Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...
Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...
Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Abbildung 4: Drei Fingerabdrücke aus drei verschiedenen Räumen. Die Räume 2212 und 2214 liegen<br />
nebeneinander. Raum 2152 ist weiter entfernt. Die Farben der Signale stellen die verschiedenen<br />
Access Points dar. Quelle: [PBL09]<br />
erinnern soll. Zudem ist das System Nutzerfreundlicher, da die Nutzer nicht direkt ihren<br />
aktuellen Standort benennen sollen, sondern dies später erledigen können [PBL09].<br />
Nachdem die Daten von dem System aufgenommen wurden, kommt der Schritt der Verarbeitung<br />
dieser Daten. Hierbei finden Werkzeuge der Klassifizierung Verwendung, auf die<br />
im Folgenden eingegangen werden soll.<br />
3.2 k-Nearest Neighbor Search (kNN)<br />
Schon im Jahr 2000 beschrieben Bahl und Padmanabhan RADAR, ein System, um mobile<br />
Geräte in Gebäuden mittels W-Lan zu lokalisieren [BP00]. Sie verteilten dazu auf einem<br />
Stockwerk drei Basisstaionen mit bekanntem Ort. Die mobilen Geräte, die sich in dem Gebiet<br />
bewegten, sendeten dabei ständig Pakete an die Basisstationen. Dabei unterteilte sich<br />
das Experiment in zwei Teile: Im off-line-Teil sollten Fingerabdrücke auf dem Stockwerk<br />
erstellt werden, während im real-time-Teil die Position der Nutzer bestimmt werden sollte.<br />
Eine Basisstation maß bei jedem eingehenden Signal die Signalstärke und hielt den Zeitpunkt<br />
fest. Im off-line-Teil wurde zudem von den Nutzern verlangt ihre Position auf einer<br />
Karte des Areals zu markieren. Hiermit wurden die Fingerabdrücke der Funksignale mit<br />
Positionsinformationen verbunden.<br />
Im real-time-Testlauf vergleichen die Forscher die Signalstärken der Nutzer am aktuellen<br />
Punkt mit den gemessenen Fingerabdrücken. Ein Fingerabdruck, bei dem ähnliche<br />
Signalstärken gemessen wurden, ist vermutlich auch nahe an dem Punkt, an dem sich<br />
der Nutzer aktuell befindet (nearest neighbor). Um dieses Verfahren noch zu verbessern<br />
erweiterten sie die Methode und verwendeten den k-Nearest Neighbor Search (kNN) Algorithmus.<br />
Hierbei wird nicht nur ein Nachbar, sondern werden k Nachbarn gesucht. Somit<br />
wird es möglich, einen vermuteten Punkt zu finden der näher am tatsächlichen Punk ist,<br />
als es einer der Nachbarn wäre. Abbildung 5 verdeutlicht dies [BP00].