УНИВЕРЗИТЕТ У НОВОМ САДУ

ФАКУЛТЕТ ТЕХНИЧКИХ НАУКА

УНИВЕРЗИТЕТ У НОВОМ САДУ

ФАКУЛТЕТ ТЕХНИЧКИХ НАУКА

НОВИ САД

Департман за рачунарство и аутоматику

Одсек за рачунарску технику и рачунарске комуникације

ЗАВРШНИ (BACHELOR) РАД

Кандидат: Душан Ненадић

Број индекса: 12752

Тема рада: Пасивна детекција присуства људи на основу анализе радио сигнала паметних утичница

Ментор рада: Проф. др Драган Кукољ

Нови Сад, јун, 2012

УНИВЕРЗИТЕТ У НОВОМ САДУ ФАКУЛТЕТ ТЕХНИЧКИХ НАУКА

21000 НОВИ САД, Трг Доситеја Обрадовића 6

КЉУЧНА ДОКУМЕНТАЦИЈСКА ИНФОРМАЦИЈА

Редни број, РБР:

Идентификациони број, ИБР:

Тип документације, ТД: Монографска документација

Тип записа, ТЗ: Текстуални штампани материјал

Врста рада, ВР: Завршни (Bachelor) рад

Аутор, АУ: Душан Ненадић

Ментор, МН: Проф. др Драган Кукољ

Наслов рада, НР: Пасивна детекција присуства људи на основу анализе радио сигнала паметних утичница

Језик публикације, ЈП: Српски / латиница

Језик извода, ЈИ: Српски

Земља публиковања, ЗП: Република Србија

Уже географско подручје, УГП: Војводина

Година, ГО: 2012

Издавач, ИЗ: Ауторски репринт

Место и адреса, МА: Нови Сад; трг Доситеја Обрадовића 6

Физички опис рада, ФО: (поглавља/страна/ цитата/табела/слика/графика/прилога)

7/37/19/0/19/0/0

Научна област, НО: Електротехника и рачунарство

Научна дисциплина, НД: Рачунарска техника

Предметна одредница/Кqучне речи, ПО: Радио сигнали, индикатор примљене снаге сигнала, PCA, CCIPCA, IEEE 802.15.4, TI CC2530, пасивна детекције човека

УДК

Чува се, ЧУ: У библиотеци Факултета техничких наука, Нови Сад

Важна напомена, ВН:

Извод, ИЗ: У овом раду ће бити приказано коришћење инкременталног поступка анализе базних компоненти (CCIPCA) снаге радио сигнала примењених на бежичну сензорску мрежу за надзор окружења и детекцију присуства људи.

Датум прихватања теме, ДП:

Датум одбране, ДО:

Чланови комисије, КО: Председник: Проф. Мирослав Поповић

Члан: Проф. Јелена Ковачевић Потпис ментора

Члан, ментор: Проф. Драган Кукољ

UNIVERSITY OF NOVI SAD FACULTY OF TECHNICAL SCIENCES

21000 NOVI SAD, Trg Dositeja Obradovića 6

KEY WORDS DOCUMENTATION

Accession number, ANO:

Identification number, INO:

Document type, DT: Monographic publication

Type of record, TR: Textual printed material

Contents code, CC: Bachelor Thesis

Author, AU: Dušan Nenadić

Mentor, MN: Dr Dragan Kukolj

Title, TI: Passive human presence detection by using analysis of the radio signals between smart power outlets.

Language of text, LT: Serbian

Language of abstract, LA: Serbian

Country of publication, CP: Republic of Serbia

Locality of publication, LP: Vojvodina

Publication year, PY: 2012

Publisher, PB: Author’s reprint

Publication place, PP: Novi Sad, Dositeja Obradovica sq. 6

Physical description, PD: (chapters/pages/ref./tables/pictures/graphs/appendixes)

7/37/19/0/19/0/0

Scientific field, SF: Electrical Engineering

Scientific discipline, SD: Computer Engineering, Engineering of Computer Based Systems

Subject/Key words, S/KW: Radio signals, received signal strength indikator, PCA, CCIPCA, IEEE 802.15.4, TI CC2530, passive human presence detection

UC

Holding data, HD: The Library of Faculty of Technical Sciences, Novi Sad, Serbia

Note, N:

Abstract, AB: This paper proposes the use of the incremental approach for principal components analysis (CCIPCA) of the radio signal strength applied to wireless sensor networks, with the purpose to detect human presence and monitoring.

Accepted by the Scientific Board on, ASB:

Defended on, DE:

Defended Board, DB: President: Miroslav Popović, PhD

Member: Jelena Kovačević, PhD Menthor's sign

Member, Mentor: Dragan Kukolj, PhD

Захвалност

I

Захвалност

Захваљујем се ментору, проф. Драгану Кукољу, на вођењу, стручним и личним

саветима и идејама приликом израде овог рада.

Хвала пуно и Бојану Мразовцу, Бојану Мајсторовићу и Саши Вукосављеву на

издвојеном времену да заједно самном разматрају могућа решења проблема који су се

током рада јављали, као и на помоћи приликом тестирања система.

На крају желим да се захвалим породици, колегама и пријатељима на подршци не

само током израде овог рада, већ и током целокупног времена проведеног на студијама.

УНИВЕРЗИТЕТ У НОВОМ САДУ

ФАКУЛТЕТ ТЕХНИЧКИХ НАУКА

САДРЖАЈ

1. Увод ............................................................................................................................... 5

2. Теоријске основе ........................................................................................................... 7

3. Концепт решења ......................................................................................................... 10

3.1 Дизајн система за откривање човека .................................................................. 10

3.2 Алгоритам детекције присуства ......................................................................... 11

4. Програмско решење ................................................................................................... 18

4.1 UML спецификација решења .............................................................................. 20

4.1.1 Дијаграм случајева употребе (USE CASE дијаграм) ................................... 20

4.1.2 Дијаграм активности ....................................................................................... 22

4.1.2.1 Дијаграм иницијализације система ......................................................... 22

4.1.2.2 Дијаграм рада система у реалном времену ............................................. 23

4.1.3 Дијаграм секвенци ........................................................................................... 24

4.1.4 Дијаграм стања ................................................................................................ 25

5. Резултати ..................................................................................................................... 26

6. Закључак ...................................................................................................................... 32

7. Литература................................................................................................................... 33

Списак слика

III

СПИСАК СЛИКА

Слика 1 – Дизајн система за детекцију човека ......................................................... 10

Слика 2 – Вредности RSSI-a за четири чвора ........................................................... 11

Слика 3 – 3 највеће (доминантне) сопствене вредности ......................................... 14

Слика 4 - Ентропија система по оригиналном алгоритму за ентропију ............... 15

Слика 5 - Ентропија система по измењеном алгоритму ......................................... 16

Слика 6 – Детекција човека ......................................................................................... 20

Слика 7 – Процес детекције човека ............................................................................ 21

Слика 8 - Дијаграм иницијализације система ............................................................ 22

Слика 9 - Дијаграм рада система у реалном времену ............................................... 23

Слика 10 - Дијаграм секвенце ...................................................................................... 24

Слика 11 - Дијаграм стања ......................................................................................... 25

Слика 12 – Изглед просторије ..................................................................................... 26

Слика 13 – Сопствене вредности ............................................................................... 27

Слика 14 – Ентропија система и граница детекције ............................................... 28

Слика 15 – Пропагација грешке .................................................................................. 29

Слика 16 – Изглед просторије ..................................................................................... 29

Слика 17 – Сопствене вредности ............................................................................... 30

Слика 18 – Ентропија система и граница детекције ............................................... 31

Скраћенице

IV

СКРАЋЕНИЦЕ

WSN – Wireless sensor networks, бежична мрежа сензора

RSSI - Received Signal Strength Indicator, индикатор примљене снаге сигнала

SNR – Signal-to-noise ratio, однос сигнал-шум

LQI - Link Quality Indicator, индикатор квалитета везе

PCA – Principal component analysis, анализа базних компоненти

CCIPCA – Candid Covariance-free Incremental Principal Component Analysis,

инкрементална анализа базних компоненти без коришћења коваријансе

UML - Unified Modeling Language, обједињени језик за моделовање

SVD – Singular value decomposition, декомпозиција јединствених вредности

Увод

5

1. Увод

Досадашња истраживања су показала да се бежичне сензорске мреже могу веома

ефикасно користити за детекцију људи и надзор. Поред активних бежичних мрежа,

постоје и пасивне бежичне мреже. Пасивна бежична мрежа је способна да детектује

људе на основу промене снаге сигнала у односу на удаљеност и распоред чворова

детекције. Уласком човека у област која је покривена радио мрежом, његово тело

интерферира са радио сигналима, што се огледа у промени снаге сигнала услед

апсорпције, рефлексије, дифракције и расипања (енг. scattering). Апсорпција је процес

при ком молекули воде, од којих се већином састоји људско тело, одузимају одређени

ниво енергије радио сигналу, који наиђе на њих. Рефлексија се јавља када сигнал током

пропагације кроз средину наиђе на објекат који је веће таласне дужине од сигнала.

Дифракција се јавља када сигнал наиђе на неправилну површину, као што су на пример

оштре ивице. Scattering се јавља када сигнал пропагира кроз средину која садржи више

објеката са мањим таласним дужинама од таласне дужине сигнала који пропагира

У овом раду ће се анализирати промена снаге сигнала изазвана људским

присуством, и потврдити да се такав приступ може искористити као поуздан метод за

надзор у објектима. Алгоритам за детекцију присуства људи се заснива на издвајању

базних компоненти матрице измерених вредности снаге сигнала свих чворова детекције

над којима се анализира сигнална ентропија. Анализа базних компоненти сигнала

(PCA) подиже ниво тачности детекције и повећава укупну робустност система надзора.

Коришћењем бежичних паметних утичница, окружење се визуелно не модификује, а

при томе се уводи одређен ниво интелигенције, задржавајући ниску цену инсталације

система.

Увод

6

“Најбоље примењене технологије су оне које су наочиглед невидљиве“. Реченица

коју је пре двадесетак година изговорио Марк Ваизер (Mark Weiser)[1]. Односи се на

чињеницу да је употреба одређене технологије ефикасна, само ако временом она

постане транспарентна за корисника, а да је при томе увек спремна за интеракцију са

њим. Опремљено низом транспарентних интелигентних уређаја, интелигентно

окружење ће предвидети и задовољити сваку човекову потребу, на ненаметљив и

нештетан начин. Сходно том тренду бежичне сензорске мреже (WSN) представљају

прихватљиво решење.

За разлику од мрежних спрега које су стационарне и предвидиве, простирање

радио таласа је непредвидиво. Особине WSN зависе од правца простирања таласа

између предајника и пријемника. Простирање радио таласа веома варира, посебно у

унутрашњим окружењима где долази до рефлексије или апсорбовања енергије сигнала

од стране зидова, прозора, врата и намештаја. Неправилност простирања радио таласа

је још израженија у случају присуства човека. Присуство човека у области бежичне

мреже резултира већим варијацијама јачине снаге сигнала на пријемнику, при чему је

показано да је степен варијације индикатора снаге сигнала значајно повезан са

степеном физичке активности човека. Дакле, праћењем варијације индикатора снаге

сигнала, могуће је открити присуство човека.

У овом раду је представљен пасивни метод детекције човека заснован на

ентропијској анализи базних компоненти матрице индикатора снаге сигнала. Анализа

базних компоненти повећава ниво тачности са малим процентом лажних детекција и

повећава укупну вероватноћу за откривање човека. Стандардне утичнице се замењују

са бежичним паметним утичницама које визуелно не мењају окружење, али проширују

постојеће електричне инсталације одређеном интелигенцијом. Коришћењем паметних

утичница омогућена је анализа радио сигнала, тако да нема потребе за увођењем нових

сензора за детекцију присуства човека. За комуникацију међу утичницама путем које се

размењују индикатори снаге примљеног сигнала користи се ZigBee протокол (IEEE

802.15.4) [18] посредством TI CC2530 микроконтролера[19].

Остатак рада је организован на следећи начин. У одељку 2 су дате теоријске

основе саме идеје коришћене приликом реализације алгоритма. У одељку 3 је описан

дизајниран систем за детекцију човека, као и начин на који је развијен алгоритам за

детекцију човека. У одељку 4 је описано на који начин је алгоритам програмски

реализован. Потом следе резултати експерименталног тестирања, као и одређени

закључци на основу њих.

Теоријсе основе

7

2. Теоријске основе

Неправилност простирања радио таласа се често сматра недостатком бежичних

сензорских мрежа. То произилази из више фактора, као што су различита емисиона

снага сигнала изазвана подешавањем или несавршеношћу примопредајних уређаја, и

губитака квалитета радио сигнала у зависности од правца простирања, што је

објашњено у [2]. У истраживању [3] аутори су изнели читав низ експеримената из којих

се види да неправилност простирања радио сигнала највише зависи од два фактора:

карактеристика уређаја и пропагационе средине Под карактеристике уређаја спадају:

тип антене, снага предајника, осетљивост пријемника и однос сигнал-шум (SNR).

Карактеристике средине обухватају позадински шум и факторе слабљења снаге сигнала

услед наиласка на објекте на путањи његове пропагације, што доводи до феномена као

што су рефлексија, апсорпција и дифракција радио сигнала. Такође је утврђено да и

променљив ниво јачине батерија, којима се сензори напајају, доводи до варијација у

енергији емитованог сигнала, што резултира различитим снагама сигнала на

пријемнику. Неправилност простирања радио сигнала је још израженија када људско

тело наиђе на сигнал током његове пропагације. Људско тело се састоји од молекула

воде, што значи да је оно у стању да додатно апсорбује, рефлектује или скрене сигнал.

Због тога присуство човека унутар бежичне сензорске мреже резултира већом

варијацијом индикатора примљене снаге сигнала на пријемној страни.

У једном од најранијих истраживања која препоручују примену радио сигнала за

детекцију људског присуства [4], аутори су потврдили да ефекат засенчења сигнала

изазван кретањем човека у видном пољу између два бежична чвора, може бити

искоришћен за детекцију кретања човека. Ли и сарадници [5] су истраживали

изводљивост детекције засноване на варијацији снаге сигнала, и показали да се из тога

Теоријсе основе

8

може извести довољно информација које одговарају активности човека. Метод

детекције човека заснован на разматрању примљене снаге сигнала (RSSI), који је

представљен у [6], потврђује претпоставку да се варијације RSSI-а могу искористити

као индикација присуства човека. Аутори такође потврђују да је индикатор квалитета

везе (LQI) мање значајан за детекцију присуства човека, у форми варијације, него RSSI.

Истраживање представљено у [7] показује да, кроз расподељен процес мерења снаге

сигнала, чворови распоређени у затвореном окружењу могу детектовати упаде људи,

као и евентуално помоћи у локализовању и праћењу кретања појединца. Војна

истраживања, као што су представљена у [8] и [9], предлажу коришћење варијација

RSSI, услед нерегуларности простирања радио таласа, за детекцију опасности на путу,

како би се показала способност коришћења бежичне сензорске мреже и на отвореном.

У неким ранијим истраживањима [10], [11] је предложен алгоритам који је заснован на

варијацији снаге сигнала у циљу детекције присуства или кретања човека у оквиру

стамбеног паметног енергетског система. Анализом одступања (девијације) снаге

сигнала од његове средње вредости, може се одредити опсег слободне варијације снаге

сигнала. У оквиру тог интервала сигнал може варирати, услед карактеристика уређаја

или пропагационе средине, без пријављене детекције. Када човек уђе у дату област,

јачина снаге сигнала прелази раније постављене прагове (енг. threshold), чиме се

детектује његово присуство. Предност оваквог система је у употреби бежичних

паметних утичница које имају проширену функционалност у односу на класичне

утичнице, укључујући могућност детекције. Употреба бежичних паметних утичница

као невидљивих сензора ће бити обрађена и у наставку.

Већина наведених истраживања наводи да постоји могућност да се одређени

временски интервал искористи за иницијализацију и постављање прагова детекције

ради стварање радио слике о окружењу. Такође, увођење нових сензора у систем

захтева додатне модификације алгоритма што захтева додатно ангажовање инжењера.

Представљеним истраживањем број граница детекције ће бити смањен на једну,

робустност система ће бити увећана, а увођење нових сензора неће мењати језгро

алгоритма процесирања.

У овом раду ће бити приказано коришћење анализе базних компоненти сигнала

примењених на бежичну сензорску мрежу. PCA [12], [13] се заснива на смањењу скупа

потребних података и поједностављеном алгоритму детекције. Велики улазни скуп

података се може редуковати у мањи број базних компоненти, уз задржавање довољно

информација о варијацијама оригиналног сигнала. За додатно усредњавање сигнала и

елиминацију кратких и изненадних скокова базних компоненти, који изазивају лажне

Теоријсе основе

9

детекције, уводи се ентропија. Ентропија представља меру неуређености система.

Уласком човека у просторију систем постаје мање уређен чиме се може детектовати

његово присуство. У наредном поглављу ће се приказати како је реализована анализа

базних компоненти као и начин одређивања ентропије система.

Концепт решења

10

3. Концепт решења

3.1 Дизајн система за откривање човека

У истраживању објављеном у [14], представљен је паметан енергетски систем за

употребу у стамбеним објектима. Према предложеном концепту систем се састоји од

кућног контролера, бежичних паметних утичница, паметних прекидача за светло и

одређеног броја сензора који су прикључени на паметну мрежу. На основу

интерпретирања кориснички дефинисане шеме за уштеду енергије повећава се свест о

целокупном окружењу. Повећана свест аутоматизације операције које омогућују

стварање интелигентног амбијента. Примена представљеног алгоритма омогућује да се

детектује људско присуство, што доводи до тога да се класични сензори могу уклонити

уз очување истог нивоа интелигенције. Сам концепт је описан на слици 1.

Слика 1 – Дизајн система за детекцију човека

Концепт решења

11

На почетку рада сензорске утичнице се пријављују на сервер емитовањем своје

адресе. Након пријаве, сервер прозива појединачно сваку утичницу слањем поруке са

захтевом за RSSI табелом (свака утичница се прозива сваких 100ms). Утичнице су у

могућности да приме поруку од сервера као и од суседних чворова. Када сервер прими

поруку са једног чвора, складишти је у локалну базу података и прозива следећи чвор.

Током периода прозивања једне утичнице, остале су у стању слушања, тако да нема

сметњи радио сигнала између њих. Пошто се утичнице налазе у једној просторији,

претпоставља се да сви чворови међусобно комуницирају. Свака утичница има своју

интерну RSSI табелу која се формира према следећем алгоритму: када утичница прими

захтев за RSSI табелом, она емитује своју интерну табелу. Све утичнице у околини ће

на основу тог сигнала освежити своје интерне RSSI табеле према утичници која

тренутно емитује своју табелу и тиме уштедети на саобраћају унутар мреже. Поруке

унутар мреже се међусобно разликују на основу кода саме поруке. Све поруке имају

исти формат. Почињу са типом поруке, адресом утичнице која шаље вредности RSSI-а

и табелом вредности RSSI ка суседним утичницама (њиховим адресама). Вредности у

табели има онолико колико има суседних утичница чије податке чува свака утичница.

Детаљан опис паметних утичница и контролера је дат у [10] и [14].

3.2 Алгоритам детекције присуства

Пошто је потребно обезбедити да систем ради у реалном времену, неопходно је

развити aлгоритам који ће што више смањити број улазних података, а да се притом не

изгубе информације битне за правовремену и исправну детекцију присуства човека, уз

минимизацију грешке изазване спољним шумом. Дакле, потребно је развити алгоритам

који обавља трансформацију улазних података у податке ниже димензионалности, а да

се притом задрже основне карактеристике улазних података. Улаз представља низ RSSI

одбирака измерених приликом размене порука између више бежичних чворова

(електричних утичница) који чине систем паметне куће. Пример вредности RSSI-а за

четири чвора је приказан на слици 2. На пример RSSI node 1, приказује вредности снаге

сигнала које чвор 1 добија од остала три чвора. За истраживање су коришћена 4 таква

чвора.

Слика 2 – Вредности RSSI-a за четири чвора

Уколико се улазни подаци временски континуално допуњују новим одбирцима,

понављање прорачуна над комплетним подацима је непрактично (оптерећење

Концепт решења

12

процесора, зазеће меморије). Због тога је неопходна примена метода за инкрементално

рачунање карактеристичних (сопствених) компоненти, којима припада и описани

метод. При реализацији инкременталне верзије алгоритма користиће се CCIPCA[17]

верзија SVD алгоритма. Фамилија алгоритама којој припада CCIPCA је позната под

називом PCA.

Анализа базних компоненти, PCA, је метода којом се, у математичком смислу,

скуп од N, на случај корелисаних променљивих, трансформише у M некорелисаних

променљивих, уз услов да је M≤N. Идеја PCA методе је да се рачунањем

карактеристичних вектора коваријансне матрице података, одреде базне компоненте

оригиналних података[16]. У случају када нам није доступна коваријансна матрица или

је број података толико велики да превазилази меморијски капацитет платформе,

погодније је користити неку од инкременталних метода.

CCIPCA представља један од инкременталних метода за рачунање

карактеристичних вектора без коваријансне матрице. Вредности карактеристичних

вектора се поправљају новопристиглим вредностима на улазу система. Алгоритам је

описан следећим псеудо кодом:

(1)

v(n) – представља вектор сопствених вредности.

u(n) – вектор прослеђених вредности “zero mean”.

Карактеристичне вредности се рачунају на следећи начин:

(2)

А карактеристични вектори:

(3)

У наставку је описан алгоритам ентропије.

Концепт решења

13

Карактеристичне вредности се трансформишу у вероватноће pi према следећем

изразу:

1

1i

i M

i

i

p i M

, , ,

(4)

где pi представља нормализовану карактеристичну вредност. Наравно треба бити

задовољена сума вероватноћа 1

1M

i

i

p

. Одговарајућа ентропија од к оквира (1<k<K) се

дефинише користећи вероватноће pi на следећи начин:

1

M

k i i

i

H p plog

(5)

У наставку ће бити описан начин реализације алгоритма детекције човека

користећи претходно поменути инкрементални алгоритам (CCIPCA), као и алгоритам

рачунања ентропије система.

Због итеративне реализације алгоритма корисно је увести одређени период у коме

ће се систем “истренирати”, како би у даљем инкременталном поступку давао што

боље резултате. Због тога се сачека одређен број одбирака са сваког чвора (нпр. 64).

Када се добије матрица одбирака, она се прослеђује алгоритму CCIPCA, који рачуна

сопствене вредности. Пошто је прослеђена матрица одбирака чворова са свих чворова,

систем ће инкрементално рачунати све тачнију сопствену вредност, како би крајња

сопствена вредност, као и вектор сопствених вредности, били најтачније. Рачунање

сопствене вредности се врши на следећи начин. Када се добије матрица одбирака (један

ред у матрици одбирака је приказан на слици 2), рачуна се средња вредност сваке

колоне. Та средња вредност ће се користити у инкременталном поступку, што ће бити у

даљем тексту напоменуто. Потом се од сваког елемента из дате колоне одузме средња

вредност те колоне. На овај начин се добије “zero mean” (вектор са нултом средњом

вредношћу), који представља саставни део CCIPCA, алгоритма. Овај поступак носи

поменути назив из разлога што је средња вредност сваке колоне једнака нули. По

израчунавању “zero mean”, прелази се у инкрементални поступак CCIPCA алгоритма,

где се за израчунавање сопствених вредности користи израчуната матрица “zero mean”.

CCIPCA алгоритам је приказан у изразу (1). У првој итерацији се израчуна вектор

сопствених вредности на основу прве колоне из матрице “zero mean” (у изразу означено

са u) и на основу претходног вектора сопствених вредности (у изразу означено са v(n-

1)). Пошто у првој итерацији не постоји претходни вектор сопствених вредности, као

Концепт решења

14

претходни вектор узима се тренутни вектор прослеђених сопствених вредности. Када

се добије вектор сопствених вредности, сопствена вредност се рачуна нормирањем

вектора сопствених вредности. Као параметар алгоритму се може проследити колико ће

се сопствених вредности израчунати за одређени вектор “zero mean”. Међутим са слике

3, се види да је вредност прве сопствене вредности доминантна у односу на остале, тако

да нема потребе да се остале рачунају. Потом се за рачунање друге сопствене вредности

користе елементи друге колоне “zero mean”, али и вектор претходно израчунатих

сопствених вредности. На овај начин се алгоритам извршава док се не израчуна и

последња сопствена вредност, односно последњи вектор сопствених вредности, који се

користи у даљем итеративном поступку. Овим поступком се алгоритам “истренирао”,

односно прилагодио тако да у наставку даје што боље, односно тачније, сопствене

вредности.

Слика 3 – 3 највеће (доминантне) сопствене вредности

Потом, у инкременталном поступку, како са чворова пристижу вредности RSSI-a,

тако се рачунају нове сопствене вредности. Поступак је следећи. Направи се матрица

која има 2 врсте. Прва се састоји од средњих вредности првог рачунања сопствених

вредности (у претходном тексту је напоменуто да ће се ове вредности користити у

итеративном поступку), а друга од ново пристиглих вредности измерених RSSI-ова.

Потом се од те матрице израчуна “zero mean”, тако што се од сваког елемента дате

колоне одузме средња вредност те колоне. Затим се та добијена матрица шаље у

Концепт решења

15

CCIPCA алгоритам. Треба напоменути да се могла само друга колона матрице zero

mean” послати у CCIPCA, пошто је то вектор “zero mean”, ново пристиглих вредности,

међутим, да би се још више добило на тачности рачунања вектора сопствених

вредности, али и самих сопствених вредности шаље се матрица. Ово не захтева неко

додатно чекање података, ни превелико ангажовање процесора, а добије се тачнија

сопствена вредност. Потом се овај поступак понавља како пристижу одбирци у реалном

времену.

У изразима (4 и 5) је приказан начин како се рачуна ентропија система. Међутим

посматрањем тако добијених резултата примећено је да се не може прецизно одредити

граница детекције у случају када је човек напустио просторију (несиметричност

периода иницијализације и периода када је соба празна) што се може видети са слике 4.

Слика 4 - Ентропија система по оригиналном алгоритму за ентропију

Реализовани алгоритам за ентропију се разликује од оригиналног из (4) и (5).

Разлика је у томе што се вероватноће сопствених вредности не рачунају у потпуности

по изразу (4). Наиме, вероватноћа сваког елемента се рачуна нормирњем сваког

елемента са укупним бројем сопствених вредности. У изразу (5) се види да се за

рачунање ентропије система користи логаритам. Логаритам од броја већег од 1 је

позитиван, док је логаритам од броја мањег од 1 негативан. Да би вредности ентропије

биле само на позитивном делу x осе, вредности које се прослеђују ентропији се

трансформишу у другу размеру. Увођењем ових измена у алгоритам за рачунање

Концепт решења

16

ентропије, изглед ентропије система јасно показује присуство човека у просторији

(слика 5).

Слика 5 - Ентропија система по измењеном алгоритму

Ентропија се рачуна тако што се дефинише прозор одређене ширине који захвата

одређен број израчунатих сопствених вредности и на њега се примени израз (5). За

рачунање вредности ентропије је потребно прикупити читав вектор сопствених

вредности. Чекање вектора сопствених вредности, за рачунање прве ентропије, се врши

у првом делу процеса иницијализације (процес иницијализације ће бити описан у

даљем тексту), чиме је избегнуто да се у раду система у реалном времену чека на

податке. Пошто се израчуна прва вредност ентропије, нова се рачуна тако што се

вредности у вектору сопствених вредности помере за једно место у лево и на крај се

дода ново изачуната сопствена вредност. Овиме је обезбеђено да се како пристижу

одбирци у реалном времену одмах рачуна ентропија.

Да би систем успешно детектовао пристуство човека, уводи се, као што је

поменуто, период иницијализације у коме ће систем израчунати вредности ентропије

док је празна просторија која се посматра. Ако се зна да се прозивање врши сваких

100ms, и ако систем има четири чвора, у току једног минута се добије 150 одбирака.

150 одбирака је довољан низ да се израчуна почетни (што тачнији) вектор сопствених

вредности као и да се постави граница ентропије система. У периоду иницијализације

система (150 одбирака) на основу сигнала ентропије дефинише се граница детекције

човека (treshold). Пошто у периоду иницијализације сигнал мало варира док се не

Концепт решења

17

стабилизује, као граница се постави максимална вредност сигнала из тог периода. Када

човек уђе у област покривену чворовима, ентропија (неуређеност) система порасте,

чиме је граница надмашена и систем детектује човека. Када човек изађе из просторије,

вредност ентропије падне испод границе, и детектује се излазак човека. О овоме ће

бити више речи у поглављу “Резултати” где ће се на визуелан начин приказати

подешавања границе и утицај кретања човека на ентропију система.

Програмско решење

18

4. Програмско решење

Алгоритам је развијен у програмском језику C, уз подршку Microsoft Visual Studio

2010. Иницијална верификација, као и симулација, је изведена у програмском језику

МАТЛАБ. После верификације, алгоритам је из МАТЛАВ-а, преведен у C, да би се могао

извршавати у реалном времену.

Функције које су коришћене за реализацију алгоритма.

Прототип: float processing(int node_no, float* elem)

Опис:

Функција која управља обрадом примљених података.

Пошто је потребан период у ком се систем обучава да даје што тачније

резултате, у којем се CCIPCA алгоритму прослеђује матрица вредности RSSI са

чворова, прво се сачека да се прикупе сви подаци и онда се позива функција

која рачуна сопствене вредности. За време док се не изврши иницијализација

као вредност ентропије се враћа 0. Потом се итеративно, како стигну одбирци,

рачунају сопствене вредности.

Пошто се за рачунање ентропије система користи вектор сопствених вредности,

одређени низ се формира израчунатим сопственим вредностима док се не

прикупи довољан број истих. Потом се ентропији проследи добијени вектор и

врати се вредност ентропије сигнала.

Када прође период у ком се систем обучава како дођу одбирци са чворова тако

се проследе рачунању сопствених вредности и потом рачунању ентропије. Када

се после израчунате прве ентропије, добије нова сопствена вредност, нова

ентропија се рачуна тако што се садржај вектора који је прослеђен претходном

рачунању ентропије помери за 1 у лево и на крај се дода нова сопствена

вредност. Овиме је обезбеђено да се ентропија рачуна одмах, како стигне нова

сопствена вредност.

Парамeтри: node_no - број активних чворова

elem - вредности RSSI свих активних чворова

Повратна

вредност: Вредност ентропије система.

Програмско решење

19

Прототип: void ccipca(int numEigen, int inputFactor, int l, int row, int column, double *eigenValues, double *mean, double *meanPom, double **pom, double **v, double **u, double *tempArr, int node_no)

Опис:

После прослеђивања вектора/матрице вредности рачуна се “zero mean”. Потом

се прелази у итеративни део, CCIPCA алгоритам. Поступак рачунања

сопствених вредности помоћу CCIPCA алгоритма је описан у одељку 3.

Из параметара система се може приметити да се велики број динамичких низова

прослеђује функцији. Разлог за то је убрзање извршавања алгоритма. Потребни

низови се једном направе и на крају рада програма се бришу. Дакле, низови се

не праве сваки пут када се позове функција за обраду и не бришу се по њеном

завршетку.

Парамeтри:

numEigen - број који одређује колико сопствених вредности ће се израчунати.

inputFactor - 0 или 1. Користи се да функција зна да ли се ради о “обуци”

система (0), или о итеративном поступку (1).

column - број колона у којима се налазе подаци који се обрађују

eigenValues - вектор/матрица у који ће се уписати сопствене вредности.

mean - помоћни динамички низ који се користи у обради, садржи средњу

вредност вектора/матрице.

meanPom - помоћни динамички низ који се користи у обради, садржи средњу

вредност вектора/матрице.

pom - помоћни динаммички низ који се користи у обради.

v - низ који садржи вектор израчунатих сопствених вредности, које се користе

у итеративном поступку CCIPCA алгоритма за рачунање нових вектора

сопствених вредности. На крају итеративног поступка, сопствене вредности се

добијају нормирањем вектора сопственх вредности.

u - вектор вредности RSSI-а прослеђених функцији, а које се користе у

итеративном поступку рачунања сопствених вредности. Над прослеђеним

подацима се ради “zero mean”.

tempArr - помоћни динамички низ који се користи у обради.

node_no - број активних чворова.

Прототип: float entropyFunc(double *eigenValues)

Опис:

Функција која рачуна вредност ентропије сигнала. На основу прослеђеног

вектора сопствених вредности, рачуна се ентропија сигнала и враћа као

вредност функције. Ентопија се рачуна тако што се сваки елемент вектора

подели са укупним бројем вредности у вектору и додатно скалира да би се

добила ентропија из које ће се лакше детектовати присуство/одсуство човека.

Овај поступак је детаљније описан у одељку 3. Потом се те вредности проследе

изразу (5), која израчуна ентропију система.

Парамeтри: eigenValues - вектор сопствених вредности

Повратна

вредност: Вредност ентропије сигнала.

Прототип: double maxi(int m, double* eigenValuesPom)

Опис:

Функција која рачуна максималну вредност прослеђеног низа.

Као што је показано на слици 3, прва сопствена вредност је доминантна у

односу на остале. Тако да се само она може узети у обзир док се остале могу

занемарити.

Парамeтри: m - број израчунатих сопствених вредности

eigenValuesPom - израчунате сопствене вредности

Повратна

вредност: Максимална вредност израчунатих сопствених вредности.

Програмско решење

20

Прототип: void init()

Опис:

Функција у којој се врши динамичко заузимање меморије за низове, потребне за

обраду података.

Прототип: void deInit()

Опис: Фунцкија у којој се врши ослобађање динамички заузете меморије.

4.1 UML спецификација решења

4.1.1 Дијаграм случајева употребе (USE CASE дијаграм)

Слика 6 – Детекција човека

Програмско решење

21

Слика 7 – Процес детекције човека

Испрекиданом линијом је приказан део дијаграма који се извршава само у фази

иницијализације. Потом се у даљем раду система, када је граница постављена, део

“постављање границе” не извршава, већ се вредност ентопије пореди са границом

детекције, на основу чега се детектује присуство човека.

Програмско решење

22

4.1.2 Дијаграм активности

4.1.2.1 Дијаграм иницијализације система

Слика 8 - Дијаграм иницијализације система

Програмско решење

23

4.1.2.2 Дијаграм рада система у реалном времену

Слика 9 - Дијаграм рада система у реалном времену

Програмско решење

24

4.1.3 Дијаграм секвенци

Слика 10 - Дијаграм секвенце

Када Обло контролер прикупи потребне податке (вредности RSSI-а) са свих

чворова, прикупљене податке шаље делу за анализу детекције, одакле се даље шаљу

делу који врши обраду података. Обука система је период у коме се чека на више

одбирака (матрицу) сваког од чворова, како би се у CCIPCA алгоритму израчунала што

тачнија прва сопствена вредност, односно, први вектор сопсвених вредности, који ће се

користити у даљем итеративном поступку. Када се заврши период обуке, како

пристижу подаци са чворова тако се шаљу у CCIPCA који рачуна сопствене вредности

и потом алгоритму за ентропију који рачуна вредност ентропије сигнала. Потом се

поређењем добијене вредности ентропије са границом детекције детектује човек и

позива Обло контролер који генерише функционално стање.

Програмско решење

25

4.1.4 Дијаграм стања

Слика 11 - Дијаграм стања

Покретање алгоритма (на слици приказано испрекиданом линијом), се извршава

само једанпут и то приликом покретања система детекције. По завршетку периода

иницијализације и постављања границе, даљим прозивањем чворова извршава се

алгоритам детекције и генерисање функционалног стања.

Резултати

26

5. Резултати

Након реализације алгоритма прешло се на испитавање исправности рада

алгоритма у реалном времену. У наставку су приказани добијени резултати.

На слици 12 је приказан изглед просторије у којој се испитивао алгоритам.

Црвеном бојом су означени положаји бежичних чворова, плавом позиције човека, док

жута боја представља почетну позицију човека. Са слике се види да је просторија

ограђена гипсаним и бетонским зидовима. Димензије просторије су 536x530cm.

Слика 12 – Изглед просторије

Резултати

27

Слика 13 – Сопствене вредности

На слици 13 су приказане израчунате сопствене вредности током испитивања. У

опсегу одбирака 0-200, просторија је празна и поставља се граница детекције.

Сопствене вредности су ниске јер се човек не налази у просторији. У опсегу одбирака

од 200-380 човек се креће кроз просторију, што изазива повећање сопствених

вредности. Потом, око 380-ог одбирка човек се зауставља на позицији П1 и ту остаје до

око 520-ог одбирка. Овде се може приметити разлика у случају када човек није у

просторији и када се налази у просторији али мирује. Потом човек прелази на позицију

П2, где мирује око 1 минут. Може се приметити да кретање човека веома повећава

сопствене вредности. Око 610-ог одбирка прелази са позиције П2 на П3, где мирује до

око 650-ог одбирка. Потом прелази на позицију П4 (опсег 650-660), где остаје до око

800-тог одбирка. Након тога прелази на позицију П5, после које човек излази напоље из

просторије. Са слике 14 се могу приметити кратки и изненадни скокови који могу

утицати на погрешну детекцију присуства човека (нпр. опсег одбирака 400-550, као и

800-950). Као што је у претходним пасусима споменуто, за додатно усредњавање

сигнала и елиминацију кратких и изненадних скокова базних компоненти, који

изазивају лажне детекције уводи се сигнална ентропија (слика 14).

Резултати

28

Слика 14 – Ентропија система и граница детекције

Са слике 14 се јасније види присуство, као и кретање, човека у просторији. Као

што је поменуто у периоду иницијализације (на слици 15, до око 200-тог одбирка)

поставља се граница детекције као максимална вредност сопствених вредности (црвена

линија представља границу). Поређењем вредности ентропије са границом система,

јасно се може детектовати присуство човека у просторији.

На слици 15 је приказана пропагација грешке у зависноти од броја одбирака који

се користе за “обучавање” система. Експерименталним путем, што се види и са слике,

пропагација грешке са 12 одбирака је већа него за 20 одбирака, док је за 64 одбирка

пропагација грешке најмања. Коришћењем ентропије система могућности лажне

детекције човека ће се у потпуности уклонити. Такође се може приметити да је

вероватноћа лажне детекције могућа само у случајевима када човек мирује у

просторији, док је тачност детекција приликом кретања у просторији увек 100%.

Резултати

29

Слика 15 – Пропагација грешке

На слици 16 је приказан изглед друге просторије где је вршено тестирање. Као и

на слици 13, жутом бојом је приказана почетна позиција човека, црвеном чворови, док

су плавом бојом приказане позиције човека за време испитивања. Зидови којима је

просторија ограђена су од пластике и алуминијума. Димензије просторије су

960x580cm.

Слика 16 – Изглед просторије

Резултати

30

Слика 17 – Сопствене вредности

Посматрањен израчунатих сопствених вредности сигнала може се приметити да

се у опсегу одбирака од 400-тог до 1000-итог човек налази у просторији. Од 970-ог до

1080-ог сопствене вредности су веома мале. Разлог за то је позиција човека у тим

тренуцима (П6, на слици 16). Ово је очекивано понашање, јер распоред чворова

онемогућује детекцију човека у углу просторије. Овај проблем би се решио ако би се

увео нови чвор или ако би се постојећи (нпр. чвор Н2), померио ближе позицији П6.

Рачунањем ентропије израчунатих сопствених вредности јасније (прецизније) се

може детектовати присуство човека (слика 18). На слици је црвеном бојом приказана

граница детекције, израчуната у периоду иницијализације. Као што је претходно

наведено граница детекције се рачуна као максимална вредност ентропије у периоду

иницијализације (на слици 18 до око 260-ог одбирка). Ако се погледа приказана

граница детекције види се да је она изнад максималне вредности ентропије у периоду

иницијализације. Да се задржала неувећана граница детекције, око 1000-ог одбирка

дошло би до треперења светла, јер би вредност ентропије варирала око границе

детекције. Експерименталним путем је одређено да повећање границе детекције за 30%

даје најбоље резултате, односно најпрецизнију детекцију човека.

Резултати

31

Слика 18 – Ентропија система и граница детекције

Битно је поменути да је друга просторија (слика 16), око два пута већа од прве

просторије (слика 12). У обе просторије су постављена 4 чвора. Прва просторија је

мањих димензија тако да је покривеност радио сигналима већа. Већа просторија је

слабије покривена радио сигналима. То се јасно показује у случају када човек дође у

позицију П6, где се његово присуство не детектује. Као што је наведено просторија са

слике 17 је изграђена од пластике и алуминијума формирајући Фарадејев кавез. То

проузрокује одбијање сигнала о зидове, што се јасно види са слике 17 и 18, где постоје

израженије варијације сигнала и када је просторија празна.

Закључак

32

6. Закључак

На основу спроведених испитивања рада алгоритма у реалном времену и

приказаних резултата (одељак 5), потврђено је да се уз помоћ рачунања сопствених

вредности и ентропије снаге сигнала може са великом прецизношћу детектовати

присуство и одсуство човека у просторији. Такође је потврђено да инкрементални

CCIPCA алгоритам не умањује квалитет исправне детекције, а да при томе може да се

извршава у реалном времену над великим бројем улазних података.

Током развоја алгоритма за детекцију присуства људи, стекло се одређено знање

из области статистичке обраде радио сигнала. Поред тога упознате су одређене

оптимизационе технике које се могу применити и у неким наредним алгоритмима који

ће се извршавати на системима са ограниченим ресурсима.

Реализована детекција присуства људи се може применити у оквиру паметног

енергетског система. Идеја је да се представљени алгоритам може применити на већини

бежичних уређаја који користе IEEE 802.15.4 стандард, тако да се једноставно може

реализовати систем амбијенталне интелигенције, а да при том нема трошкова

инсталације додатних уређаја. Идеја употребе паметних утичница има додатну

предност у виду транспарентности у окружењу у ком су инсталиране, што се додатно

може искористити за сврхе надзора просторије и напредну контролу укључивања или

искључивања уређаја у зависности од присуства човека у просторији.

Литература

33

7. Литература

[1] M. Weiser, “The Computer for the 21st Centry”, ACM SIGMOBILE, vol. 3,

no. 3, 1999, pp. 3-11.

[2] N.Ababheh, “Radio irregularity problem in wireless sensor networks: New

experimental results”, Proc. Of IEEE Sarnof Symposium, Princeton (USA), pp. 1-5,

2009.

[3] G. Zhou, T. He, S. Krishnamurthy, J. A. Stankovic, “Impact of radio

irregularity on wireless sensor networks”, Proc. Of the 2nd

intern. Conference on

Mobile system, applications, and services (MobiSys’04), pp. 125-138,. 2004.

[4] K. Woyach, D. Puccinelli, M. Haenggi, “Sensorless Sensing in Wireless

Networks: Implementation and Measurements”, Proc. Of 2nd International

Workshop on Wireless Network Measurement (WinMee’06), Boston (USA), pp. 1-8,

Apr. 2006.

[5] Pius W.Q. Lee, Winston K.G. Seah, H.P. Tan and Z.X Yao, “Wireless Sensing

without Sensors – An experimental study of motion/intrusion detection using RF

irregularity”, Journal of Measurement Sci. and Technology, Spec. Issue on Wireless

Sensor Networks: Designing for real-world deployement and deployment

experiences, Vol. 21, No. 12, Dec. 2010.

[6] S. Hussian, R. Peters and D.L. Silver, “Using Received Signal Strength

Variation for Surveillance In Residental Areas”, Proc. Of SPIE, vol. 6973, pp. 1-6,

2008.

[7] O. Kaltiokallio, M. Bocca, and L. Eriksson, “Destributed RSSI processing for

intrusion detection in indoor environments”, in Proc. of 9th ACM/IEEE International

Conference on Information Processing in Sensor Networks (IPSN ‘10), pp.404-405,

2010.

Литература

34

[8] T. H. Uchida, W. R. Smith, and C.R. Anderson, “Development of a Passive

Wireless Surveillance Network”, Proc. of Virginia Tech Sym. on Wirelles Personal

Comm., USA, June 2010.

[9] Erin L. Puzo, Ryan P. Brenner, T. Owens Walker, and Christopher R.

Anderson, “The Matrix:A Roadside Wireless Security System”, Proc. of Virginia

Tech Sym. on Wireless Personal Comm., USA, June 2011.

[10] B. Mrazovac, M. Z. Bjelica, D. Kukolj, B. M. Todorovic, S. Vukosavljev,

“Human Presence Detection using Radio Irregularity in Wireless Networks: Human

Detection in Energy Aware Residental Networks”, Proc. of SENSORNETS ’12,

Rome (Italy), 2012.

[11] B. Mrazovac, M. Z. Bjelica, D. Kukolj, B. M. Todorovic, N. Teslic, “A Human

Detection Method for Residental Smart Energy Systems Based on ZigBee RSSI

Changes”, Proc. of IEEE International Conf. on Consumer Electronics (ICCE ‘12),

Las Vegas (USA), Jan. 2012.

[12] L. I. Smith, “A tutorial on Principal Components Analysis”, 2002.

[13] J. Shlens, “A tutorial on Principal Components Analysis: Derivation,

Discussion and Singular Value Decomposition”, 2003.

[14] B. Mrazovac, M. Z. Bjelica, I. Papp, N. Teslic, “Towards Ubiquitous Smart

Outlets for Safety and Energetic Efficiency of Home Electric Appliances”, Proc. of

Inter. Conf. on Consumer Electrons (ICCE ‘11), Berlin (Germany), pp. 324-328,

2011.

[15] M. Z. Bjelica, B. Mrazovac, N. Teslic, “Evaluation of the Available Scripting

Languages for Home Automation Networks: Real World Case Study”, Proc. of

TELSIKS’11, Niz(Serbia), 2011.

[16] D. Kukolj, “Sistemi zasnovani na racunarskoj inteligenciji”

[17] Juyabg Weng, Yilu Zhang and Wey-Shiuan Hwang, “Candid Covariance-free

Incremental Principak Component Analysis”, Proc. Of IEEE Transactions on pattern

analysis and machine intelligence, pp. 1034-1040, Aug. 2003.

[18] IEEE 802.15.4 standard http://standards.ieee.org/getieee802/download/802.15

.4d-2009.pdf, uvid u doкument, Jun, 2012.

[19] TI CC2530 dizajn specifikacija http://www.ti.com/lit/ds/symlink/cc2530.pdf,

uvid u doкument, Jun, 2012.