Отслеживание местонахождения пользователя с помощью нейронных сетей

Скворцов Павел Дмитриевич – курсант Московского университета МВД России имени В.Я. Кикотя.

Путилов Артур Олегович – старший преподаватель кафедры Информатики и математики Московского университета МВД России имени В.Я. Кикотя.

Аннотация: Статья посвящена решению задачи отслеживания местонахождения пользователя с помощью нейронных сетей. Местоположение является одной из контекстуальных переменных, наиболее подходящих для проектирования контекстно-зависимых вычислительных систем. Эти приложения должны знать физическое местоположение пользователей, чтобы предоставлять информацию, относящуюся к их положению. Радиочастотные (РЧ) сигналы, принимаемые мобильными устройствами, могут быть измерены для получения уровня сигнала. Эти сигналы могут использоваться для оценки приблизительного местоположения пользователя. В этой статье мы рассмотрим особенности, отслеживания местонахождения пользователя с помощью нейронных сетей основанные на повторяющихся нейронных сетях, для определения местоположения пользователя. Подход использует информацию из предыдущих оценок местоположения для решения проблемы непрерывного отслеживания пользователей. Это означает, что мы используем преимущества траектории пользователя, чтобы уменьшить внутреннюю ошибку, заставляющую пользователя «прыгать» между двумя местами, разделенными большими расстояниями.

Ключевые слова: Информатика, нейро информатика, местонахождение, пользователь, планирования траектории, нейронные сети, радиочастотные сигналы, контекстно-зависимые вычисления.

Контекстно-зависимые вычисления - это способность приложения адаптировать свое поведение к различным ситуациям и действовать в зависимости от контекста использования.

Местоположение является одним из наиболее важных аспектов, необходимых для понимания контекста мобильных пользователей. Местоположение становится полезной индексной информацией, из которой можно вывести общий контекст, который система будет использовать для предоставления услуг и информации мобильным пользователям.

Кроме того, мобильные пользователи постоянно меняют свой контекст, прежде всего свое местоположение. Это особенно верно в условиях больницы, где персонал постоянно перемещается, и выполняемые ими действия сильно зависят от их местоположения. Например, доступ к записям пациента наиболее важен, когда он стоит возле кровати пациента [7]. Кроме того, ресурсы, такие как клинические записи, лабораторные результаты или устройства, сильно распределены, и люди тратят время на их отслеживание.

В этой работе мы рассмотрим использование периодических нейронных сетей для определения положения статического пользователя, а также движущегося пользователя. Мы собираем значения уровня сигнала из нескольких точек доступа и обучаем рекуррентную нейронную сеть для отображения уровня сигнала в двухмерные координаты.

Нейронные Сети – богатая, современная, мощная и чрезвычайно быстрая среда анализа нейросетевых моделей. Методологии нейронных сетей получают все большее распространение в самых различных областях деятельности от фундаментальных исследований до практических приложений анализа данных, бизнеса, промышленности и др.

Преимущество этого подхода заключается в том, что его можно использовать не только для поиска пользователей, но и для их отслеживания. При этом этот метод более терпим к изменениям уровня сигнала, вызванным условиями окружающей среды, над которыми пользователь не имеет никакого контроля.

Мы предлагаем использовать Рекуррентные Нейронные Сети (RNN), в частности Elman Networks, для отображения силы сигнала на 2D-координаты, а также, чтобы уменьшить ошибку, заставляющую пользователя «перепрыгивать» между двумя удаленными точками за несколько секунд из-за внезапных изменений на уровне сигнала, захваченного мобильным устройством.

Нейронная сеть - это контролируемая непараметрическая модель, которая учится на учебных примерах, которые они могут научить отображать входные последовательности (уровень сигнала) в выходные последовательности (2D-координаты).

После обучения нейронную сеть можно использовать для классификации входящих шаблонов в помеченные классы [4]. В принципе, они также могут реализовать практически любое последовательное поведение, которое делает их многообещающими для робототехники, распознавания речи, музыкальной композиции, внимательного видения и многих других приложений.

Сеть Эльмана обычно представляет собой двухслойную сеть с обратной связью от выхода первого уровня до входа первого уровня [1]. Это повторяющееся соединение позволяет сети Elman обнаруживать и генерировать изменяющиеся во времени шаблоны. Двухслойная сеть Элмана показана на рисунке 1.

1

Рисунок 1. Упрощенная сеть Элмана.

Сеть Элмана имеет нейроны нелинейных (сигмоидальных) функций в своем скрытом (рекуррентном) слое и линейную функцию в своем выходном слое. Эта комбинация особа тем, что двухслойные сети с этими передаточными функциями могут приближаться к любой функции (с конечным числом разрывов) с произвольной точностью.

Обработка сетей Эльмана состоит из следующей последовательности событий: в момент времени t блоки ввода получают первые входные данные в последовательности. И единицы ввода, и единицы контекста активируют скрытые единицы; и затем скрытые единицы передают вперед, чтобы активировать выходные единицы. Скрытые юниты также дают обратную связь для активации контекстных юнитов. Если при сравнении выходных данных с входными данными учителей не представлено никакого обучения, ошибка возвращается обратно, и силы (веса) корректируются. На следующем шаге времени t + 1 вышеуказанная последовательность повторяется.

На этот раз контекстные единицы содержат значения, которые являются точно скрытыми единицами в момент времени t, то есть создается слой копирования. Эти контекстные блоки затем обеспечивают сетевую память [5].

Основное различие между обычными двухслойными сетями и сетью Элмана состоит в том, что первый уровень имеет рекуррентное соединение. Задержка в этом соединении хранит значения из предыдущего временного шага t-1, которые могут быть использованы в текущем временном шаге t. Поскольку сеть может хранить информацию для дальнейшего использования, она может изучать временные и пространственные структуры. Сеть Элмана может быть обучена реагировать и генерировать оба вида паттернов.

На рисунке 1 показана упрощенная сеть Элмана, которую мы использовали для оценки местоположения стационарного пользователя, то есть этот подход не учитывает прошлые оценки. Уровень сигнала от каждой точки доступа (AP) представляется на входной уровень. Мы использовали один слой и две единицы вывода, представляющие координаты X и Y расположение.

В этой статье мы представили подход, основанный на повторяющихся нейронных сетях, для определения местоположения пользователя по значениям уровня сигнала. В будущих исследованиях следует обратить внимание на проблему непрерывного отслеживания пользователей и изучить способ решения этой проблемы, основанный также на использовании нейронных сетей.

Список литературы

  1. Бахл П., А. Балачандран, В.Н. Падманабхан, «Усовершенствования системы обнаружения и отслеживания пользователей RADAR», технический отчет Microsoft Research, февраль 2000 г.
  2. Баттити Р. Методы обучения первого и второго порядка: между наискорейшим спуском и методом Ньютона. Нейронные вычисления. 4, нет. 2, с. 141-166, 1992.
  3. Епископ С. М., Нейронные сети для распознавания образов. Издательство Оксфордского университета, 1995.
  4. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры» / П.Г. Круг – М.: Издательство МЭИ, 2002. – 176 с.
  5. Акулов П.В. Решение задач прогнозирования с помощью нейронных сетей / Акулов Павел Владимирович [Электронный ресурс] – Режим доступа: www.dgtu.donetsk.ua.
  6. Оссовский С. Нейронные сети для обработки информации / Станислав Осовский. Пер. с польского И.Д. Рудинского. — М.: Финансы и статистика, 2002. - 344 с.
  7. Кальченко Д. Нейронные сети: на пороге будущего / Даниил Кальченко // КомпьютерПресс - 2005. - N1. [Электронный ресурс] – Режим доступа: www.compr.ru.

Интересная статья? Поделись ей с другими: