元智大學資訊工程學系 指導教授:鍾添曜 學生:唐紹謙
DESCRIPTION
A Hybrid System Integrating Signal Analysis and Probabilistic Neural Network for User Motion Detection in Wireless Networks. 元智大學資訊工程學系 指導教授:鍾添曜 學生:唐紹謙. Outline. Introduction Related Works MACD (Moving Average Convergence-Divergence ) MRSS (Momentum of Received Signal Strength) - PowerPoint PPT PresentationTRANSCRIPT
A Hybrid System Integrating Signal Analysis and Probabilistic Neural Network
for User Motion Detection in Wireless Networks
元智大學資訊工程學系指導教授:鍾添曜 學生:唐紹謙
Outline Introduction Related Works
MACD (Moving Average Convergence-Divergence ) MRSS (Momentum of Received Signal Strength) PNN (Probabilistic Neural Network)
Motion Detection with Machine Learning PNN-MSMD (Multiple Sensor-based Motion Detection)
Algorithm Simulations Conclusions and Future Works
Introduction
4G 整合不同的網路技術 , 使用者可以在不同網路中切換網路 , 因此提供一個高品質的換手演算法是重要的研究。
換手演算法分為兩類: 使用固定的無線電接收訊號強度 (Received Signal
Strength ; RSS) 作臨界門檻的方法選擇適當的臨界門檻不易
移動感知偵測的方法 (motion aware method)多半需要額外的硬體設備 (GPS), 和金錢花費 .分析 RSS 變動來偵測移動狀態 , 如 MACD 與 MRSS.
Related Works
MACD 方法 : 快速與慢速的平滑移動平均數 (EWMA) ,計算兩者
之間的差離值 (DIF) 。 以差離值分析無線電訊號接受強度的變動來判別行
動裝置的移動狀態。 EWMA 公式 : 快速的 EWMA 慢速的 EWMA
][]1[)1(][ iARSSiEiE
][]1[)1(][
][]1[)1(][
iARSSiSiS
iARSSiAiA
10
][][][ iSiAiMACD
Related Works (cont.)
MRSS: 不同時間的 EWMA 值的動量變化 計算公式 :
][]1[)1(][ iARSSiEiE
][]1[)1(][ jARSSjEjE ji
][][][ jEiEiMRSS
Related Works (cont.)
SEMALEMA
DIF 0
TimedBm
Time
dBm
ARSS EMA
MRSS0
Time
Time
dBm
dBmInitial time
MRSSi1
i1j1
△t
ij
△t△t
MRSSi
MACD MRSS
Related Works (cont.) PNN 架構
運作方式 :1. 行動終端移動時,將多個 sensor 所量測的 MACD 與 MRSS 值從輸入層輸入 與 做運算,計算欲分類資料的特徵向量對每個樣式的高斯機率密度 函數,其結果輸出到樣式層。2. 樣式層的數值與 做運算,計算各樣式所屬的分類下 的高斯機率密度函數,結果輸出到總結層。3. 總結層中最大機率值的類別為判斷結果。
- 註 : 樣板 : 為輸入層到樣式層的連結加權值 ;MRSS 與 MACD 的變動值,做為 PNN 輸入的學習範例。
為樣式層到總結層的連結加權值 ;MRSS 與 MACD 的移動狀態,做為 PNN 輸入的學習範例。
WeightXP
IP
WeightPY
PO
WeightXP
IP
WeightPY
PO
PNN-MSMD Algorithm 移動狀態分析流程分為四步
驟: Step 1: 從無線網路卡取得無線
電訊號接收強度資訊 (RSS) Step 2: 由 RSS 計算 EWMA 。
10 個 α Step 3.a: 由 EWMA 計算
MACD 。 Step 3.b: 由 EWMA 計算
MRSS 。 Step 4: PNN 使用 MACD 與
MRSS 計算移動狀態的機率。
Motion Detection with Machine Learning
PNN-MSMD Scheme Pattern Selection MACD 與 MRSS 挑選用於 WLAN 與 WiMAX 的樣板所挑選的各別平
滑參數 (α 值 ) 如下 : 在 MRSS 中,所挑選的 α 值為 ={ 0.29 , 0.16 , 0.08 , 0.05 ,
0.04 , 0.02 , 0.01 } 在 MACD 中,所挑選的 <α , β> 各別為
以這些參數將 RSS 計算得到 MACD 與 MRSS 的特徵向量值作為
,實際測量結果當作 。
WeightXP
IP
<0.29, 0.05> <0.29, 0.04> <0.29, 0.02> <0.29, 0.01> <0.16, 0.02>
<0.16, 0.01> <0.08, 0.02> <0.08, 0.01> <0.05, 0.01> <0.04, 0.01>
WeightPY
PO
Motion Detection Based Handoff Algorithm
Start
EWMA calculation
ARSS < THND
Motion Detection withPNN-MSMD
no
no
Approaching State
Leaving State
yes
yes
no
Set Non_ND mode Set ND mode Set SEMI_ND mode
yes
StationaryState
yes
Simulations
Ping-Pong Effect Analysis Handoff Algorithm Analysis
Ping-Pong Effect 實驗的WLAN 拓樸與傳輸範圍
換手實驗分析的 WiMAX 拓樸與 Random Waypoint 移動模式
Ping-Pong Effect Analysis (1/2)
平均移動偵測延遲 平均移動偵測成功率
Ping-Pong Effect Analysis (2/2)
平均耗電量 平均換手次數
Handoff Algorithm Analysis (1/2)
平均移動偵測延遲 平均耗電量
Handoff Algorithm Analysis (2/2)
平均換手次數 平均換手失敗次數
Simulation Deduction
換手次數 耗電能力MACD 高 低
PNN-MSMD 中 中MRSS 低 高
Conclusions and Future WorksConclusions: 本篇論文改良過去的 MRSS 與 MACD 移動偵測方法,提出一個整合訊號分析與
類神經網路 (PNN) 的移動偵測演算法,稱為 PNN-MSMD 。 PNN-MSMD 改善
- 更準確地判定換手的適當時機,並提升換手的效能- 避免換手過慢而造成斷線與減少電力的消耗- 在適當時機,開啟介面,尋找更好的無線網路環境
Future Works: PNN 分類的準確度,與輸入的樣板的數量與樣板選擇的好壞有直接關係 未來的研究目標將朝向發展演化式的樣板選擇方法,以繼續改良機率類
神經網路的學習成效,提升換手演算法效能。
Simulation EnvironmentWireless Environment WLAN WiMAX
Cell Radius (m) 100 2000
Frequency (Hz) 2.472e9 2.5e9
Path Loss Exponent 4 3.5
Shadowing Deviation (dB) 4 4
Transmitter Antenna Height (m) 1 32
Receiver Antenna Height (m) 1 1.5
Tx Power (dBm) 22 40
Transmitter Antenna Gain (dB) 1 15
Receiver Antenna Gain (dB) 1 1
Rx Sensitivity (dBm) -101 -101
Sampling Interval (s) 0.05 0.05
Sampling Size 6 12
Parameters for the Handoff Performance Evaluation In WIMAX
Thanks. Q&A