Multidimensional scaling in indoor positioning

Tässä diplomityössä tutkitaan langatonta lähiverkkoa (WLAN, Wireless Local Area Network) hyödyntävää sisätilapaikannusta bayesilaisen päättelyn ja moniulotteisen skaalauksen avulla. RSS-skannaus on joukko WLAN-signaalinvoimakkuusmittauksia, joille kullekin on identifioitu yksikäsitteinen signaalin lähde eli MAC-osoite. Tässä työssä RSS-skannauksille pyritään etsimään moniulotteisen skaalauksen avulla sellainen koordinaattiesitys, joka vastaisi mahdollisimman hyvin mittapisteiden todellisia sijainteja. Skannausten välisiä etäisyyksiä arvioidaan hyödyntämällä bayesilaista päättelyä. Analyysimenetelmiä testataan simulaatiokokeilla. Moniulotteisen skaalauksen avulla alkioille voidaan ratkaista optimaaliset koordinaatit, kun niiden väliset erilaisuudet tunnetaan. Työssä esitellään koordinaattimuunnosalgoritmi, jota käyttämällä koordinaattien väliset suhteelliset etäisyydet eivät muutu. Bayesilaisessa päättelyssä posterioritodennäköisyyteen vaikuttaa havaintoaineiston informaatio sekä subjektiivinen ennakkotieto tapahtumasta. Tässä työssä bayesilaisen päättelyn hyödyntämä aineisto muodostetaan simuloimalla signaalinvoimakkuusmittauksia virtuaaliseen huoneeseen signaalin vaimenemismallin mukaisesti. Aineistosta muodostetaan todennäköisyystiheysfunktioita ydinestimoinnin avulla. Kun yksittäiset RSS-skannaukset kattavat riittävän monta signaalinvoimakkuusmittausta tukiasemista, jotka ovat sijoittuneet vaihtelevasti eri puolelle huonetta ja sen lähiympäristöä, löydetään bayesilaista päättelyä hyödyntävällä analyysimenetelmällä useimmissa tapauksissa RSS-skannauksille koordinaatit, jotka kuvaavat mittapisteiden todellisia sijainteja. Tapauksissa, joissa signaalinvoimakkuusmittauksia saadaan vain muutamasta tukiasemasta, ei bayesilaisen etäisyysestimoinnin ja moniulotteisen skaalauksen yhdistelmistä ole hyötyä ongelman ratkaisemiseksi.