Localisation à base d'empreintes radios (fingerprinting): méthodes robustes de positionnement pour les terminaux cellulaires

• Main Author: Arya, Azin
• Language: ENG
• Published: Télécom ParisTech 2011
• Subjects: [INFO:INFO_NI] Computer Science/Networking and Telecommunication; Réseaux cellulaires Localisation à base d'empreintes radios Machine Learning Analyse de cluster Données manquantes
• Online Access: http://pastel.archives-ouvertes.fr/pastel-00671865; http://pastel.archives-ouvertes.fr/docs/00/67/18/65/PDF/joined_document.pdf

Ces dernières années, les services basés sur la position (Location Based Services, LBS) ont attiré l'attention des opérateurs mobiles et autres acteurs des télécommunications. L'un des intérêts des opérateurs mobiles dans le contexte de LBS est d'offrir aux abonnés une localisation précise, durable et d'un coût peu élevé. Une méthode éventuelle qui peut répondre à ces besoins, est la méthode de "localisation basée sur les empreintes radios " (Location Fingerprinting, LFP). La méthode LFP exploite les réseaux radios existants, comme les réseaux cellulaires, ou les WLANs. La méthode profite des mesures génériques qui sont disponibles à partir des interfaces radios, et permet donc une localisation à bas coûts.La méthode n'exige pas une grande consommation d'énergie, car elle profite des mesures radios génériques qui se font régulièrement au sein du terminal. La première partie principale de cette thèse concerne la compression de la base de données radio, dans les systèmes de LFP. Nous avons proposé d'effectuer cette compression en appliquant une technique de Clustering pendant la phase d'apprentissage. A cette égard, nous avons développé un algorithme de clustering, bien adapté à la structure des empreintes radios dans la base. Dans la deuxième partie principale de cette thèse, nous avons abordé le sujet du traitement des données manquantes dans les bases de données radio. Une approche systématique a été développée, où on distingue le modèle pour les données complètes, et le modèle pour le mécanisme d'effacement. Ainsi, un algorithme de localisation basé sur le Maximum de Vraisemblance, et une technique de Multiple Imputation sont développés, qui traitent les données manquantes pendant la phase de localisation et la phase d'apprentissage.