBm schwanken.

Weiterhin wurden die Abstände zwischen den einzelnen Messpunkten aus der Trainingsphase verändert. Das nachfolgende Diagramm veranschaulicht die Änderungen in der Positionierungsgenauigkeit am Beispiel des k-NNSS Algorithmus.

Verbesserung Messpunkte

Hierbei ist zu sehen, das mit steigendem Abstand die Fehlerdistanz sich signifikant erhöht. Bei einer Distanz von zehn Metern wird eine Abweichung von 4,05 m gemessen. Im gleichen Maße verändert sich die Fehlerdistanz bei Verringerung der Abstände zwischen den einzelnen Messpunkten. Dies ist auf die schlechtere Unterscheidbarkeit der einzelnen Signalprofile zurückzuführen. Die besten Ergebnisse sind im Bereich von zwei bis drei Metern zu erwarten. Hierbei bestätigt sich der gewählte Abstand zwischen den Messpunkten in der Datensammlung mit 2,5 m als gute Wahl.

Verbesserung des k-NNSS und des HMA
Eine Verbesserungsmöglichkeit der beiden Algorithmen k-Nearest Neighbor in Signal Space und History Monitoring Algorithmus kann über den Parameter euklidisches Abstandsmaß und einer gewichteten Interpolation erfolgen.

Aus den Tests ging hervor, dass eine Begrenzung des Abstandsmaßes auf den Wert 15 optimale Ergebnisse lieferte. Der Grundgedanke war es, weit entfernte Referenzmessungen im Vorfeld von der Positionsbestimmung auszuschließen. Weiterhin wurde eine gewichtete Interpolation der ermittelten Koordinaten implementiert. Es handelt sich hierbei um eine einfache Anpassung der gemittelten Positionen durch die Einbeziehung des euklidischen Abstandsmaßes. Hierbei wird dem kleinsten Maß das höchste Gewicht zugeteilt und dem größten dementsprechend das kleinste Gewicht. Hierdurch wird die Verschiebung des ermittelten Standpunktes in die Richtung des Referenzpunktes mit der größten Ähnlichkeit erreicht. Nachfolgendes Diagramm veranschaulicht die Verbesserung aus der Kombination von der Begrenzung und der Interpolation anhand des Prozentsatzes von 95.

Aenderungsdiagramm

Dadurch konnte die Genauigkeit um durchschnittlich 45 % angehoben werden. Somit wurde unter Verwendung von jeweils drei Nachbarn sowie drei Access Points, eine Fehlerdistanz von 1,54 Meter für den k-NNSS und 2,18 Meter für den HMA erreicht.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.