模糊C-均值聚類方法應用於無線基地台分群在谷歌地圖雲端服務領域

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：72

、訪客IP：3.21.248.47

姓名

范綱倫(Kang-Lun Fan) 查詢紙本館藏

畢業系所

通訊工程學系在職專班

論文名稱

模糊C-均值聚類方法應用於無線基地台分群在谷歌地圖雲端服務領域
(Fuzzy C-means Clustering Method is Applied to the Wireless Base Station Clustering in the Google Maps Cloud Service Area)

相關論文

★ Branch and Bound 演算法在全光網路包含串音局限的限制條件之最佳化規劃效能分析	★ 平行式最佳區塊碼解碼演算法
★ 數位廣播之視訊系統架構與信號估測	★ 粒子群優化演算法應用於電信業解決方案選商及專案排程之優化
★ 結合PSO及K-Means聚類分析演算法的圖像分割	★ 利用粒子群優化演算法改善分群演算法在訊號分群上之應用
★ 應用模糊聚類與粒子演算法之色彩分群研究	★ 粒子群優化演算法應用於企業更新數據網路採購之優化
★ 粒子群演算法應用於無線區域網路產品硬體開發成本優化	★ 粒子群演算法應用企業伺服器負載平衡之省電優化
★ 粒子群優化演算法應用於瓦斯業微電腦瓦斯表自動讀表之優化	★ 近場通訊之智慧倉儲管理
★ 在Android 平台上實現NFC 室內定位	★ 適用於訊號傳輸暨無線電力傳輸之設計
★ 結合PSO及圖像品質評估演算法識別頻譜訊號	★ 粒子群優化與二維Otsu演算法於影像二元化閥值選取研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

谷歌地圖定位通常透過全球定位系統(GPS)得知當下的座標位置，但準確誤差率大概是3~5公尺，而GPS有訊號穿透不足的問題，當雲層比較厚時，或是定位的地點有較大的遮蔽物，定位效果就會較差且定位的時間也會比較長，若是進到室內或是隧道，GPS就無用武之地了，不少文獻中已經有探討使用WiFi來做定位的可行性，當使用者開啟行動裝置的WiFi時，行動裝置主動偵測周遭無線網路基地台，只要搜尋到三個以上的基地台訊號，並利用訊號的強弱(RSSI)及三點定位等方法，就可以推算出實際位置，其定位的準確度比GPS來的更佳，無線基地台在都會區中部署的相當密集，使得我們生活的周遭到處充斥著無線基地台的訊號，定位的速度也會比GPS來的快上許多。
利用WiFi完成定位，其原理如同上述所言，由於這些無線基地台通常都會放置在固定位置，如果掌握這些AP的位置，並建立成資料庫，若是在區域內先進行無線基地台的分群，快速篩選出可用的無線基地台訊號，相信對於縮短雲端運算的時間會有實質的幫助，因此，本研究結合Google Maps API的實作，並提出應用模糊分群的方法，實際模擬區域內無線基地台的訊號，在區域內完成無線基地台的分群，來實現降低雲端運算時間之目的。

摘要(英)

Google maps latitude is usually learned through the Global Positioning System (GPS) coordinates of the current, but the exact error rate of about 3 to 5 meters, while the GPS signals penetrate the problem of insufficient thick clouds, or positioning place a larger shelter, the positioning effect will be poor positioning time will be longer, if into your living room or tunnel, the GPS is useless, a lot of literature has been exploring the use of WiFi to do positioning feasibility, when the user opens a WiFi mobile devices, mobile devices, proactive detection around the wireless network base station, as long as the search to three or more base station signals, and signal strength (RSSI) and three point positioning method , we can calculate the actual location of the positioning accuracy better than the GPS to the wireless base stations deployed in the metropolitan area is quite dense, making our lives around us is full of the signal of the wireless base station positioning speed GPS to fast on many.
Using WiFi to complete positioning, the principle as mentioned above, these wireless base units are usually placed in a fixed position, grasp the location of the AP, and the establishment of a database, first the clustering of the wireless base station in the region, rapid screening available wireless base station signal, I believe there will be a real help for shortening the time of the cloud computing Therefore, this thesis combined with the implementation of the Google Maps API, and the application of fuzzy clustering method, the actual simulation area wireless base station signal in the region to complete the clustering of wireless base stations, to reduce the time of cloud computing.

關鍵字(中)

★ GPS
★ 模糊分群
★ WiFi定位
★ 谷歌地圖

關鍵字(英)

★ GPS
★ Google Maps
★ WiFi positioning
★ fuzzy clustering

論文目次

摘要 i
Abstract iii
誌謝 v
目錄 vi
圖目錄 List of Figures vii
表目錄 List of Tables viii
第一章緒論 1
1-1 研究動機及目的 1
1-2 論文架構 3
第二章 K-Means及Fuzzy C Means 演算法介紹 4
2-1 K-Means分群演算法 4
2-2 Fuzzy C-Means分群演算法 8
第三章 Google Maps電子地圖服務與API應用介紹 12
3-1 Google Maps 服務介紹 12
3-2 Google Maps For 移動裝置 15
3-3 Google Maps API 17
3-3-1 嵌入Google Maps API於應用程式 19
3-3-2 開發平台環境設定 20
3-3-3 取得Google Maps API Key 23
3-3-4 Google Maps 座標系統 26
3-3-5 歐基里德距離與Google Maps距離定義 30
第四章無線基地台訊號分群模擬與實驗 33
4-1模擬與實驗方法 33
4-1-1 無線訊號模擬的參數定義 34
4-1-2 K-Means 及FCM無線基地台訊號分群結果 36
4-1-3 實驗分析與結果比較 53
第五章結論 59
5-1 結論 59
5-2 未來展望 60
參考文獻 61

參考文獻

[1] J. B. MacQueen,"Some Methods for classification and Analysis of Multivariate Observations", Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1:281-297,1967.
[2] S. Nascimento1, B. Mirkin2 and F. Moura-Pires, A Fuzzy Clustering Model of Data and Fuzzy C-Means, 2006.
[3] 黃昆輝, 「利用粒子群優化演算法改善分群演算法在訊號分群上之應用」,國立中央大學碩士論文,2010。
[4] 張建輝, 「K-means聚類算法研究及應用」,武漢理工大學碩士論文,2007。
[5] SHOKRI Z. SELIM AND M. A. ISMAIL, K-Means-Type Algorithms: A Generalized Convergence Theorem and Characterization of Local Optimality,IEEE,1984.
[6] Yichang (James) Tsai1 and Chien-Tai Yang2,Constrained Fuzzy c-Mean Clustering Algorithm for Determining Bridge Let Projects, JOURNAL OF COMPUTING IN CIVIL ENGINEERING,2004.
[7] Mehrdad malekmohammadi, Application of Fuzzy C-mean Clustering Algorithm (FCM) in determination of Pb and Zn elements anomalies of Razan,Hamedan Province ,Iran,2010.
[8] 李忠憲, 「無線網路管理」,台北,2007。
[9] Kardi Teknomo, 「K-Means Clustering Tutorial」,2007.
[10] 徐正梅,「談地球上兩點間的球面距離」,數學傳播,23卷,2期,16~23頁,88年6月。
[11] J.C. Dunn, A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters, Department of Theoretical and Applied Mechanics.Cornell University, Journal of Cybernetics,3: 32-57,1974.

指導教授

賀嘉律(Chia-Lu Ho)

審核日期

2012-5-11

推文