<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=147366"><dc:title>Lokalizacija s pomočjo radiofrekvenčnih odtisov in trajnostnega globokega učenja</dc:title><dc:creator>Pirnat,	Anže	(Avtor)
	</dc:creator><dc:creator>Meža,	Marko	(Mentor)
	</dc:creator><dc:creator>Bertalanič,	Blaž	(Komentor)
	</dc:creator><dc:subject>lokalizacija</dc:subject><dc:subject>brezžične tehnologije</dc:subject><dc:subject>globoko učenje</dc:subject><dc:subject>nevronske mreže</dc:subject><dc:subject>ogljični odtis</dc:subject><dc:subject>energijska učinkovitost</dc:subject><dc:subject>zelene komunikacije</dc:subject><dc:description>Trenutno že precej popularne in razširjene storitve na podlagi lokacije neizogibno postajajo del prihajajočih mobilnih storitev, poslovnih procesov in infrastrukture, ki te storitve podpira. Vedno bolj razširjeno in popularno strojno učenje z uporabo globokih nevronskih mrež daje odlične rezultate za brezžično lokaliziranje z radiofrekvenčnimi odtisi na podlagi obsežnih podatkov o radijskih meritvah v zaprtih prostorih. 

Vendar z naraščajočo kompleksnostjo modelov njihovo učenje in uporaba postajata računsko zelo intenzivna in energetsko potratna. Če upoštevamo samo mobilne uporabnike, ki jih bo po ocenah do konca leta 2025 več kot 7,48 milijarde, in če predpostavimo, da bo potrebno v povprečju opraviti samo eno lokalizacijo na uporabnika na uro, bi morali modeli strojnega učenja, uporabljeni za izračun lokacije, opraviti 65 * 10^12 napovedi na leto. Če oceni dodamo še deset milijard drugih povezanih naprav in aplikacij, ki so močno odvisne od pogostejših posodobitev lokacije, postane jasno, da bo lokalizacija znatno prispevala k emisijam ogljikovega dioksida in ogljičnemu odtisu tehnologije, če ne bodo razviti in uporabljeni energetsko učinkovitejši modeli. 

Ta ugotovitev nas je spodbudila k delu na optimizaciji kompleksnosti modela za lokalizacijo v zaprtih prostorih. Razviti model temelji na globokem učenju, in je energetsko učinkovitejši v primerjavi s sorodnimi najsodobnejšimi pristopi, hkrati pa kaže le neznatno poslabšanje zmogljivosti. Podrobna ocena delovanja kaže, da predlagani model ustvari le 58\,\% emisij ogljikovega dioksida, hkrati pa ohranja 98,7% celotne zmogljivosti v primerjavi z najsodobnejšim primerljivim modelom drugih raziskovalcev. Poleg modela smo razvili metodologijo za izračun kompleksnosti modela globokega učenja in s tem povezanega ogljičnega odtisa za njegovo učenje in uporabo.</dc:description><dc:date>2023</dc:date><dc:date>2023-07-03 11:40:00</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>147366</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>