مروری بر سیستم های موقعیت یابی داخلی مستقل از سیستم موقعیت یابی جهانی

شبکه بی سیم موقعیت یابی دقیق در محیط های داخلی به دلیل محدودیت عملکرد سیستم موقعیت یابی جهانی به یک چالش اساسی تبدیل شده است. در این مقاله با تمرکز بر روش نگاشت نگاری سیگنال های بی سیم موقعیت یابی، رویکردهای نوین مبتنی بر یادگیری ماشین و یادگیری عمیق در سیستم های موقعیت یابی داخلی بررسی شده است. الگوریتم های یادگیری ماشین مانند k-NN و SVM با مدل های یادگیری عمیق از جمله GAN و LSTM از نظر دقت، پیچیدگی محاسباتی و مقیاس پذیری مقایسه شده اند. نتایج بررسی ها نشان می دهد مدل های یادگیری عمیق با بهره گیری از داده افزایی و یادگیری خودکار ویژگی ها، عملکرد دقیق تر و پایدارتری در شرایط پیچیده و متغیر محیطی ارائه می دهند.

کلیدواژه ها:

Internet of Things ، Location-Based Services ، Global Positioning System ، Multi-Path Effect ، Non-Line of Sight (NLOS) ، Indoor Positioning Systems (IPS) ، Fingerprinting