2 results
Search Results
Now showing 1 - 2 of 2
Article Citation - WoS: 6Citation - Scopus: 7A Simplified Method Based on Rssi Fingerprinting for Iot Device Localization in Smart Cities(Ieee-inst Electrical Electronics Engineers inc, 2024) Dogan, Deren; Dalveren, Yaser; Kara, Ali; Derawi, MohammadThe Internet of Things (IoT) has significantly improved location-based services in smart cities, such as automated public transportation and traffic management. Estimating the location of connected devices is a critical problem. Low Power Wide Area Network (LPWAN) technologies are used for localization due to their low power consumption and long communication range. Recent advances in Machine Learning have made Received Signal Strength Indicator (RSSI) fingerprinting with LPWAN technologies effective. However, this requires a connection between devices and gateways or base stations, which can increase network deployment, maintenance, and installation costs. This study proposes a cost-effective RSSI fingerprinting solution using IQRF technology for IoT device localization. The region of interest is divided into grids to provide training locations, and measurements are conducted to create a training dataset containing RSSI fingerprints. Pattern matching is performed to localize the device by comparing the fingerprint of the end device with the fingerprints in the created database. To evaluate the efficiency of the proposed solution, measurements were conducted in a short-range local area ( $80\times 30$ m) at 868 MHz. In the measurements, four IQRF nodes were utilized to receive the RSSIs from a transmitting IQRF node. The performances of well-known ML classifiers on the created dataset are then comparatively assessed in terms of test accuracy, prediction speed, and training time. According to the results, the Bagged Trees classifier demonstrated the highest accuracy with 96.87%. However, with an accuracy of 95.69%, the Weighted k-NN could also be a reasonable option for real-world implementations due to its faster prediction speed (37615 obs/s) and lower training time (28.1 s). To the best of the authors' knowledge, this is the first attempt to explore the feasibility of the IQRF networks to develop a RSSI fingerprinting-based IoT device localization in the literature. The promising results suggest that the proposed method could be used as a low-cost alternative for IoT device localization in short-range location-based smart city applications.Master Thesis Bilişsel Radyo Uygulamaları için Yüksek Düzey Kümülant Tabanlı Sınıflandırma(2023) Al-sudanı, Haıder Jalıl Sahıb; Dalveren, Yaser; Thabit, Ahmed A.Modern iletişim sistemleri, kablosuz teknoloji uygulamalarındaki büyük gelişme nedeniyle çok hızlı değişikliklere tanık olmuştur. Bu gelişmeler spektrumun kıtlığına ve verimsizliğine neden olmuştur. Bilişsel Radyo (BR), yüksek spektral verimliliği korumak ve spektrum kıtlığını tedavi etmek için en iyi çözümlerden biri olarak önerilmektedir. BR, kanal yetkili kullanıcısının spektrum kanalını ihtiyaçlarının dışında kaldığında yetkisiz kullanıcıya kullanabilmesi için tahsis eder. Fakat spektrum paylaşımı sinyal paraziti olmadan tamamlanmalıdır. Bu nedenle, BR, frekans spektrumunun düzgün yönetimi ve parazitten kaçınma için birçok algılama tekniğine sahiptir. Başlıca algılama teknikleri; Enerji Algılama (EA), Eşleştirilmiş Filtre Algılama (EFA) ve Özellik Tabanlı Algılama (ÖTA) olarak sınıflandırılabilir. Genel olarak algılama tekniklerinin özellikleri irdelendiğinde uygulama alnına göre her birinin avantajları ve sınırlamaları olduğu söylenebilir. Bu tezde, bir ÖTA için makine öğrenmenin kullanıldığı yeni bir yöntem önerilmiştir. Önerilen yöntemin etkinliğinin değerlendirilebilmesi için bir MATLAB ortamında benzetimler gerçekleştirilmiştir. Bu amaçla, öncelikle çeşitli gürültülü kanallarla farklı modülasyon şemaları oluşturulmuştur. Daha sonra, gürültülü kanallarındaki bozuk sinyallerden yüksek dereceli momentlerin ve kümülantların çıkarılması sağlanmıştır. Bu özellikler, sinyal ve gürültüyü ayırt etmedeki güçlerine göre seçilmiştir. Tespit sonuçları, destek vektör makine (DVM) sınıflandırıcısında kullanılarak dedektörden elde edilen tespit olasılıkları (Pd) hesaplanmıştır. En yüksek Pd değerinin, istatistiksel tespitte 3 yüksek dereceli kümülant ile elde edilebileceği gösterilmiştir. Aynı Pd değeri, işlenen veri miktarını azaltan ve detektör karmaşıklığını basitleştiren 1 yüksek dereceli kümülant ile DVM sınıflandırıcısı kullanılarak elde edilebilmektedir.
