Experimental machine learning for RSSI fingerprint in Indoor WiFi Localization

Conference proceedings article

ผู้เขียน/บรรณาธิการ

กลุ่มสาขาการวิจัยเชิงกลยุทธ์

รายละเอียดสำหรับงานพิมพ์

รายชื่อผู้แต่ง: Koovimol P., Pattaramalai S.

ผู้เผยแพร่: Elsevier

ปีที่เผยแพร่ (ค.ศ.): 2021

หน้าแรก: 1018

หน้าสุดท้าย: 1021

จำนวนหน้า: 4

ISBN: 9780738111278

นอก: 0928-4931

eISSN: 1873-0191

URL: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85112840720&doi=10.1109%2fECTI-CON51831.2021.9454865&partnerID=40&md5=7acc8dd0a835d9a41e72a1654f020953

ภาษา: English-Great Britain (EN-GB)

ดูบนเว็บไซต์ของสำนักพิมพ์

บทคัดย่อ

This research is an experimental machine learning (ML) based on MATLAB simulations using LSTM, BiLSTM, and GRU. All ML operate with three training options, Adam, RMSProp, and SDGM, to analyze Wi-Fi RSSI fingerprint data. Three wireless routers are setup in the same room under three different types of environment leading to get 6 pairs of matching fingerprint data. First, all combinations of MLs and options are simulated for comparing to find the suitable ML. Then some parameters are adjusted to increase the performance. As the result, the ML GRU with RMSProp has a maximum validation accuracy (VA) at 62.86% with minimum loss accuracy (LA) and validation loss (VL) about 0.0020 and 1.8002, respectively. Finally, the parameters adjusting increases VA about 33% and decreases LA and VL about 1.8605 and 2.0947, respectively. © 2021 IEEE.

คำสำคัญ

Wi-Fi Localization