مکان یابی هوشمند افراد در محیط های درون ساختمانی با استفاده از فناوری RFID و الگوریتم یادگیری عمیق LSTM

در این مقاله یک چارچوب هوشمند برای مکان یابی درون ساختمانی مبتنی بر داده های RSSI و تکنیک اثر انگشت برداری مکانی ارائه شده است. داده های مورد استفاده در این پژوهش از طریق پیاده سازی آزمایشگاهی سیستم RFID و جمع آوری سیگنال های RSSI در سناریوهای مختلف محیطی گردآوری شده اند. به منظور مدل سازی رفتار زمانمند و نوسانی سیگنال ها از شبکه حافظه بلند کوتاه مدت استفاده شده است تا روابط غیرخطی میان شدت سیگنال و مختصات مکانی استخراج شود. عملکرد روش پیشنهادی با الگوریتم های همسایه نزدیک، ماشین بردار پشتیبان، روش میانگین RSSI و شبکه عصبی سنتی مقایسه شده است. نتایج نشان می دهد میانگین خطای مکان یابی در روش پیشنهادی برابر ۰٫۸ متر است در حالی که این مقدار برای همسایه نزدیک برابر ۱٫۰۹ متر، برای ماشین بردار پشتیبان برابر ۲٫۱ متر، برای روش میانگین RSSI برابر ۲٫۵ متر و برای شبکه عصبی سنتی برابر ۲٫۸ متر گزارش شده است که بیانگر بهبود قابل توجه دقت است. همچنین پایداری سیستم در برابر نوسانات سیگنال به ۹۲٪ افزایش یافته و زمان محاسبه موقعیت به ۰٫۶ ثانیه کاهش یافته است. دقت تخمین موقعیت در محیط ساده ۹۶ و در محیط پیچیده ۸۹ به دست آمده که نشان دهنده عملکرد پایدار روش پیشنهادی در شرایط مختلف محیطی است. یافته ها حاکی از آن است که ترکیب اثرانگشت برداری با مدل های یادگیری عمیق مبتنی بر حافظه زمانی می تواند راهکاری موثر برای ارتقای دقت و پایداری سیستم های مکانیابی درون ساختمانی باشد.

کلیدواژه ها:

مکان یابی درون ساختمانی ، فناوری شناسایی با امواج رادیویی ، اثر انگشت برداری مکانی ، مکان یابی هوشمند افراد ، یادگیری عمیق