[Talk-it] OpenCellID Reti neurali e RSSI

Federico Cozzi f.cozzi at gmail.com
Thu Feb 12 16:25:45 GMT 2009


2009/2/12 Roberto Navoni <r.navoni at radionav.it>:
> ho letto con attenzione le tue valutazioni sugli algoritmi da utilizzare
> per valutare la posizione in relazione ad una serie di misure ... Io

Non dirmi che sei cascato nelle stupidate che ho scritto ;-)

> sto' sviluppando un sistema che effettua il log del livello di segnale
> ricevuto da una singola cella , l'id della cella e la posizione gps in
> cui è stata effettuata la lettura di quel dato . Premetto che su alcuni
> dispositivi è possibile effettuare letture multiple quindi piu' celle
> con piu' segnali ed un'unica posizione GPS.

Non sapevo dell'esistenza di strumenti così raffinati. In effetti la
misurazione, oltre che del CellID agganciato, anche della sua
intensità e di altri CellId nei dintorni aumenta di tantissimo i dati
raccolti e la precisione.

Premetto che non conosco le reti neurali né l'RSSI (la pagina wiki di
quest'ultima sigla è un po' scarna).
Personalmente non mi piacciono le reti neurali perché hanno sempre
quell'aura di magia: metti dentro un po' di dati e poi forse
funziona...

Con i tuoi strumenti forse userei l'approccio che citavo all'inizio,
cioè quello della famiglia di distribuzioni di probabilità: tu con una
sola "lettura" in pratica ricostruisci tutta la distribuzione in quel
punto, perché senti tutti i CellID con le relative intensità.
Le tue "celle" in realtà non sono più dei polygon (cioè qui sono nella
cella 1, qua sono nella cella 2) ma delle colorazioni dello spazio con
differenti intensità di colore (cioè qui sento bene la cella 1 e la
cella 2, qua sento peggio la 1 ma meglio la 2).
Il problema è che non campionerai tutti i punti dello spazio: dai
punti campionati devi risalire alla colorazione di tutti gli altri
punti dello spazio.

Mi vengono in mente vari modi:
1. rete neurale: della serie "non so come fare, agito la bacchetta e spero" ;-)
2. approccio geometrico: ho una serie di punti colorati, provo qualche
costruzione geometrica (ad es. inviluppo convesso)
3. approccio probabilistico: vedi qui sotto

Con l'algoritmo EM
(http://en.wikipedia.org/wiki/Expectation-maximization_algorithm)
dalle misure puoi ricostruire la posizione delle antenne e le relative
intensità.
In particolare:
http://en.wikipedia.org/wiki/Expectation-maximization_algorithm#Example:_Gaussian_Mixture
I parametri che stiamo cercando sono la posizione delle antenne (mean)
e la relativa intensità (standard deviation). Con l'algoritmo EM puoi
stimarli.
A questo punto hai un modello statistico della rete delle antenne (che
magari non c'entra niente con la realtà), che è l'analogo della tua
rete neurale dopo la fase di apprendimento.

Quando poi fai una nuova misura e vuoi sapere dove sei, applichi il
criterio di massima likelihood al modello statistico e alla misura che
hai appena effettuato. (L'analogo del tuo "eseguire" la rete neurale)

In tutto questo incroci le dita, perché la matematica coinvolta non è
da premi Nobel ma richiede comunque un po' di esperienza (io stesso
sono laureato in matematica e non riesco a capire fino in fondo quello
che ho detto...)

> Che ne dici ?

In bocca al lupo con le reti neurali, non ci credo ma probabilmente
funzionano meglio delle boiate che sostengo io :-)

Ciao




More information about the Talk-it mailing list