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