استفاده از الگوریتم های بدون ناظر ماشین لرنینگ در مکان یابی داخل محیط های بسته

امروزه تعیین موقعیت مکانی با استفاده از سامانه های موقعیت یاب جهانی مانند GPS و GNSS و... انجام می پذیرد. یکی از مشکلات تعیین موقعیت مکانی در یک مجموعه دارای چند ساختمان، و چندین طبقه، مسئله نفوذ ضعیف سیگنال های ماهواره ای در ساختمان ها و در نتیجه، موقعیت یابی ضعیف داخل محیط های بسته است. این امر به خصوص در مورد پارکینگ های طبقاتی و انبارهای زیرزمینی به شدت مورد نیاز می باشد. برای رفع این مشکل موقعیت یابی داخلی روش های متعددی پیشنهاد گردیده است. در این مقاله سعی گردیده تا با استفاده از، فناوری های مبتنی بر تلفن های همراه مانند Wi-Fi و Bluetooth و همچنین با به کارگیری الگوریتم های یادگیری ماشین و استفاده از حالت چند مرحله ای در جهت بالا بردن سرعت پردازش و کاهش بار محاسباتی، موقعیت یابی داخلی تعیین گردد. در این روش از تکنیک اثرانگشت نگاری وبر اساس شدت قدرت سیگنال دریافتی، برای به دست آوردن موقعیت کاربران استفاده می شود. این روش نیازی به دستگاه موقعیت یابی اضافی ندارد و در آن از شدت سیگنال از منابع ثابت مختلف در یک مکان خاص به عنوان یک شاخصه منحصربه فرد آن مکان جهت شناسایی استفاده می گردد. در این پژوهش از پایگاه داده UJIIndoorLoc با ۲۱۰۴۹ نقطه نمونه گیری شده با ۱۹۹۳۸ نقطه برای آموزش و ۱۱۱۱ نقطه برای اعتبار سنجی بر فضایی به مساحت ۱۰۷۸۰۳ m۲ که شامل ۳ ساختمان و هر ساختمان دارای ۴ یا ۵ طبقه می باشند استفاده گردیده است. با استفاده از الگوریتم های ماشین لرنینگ به خصوص الگوریتم های بدون ناظر، K-means و PCA و تغییر در هایپرپارامترهای این الگوریتم ها تلاش گردیده تا یک ابزار کارآمد، برای بالا بردن سرعت پردازش و کاهش بار محاسباتی و در نتیجه موقعیت یابی دقیق تر از مدل های قبلی، جهت موقعیت یابی داخلی استفاده گردد. در انتها این مدل با مدل های ارائه شده مشابه مورد مقایسه قرار گرفته است. نتایج بدست آمده در بهترین حالت ۸۷ درصد همگرایی بدست آمده است. زبان برنامه نویسی استفاده شده پایتون و کدها در گیت هاب GitHubhttps://github.com/SaeidSarabadan/RF_with_-ANN موجود می باشد.

کلیدواژه ها:

موقعیت یابی داخلی ، اثر انگشت ، فرکانس رادیویی ، یادگیری ماشین ، الگوریتم های بدون ناظر