الگوریتم موقعیت یابی داخلی بر اساس اثر انگشت موثر بر اساس مقادیر شدید

فناوری موقعیت یابی داخلی بر اساس اثر انگشت وای فای توجه ویژه ای را به خود جلب کرده است، اما توسعه این فناوری پر از چالش هایی مانند هزینه زمان تعیین موقعیت و دقت موقعیت یابی بوده است. بنابراین، انتخاب نقاط دسترسی بی‌سیم معقول ( APs ) برای موقعیت‌یابی ضروری است، زیرا هر چه تعداد AP برای موقعیت‌یابی بیشتر استفاده شود، محاسبات آنلاین، انرژی و هزینه زمان بیشتر می‌شود. علاوه بر این، قدرت سیگنال دریافتی ( RSS ) به راحتی تحت تأثیر تداخل های مختلف (موانع، اثرات چند مسیری و غیره) قرار می گیرد و دقت موقعیت یابی را کاهش می دهد. الگوریتم‌های انتخاب و موقعیت‌یابی AP در این مقاله برای حل این مسائل پیشنهاد شده‌اند. الگوریتم انتخاب AP پیشنهادی فیوز می شودتوزیع RSS و درجه همپوشانی بازه‌ای برای انتخاب تعداد کمی از AP با اهمیت بالا برای موقعیت‌یابی. الگوریتم موقعیت‌یابی پیشنهادی از فاصله مکان بین نقاط مرجع ( RPs ) برای ساختن یک دایره استفاده می‌کند و از مقادیر شدید (مقادیر حداکثر و حداقل) دایره‌ها برای تعیین احتمال ظاهر شدن نقطه آزمایش ( TP ) در هر دایره استفاده می‌کند، سپس آن را مفید می‌داند. AP ها برای تعیین وزن RP ها . آزمایش‌های گسترده‌ای در دو حوزه مختلف انجام می‌شود و نتایج کارآمدی الگوریتم پیشنهادی را نشان می‌دهد.

کلید واژه ها:

موقعیت یابی اثر انگشت ؛ موقعیت یابی داخلی ؛ درجه همپوشانی فاصله ارزش های افراطی ؛ رگرسیون فرآیند گاوسی

۱٫ مقدمه

با توسعه دستگاه های تلفن همراه، تقاضا برای خدمات مبتنی بر مکان (LBS) در حال افزایش است [ ۱ ، ۲ ]. یک مکان دقیق در فضای باز را می توان با سیگنال های ماهواره ای به دست آورد. با این حال، به دلیل پیچیدگی محیط داخلی، استفاده از سیگنال های ماهواره ای برای موقعیت یابی داخلی دشوار است [ ۳ ]. بسیاری از فن‌آوری‌های موقعیت‌یابی داخلی مبتنی بر حسگرها وجود دارد، مانند باند فوق‌العاده (UWB) [ ۴ ]، Wi-Fi [ ۵ ]، بلوتوث [ ۶ ] و بینایی [ ۷ ]. در این میان، فناوری موقعیت‌یابی داخلی مبتنی بر Wi-Fi مستقیماً از Access Point موجود ( AP) برای جمع آوری سیگنال ها بدون نصب تجهیزات اضافی. بنابراین، این فناوری موقعیت یابی یک راه حل رایج برای موقعیت یابی داخلی است [ ۸ ، ۹ ، ۱۰ ، ۱۱ ، ۱۲ ، ۱۳ ].

فناوری موقعیت یابی داخلی مبتنی بر Wi-Fi را می توان به روش های مبتنی بر سه لایه [ ۱۴ ] و روش های مبتنی بر اثر انگشت تقسیم کرد. اولی دارای یک محاسبه انحراف فاصله شدید در شرایط غیر خط دید (NLOS) است که دقت موقعیت یابی را بدتر از دومی می کند [ ۱۵ ]. بنابراین، روش تعیین موقعیت مبتنی بر اثر انگشت یک موضوع محبوب برای موقعیت یابی داخل ساختمان است.

اجرای روش موقعیت یابی مبتنی بر اثر انگشت را می توان به دو مرحله تقسیم کرد. ابتدا، پیاده‌کننده قدرت سیگنال دریافتی ( RSS ) AP ها را در نقاط مرجع ( RPs ) جمع‌آوری می‌کند تا یک نقشه اثر انگشت آفلاین بسازد. سپس، مکان نقطه تست ( TP ) با تطبیق RSS آنلاین در TP با نقشه اثر انگشت تخمین زده می‌شود.

با این حال، RSS به راحتی تحت تأثیر تداخل های مختلف قرار می گیرد ( قطع برق AP یا عملکرد نادرست، موانع، و غیره). برخی از اطلاعات AP ها ( موقعیت AP ، مسیر انتشار، و غیره) جمع آوری شده به صورت آنلاین در مقایسه با اطلاعات AP ها که به صورت آفلاین جمع آوری شده اند، تغییر یافته است. اطلاعات تغییر یافته ما را قادر می سازد تا یک خطای موقعیت یابی بزرگ را مرتکب شویم [ ۱۶ ، ۱۷ ]. بنابراین، حذف اطلاعات بی فایده برای موقعیت یابی معنادار است. علاوه بر این، نوسان سیگنال یکی دیگر از مسائل مهم است. RSS هر AP در RP _به دلیل نویز اندازه گیری شده باید یک فاصله باشد، نه یک مقدار ثابت. برای در نظر گرفتن جامع همه نمونه‌های RSS جمع‌آوری‌شده ، RADAR [ ۱۸ ] و HORUS [ ۱۰ ] پیشنهاد شده‌اند. با این حال، آنها تنها تأثیر نوسانات را بر روی نقشه‌های اثر انگشت آفلاین در نظر می‌گیرند و تأثیر آن را بر روی TPهای آنلاین نادیده می‌گیرند . به طور کلی، RSS آنلاین دریافت شده در TP برای موقعیت یابی تنها ۱ تا ۲ نمونه (ها) است، که انعکاس فاصله RSS از TP را دشوار می کند . بنابراین، مسائل فوق ممکن است باعث کاهش دقت موقعیت یابی شود.

با توجه به مسائل فوق، لازم است از تمام نمونه‌های RSS از AP ها در RP برای موقعیت‌یابی استفاده شود، زیرا تنها استفاده از تمام مقادیر دریافتی می‌تواند واقعاً توزیع RSS را منعکس کند . در مورد نمونه‌های کمی که در TP دریافت می‌شود، استفاده از نمونه‌های جمع‌آوری‌شده برای ساخت توزیع RSS آن دشوار است . با این حال، هر چه دو نقطه در فضای اقلیدسی نزدیک‌تر باشند، توزیع‌های RSS شبیه‌تر هستند [ ۱۹ ]. مقدار تصادفی RSS هر AP دریافت شده در TP باید در RSS قرار گیردفاصله مقادیر شدید همان AP در برخی از RP های حاوی TP در فضای اقلیدسی. در این موضوع که برخی از اطلاعات AP ها تغییر کرده است، RSS این AP ها در TP واقع در بازه RSS RP های مختلف را تحت تأثیر قرار می دهد .

بر اساس ایده های فوق، یک الگوریتم موقعیت یابی جدید مبتنی بر اثر انگشت پیشنهاد شده است. الگوریتم پیشنهادی ابتدا از یک مرز دایره‌ای با شعاع ρ استفاده می‌کند تا شباهت RSS بین RP‌ ها را قضاوت کند و AP های بدون تغییر هر دایره را با مقایسه مقدار RSS TP با مقادیر شدید RSS (مقدار حداکثر و حداقل) دایره‌ها پیدا کند. سپس، دایره هایی با بیشترین تعداد AP های بدون تغییر به عنوان حلقه های مشابه (SC) انتخاب می شوند. سپس، RP های موجود در SCها به عنوان RP های مشابه ( SRPs ) انتخاب می شوند). در نهایت، AP های بدون تغییر در هر SC برای به دست آوردن AP های مفید ( UAPs ) که اطلاعات آنها کمتر تغییر کرده است، قطع می شوند. بر اساس UAP های انتخاب شده، میانگین وزنی SRP ها توسط یک الگوریتم وزنی جدید با در نظر گرفتن ویژگی های انتشار Wi-Fi برای به دست آوردن تخمین نهایی TP یافت می شود.

برای تقریب مقادیر شدید RSS دایره‌ها، الگوریتم رگرسیون فرآیند گاوسی (GPR) و مدل انتشار Wi-Fi برای تناسب با مقادیر RSS اتخاذ شده‌اند. سپس، RSS جمع‌آوری‌شده و RSS مناسب با هم ترکیب می‌شوند تا مقادیر شدید RSS را در هر دایره بهتر منعکس کنند .

علاوه بر این، خدمات آگاه از موقعیت مکانی تجاری مبتنی بر بازار نیاز به تخمین سریع مکان کاربر و کاهش اتلاف انرژی دارند. بنابراین، یک سیستم تجاری عالی LBS باید زمان تعیین موقعیت آنلاین را در نظر بگیرد.

با توجه به افزایش در دسترس بودن و تراکم بالای AP های بی سیم در محیط های داخلی، شبکه ها و AP های بیشتری را می توان توسط دستگاه های تلفن همراه شناسایی کرد. این ممکن است با استفاده از همه AP های شناسایی شده برای موقعیت یابی آنلاین باعث هزینه زمانی بالایی شود . علاوه بر این، AP با تشخیص کم ممکن است منحصر به فرد بودن اثر انگشت را تضعیف کند و در نتیجه دقت موقعیت یابی ضعیفی داشته باشد. استفاده از AP ها با تفاوت های زیاد در توزیع RSS بین RP ها در منطقه مورد علاقه مفید است. بنابراین، می توانیم تعداد کمی از AP های با اهمیت بالا را به جای همه AP ها انتخاب کنیم، برای موقعیت یابی برای کوتاه کردن زمان موقعیت یابی آنلاین با حفظ دقت.

یک الگوریتم جدید انتخاب AP آفلاین ، DIOD ، که توزیع RSS و درجه همپوشانی بازه‌ای را ادغام می‌کند، بر اساس ایده فوق پیشنهاد شده است. این الگوریتم ابتدا از نمونه برداری ها در RP های مختلف برای محاسبه طول همپوشانی ( OI ) فواصل RSS استفاده می کند و سپس از توزیع RSS برای تشخیص اهمیت AP ها برای موقعیت یابی استفاده می کند. در نهایت تعداد کمی از AP با اهمیت بالا انتخاب می شوند.

خلاصه مطالب این مقاله به شرح زیر است:

(۱) الگوریتم موقعیت‌یابی: الگوریتم موقعیت‌یابی پیشنهادی ویژگی‌های دینامیکی اثر انگشت را در نظر می‌گیرد و از یک مرز جدید، یک مرز دایره‌ای، برای مدیریت نویز سیگنال استفاده می‌کند. الگوریتم GPR برای تناسب مقدار RSS در هر دایره اتخاذ شده است. سپس، به جای استفاده از فاصله اقلیدسی RSS بین SRP و TP ، الگوریتم پیشنهادی ویژگی‌های انتشار Wi-Fi را برای محاسبه شباهت RSS بین SRP و TP بهتر در نظر می‌گیرد .

(۲) الگوریتم انتخاب AP : یک معیار جدید ارزیابی اهمیت AP بر اساس IOD با در نظر گرفتن توزیع RSS به جای فقط مقدار RSS پیشنهاد شده است. الگوریتم پیشنهادی می تواند برای کاهش زمان موقعیت یابی آنلاین مورد استفاده قرار گیرد.

ما الگوریتم پیشنهادی را پیاده‌سازی کرده‌ایم و آزمایش‌های گسترده‌ای را روی دو ناحیه آزمایشی مختلف انجام داده‌ایم. نتایج تجربی نشان می‌دهد که الگوریتم موقعیت‌یابی پیشنهادی می‌تواند دقت موقعیت‌یابی را بهبود بخشد و الگوریتم انتخاب AP می‌تواند دقت موقعیت‌یابی بالاتری را تنها با استفاده از تعداد کمی AP بدست آورد.

بقیه این مقاله به شرح زیر سازماندهی شده است. کارهای مرتبط در بخش بعدی معرفی می شوند. بخش ۳ فرمول مسئله مرتبط، آزمایش اولیه و چارچوب الگوریتم پیشنهادی را ارائه می‌کند. بخش ۴ الگوریتم پیشنهادی را با جزئیات معرفی می‌کند، از جمله الگوریتم انتخاب AP و الگوریتم موقعیت‌یابی. نتایج تجربی و تجزیه و تحلیل مربوطه در بخش ۵ به تفصیل معرفی شده است. بخش ۶ چند بحث دیگر را ارائه می کند. بخش ۷ نتیجه گیری می کند.

۲٫ کارهای مرتبط

برخی از الگوریتم های کلاسیک [ ۱۰ ، ۱۸ ، ۲۰ ] برای موقعیت یابی داخلی بر اساس اثر انگشت پیشنهاد شده است. الگوریتم NN فاصله اقلیدسی RSS بین TP و RP را محاسبه می کند و مختصات RP با کمترین فاصله به عنوان تخمین TP برگردانده می شود . RADAR [ ۱۸ ] و WKNN [ ۲۰ ] همچنین مستقیماً فاصله RSS را محاسبه می کنند ، اما آنها k RP های برتر را با فواصل کوچکتر به عنوان SRP انتخاب می کنند و سپس میانگین وزنی مختصات SRP ها را انتخاب می کنند.برای محاسبه برآورد گرفته می شود. HORUS [ ۱۰ ] احتمال اینکه RSS TP در RPs ظاهر شود را محاسبه می کند و سپس RP را با حداکثر احتمال به عنوان مکان تخمینی TP انتخاب می کند.

بر اساس الگوریتم های سنتی فوق، برخی از الگوریتم های بهبود یافته پیشنهاد شده است. یک الگوریتم میانگین وزنی جدید [ ۲۱ ] با استفاده از فاصله فیزیک به جای فاصله RSS پیشنهاد شده است. فاصله گاوسی لگاریتمی (LGD) [ ۲۲ ] برای محاسبه شباهت RSS بین RP و TP استفاده می شود. یک تابع جریمه برای LGD پیشنهاد شده است [ ۲۳ ] تا با محیط پیچیده داخلی سازگار باشد. این الگوریتم می تواند دقت موقعیت یابی را افزایش دهد، اما در یک محیط پویا بدتر عمل می کند. رویکردهای مبتنی بر خوشه‌بندی [ ۲۴ ، ۲۵ ، ۲۶] معمولاً برای موقعیت یابی استفاده می شوند و این الگوریتم ها از یک ویژگی (مقدار میانگین RSS و غیره) برای تقسیم RP ها به چندین مجموعه استفاده می کنند. روش‌های کلاسیک خوشه‌بندی K-means [ ۲۴ ] و انتشار تمایل [ ۲۵ ] هستند. با توسعه سریع یادگیری ماشینی، Refs. [ ۲۷ ، ۲۸ ، ۲۹ ] برای بهبود دقت موقعیت یابی پیشنهاد می شود. ویژگی مشترک آنها این است که همه آنها به مقدار زیادی داده برای آموزش نیاز دارند. به عنوان یک روش یادگیری ساده و سریع، ماشین یادگیری افراطی (ELM) به طور گسترده در زمینه موقعیت یابی مبتنی بر اثر انگشت استفاده شده است [ ۲۹ ]. آثار کمی بر اساس ارزش های افراطی وجود دارد. مرجع. [ ۳۰] فقط از مقادیر شدید RSS برای فیلتر کردن AP ها استفاده می کند. در مقایسه با این آثار قبلی، ما یک الگوریتم موقعیت‌یابی جدید را بر اساس مقادیر شدید (مقادیر حداکثر و حداقل) برای انتخاب SRP و UAP پیشنهاد می‌کنیم . این الگوریتم در آزمایش‌های گسترده زیر به دقت موقعیت‌یابی بالاتری دست می‌یابد.

همچنین آثاری در مورد الگوریتم انتخاب AP وجود دارد. می توان آن را به دو دسته انتخاب آنلاین و انتخاب آفلاین تقسیم کرد. برای انتخاب آنلاین، یک رویکرد رایج MaxMean است که در Ref. [ ۳۱ ]، که از میانگین مطلق مقدار RSS به عنوان شاخص اهمیت استفاده می کند و آنهایی را که دارای قوی ترین میانگین مقادیر RSS هستند انتخاب می کند. این نوع الگوریتم از RSS آنلاین خاص برای به دست آوردن دقت موقعیت یابی بالاتر استفاده می کند، اما باید برای هر TP عمل کند که راحت نیست. برای انتخاب آفلاین، از اطلاعات پایگاه داده اثر انگشت آفلاین استفاده می کند. دقت موقعیت یابی آن ممکن است به اندازه الگوریتم انتخاب آنلاین دقیق نباشد [ ۳۲]، اما نیاز به انتخاب AP آنلاین را از بین می برد . این مقاله عمدتاً کار مربوط به الگوریتم‌های انتخاب آفلاین را مورد بحث قرار می‌دهد. مراجع. [ ۳۳ ، ۳۴ ] به ترتیب برای انتخاب AP ها از کسب اطلاعات و آنتروپی استفاده می کنند. با این حال، آنها فقط از میانگین مقدار RSS به عنوان یک ویژگی استفاده می کنند و در مورد اهمیت AP ها قضاوت نمی کنند . بر اساس یادگیری ماشین، SVM [ ۳۵ ] برای ارزیابی اهمیت گروهی AP های انتخاب شده به جای اهمیت فردی استفاده می شود. این الگوریتم به زمان زیادی برای آموزش داده نیاز دارد، که برای یک محیط AP در مقیاس بزرگ مناسب نیست . IOD [ ۳۰] برای انتخاب AP ها استفاده می شود و دقت بالاتری نسبت به سایر الگوریتم های انتخاب AP بدست می آورد [ ۳۳ ، ۳۵ ]. با این حال، IOD به سختی توزیع RSS را در نظر می گیرد و فقط از طول همپوشانی فاصله RSS برای انتخاب AP استفاده می کند. ما یک الگوریتم DIOD را پیشنهاد می کنیم که توزیع RSS و IOD را بر اساس این کار ترکیب می کند. نتایج تجربی نشان می دهد که الگوریتم DIOD پیشنهادی می تواند دقت موقعیت یابی را در مقایسه با IOD بهبود بخشد .

برای موضوع تغییرات پویا در محیط، بسیاری از محققان روی به روز رسانی نقشه اثر انگشت کار کرده اند. LEMT [ ۱۹ ] از رابطه RSS بین RPها برای ایجاد یک مدل درخت تصمیم برای به روز رسانی نقشه اثر انگشت استفاده می کند. DNCIPS [ ۸ ] RSS را در نقاط ثابت جمع آوری می کند و از قانون انتشار Log-distance و GPR برای به روز رسانی نقشه اثر انگشت استفاده می کند. هر دوی آنها به تجهیزات اضافی نیاز دارند. WINIPS [ ۳۶ ] می‌تواند RSS دریافتی آنلاین را در هر موقعیت AP ضبط کند. مراجع. [ ۳۷ و ۳۸ ] نقشه اثر انگشت را به صورت آنلاین با GPR و رگرسیون حداقل مربعات جزئی به روز کنید [ ۳۹ ]] به ترتیب با ترکیب اطلاعات واحد اندازه گیری اینرسی (IMU).

علاوه بر این، نتایج محلی سازی دقیق تری را می توان از طریق محلی سازی مشارکتی با همجوشی حسگر به دست آورد [ ۴۰ ، ۴۱ ]، و اطلاعات حرکت فیوژن به طور گسترده مورد مطالعه قرار گرفته است [ ۴۲ ، ۴۳ ]. اطلاعات IMU [ ۳۸ ، ۴۴ ] برای بهبود دقت موقعیت یابی استفاده می شود. در مقایسه با این آثار، الگوریتم موقعیت‌یابی پیشنهادی در این مقاله بر عملکرد موقعیت‌یابی خود Wi-Fi متمرکز است. مستقل و متعامد به این آثار ذوب شده است و ممکن است با اطلاعات سنسورهای دیگر ترکیب شود تا دقت موقعیت یابی را بهبود بخشد.

۳٫ مقدمات و چارچوب الگوریتم پیشنهادی

در این قسمت ابتدا به بررسی مشکل اثر انگشت RSS کلاسیک می پردازیم. سپس، آزمایش اولیه برای نشان دادن نوسان RSS ارائه شده است. در نهایت چارچوب الگوریتم پیشنهادی به اختصار معرفی می شود.

۳٫۱٫ شرح مسئله فرعی

مکان واقعی TP به صورت بیان می شود و نقشه اثر انگشت شامل مکان های RP و RSS مربوطه است. فرض کنید که M AP و N RP وجود دارد. مکان RP ها را می توان به عنوان ذخیره کرد . نشان دهنده محل است . RSS جمع آوری شده در به صورت زیر بیان می شود:

(۱)

جایی که . نشان دهنده RSS از در در نمونه گیری تی ام T نشان دهنده تعداد نمونه برداری است.

نقشه اثر انگشت را می توان به صورت زیر بیان کرد:

(۲)

برای راحتی بیان، فرض کنید که فقط یک نمونه در TP دریافت شده است . RSS جمع آوری شده در TP به صورت زیر بیان می شود:

(۳)

RSS برای RP و TP با خواندن تهی از AP ها به صورت -۱۰۰ dBm تنظیم می شود تا ابعاد AP ها بین RP و TP یکسان بماند .

مسئله موقعیت یابی را می توان به صورت زیر فرموله کرد:

(۴)

جایی که مکان تخمین زده شده TP با استفاده از نقشه رابطه است .

برای تسهیل درک، نمادهای اصلی در جدول ۱ فهرست شده اند .

۳٫۲٫ آزمایش مقدماتی

برای نشان دادن واضح نوسانات RSS ، آزمایشی انجام می‌دهیم که با استفاده از Xiaomi MI-2، ۶۰ نمونه‌گیری پیوسته را از یک AP در یک RP ثابت جمع‌آوری می‌کند. شکل ۱ هیستوگرام آماری را نشان می دهد. مشاهده می شود که حتی در همان مکان، RSS نیز در طول زمان تغییر می کند. یک نتیجه آزمایشی مشابه در [ ۴۵ ] گزارش شده است. این پدیده نشان می‌دهد که تعداد کمی از نمونه‌ها به طور دقیق توزیع RSS را منعکس نمی‌کنند ، که دقت موقعیت‌یابی را تنها با استفاده از یک ویژگی واحد RSS کاهش می‌دهد [ ۱۹ ، ۲۰ ].

۳٫۳٫ چارچوب

شکل ۲ چارچوب الگوریتم های ما را نشان می دهد که می توان آنها را به دو مرحله انتخاب و موقعیت یابی AP تقسیم کرد. در مرحله اول، DIOD AP ها را با اهمیت بالایی برای موقعیت یابی نگه می دارد . این یک الگوریتم انتخاب AP آفلاین است. در مرحله موقعیت یابی، الگوریتم موقعیت یابی به سه ماژول انتخاب SRP ، انتخاب UAP و مدول میانگین وزنی تقسیم می شود. ماژول انتخاب SRP شامل تقسیم ناحیه و انتخاب SC ها است. تقسیم مساحت برای ساختن دایره ها بر اساس شعاع ρ است. انتخاب SC ها RSS را مقایسه می کندمقدار TP و مقادیر شدید RSS در حلقه‌هایی که حاوی RSS ناشناخته محاسبه‌شده آفلاین توسط الگوریتم GPR و RSS جمع‌آوری‌شده در RPs هستند و سپس SRP‌ هایی را انتخاب می‌کند که RSS‌ های آن‌ها شبیه به TP است. برای ماژول انتخاب UAP ، AP های بدون تغییر در هر SC به عنوان یک مجموعه مستقل در نظر گرفته می شوند، و با در نظر گرفتن تقاطع همه مجموعه ها، مجموعه AP ها در تقاطع، UAP ها هستند . ماژول میانگین وزنی ویژگی های انتشار Wi-Fi را در نظر می گیرد و از RSS استفاده می کندتفاوت UAP های دریافتی در SRP و TP برای محاسبه کمی شباهت بین SRP و TP و سپس تخمین TP با وزن دادن مختصات SRP ها بدست می آید . شکل ۳ طرح RP ها ، TP و AP ها را نشان می دهد .

۴٫ الگوریتم ها

۴٫۱٫ الگوریتم انتخاب AP

۴٫۱٫۱٫ الگوریتم IOD

این بخش به طور خلاصه الگوریتم اولیه IOD [ ۳۰ ] را بررسی می کند. فرض کنید که و می تواند تشخیص دهد . داده های نمونه گیری RSS از جمع آوری شده در و به صورت زیر بیان می شود:

(۵)

(۶)

بنابراین، فواصل و را می توان به عنوان نشان داد و ، به ترتیب. الگوریتم IOD [ ۳۰ ] ابتدا OI بین را محاسبه می کند و ، که طول بازه قرمز در شکل ۴ است و سپس آن را عادی می کند برای بدست آوردن ارزش ، یعنی

(۷)

جایی که و نشان دهنده طول و ، به ترتیب، یعنی

(۸)

(۹)

را نشان دهنده توانایی برای تمایز و . هر چه ارزش آن کمتر باشد است، توانایی تشخیص قوی تر است است.

۴٫۱٫۲٫ بیانیه شماره الگوریتم IOD

در یک محیط ایده آل، RSS از توزیع گاوسی تبعیت می کند. با این حال، به دلیل واسط متنوع، اغلب یک توزیع چند وجهی ارائه می دهد. معمولاً چهار حالت توزیع وجود دارد [ ۴۶ ]: توزیع گاوسی، دووجهی، چوله چپ و راست به ترتیب. بنابراین، IOD اهمیت AP ها را با توجه به توزیع RSS به اشتباه ارزیابی می کند. شکل ۵ توزیع RSS را نشان می دهد و در و . محور افقی نشان‌دهنده مقدار RSS و محور عمودی نشان‌دهنده احتمال ظاهر شدن هر مقدار RSS در تعداد کل نمونه‌ها است. در این زمان اهمیت بالاتر از برای موقعیت یابی به دلیل توزیع RSS متفاوت.

با این حال، در شکل ۵ ، روابط زیر وجود دارد.

(۱۰)

(۱۱)

(۱۲)

بنابراین الگوریتم IOD معادله زیر را دارد.

(۱۳)

بر اساس الگوریتم IOD ، معادله (۱۳) به این معناست که و اهمیت یکسانی برای موقعیت یابی دارند که باعث قضاوت نادرست می شود.

۴٫۱٫۳٫ الگوریتم DIOD پیشنهادی

الگوریتم IOD [ ۳۰ ] فقط همپوشانی بازه RSS یک بعدی را در نظر می گیرد که ویژگی های توزیع را نادیده می گیرد. ما الگوریتم IOD را با گسترش طول همپوشانی بازه‌ای یک بعدی به ناحیه همپوشانی دو بعدی (OA) بهبود می‌بخشیم. همانطور که در شکل ۵ نشان داده شده است ، زمانی که ناحیه OA بزرگتر باشد، اهمیت AP کمتر است. در غیر این صورت اهمیت AP بیشتر است. مساحت قسمت همپوشانی دو بعدی با احتمال p همبستگی مثبت دارد . بر اساس OA، برای ارزیابی اهمیت پیشنهاد شده است . را به صورت زیر محاسبه می شود:

(۱۴)

جایی که و به صورت زیر محاسبه می شوند:

(۱۵)

(۱۶)

جایی که تعداد دفعات مقدار RSS را نشان می دهد در واقع در فاصله همپوشانی بین و .

محاسبه از همان است که . محدوده ارزش از است .

در شکل ۵ ، و . بنابراین بر اساس معادلات (۱۴)–(۱۶) نابرابری زیر را داریم.

(۱۷)

معادله (۱۷) نشان می دهد که اهمیت بالاتر از برای تمایز و . یعنی DIOD قضاوت درستی می کند.

چون N RP وجود دارد ، ترکیبات RP را می توان در همه به دست آورد. اجازه دهید ارزش نهایی برای ارزیابی اهمیت باشد . می توان آن را به صورت زیر محاسبه کرد:

(۱۸)

پس از محاسبه مقدار نهایی DIOD همه AP ها، AP هایی با مقادیر کمتر برای موقعیت یابی انتخاب می شوند.

۴٫۲٫ الگوریتم موقعیت یابی

۴٫۲٫۱٫ ماژول انتخاب SRPs

مقادیر شدید RSS جمع آوری شده در RP در یک دایره

ماژول انتخاب SRP بر اساس دو ویژگی RSS پیشنهاد شده است. اولین مورد این است که وقتی دو RP در فضای اقلیدسی نزدیک هستند، اغلب ویژگی های RSS مشابهی دارند [ ۱۹ ]. دوم این است که وقتی نمونه‌های RSS در یک نقطه ثابت به عدد معین T می‌رسند ، RSS به‌دست‌آمده می‌تواند مقادیر شدید دریافتی در این نقطه را منعکس کند [ ۳۰ ].

بر اساس اولین مشخصه، تقسیم مساحت با آستانه فاصله ρ برای تشخیص شباهت RSS بین RP ها استفاده می شود. توجه داشته باشید که یک آستانه نامناسب بزرگ ممکن است RP هایی با فاصله کمتر از ρ با واریانس فاصله سیگنال بزرگ ایجاد کند و دقت موقعیت یابی را کاهش دهد. طبق آزمایشات ما، بهترین مقدار ρ باید بین ۱ و تنظیم شود برابر فاصله RP مجاور (جزئیات بیشتر را می توان در بخش ۵٫۳ یافت ). همانطور که اثر انگشت در مکان های شناخته شده جمع آوری می شود، می تواند فواصل مکانی را محاسبه کند بین و . مشخصه های RSS بین دو RP مشابه هستند اگر فاصله فضایی مربوطه کمتر از آستانه ρ باشد. در غیر این صورت، مشخصه RSS مشابه نیست. شکل ۶ تعیین RP با RSS مشابه را نشان می دهد .

برای مشخصه دوم، آزمایشی برای تأیید صحت آن انجام می شود. شکل ۷ RSS اندازه گیری شده یک AP را در چهار RP نشان می دهد . مشاهده می شود که وقتی T بزرگتر از ۴۵ باشد، مقادیر نهایی بدست آمده ثابت می مانند. این نتایج صحت مشخصه را نشان می‌دهد و نشان می‌دهد که T باید بیشتر از ۴۵ باشد. این مشخصه به این معنی است که مقادیر دقیق RSS RPs را می‌توان از طریق نمونه‌گیری به دست آورد. در آزمایش های بعدی، مقدار T برابر ۶۰ تعیین می شود.

بر اساس مشخصه فوق می گیریم و به عنوان مثالی برای نشان دادن قوانین تعیین AP های بدون تغییر هر دایره. RSS از _ دریافت شده در TP در زمان کوتاه یک متغیر تصادفی است. حداقل و حداکثر مقادیر این متغیر تصادفی به صورت نمایش داده می شود و ، به ترتیب. از این رو، . فاصله RSS از دریافت شده در RP در را می توان به صورت بیان کرد ، جایی که به صورت زیر بیان می شود:

(۱۹)

جایی که تعداد کل RP ها را نشان می دهد .

با این حال، مقادیر شدید جمع آوری شده در RP در همه مقادیر افراطی را به دقت منعکس نکنید . بنابراین، یک الگوریتم GPR بهبود یافته [ ۸ ] برای تناسب مقادیر شدید در آن اتخاذ می‌شود . GPR بهبود یافته به اختصار در زیربخش بعدی معرفی می شود.

مقادیر شدید RSS جمع آوری شده در RP در یک دایره

الگوریتم استاندارد GPR فرض می کند که متغیر مستقل از توزیع گاوسی پیروی می کند. میانگین و واریانس امتیازهای جمع آوری نشده بر اساس فرضیه توزیع نرمال مشترک با آموزش RP های جمع آوری شده تخمین زده می شود . مدل مشاهده RSS زیر را در نظر بگیرید دریافت شده در .

(۲۰)

جایی که نویز مشاهده را نشان می دهد و برآورده می کند . رابطه بین یک مشاهده و مشاهده دیگر فقط تابع کوواریانس است که می تواند به صورت زیر بیان شود:

(۲۱)

جایی که واریانس است و پارامتر طول است. آنها هر دو پارامتر هایپر هستند. ۲-هنجار با نشان داده می شود ، که نشان دهنده فاصله اقلیدسی بین دو بردار است.

RSS پیش بینی شده برای یک موقعیت ناشناخته را می توان به صورت زیر محاسبه کرد:

(۲۲)

جایی که بردار کوواریانس بین مکان‌های RP و مکان ناشناخته، K ماتریس کوواریانس مکان‌های RP ، Z بردار مقادیر مشاهدات RSS و I ماتریس هویت است.

GPR بهبودیافته که مدل انتشار سیگنال Wi-Fi [ ۴۱ ] و GPR استاندارد را ترکیب می کند، می تواند RSS واقعی را با دقت بیشتری تقریب بزند . RSS ناشناخته از در را می توان به صورت زیر محاسبه کرد:

(۲۳)

(۲۴)

(۲۵)

جایی که . فاصله از است به .

پارامترها توسط الگوریتم آتش بازی [ ۸ ] در این مقاله آموزش داده شده است.

بر اساس الگوریتم بهبود یافته GPR، RSS هر نقطه جمع آوری نشده در دایره ها قابل محاسبه است. برای RSS جمع آوری شده در تمام نقاط جمع آوری نشده در دایره به صورت بیان می شود . بنابراین، فاصله تقریبی RSS از که در را می توان به صورت بیان کرد .

بر اساس مقادیر تقریبی RSS محاسبه شده توسط GPR بهبودیافته و مقادیر RSS جمع آوری شده RPs ، کل مقادیر شدید که در را می توان به صورت بیان کرد ، جایی که:

معیار انتخاب SRPs

از آنجا که فاصله RSS از در TP است ، باید در دایره ای قرار گیرد که حاوی TP در فضای اقلیدسی است. فرض کنید این دایره است ، بنابراین رابطه فاصله RSS بین TP و معادله زیر را برآورده می کند.

(۲۶)

از آنجایی که بدست آوردن مقدار α و β به دلیل نمونه‌برداری کوتاه در TP دشوار است ، معادله (۲۶) به صورت معادله زیر ساده شده است. .

(۲۷)

از این رو، به عنوان یک AP بدون تغییر از اضافه شده است . به طور مشابه، معادله (۲۷) می تواند به عنوان یک شرط قضاوت برای تعیین سایر AP های بدون تغییر استفاده شود. و AP های بدون تغییر حلقه های دیگر را تعیین کنید.

پس از آزمایش M AP و N دایره، همه حلقه‌ها دارای AP های بدون تغییر خود هستند و این حلقه‌ها بیشترین تعداد AP های بدون تغییر را دارند. به عنوان SC انتخاب می شوند . RP های موجود در این SC ها همگی به عنوان SRP انتخاب می شوند .

۴٫۲٫۲٫ ماژول انتخاب UAPs

با توجه به تغییرات محیطی، برخی از اطلاعات AP ها تغییر کرده است. در این زمان، این AP های تغییر یافته باید حذف شوند تا از دقت موقعیت یابی اطمینان حاصل شود. در بخش ۴٫۲٫۱ ، دایره هایی با بیشترین تعداد APهای بدون تغییر q به عنوان SC انتخاب می شوند . وقتی q = M ، به این معنی است که همه AP ها هیچ تغییر شدیدی ندارند و همه AP ها می توانند به عنوان UAP انتخاب شوند تا شباهت بین SRP و TP محاسبه شود. وقتی q < M , به این معنی است که برخی از AP هااطلاعات تغییر کرده است و لازم است این AP ها حذف شوند .

بدون از دست دادن کلیت، فرض کنید که F SC با بیشترین تعداد APهای بدون تغییر q وجود دارد. q AP های بدون تغییر هر SC به عنوان یک مجموعه مستقل در نظر گرفته می شوند و عملیات تقاطع را روی مجموعه های مستقل F انجام می دهند تا UAP ها را بدست آورند . UAP ها را می توان به صورت زیر بیان کرد:

(۲۸)

یک مثال برای نشان دادن واضح ماژول انتخاب UAPs استفاده می شود. فرض کنید که ، ۶ SC وجود دارد با بیشترین تعداد AP های بدون تغییر ، و هر SC دارای APهای بدون تغییر جدول ۲ شش AP بدون تغییر خاص هر SC را نشان می دهد . مشاهده می شود که اگرچه این SC ها تعداد AP های بدون تغییر یکسانی دارند ، اما ممکن است دارای AP های بدون تغییر متفاوت باشند . برای نگه داشتن UAPها به عنوان AP های بدون تغییر متعلق به همه SCها، AP های بدون تغییر موجود در هر SC به عنوان یک مجموعه مستقل در نظر گرفته می شوند و سپس محل تلاقی همه مجموعه ها گرفته می شود. AP های موجود در تقاطع، UAP های انتخاب شده هستند که می تواند به صورت زیر بیان شود:

(۲۹)

۴٫۲٫۳٫ ماژول میانگین وزنی

برخی از الگوریتم‌های سنتی [ ۱۹ ، ۲۰ ] از فاصله اقلیدسی RSS برای محاسبه شباهت بین SRP و TP استفاده می‌کنند و از متقابل فاصله اقلیدسی به عنوان وزن SRP استفاده می‌کنند. می توان آن را به صورت زیر بیان کرد:

(۳۰)

جایی که ، نشان دهنده i امین SRP است.

چنین تخصیص وزنی در معادله (۳۰) به اندازه کافی ویژگی های انتشار سیگنال های Wi-Fi را در نظر نمی گیرد. با توجه به [ ۴۷ ]، رابطه بین انتشار قدرت سیگنال Wi-Fi و فاصله را می توان به صورت معادله (۲۴) بیان کرد.

بر اساس رابطه (۲۴) مشاهده می شود که وقتی RSS به تدریج کوچکتر می شود، مقدار مطلق شیب آن به تدریج کوچکتر می شود که عدم تقارن را نشان می دهد. و . به طور کلی تر، قانون اساسی این است که بر AP های نزدیک تر با مقادیر RSS قوی تر تأکید کنید. با این حال، معیار فاصله اقلیدسی سنتی [ ۲۰ ] این ویژگی انتشار را در نظر نمی گیرد. بر اساس UAP های انتخاب شده، ما یک الگوریتم وزن جدید برای حل این مسئله پیشنهاد می کنیم، به عنوان مثال،

(۳۱)

که در آن S تعداد UAP ها و نشان دهنده j th UAP است.

در مقایسه با معادله (۳۰)، معادله (۳۱) به RSS بزرگتر (مقدار مطلق کوچکتر است) اجازه می دهد تا هنگام محاسبه شباهت RSS بین TP و SRP وزن بیشتری داشته باشد. در نهایت، بر اساس مختصات SRP و وزن، تخمین TP را می توان به صورت زیر محاسبه کرد:

(۳۲)

که در آن R تعداد SRP ها را نشان می دهد.

۵٫ آزمایشات

۵٫۱٫ تنظیمات آزمایشی

آزمایش های گسترده ای در دو محیط مختلف در دانشگاه بی هانگ انجام می شود. شکل ۸ طرح منطقه آزمایش ۱ را با مساحت ۷۰ متر × ۱۵ متر نشان می دهد. شکل ۹ منطقه آزمایش ۲ را با مساحت ۷۲ متر × ۲۵ متر نشان می دهد. در شکل ۸ و شکل ۹ ، دایره های قرمز و مربع های سبز به ترتیب نشان دهنده RP ها و TP ها هستند. Xiaomi MI-2 به عنوان دستگاه جمع آوری برای جمع آوری RSS در RP و TP استفاده می شود و فرکانس نمونه برداری Xiaomi MI-2 1 هرتز است. در نقشه اثر انگشت آفلاین، نمونه ها در هر RP جمع آوری می شوند . فقط ۱ تا ۲ نمونه (ها) در هر TP برای شبیه سازی سرعت عادی راه رفتن عابران پیاده جمع آوری می شود. برای منطقه ۱، ۱۲۵ RP و ۷۹ TP وجود دارد، و فاصله RP مجاور ۱٫۸ متر است. برای منطقه ۲، ۳۵ RP و ۲۷ TP وجود دارد، و فاصله RP مجاور ۳٫۶ متر است. بیش از ۱۰۰ APدر هر دو ناحیه شناسایی می شوند. آزمایش‌ها زمانی آزمایش می‌شوند که دانش‌آموزان به جای اینکه در یک محیط نسبتاً ایستا راه می‌روند. برای از بین بردن تأثیر سیگنال‌های ضعیف و ناپایدار، پیش پردازش داده‌ها را انجام می‌دهیم (یعنی قدرت سیگنال کمتر از -۸۵ dBm را فیلتر می‌کنیم) قبل از آزمایش‌ها. کد و مجموعه داده های ما در https://github.com/dadadaray/FingerPosition (در ۱۵ دسامبر ۲۰۲۱ قابل دسترسی است) موجود است.

۵٫۲٫ الگوریتم های مقایسه و متریک عملکرد

نتایج موقعیت‌یابی الگوریتم پیشنهادی با چهار الگوریتم موجود برای تأیید اثربخشی الگوریتم پیشنهادی مقایسه می‌شود.

برای الگوریتم انتخاب AP ، IOD [ ۳۰ ] به عنوان یک الگوریتم مقایسه برای تأیید اثربخشی DIOD پیشنهادی استفاده می‌شود .

الگوریتم مفصل IOD [ ۳۰ ] می تواند به بخش ۴٫۱ مراجعه کند.

PLGD، NN و ELM به عنوان الگوریتم های مقایسه ای برای الگوریتم موقعیت یابی پیشنهادی به کار گرفته شده اند.

PLGD [ ۲۳ ] از فاصله گاوسی لگاریتمی (LGD) با تابع جریمه به جای فاصله اقلیدسی برای محاسبه شباهت RSS بین RP و TP استفاده می کند و k RP با فواصل کوچکتر را برای موقعیت یابی میانگین وزنی انتخاب می کند.

NN [ ۱۸ ] از فاصله اقلیدسی برای ارزیابی شباهت RSS بین TP و RP استفاده می کند. مختصات RP که بیشتر شبیه به TP است به عنوان مکان TP برگردانده می شود.

ELM [ ۲۹ ] از شبکه عصبی یادگیری ماشین برای آموزش مدل موقعیت یابی استفاده می کند و سپس موقعیت مربوطه را با توجه به قدرت سیگنال پیش بینی می کند.

علاوه بر این، مجموعه‌ای از معیارهای عملکرد برای ارزیابی نتایج آزمایش‌ها اتخاذ می‌شوند. این معیارهای عملکرد عبارتند از: خطای موقعیت یابی ( PE )، میانگین خطای موقعیت یابی ( MPE ) و تابع توزیع تجمعی ( CDF ). تعاریف این شاخص ها به صورت زیر بیان می شود:

(۳۳)

(۳۴)

(۳۵)

که در آن G تعداد TP ها را نشان می دهد ، و نشان دهنده احتمال است.

۵٫۳٫ ارزیابی امکان سنجی

با توجه به فاصله‌های RP مجاور متفاوت در محیط‌های آزمایشی مختلف، دادن مستقیم مقدار شعاع ثابت برای انطباق با محیط‌های مختلف دشوار است. بر این اساس، فاصله RP مجاور هر ناحیه به عنوان فاصله واحد در نظر گرفته می شود. بنابراین فاصله واحد مناطق ۱ و ۲ به ترتیب ۱٫۸ متر و ۳٫۶ متر است. شعاع ρ به عنوان مضرب های مختلف فاصله واحد به جای یک مقدار ثابت برای مشاهده تأثیر بر دقت موقعیت یابی تنظیم می شود. چهار بازه زیر بررسی می شود: (۱) ، (۲) ، (۳) ، (۴) . به عنوان مثال، مقدار شعاع را می توان به صورت ۲٫۰ متر، ۳٫۰ متر، ۳٫۷ متر و ۵٫۲ متر تنظیم کرد تا با چهار بازه فوق در ناحیه ۱ مطابقت داشته باشد، و مقدار شعاع را می توان ۴٫۰ متر، ۵٫۴ متر تعیین کرد. ۸٫۰ متر و ۱۰٫۵ متر در ناحیه ۲٫ DIOD برای انتخاب تعداد مختلف AP برای موقعیت یابی استفاده می شود. شکل ۱۰ و شکل ۱۱ به ترتیب نتایج تجربی را برای ناحیه ۱ و ناحیه ۲ نشان می دهد. نتایج نشان می دهد که مضرب با در مقایسه با سایر بازه های شعاع، مهم نیست که چند AP استفاده شده است، بهترین عملکرد را دارد. این نتیجه در حد انتظار است زیرا زمانی که شعاع ρ بین ۱ و برابر فاصله RP مجاور ، دایره شباهت RSS RP های اطراف را در نظر می گیرد و از کاهش تشابه RSS در همان دایره به دلیل مقدار زیاد شعاع جلوگیری می کند. بر اساس نتایج تجربی فوق، نتایج زیر از الگوریتم های ما با استفاده از این مضرب بهینه به دست می آید.

برای تعیین اینکه آیا SC های انتخاب شده می توانند موقعیت TP را احاطه کنند ، شکل ۱۲ میزان صحیح SC ها را در برابر تعداد AP ها در دو ناحیه نشان می دهد. نشان می دهد که احتمال قرار گرفتن مکان واقعی TP در SC های انتخاب شده بیش از ۸۰٪ است. بنابراین می توان از SC ها برای موقعیت یابی استفاده کرد .

بر اساس نتایج در Ref. [ ۳۰ ]، زمانی که تعداد AP های انتخاب شده برای موقعیت یابی ۵ تا ۸ باشد، محاسبه دقت موقعیت یابی با استفاده از الگوریتم IOD بهتر از استفاده از الگوریتم های دیگر مانند الگوریتم های مبتنی بر نظریه اطلاعات و الگوریتم های مبتنی بر یادگیری ماشین است [ ۳۳ ، ۳۵ ]. هنگامی که تعداد AP های انتخاب شده همچنان در حال افزایش است، نتایج موقعیت یابی IOD تقریباً مشابه سایر الگوریتم ها است. بنابراین، الگوریتم IOD [ ۳۰ ] می‌تواند دقت موقعیت‌یابی بالایی را با تعداد کمی AP فراهم کند و در عین حال زمان اجرای آنلاین را بهبود بخشد.

برای تأیید اثربخشی الگوریتم DIOD پیشنهادی ، الگوریتم‌های IOD [ ۳۰ ] و DIOD به ترتیب برای انتخاب AP ها برای تعیین موقعیت و سپس برای مشاهده دقت موقعیت‌یابی با استفاده از الگوریتم موقعیت‌یابی پیشنهادی ما استفاده می‌شوند. شکل ۱۳ و شکل ۱۴ MPE را در برابر تعداد AP های انتخاب شده در ناحیه ۱ و ناحیه ۲ به ترتیب نشان می دهد. مشاهده می شود که وقتی تعداد کمی از AP ها انتخاب می شوند، MPE DIOD بهتر از IOD عمل می کند . این به این دلیل است که DIOD RSS را در نظر می گیردتوزیع علاوه بر این، می توان مشاهده کرد که نتایج تجربی در منطقه ۱ نسبت به منطقه ۲ صاف تر است. دلیل آن این است که کریدور منطقه ۲ باریک است و اثرات چند مسیری بیشتری ایجاد می کند، بنابراین قابلیت اطمینان توزیع RSS در منطقه ۲ به دست می آید. کمی بدتر از منطقه ۱ است. علاوه بر این، DIOD می تواند دقت موقعیت یابی را در مقایسه با الگوریتم IOD به ترتیب ۵٫۸۳% و ۱۷٫۷۳% در بالاترین میزان در ناحیه ۱ و ناحیه ۲ بهبود بخشد.

۵٫۴٫ ارزیابی دقت موقعیت

قبل از آزمایش مقایسه بین الگوریتم‌های موقعیت‌یابی مختلف، کارایی ماژول میانگین وزنی در الگوریتم پیشنهادی را تأیید می‌کنیم. معادله (۳۰) و معادله (۳۱) به ترتیب با استفاده از UAPs و SRP های یکسان برای به دست آوردن نتایج استفاده می شود . شکل ۱۵ و شکل ۱۶ به ترتیب نتایج را نشان می دهند. می توان مشاهده کرد که الگوریتم وزن پیشنهادی (یعنی معادله (۳۱)) بهتر از الگوریتم سنتی (یعنی معادله (۳۰)) عمل می کند. دلیل آن این است که DIOD ویژگی های انتشار سیگنال را در نظر می گیرد. سپس لازم است پارامترهای الگوریتم مقایسه مانند k در PLGD بهینه شود. شکل ۱۷و شکل ۱۸ تأثیر PLGD با مقادیر k مختلف را به ترتیب بر دقت موقعیت یابی در دو ناحیه نشان می دهد. از این رو، ، با بهترین دقت، برای PLGD در ناحیه ۱ انتخاب شده است و ، با بهترین دقت، برای PLGD در منطقه ۲ استفاده می شود.

در ابتدا، ما نتایج موقعیت‌یابی را بین الگوریتم‌های مختلف در مورد تعداد کمی از AP مقایسه می‌کنیم. توجه داشته باشید که ELM به تعداد زیادی ویژگی نیاز دارد و تأثیر ELM در مورد تعداد کمی از AP ها قوی نیست . بنابراین، برای این آزمایش، دقت موقعیت یابی ELM حذف شده است زیرا عملکرد آن به هیچ وجه قابل مقایسه با الگوریتم های دیگر نیست. شکل ۱۹ و شکل ۲۰MPE را به ترتیب در دو ناحیه نشان می دهد. مشاهده می شود که در مناطق مختلف، نتایج عملکرد بین NN و PLGD ناپایدار است. PLGD بهتر از الگوریتم NN در ناحیه ۱ عمل می کند اما برعکس در ناحیه ۲٫ با این حال، الگوریتم موقعیت یابی پیشنهادی می تواند بهترین دقت موقعیت یابی را در هر دو ناحیه آزمایشی حفظ کند. دلیل آن این است که الگوریتم پیشنهادی رابطه بین RSS و مکان RP را در نظر می گیرد.

در مرحله دوم، ما CDF موقعیت یابی بهینه را بین الگوریتم های مختلف مقایسه می کنیم. برای ELM، همه AP های شناسایی شده به عنوان ویژگی هایی برای آموزش مدل موقعیت یابی انتخاب می شوند. شکل ۲۱ و شکل ۲۲نتایج را به ترتیب در دو حوزه نشان می دهد. مشاهده می شود که الگوریتم پیشنهادی به ترتیب با ۱٫۸۱ متر و ۲٫۲۸ متر در دو ناحیه بهترین دقت را به دست می آورد. از این نتایج تجربی، می توان دریافت که الگوریتم موقعیت یابی پیشنهادی می تواند دقت موقعیت یابی بالاتری را ارائه دهد. علاوه بر این، در منطقه ۱، الگوریتم‌های موقعیت‌یابی پیشنهادی ما می‌توانند دقت را به میزان ۱۶٫۵۹، ۳۴٫۱۸ و ۵۴٫۸۶ درصد در مقایسه با PLGD، NN و ELM بهبود بخشند. شباهت، در منطقه ۲، الگوریتم های موقعیت یابی پیشنهادی ما می توانند دقت را ۴۴٫۹۳، ۱۲٫۶۴ و ۶۹٫۱۹ درصد بهبود بخشند.

۵٫۵٫ هزینه زمانی الگوریتم تعیین موقعیت پیشنهادی

زمان موقعیت یابی مکان یابی یک TP با استفاده از الگوریتم موقعیت یابی پیشنهادی در دو ناحیه حدود ۱ ثانیه است، اما الگوریتم DIOD می تواند هزینه زمان را کاهش دهد. هنگامی که پنج AP توسط DIOD انتخاب می شوند ، هزینه زمانی الگوریتم های موقعیت یابی ما برای مکان یابی یک TP مورد نیاز است.در دو ناحیه به ترتیب حدود ۰٫۰۹۳ و ۰٫۰۲۹ ثانیه است. اگرچه زمان از الگوریتم های ساده سنتی مانند الگوریتم NN بزرگتر است، اما هزینه زمانی الگوریتم پیشنهادی ما همچنان به Wi-Fi اجازه می دهد تا با سنسورهای دیگر ترکیب شود و دقت موقعیت یابی را بیشتر بهبود بخشد. به طور خلاصه، الگوریتم پیشنهادی معنی‌دار است زیرا می‌تواند نتایج موقعیت‌یابی با دقت بالا را با اضافه کردن هزینه ناچیز زمان به دست آورد.

۶٫ بحث های بیشتر

محدودیت ها. الگوریتم پیشنهادی ما به نتایج موقعیت‌یابی با دقت بالا دست می‌یابد. به هیچ اطلاعاتی در مورد AP ها نیاز ندارد و از تمام نمونه‌های RSS برای موقعیت‌یابی استفاده می‌کند. با این حال، الگوریتم پیشنهادی با موضوع ناهمگنی دستگاه نیز مواجه است. ما آن را با بررسی ادغام بالقوه آن با تکنیک‌های موقعیت‌یابی بدون کالیبراسیون مانند تکنیک‌های [ ۴۵ ، ۴۸ ] بیشتر بهبود خواهیم داد.

دستورالعمل های آینده. اگرچه یادگیری عمیق به داده های زیادی برای آموزش مدل نیاز دارد و قابلیت تفسیر آن ضعیف است، اما تأثیر آن خوب است. بنابراین یادگیری عمیق در زمینه های مختلف به سرعت توسعه یافته است. ما امکان ترکیب روش مبتنی بر ارزش افراطی پیشنهادی و یادگیری عمیق را برای بهبود دقت مکان بررسی خواهیم کرد.

۷٫ نتیجه گیری

در این مقاله، یک الگوریتم انتخاب AP جدید که توزیع RSS و IOD را ادغام می‌کند ، ابتدا برای ارزیابی اهمیت AP ها برای موقعیت‌یابی پیشنهاد شده‌است. سپس، یک الگوریتم موقعیت‌یابی جدید شامل تقسیم ناحیه، SCs ، انتخاب UAP و میانگین وزنی برای به دست آوردن دقت موقعیت‌یابی بالاتر پیشنهاد می‌شود. برای الگوریتم انتخاب AP ، نتایج تجربی نشان می دهد که دقت موقعیت یابی محاسبه شده با استفاده از DIOD بیشتر از دقت موقعیت یابی محاسبه شده با استفاده از IOD است.الگوریتم برای الگوریتم موقعیت یابی، نتایج تجربی نشان می دهد که الگوریتم موقعیت یابی پیشنهادی بهتر از الگوریتم های موقعیت یابی موجود عمل می کند. هزینه زمان کم همچنین به Wi-Fi اجازه می دهد تا با اطلاعات سنسورهای دیگر به صورت آنلاین ترکیب شود تا دقت موقعیت یابی بالاتری به دست آید.

علاوه بر این، ارزش تجربی شعاع داده شده است. با توجه به نتایج تجربی انجام شده در دو ناحیه آزمایشی، شعاع باید بین ۱ و تنظیم شود برابر فاصله RP مجاور . حوزه های آزمایشی در این مقاله کلی هستند، بنابراین الگوریتم پیشنهادی ممکن است در مقیاس بزرگ اعمال شود. علاوه بر این، موقعیت‌یابی مبتنی بر اثر انگشت بر اساس Wi-Fi یا شبکه‌های دیگر (به عنوان مثال، بلوتوث) نیز همین رویه را دارد، بنابراین مقدار تجربی شعاع را می‌توان برای موقعیت‌یابی مبتنی بر اثر انگشت بر اساس شبکه‌های دیگر مقیاس‌بندی کرد.

منابع

کائو، اچ. وانگ، ی. بی، جی. سان، م. چی، اچ. Xu، S. روش تعیین موقعیت اثر انگشت برای Wi-Fi دو باند بر اساس رگرسیون فرآیند گاوسی و K-نزدیکترین همسایه. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۷۰۶٫ [ Google Scholar ] [ CrossRef ]
بی، جی. هوانگ، ال. کائو، اچ. یائو، جی. سانگ، دبلیو. ژن، جی. لیو، ی. روش محلی‌سازی اثرانگشت داخلی با استفاده از الگوریتم خوشه‌بندی و جبران پویا. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۱۳٫ [ Google Scholar ] [ CrossRef ]
Farrell, J. Aided Navigation: GPS با سنسورهای نرخ بالا . McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۰۸٫ [ Google Scholar ]
کوک، م. هول، جی. شون، تی. موقعیت یابی داخلی با استفاده از اندازه گیری های باند فراعرض و اینرسی. IEEE Trans. وه تکنولوژی ۲۰۱۵ ، ۶۴ ، ۱۲۹۳-۱۳۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
او هست.؛ چان، اس. موقعیت یابی داخلی بر اساس اثر انگشت Wi-Fi: پیشرفت ها و مقایسه های اخیر. IEEE Commun. Surv. معلم خصوصی ۲۰۱۶ ، ۱۸ ، ۴۶۶-۴۹۰٫ [ Google Scholar ] [ CrossRef ]
بندرا، U. هاسگاوا، م. اینو، ام. موریکاوا، اچ. Aoyama, T. طراحی و اجرای یک سیستم سنجش موقعیت مبتنی بر قدرت سیگنال بلوتوث. در مجموعه مقالات کنفرانس رادیویی و بی سیم IEEE 2004، آتلانتا، GA، ایالات متحده آمریکا، ۲۲ سپتامبر ۲۰۰۴٫ صص ۳۱۹-۳۲۲٫ [ Google Scholar ]
کو، ی. پاننوتو، پی. Dutta, P. Demo: Luxapose: موقعیت یابی داخلی با تلفن های همراه و نور مرئی. در مجموعه مقالات بیستمین کنفرانس بین المللی سالانه محاسبات و شبکه های موبایل، مائوئی، HI، ایالات متحده آمریکا، ۷ تا ۱۱ سپتامبر ۲۰۱۴٫ ACM: نیویورک، نیویورک، ایالات متحده آمریکا؛ ص ۲۹۹-۳۰۲٫ [ Google Scholar ]
تائو، ی. Zhao, L. یک سیستم جدید برای تطبیق خودکار نقشه رادیویی وای فای و موقعیت یابی داخلی. IEEE Trans. وه تکنولوژی ۲۰۱۸ ، ۶۷ ، ۱۰۶۸۳–۱۰۶۹۲٫ [ Google Scholar ] [ CrossRef ]
چن، ال. یانگ، ک. Wang, X. بومی سازی فضای داخلی مبتنی بر اثر انگشت Wi-Fi تعاونی قوی. IEEE Internet Things J. ۲۰۱۶ ، ۳ ، ۱۴۰۶-۱۴۱۷٫ [ Google Scholar ] [ CrossRef ]
یوسف، م. Agrawala، A. سیستم تعیین مکان هوروس. سیم. شبکه ۲۰۰۸ ، ۱۴ ، ۳۵۷-۳۷۴٫ [ Google Scholar ] [ CrossRef ]
تائو، ی. Zhao، L. محلی‌سازی اثر انگشت با جستجوی منطقه تطبیقی. IEEE Commun. Lett. ۲۰۲۰ ، ۲۴ ، ۱۴۴۶-۱۴۵۰٫ [ Google Scholar ] [ CrossRef ]
جون، ج. او، ال. گو، ی. جیانگ، دبلیو. کوشواها، ج. ویپین، ا. چنگ، ال. لیو، سی. Zhu, T. اثر انگشت وای فای کم سربار. IEEE Trans. اوباش محاسبه کنید. ۲۰۱۸ ، ۱۷ ، ۵۹۰-۶۰۳٫ [ Google Scholar ] [ CrossRef ]
چن، پی. شانگ، جی. Gu, F. یادگیری ویژگی RSSI از طریق مدل رتبه‌بندی برای محلی‌سازی اثر انگشت Wi-Fi. IEEE Trans. وه تکنولوژی ۲۰۲۰ ، ۶۹ ، ۱۶۹۵-۱۷۰۵٫ [ Google Scholar ] [ CrossRef ]
ظفری، ف. گکلیاس، ع. Leung, K. بررسی سیستم‌ها و فناوری‌های محلی‌سازی داخلی. IEEE Commun. Surv. معلم خصوصی ۲۰۱۹ ، ۲۱ ، ۲۵۶۸–۲۵۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Tang, L. مقایسه روش‌های موقعیت‌یابی داخلی مبتنی بر WiFi. در مجموعه مقالات سیزدهمین کنفرانس بین المللی ۲۰۱۹ در مورد پردازش سیگنال و سیستم های ارتباطی (ICSPCS)، ساحل طلایی، QLD، استرالیا، ۱۶ تا ۱۸ دسامبر ۲۰۱۹؛ صص ۱-۶٫ [ Google Scholar ]
او هست.؛ لین، دبلیو. Chan، S. محلی‌سازی داخلی و به‌روزرسانی خودکار اثر انگشت با سیگنال‌های AP تغییر یافته. IEEE Trans. اوباش محاسبه کنید. ۲۰۱۷ ، ۱۶ ، ۱۸۹۷-۱۹۱۰٫ [ Google Scholar ] [ CrossRef ]
ژو، ام. سان، دبلیو. Yu, H. با بهبود مدل محلی سازی داخلی مبتنی بر WiFi، دستگاه تلفن همراه را تعیین مکان کنید. IEEE Internet Things J. ۲۰۱۹ ، ۶ ، ۸۷۹۲–۸۸۰۳٫ [ Google Scholar ] [ CrossRef ]
باهل، ص. Padmanabhan، V. RADAR: یک سیستم ردیابی و مکان یابی کاربر مبتنی بر RF در ساختمان. در مجموعه مقالات IEEE INFOCOM 2000، تل آویو، اسرائیل، ۲۶-۳۰ مارس ۲۰۰۰٫ صص ۷۷۵-۷۸۴٫ [ Google Scholar ]
یین، جی. یانگ، کیو. Ni, L. یادگیری نقشه های رادیویی زمانی تطبیقی برای تخمین مکان مبتنی بر قدرت سیگنال. IEEE Trans. اوباش محاسبه کنید. ۲۰۰۸ ، ۷ ، ۸۶۹-۸۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هو، جی. لیو، دی. یان، ز. لیو، اچ. تجزیه و تحلیل تجربی بر روی موقعیت یابی اثر انگشت زانوترین همسایه داخلی. IEEE Internet Things J. ۲۰۱۹ ، ۶ ، ۸۹۱–۸۹۷٫ [ Google Scholar ] [ CrossRef ]
شو، دبلیو. یو، ک. هوآ، ایکس. لی، کیو. کیو، دبلیو. ژو، بی. خوشه بندی نقاط مرجع مبتنی بر موقعیت های مجازی و وزن دهی مبتنی بر فاصله فیزیکی برای موقعیت یابی Wi-Fi داخلی. IEEE Internet Things J. ۲۰۱۸ , ۵ , ۳۰۳۱–۳۰۴۲٫ [ Google Scholar ] [ CrossRef ]
شرستا، س. تالویتی، جی. Lohan, E. محلی‌سازی داخلی مبتنی بر دکانولوشن با سیگنال‌های WLAN و مکان‌های نقطه دسترسی ناشناخته. در مجموعه مقالات IEEE ICL-GNSS، تورین، ایتالیا، ۲۵-۲۷ ژوئن ۲۰۱۳٫ [ Google Scholar ]
کراماریوک، آ. هاتونن، اچ. لوهان، E. مزایای خوشه بندی در موقعیت یابی وای فای موبایل محور در ساختمان های چند طبقه. در مجموعه مقالات کنفرانس بین المللی محلی سازی و GNSS (ICL-GNSS)، بارسلون، اسپانیا، ۲۸-۳۰ ژوئن ۲۰۱۶٫ صص ۱-۶٫ [ Google Scholar ]
رضوی، ع. والکاما، م. لوهان، ES K-Means خوشه‌بندی اثر انگشت برای تخمین کف با پیچیدگی کم در محلی‌سازی موبایل داخلی. در مجموعه مقالات کارگاه های آموزشی IEEE Globecom 2015 (GC Wkshps)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۶ تا ۱۰ دسامبر ۲۰۱۵؛ صص ۱-۷٫ [ Google Scholar ]
هو، ایکس. شانگ، جی. گو، اف. هان، کیو. بهبود موقعیت‌یابی Wi-Fi در فضای داخلی از طریق AP، شباهت و خوشه‌بندی انتشار قرابت نیمه نظارت شده را تنظیم می‌کند. بین المللی J. Distrib. Sens. Netw. ۲۰۱۵ ، ۲۰۱۵ ، ۱۰۹۶۴۲٫ [ Google Scholar ] [ CrossRef ]
وانگ، بی. لیو، ایکس. یو، بی. جیا، آر. Gan, X. یک روش موقعیت‌یابی WiFi بهبود یافته بر اساس خوشه‌بندی اثر انگشت و فاصله اقلیدسی وزن‌دار سیگنال. Sensors ۲۰۱۹ , ۱۹ , ۲۳۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
عباس، م. الهامشاری، م. ریزک، اچ. ترکی، م. Youssef, M. WiDeep: سیستم محلی سازی دقیق و قوی مبتنی بر WiFi با استفاده از یادگیری عمیق. در مجموعه مقالات کنفرانس بین المللی IEEE 2019 در مورد محاسبات و ارتباطات فراگیر (PerCom)، کیوتو، ژاپن، ۱۱ تا ۱۵ مارس ۲۰۱۹؛ صص ۱-۱۰٫ [ Google Scholar ]
کوئیکه-آکینو، تی. وانگ، پی. پایوویچ، م. سان، اچ. Orlik، محلی‌سازی فضای داخلی مبتنی بر اثرانگشت PV با WiFi تجاری MMWave: یک رویکرد یادگیری عمیق. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۸۴۸۷۹–۸۴۸۹۲٫ [ Google Scholar ] [ CrossRef ]
لو، ایکس. زو، اچ. ژو، اچ. زی، ال. هوانگ، جی.-بی. ماشین یادگیری فوق العاده قوی با کاربرد آن در موقعیت یابی داخلی. IEEE Trans. سایبرن. ۲۰۱۶ ، ۴۶ ، ۱۹۴-۲۰۵٫ [ Google Scholar ] [ CrossRef ]
وو، بی. ما، ز. پوسلاد، اس. Zhang, W. یک الگوریتم انتخاب نقطه دسترسی بی‌سیم کارآمد برای تعیین مکان بر اساس تعیین درجه همپوشانی فاصله زمانی RSSI. در مجموعه مقالات سمپوزیوم ارتباطات بی سیم ۲۰۱۸ (WTS)، فینیکس، AZ، ایالات متحده آمریکا، ۱۷ تا ۲۰ آوریل ۲۰۱۸؛ صص ۱-۸٫ [ Google Scholar ]
یوسف، م. آگراوالا، ا. Udaya Shankar، A. تعیین مکان WLAN از طریق خوشه‌بندی و توزیع‌های احتمال. در مجموعه مقالات اولین کنفرانس بین المللی IEEE در مورد محاسبات و ارتباطات فراگیر ۲۰۰۳ (PerCom 2003)، فورت ورث، TX، ایالات متحده آمریکا، ۲۶ مارس ۲۰۰۳; صص ۱۴۳-۱۵۰٫ [ Google Scholar ]
ژانگ، دبلیو. یو، ک. وانگ، دبلیو. Li, X. الگوریتم انتخاب AP خود تطبیقی بر اساس بهینه سازی چند هدفه برای موقعیت یابی وای فای داخلی. IEEE Internet Things J. ۲۰۲۱ ، ۸ ، ۱۴۰۶-۱۴۱۶٫ [ Google Scholar ] [ CrossRef ]
چن، ی. یانگ، کیو. یین، جی. Chai، X. انتخاب نقطه دسترسی کم مصرف برای تخمین مکان داخلی. IEEE Trans. بدانید. مهندسی داده ۲۰۱۶ ، ۱۸ ، ۸۷۷-۸۸۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
او هست.؛ Chan, S. Tilejunction: کاهش نویز سیگنال برای محلی سازی داخلی بر اساس اثر انگشت. IEEE Trans. اوباش محاسبه کنید. ۲۰۱۶ ، ۱۵ ، ۱۵۵۴-۱۵۶۸٫ [ Google Scholar ] [ CrossRef ]
لین، تی.-ن. Fang, S.-H.; Tseng، W.-H.; لی، سی.- دبلیو. هسیه، J.-W. انتخاب نقطه دسترسی مبتنی بر تبعیض گروهی برای محلی سازی اثر انگشت WLAN. IEEE Trans. وه تکنولوژی ۲۰۱۴ ، ۶۳ ، ۳۹۶۷-۳۹۷۶٫ [ Google Scholar ] [ CrossRef ]
زو، اچ. جین، م. جیانگ، اچ. زی، ال. Spanos، CJ WinIPS: سیستم موقعیت یابی داخلی غیر نفوذی مبتنی بر WiFi با ساخت و انطباق نقشه رادیویی آنلاین. IEEE Trans. سیم. اشتراک. ۲۰۱۷ ، ۱۶ ، ۸۱۱۸-۸۱۳۰٫ [ Google Scholar ] [ CrossRef ]
هوانگ، بی. خو، ز. جیا، بی. Mao, G. طرح به‌روزرسانی نقشه رادیویی آنلاین برای محلی‌سازی مبتنی بر اثر انگشت WiFi. IEEE Internet Things J. ۲۰۱۹ ، ۶ ، ۶۹۰۹–۶۹۱۸٫ [ Google Scholar ] [ CrossRef ]
وو، سی. یانگ، ز. Xiao, C. تطبیق نقشه رادیویی خودکار برای محلی سازی فضای داخلی با استفاده از تلفن های هوشمند. IEEE Trans. اوباش محاسبه کنید. ۲۰۱۸ ، ۱۷ ، ۵۱۷-۵۲۸٫ [ Google Scholar ] [ CrossRef ]
گلادی، پ. کوالسکی، ب. رگرسیون حداقل مربعات جزئی: یک آموزش. مقعدی چیم. Acta ۱۹۸۶ ، ۱۸۵ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ]
کونتی، ا. درداری، د. گوئرا، م. موچی، ال. Win، MZ توصیف تجربی ناوبری تنوع. سیستم IEEE J. ۲۰۱۴ ، ۸ ، ۱۱۵-۱۲۴٫ [ Google Scholar ] [ CrossRef ]
لیو، ز. دای، دبلیو. Win, M. Mercury: یک سیستم بدون زیرساخت برای محلی سازی و ناوبری شبکه. IEEE Trans. اوباش محاسبه کنید. ۲۰۱۸ ، ۱۷ ، ۱۱۱۹–۱۱۳۳٫ [ Google Scholar ] [ CrossRef ]
رای، ا. چینتالاپودی، KK; Padmanabhan، VN; سن، R. Zee: جمع سپاری صفر تلاش برای محلی سازی داخلی. در مجموعه مقالات هجدهمین کنفرانس بین المللی سالانه ACM در محاسبات و شبکه موبایل، استانبول، ترکیه، ۲۲ تا ۲۶ اوت ۲۰۱۲٫ صص ۲۹۳-۳۰۴٫ [ Google Scholar ]
سان، دبلیو. لیو، جی. وو، سی. یانگ، ز. ژانگ، ایکس. لیو، Y. MoLoc: در مورد تشخیص دوقلوهای اثر انگشت. در مجموعه مقالات سی و سومین کنفرانس بین المللی IEEE در مورد سیستم های محاسباتی توزیع شده، فیلادلفیا، PA، ایالات متحده آمریکا، ۸ تا ۱۱ ژوئیه ۲۰۱۳٫ ص ۲۲۶-۲۳۵٫ [ Google Scholar ]
زو، ن. ژائو، اچ. فنگ، دبلیو. Wang, Z. رویکرد فیلتر ذرات جدید برای موقعیت‌یابی داخل ساختمان با ترکیب حسگرهای WiFi و اینرسی. چانه. جی. هوانورد. ۲۰۱۵ ، ۲۸ ، ۱۷۲۵-۱۷۳۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، اس. دسای، پ. ورما، م. Gerla، M. FreeLoc: محلی‌سازی فضای داخلی جمع‌سپاری بدون کالیبراسیون. در مجموعه مقالات IEEE INFOCOM 2013، تورین، ایتالیا، ۱۴-۱۹ آوریل ۲۰۱۳٫ ص ۲۴۸۱-۲۴۸۹٫ [ Google Scholar ]
شو، دبلیو. کیو، دبلیو. هوآ، ایکس. Yu, K. بهبود اندازه گیری RSSI Wi-Fi برای محلی سازی داخل ساختمان. IEEE Sens. J. ۲۰۱۷ ، ۱۷ ، ۲۲۲۴–۲۲۳۰٫ [ Google Scholar ] [ CrossRef ]
Rappaport، TS Wireless Communications: Principles and Practice ; Prentice-Hall: Englewood Cliffs, NJ, USA, 1996; جلد ۲٫ [ Google Scholar ]
تائو، ی. ژائو، ال. محلی‌سازی اثر انگشت با مرز دایره‌ای. IEEE Commun. Lett. ۲۰۲۱ ، ۲۵ ، ۲۹۲۸-۲۹۳۲٫ [ Google Scholar ] [ CrossRef ]