TAILIEUCHUNG - Một kỹ thuật định vị trong nhà bằng WiFi hiệu quả sử dụng học máy kết hợp

Bài viết đề xuất mô hình học tích hợp nhiều mô hình học máy theo hai pha. Pha thứ nhất kết hợp tổ hợp các mô hình phân lớp k-Nearest Neighbor (KNN), Logistic Regression (LR) , Support Vector Machines (SVM) được tổ hợp dữ liệu mới. Pha thứ hai sử dụng một bộ phân lớp trên tổ hợp dữ liệu mới. | Các công trình nghiên cứu phát triển và ứng dụng CNTT và Truyền thông Một kỹ thuật định vị trong nhà bằng WiFi hiệu quả sử dụng học máy kết hợp Ngô Văn Bình1 Vũ Văn Hiệu2 1 Trường Đại học FPT Hà Nội 2 Viện Công nghệ thông tin Viện Hàn lâm Khoa học và Công nghệ Việt Nam Tác giả liên hệ Vũ Văn Hiệu vvhieu@ Ngày nhận bài 21 08 2022 ngày sửa chữa 15 11 2022 ngày duyệt đăng 25 11 2022 Định danh DOI Tóm tắt Trong nghiên cứu này chúng tôi đề xuất mô hình học tích hợp nhiều mô hình học máy theo hai pha. Pha thứ nhất kết hợp tổ hợp các mô hình phân lớp k-Nearest Neighbor KNN Logistic Regression LR Support Vector Machines SVM được tổ hợp dữ liệu mới. Pha thứ hai sử dụng một bộ phân lớp trên tổ hợp dữ liệu mới. Mô hình này được áp dụng trong giai đoạn huấn luyện mô hình. Trong giai đoạn kiểm thử dữ liệu thu từ thiết bị điện thoại được tiền xử lý sau đó dữ liệu được đưa vào mô hình dự báo để ước tính một vị trí tòa-tầng cụ thể trong tòa nhà. Đề xuất được cài đặt và đánh giá trên tập dữ liệu UJIIndoorLoc đạt kết quả dự báo chính xác . Kết quả này cao hơn kết quả của các mô hình sử dụng từng thuật toán thành phần và cũng cao hơn kết quả của các nghiên cứu khác dùng cùng thuật toán và trên cùng tập dữ liệu. Từ khóa dấu vết WiFi cường độ tín hiệu thu-RSS hệ thống định vị trong nhà học máy. Title An Efficient WiFi Indoor Positioning Technique using Combined Machine Learning Abstract In this study we propose a learning model that integrates many machine learning models in two phases. The first phase combines the combination of k-Nearest Neighbor KNN Logistic Regression LR and Support Vector Machines SVM classification models to combine new data. The second phase uses a classifier on the new dataset. This model is applied during the model training phase. During the testing phase the data collected from the mobile device is preprocessed then the data is fed into a predictive model to estimate a specific floor location in the

• Quản trị mạng
• Dấu vết WiFi
• Cường độ tín hiệu thu RSS
• Hệ thống định vị trong nhà
• Mô hình phân lớp k Nearest Neighbor
• Tập dữ liệu UJIIndoorLoc
• Kỷ yếu Hội nghị Quốc gia lần thứ 25
• Hội nghị Điện tử Truyền thông Công nghệ Thông tin
• Định vị trong nhà
• Học máy kết hợp
• Thuật toán rừng ngẫu nhiên