Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Μεταπτυχιακής Εργασίας κ. Αλιμπέρτη Εμμανουήλ - Σχολή ΗΜΜΥ

  • Συντάχθηκε 01-08-2014 16:02 από Esthir Gelasaki Πληροφορίες σύνταξης

    Email συντάκτη: egelasaki<στο>tuc.gr

    Ενημερώθηκε: -

    Ιδιότητα: υπάλληλος.
    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Μεταπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

    ΕΜΜΑΝΟΥΗΛ ΑΛΙΜΠΕΡΤΗ

    με θέμα

    Smart Sensors of RF and Backscatter Signals with Localization

    Τρίτη 5 Αυγούστου 2014, 9πμ
    Αίθουσα 137.Π39, Κτίριο Επιστημών, Πολυτεχνειούπολη

    Εξεταστική Επιτροπή

    Αναπληρωτής Καθηγητής Άγγελος Μπλέτσας (επιβλέπων)
    Αναπληρωτής Καθηγητής Γεώργιος Καρυστινός
    Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης


    Περίληψη

    Η πληροφορία μπορεί να είναι χρησιμότερη όταν η τοποθεσία της πηγής της είναι γνωστή. Η δουλειά αυτή αναπτύσσει αλγορίθμους εντοπισμού θέσης, χρησιμοποιώντας μετρήσεις ισχύος λαμβανόμενου σήματος για άγνωστες πηγές ραδιοσυχνοτήτων και διστατικά ραδιόφωνα σκέδασης (αισθητήρες). Στα πλαίσια αυτής της εργασίας αναπτύσσεται αλγόριθμος εκτίμησης θέσης ραδιοσυχνοτικής πηγής με μετρήσεις λαμβανόμενης ισχύος σήματος από μία κοινότητα χρηστών έξυπνων κινητών τηλεφώνων, με απόσταση 800 μέτρων ή και περισσότερο από τη πηγή. Ο αλγόριθμος εκτίμησης θέσης ενσωματώνει την προσεκτική μοντελοποίηση της χρονομεταβαλόμενης φύσης της εκπεμπόμενης από τη πηγή ισχύος, τη μοντελοποίηση κατευθηντικότητας της κεραίας της πηγής (ακόμη και με ένα απλό μοντέλο 4 παραμέτρων) καθώς και διαφορετικούς συντελεστές εξασθένισης σήματος για κάθε κανάλι επικοινωνίας των χρηστών και της πηγής. Ακόμη πιο σημαντικό, ένα πολύ μεγάλο πλήθος μετρήσεων συλλέγεται και χρησιμοποιείται μέσω μίας αυτοματοποιημένης πλατφόρμας-κοινότητας έξυπνων κινητών τηλεφώνων. Επιτυγχάνονται σφάλματα εκτίμησης θέσης της τάξης των 50 μέτρων ακόμη και όταν οι χρήστες βρίσκονται σε απόσταση 800 μέτρων ή και περισσότερο από τη πηγή. Επιπροσθέτως, αναπτύσσεται αλγόριθμος εντοπισμού θέσης για το διστατικό κανάλι πολλαπλών εισόδων και μοναδικής εξόδου. Ο αισθητήρας σκέδασης εξυπηρετείται από πολλαπλούς εκπομπούς σήματος χαμηλού κόστους που λειτουργούν διαδοχικά. Ακολουθεί πειραματική επιβεβαίωση του προτεινόμενου αλγορίθμου και παρουσιάζονται σφάλματα της τάξης των τριών μέτρων στην εκτίμηση θέσης του αισθητήρα για τοπολογίες 70 x 70 μέτρα. Οι δύο παραπάνω αλγόριθμοι εκτίμησης θέσης πάνω σε πραγματικά δεδομένα χρησιμοποιούν μη παραμετρικές τεχνικές εκτίμησης που βασίζονται σε φίλτρα σωματιδίων.
    Abstract

    Information may be more valuable when the location of its source is known. This thesis develops localization algorithms based on received signal strength (RSS) measurements for unknown radio frequency (RF) sources and bistatic scatter radio tags (sensors). This thesis demonstrates RF source location estimation utilizing RSS measurements by a community of smartphone users, within 800m (or more) from the source. The location estimation algorithm incorporates careful modeling of the time-varying source transmission power, source antenna directionality (even with a single 4-parameter model) and different path loss exponents among the various source-user links. More importantly, a vast number of measurements is collected and exploited through an automated community of smartphones. Location estimation error on the order of 50m is achieved, even when users are within 800m or more from the RF source. Furthermore, multiple input single output RSS localization for bistatic scatter radio is also considered. The RF scatter radio tag is illuminated by multiple low-cost carrier emitters, operating consecutively. Experimental validation of the proposed algorithm reports localization error on the order of 3m for tag and emitters placed at an area of 70m x 70m. Both estimation algorithms on real-world data exploit non-parametric estimation based on particle filtering.

© Πολυτεχνείο Κρήτης 2012