메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김용현 (Electronics and Telecommunications Research Institute)
저널정보
한국측량학회 한국측량학회지 한국측량학회지 제42권 제5호
발행연도
2024.10
수록면
483 - 490 (8page)
DOI
10.7848/ksgpc.2024.42.5.483

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
WiFi 신호강도 기반 실내 위치 결정은 추가적인 전파 신호의 송수신기를 설치하지 않아도 사용할 수 있다는 장점 덕분에 여전히 다양한 분야에서 활용되고 있다. WiFi 신호강도 기반 측위를 위해서는 사전에 WiFi 신호의 전파 강도 분포도가 데이터베이스로 구축되어 있어야 하며, 이러한 데이터는 실제 테이블 형태로 저장된다. 최근 인공지능 기술이 급격히 발전했음에도 불구하고, 이러한 테이블 데이터에 딥러닝을 적용하면 학습이 불안정하고, 측위 정확도 성능은 여전히 기계학습 기반의 회귀 알고리즘이 우수한 것으로 알려져 있다. 본 논문에서는 정교하게 구축된 WiFi 신호강도 분포도를 기반으로 다양한 기계학습 기반 회귀 알고리즘을 적용하여 각 방법론의 장단점을 비교• 분석하였다. Extra Tree Regression, Random Forest, Support Vector Regression, Extreme Gradient Boosting 알고리즘을 적용하였으며, 각 알고리즘의 정확도 성능과 학습 시간을 분석하였다. 실험 결과, 측위 정확도 성능은 Extra Tree Regression이 가장 우수하였으며, 학습 속도는 Extreme Gradient Boosting이 가장 빠른 것으로 나타났다. 본 연구에서 사용된 데이터는 하나의 건물 내 모든 층을 통합하여 x축 좌표, y축 좌표, z축(층)으로 구성되었으며, 대부분의 기계학습 기반 회귀 알고리즘이 평균제곱근 오차 2m 이내로 x축 좌표, y축 좌표를 예측하였을 뿐만 아니라 z 축(층)은 99% 이상의 정확도로 예측하는 것을 확인하였다.

목차

Abstract
초록
1. 서론
2. WiFi 기반 실내 측위 데이터
3. 머신러닝 회귀를 이용한 실내 측위
4. 실험 결과 및 분석
5. 요약 및 결론
References

참고문헌 (18)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-091070066