Localization of mobile devices using machine learning

Aleš Calábek

Bakalářská práce

Anotace:

Tato práce zkoumá potenciál strojového učení v oblasti GSM lokalizace na základě síly přijímaného signálu v městském prostředí. Cílem bylo zhodnotit dva algoritmy, Support Vector Machine a Multilayer Perceptron, a porovnat jejich výsledky s dalšími metodami lokalizace. Modely byly ohodnoceny na datech, která jsem nasbíral v Brně pomocí aplikace Molotras. Ukazuji, že modelování šíření signálu pomocí zkoumaných algoritmů neposkytuje výhodu oproti tradičním metodám z důvodu přílišného šumu v datech způsobeného budovami, které signál blokují. Na závěr navrhuji jiný přístup využití neuronových sítí, který pracuje na principu metody fingerprintingu.

Abstract:

This thesis examines the potential of machine learning for GSM positioning based on received signal strength in urban environments. The goal was to assess two algorithms, namely Support Vector Machine and Multilayer Perceptron, and compare their performance to other localization techniques. The models were evaluated on data collected in the city of Brno, Czech Republic using the scanner application Molotras. I show that modelling signal propagation using the studied algorithms does not provide an advantage over traditional methods due to excessive noise in the data caused by buildings blocking the signal's path. Finally, I propose an alternative approach to using neural networks that works on the principle of fingerprinting.

Keywords

localization, GSM, RSSI, machine learning, Support Vector Machine, Multilayer Perceptron

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 26. 5. 2020

Obhajoba závěrečné práce

• Obhajoba proběhla 26. 6. 2020
• Vedoucí: Mgr. Adam Janovský
• Oponent: RNDr. Dušan Klinec

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Umělá inteligence a zpracování přirozeného jazyka