الگوریتم موقعیت یابی داخلی بر اساس مدل مشاهده بازسازی شده و فیلتر ذرات

در یک محیط داخلی پیچیده، سیگنال های بی سیم تحت تأثیر عوامل متعددی مانند بازتاب، پراکندگی یا بازتاب پخش امواج الکترومغناطیسی از دیوارهای داخلی و سایر اشیاء قرار می گیرند و قدرت سیگنال به طور قابل توجهی نوسان می کند. از آنجایی که قدرت سیگنال و فاصله بین گره های ناشناخته و گره های شناخته شده یک مسئله تخمین غیرخطی معمولی است و گره های مجهول نمی توانند تمام داده های قدرت سیگنال نقاط دسترسی (APs) را دریافت کنند، این مقاله یک الگوریتم موقعیت داخلی فیلتر ذرات (PF) را پیشنهاد می کند. بر اساس مدل مشاهده بازسازی هسته یادگیری شدید (KELM). اولا، بر اساس ایجاد پایگاه داده اثر انگشت قدرت سیگنال بی سیم و موقعیت ناشناخته گره، ما از KELM برای تبدیل مشکل مکان اثر انگشت به یک مشکل یادگیری ماشینی استفاده می‌کنیم و رابطه نگاشت بین مکان گره ناشناخته و قدرت سیگنال بی‌سیم را ایجاد می‌کنیم، در نتیجه یک مدل مشاهده از سیستم موقعیت‌یابی داخلی را دوباره متمرکز می‌کنیم. ثانیاً، با توجه به مقادیر اندازه گیری شده به دست آمده توسط KELM، الگوریتم PF برای به دست آوردن مقدار پیش بینی شده گره های ناشناخته اتخاذ می شود. ثالثاً، مقدار پیش بینی شده با مقدار اندازه گیری شده به دست آمده توسط KELM ترکیب می شود تا موقعیت گره های ناشناخته را تعیین کند. علاوه بر این، یک استراتژی کنترل جدید با معرفی یک عامل دریافت برای مقابله با وضعیتی که گره‌های ناشناخته در سیستم نمی‌توانند تمام داده‌های AP را دریافت کنند، پیشنهاد می‌شود، یعنی از دست دادن داده‌ها رخ می‌دهد.

کلید واژه ها:

موقعیت یابی داخلی ؛ هسته ماشین یادگیری افراطی ; فیلتر ذرات ؛ مدل مشاهده بازسازی شده

۱٫ مقدمه

موقعیت یابی داخلی با افزایش تقاضا برای اطلاعات موقعیت داخلی در سال های اخیر به طور گسترده مورد استفاده و توسعه قرار گرفته است. بسیاری از مکان‌ها مانند موقعیت مکانی کارگران در معدن، بیماران در بیمارستان‌ها و عابران پیاده در مراکز خرید نیاز به اطلاعات دقیق مکان اهداف دارند. اگرچه سیستم موقعیت یابی جهانی (GPS) برای موقعیت یابی در محیط های بیرونی نسبتاً بالغ است [ ۱ ، ۲ ، ۳]، سیگنال های GPS به راحتی توسط ساختمان ها در محیط داخلی مسدود می شوند و سیگنال ها بسیار ضعیف هستند. بنابراین، موقعیت یابی در داخل ساختمان توجه دقیق تری دارد. امروزه تقاضا برای موقعیت یابی داخلی در حال افزایش است و سیستم های موقعیت یابی بی سیم در محیط های مختلف به طور گسترده مورد مطالعه قرار گرفته اند. سیستم های موقعیت یابی داخلی مبتنی بر سیگنال های بی سیم در چند سال اخیر به یک کانون تحقیقاتی تبدیل شده اند [ ۴ ، ۵ ، ۶ ، ۷ ]. موقعیت یابی داخلی به طور کلی بر اساس اصل موقعیت یابی به دو دسته طبقه بندی می شود: بدون زیرساخت و مبتنی بر زیرساخت، که هر دو به نتایج تحقیقاتی خوبی دست یافته اند.

رویکرد بدون زیرساخت نیازی به پشتیبانی زیرساخت ها یا شبکه های موجود، مانند AP ها ندارد. برای مثال، مرجع [ ۸ ] یک روش محلی‌سازی داخلی مبتنی بر گوشی هوشمند با شتاب‌سنج و ژیروسکوپ را پیشنهاد کرد که می‌تواند برای یافتن مسافت طی شده و تخمین مسیر عابران پیاده به ترتیب توسط حسگرهای شتاب‌سنج و ژیروسکوپ استفاده شود. مرجع [ ۹ ] مشکل محلی سازی و ناوبری را برای افراد نابینا در محیط های داخلی با استفاده از تکنیک های پردازش و سنجش گوشی های هوشمند به جای تکیه بر فناوری های خارجی پیشنهاد کرد. مرجع [ ۱۰] یک روش محلی‌سازی نقطه عطف داخلی با منبع جمعیتی را پیشنهاد کرد که مبتنی بر حسگرهای شتاب‌سنج، مغناطیس‌سنج و ژیروسکوپ تلفن‌های هوشمند است و از الگوریتم‌های مشخصه بهینه‌سازی تطبیقی استفاده می‌شود که خطاهای رانش ناشی از خوانش حسگر را با پایگاه داده مشخصه مربوطه ایجاد شده توسط محیط آزمایشی اصلاح می‌کنند.

رویکردهای مبتنی بر زیرساخت مستلزم استفاده از زیرساخت‌های موجود مانند Wi-Fi هستند و نتایج تحقیقات موفق بسیاری را به دست آورده‌اند. مرجع [ ۱۱ ] مختصات مکان ربات های داخلی را بر اساس الگوریتم محلی سازی RSS Kalman پیش بینی می کند. مرجع [ ۱۲ ] یک سیستم محلی سازی داخلی مبتنی بر حداقل مربعات وزنی را بررسی کرد. مرجع [ ۱۳ ] یک الگوریتم ردیابی چند هدفی فیلتر ذرات را بر اساس اندازه‌گیری‌های RSS برای شبکه‌های حسگر بی‌سیم پیشنهاد کرد. الگوریتم ابتدا از حداقل مربعات تقریبی (LS) برای محلی سازی اولیه استفاده می کند و سپس کل ردیابی چند هدف را توسط PF تکمیل می کند. مرجع [ ۱۴] کاربرد PF را در محلی سازی داخلی مطالعه کرد و چنین روش PF می تواند الزامات محلی سازی کم هزینه را برآورده کند. برای بهبود دقت مکان تکنیک موقعیت یابی داخلی PF، لازم است یک مدل انتقال دقیق از هر نقطه دسترسی Wi-Fi بدست آوریم، که دشوارتر است.

منابع بالا [ ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ] بر روش های موقعیت یابی با محدوده بندی بر اساس مدل های انتشار RSS تمرکز دارند. اندازه‌گیری‌های RSS دریافتی معمولاً توسط مدل انتشار لگاریتمی سایه‌دار به اندازه‌گیری فاصله تبدیل می‌شوند و سپس از روش‌های LS، Kalman و PF برای تخمین موقعیت استفاده می‌شود. از مدل انتشار لگاریتمی سایه دار، می توان دریافت که قدرت سیگنال و فاصله بین گره های مجهول و گره های شناخته شده دارای یک رابطه غیرخطی لگاریتمی است که یک مسئله تخمین غیرخطی معمولی است [ ۱۵ ].]. علاوه بر این، به دلیل شرایط پیچیده داخلی، سیگنال های بی سیم تحت تأثیر بازتاب منتشر، پراکندگی یا انعکاس، دور زدن، شکست یا انتقال امواج الکترومغناطیسی از اجسامی مانند دیوارهای ساختمان در یک محیط داخلی پیچیده قرار می گیرند که تأثیر خاصی بر مدل انتشار این روش ها تحت تأثیر محیط قرار می گیرند. سپس تعیین دقیق مدل هدف گره های ناشناخته دشوار است و بنابراین خطاهای زیادی هنوز وجود دارد.

در مقایسه با روش‌های مدل انتشار، که به شدت تحت تأثیر محیط هستند، روش‌های محلی‌سازی داخلی مبتنی بر اثرانگشت مکان [ ۱۶ ، ۱۷ ] می‌توانند تأثیر محو شدن سایه سیگنال و اثرات چند مسیری را کاهش دهند. تکنیک‌های اثرانگشت برای هر دو روش بدون زیرساخت و مبتنی بر زیرساخت استفاده شده است، مانند روش‌های محلی‌سازی اثرانگشت توسط کمیت فیزیکی نشان‌دهنده قدرت سیگنال دریافتی (RSSI). روش‌های محلی‌سازی داخلی مبتنی بر اثر انگشت نیز پیشرفت‌های تحقیقاتی زیادی داشته‌اند. مراجع [ ۱۸ ، ۱۹ ] مجموعه ای از برنامه های کاربردی اندروید را توسعه دادند که بر اساس RSSI Wi-Fi برای بدست آوردن مکان توسط الگوریتم Weighted K Nearest Neighbor (WKNN) هستند. مرجع [ ۲۰] یک الگوریتم محلی‌سازی داخلی مبتنی بر فضایی WKNN پارتیشن‌بندی ویژگی و محدودیت‌های مکان قبلی را پیشنهاد کرد و منطقه بزرگ محلی‌سازی را بر اساس ویژگی‌های فضایی آن‌ها به چندین پارتیشن تقسیم می‌کند تا مشکلی را حل کند که یک کتابخانه اثرانگشت نمی‌تواند به پوشش کامل برسد. مرجع [ ۲۱ ] یک فیلتر ذرات حداکثر احتمال (MLPF) را پیشنهاد کرد که می تواند تعداد ذرات را در محلی سازی دینامیکی داخلی کاهش دهد تا محلی سازی بسیار دقیق ایجاد کند. مرجع [ ۲۲ ] یک الگوریتم موقعیت یابی داخلی را بر اساس منطق فازی مورد بحث قرار داد. از RSSI چراغ بلوتوث و فاصله هندسی از چراغ فعلی تا نقطه اثر انگشت برای محاسبه فاصله اقلیدسی استفاده کرد و سپس موقعیت را در چارچوب منطق فازی تعیین کرد. ارجاع [۲۳ ] یک استراتژی جدید قرار دادن iBeacon را پیشنهاد کرد که می تواند ۲۱٫۷٪ دقت بالاتری نسبت به قرار دادن iBeacon رایج موجود داشته باشد. در مرجع [ ۲۴ ]، یک روش موقعیت‌یابی Wi-Fi جدید پیشنهاد شده است که اثر انگشت مشتق‌شده از RSSI و طبقه‌بندی‌کننده‌های متعدد را ترکیب می‌کند. مرجع [ ۲۵ ] یک تکنیک الگوریتم محلی سازی ماشین یادگیری شدید (ELM) را با توجه به RSSI ارائه می کند. مدل فرآیند گاوسی الگوریتم PF (GP-PF) را برای الگوریتم محلی‌سازی بدون دستگاه فعال کرد در مرجع [ ۲۶ ] پیشنهاد شده است. مراجع [ ۱۸ , ۱۹ , ۲۰ , ۲۱ , ۲۲ , ۲۳ , ۲۴ , ۲۵ ,۲۶ ، ۲۷ ، ۲۸ ] در مورد روش های محلی سازی اثر انگشت هستند. این روش ها بر اساس مواردی هستند که یک گره ناشناخته می تواند تمام قدرت های سیگنال AP را دریافت کند.

برای مشکل سیگنال‌های بی‌سیم مسدود شده در محیط‌های پیچیده داخلی، که منجر به ناتوانی در دریافت تمام داده‌های APs می‌شود، این مقاله یک استراتژی کنترلی با معرفی یک فاکتور دریافت E پیشنهاد می‌کند که می‌تواند مشکل گره‌های ناشناخته را که قادر به دریافت همه نیستند، حل کند. داده های AP به دلیل مسدود شدن سیگنال های بی سیم در محیط های واقعی. در همین حال، ما روش KELM را برای تبدیل مشکل محلی سازی اثر انگشت به یک مشکل یادگیری ماشین اتخاذ می کنیم. بر اساس بازسازی رابطه نگاشت غیرخطی بین موقعیت داخلی گره های ناشناخته و شبکه بی سیم، ما PF را ترکیب می کنیم تا سیستم محلی سازی را برای اندازه گیری نویز قوی تر کنیم.

ما روش محلی‌سازی فضای داخلی PF را بر اساس مدل مشاهده بازسازی‌شده KELM و آزمایش‌های واقعی محلی‌سازی داخلی Wi-Fi شبیه‌سازی می‌کنیم. تحت شرایط یکسان، آن را با الگوریتم های محلی سازی موجود مانند PF و GP-PF مقایسه می کنیم. نتایج تجربی نشان می‌دهد که الگوریتم KELM-PF ارائه‌شده در این مقاله، دقت موقعیت‌یابی گره‌های ناشناخته را بهبود می‌بخشد و برای موقعیت‌یابی گره‌های ناشناخته در محیط‌های پیچیده مناسب‌تر است.

چهار ساختار اساسی این مقاله به طور خلاصه به شرح زیر شرح داده شده است: بخش دوم نظریه KELM را معرفی می کند. مدل مشاهده بازسازی شده پیشنهادی روش موقعیت یابی داخلی به طور مفصل در بخش سوم توضیح داده شده است. نتایج تجربی و تجزیه و تحلیل موقعیت یابی داخلی در بخش چهارم توضیح داده شده است. در نهایت، نتیجه گیری و چشم انداز در بخش پنجم نشان داده شده است.

۲٫ Kernel Extreme Learning Machine

ELM یک الگوریتم یادگیری ماشینی است که بر اساس شبکه عصبی پیشروی تغذیه تک لایه (SLFN) پیشنهاد شده توسط پروفسور هوانگ گوانگبین [ ۲۹ ، ۳۰ ]. به طور کلی سه لایه معماری شامل لایه های ورودی، پنهان و خروجی برای حل مشکلات وجود دارد. تنظیم پارامترهای دست و پا گیر الگوریتم پس انتشار و بازده یادگیری پایین. هوانگ گوانگبین و همکاران [ ۳۱ و ۳۲ ] KELM را با حل فرآیند بین ELM و ماشین برداری پیشنهاد کرد. الگوریتم KELM با هسته سازی روش ELM به دست می آید که یک SLFN با تابع هسته است. در مقایسه با ELM، KELM قوی‌تر است و در نمونه‌های غیرقابل تفکیک خطی بهتر عمل می‌کند.

همانطور که در شکل ۱ نشان داده شده است ، برای $(x_{i}, y_{i})$ با $n$ نمونه هایی که در آن $x_{i} = {[x_{i 1}, x_{i 2}, \dots x_{i n}]}^{T}$ ، $y_{i} = {[y_{i 1}, y_{i 2}, \dots y_{i n}]}^{T} \in R^{n}$ ، SLFN با $L$ گره های لایه پنهان را می توان به این صورت توصیف کرد

\sum j = ۱ L η j ψ (α j \cdot ایکس من + β j) = o من, i = ۱, ۲, \dots, n,

(۱)

جایی که $α_{j} = {[α_{j 1}, α_{j 2}, \dots, α_{j n}]}^{T}$ و $β_{j}$ وزن ورودی و آستانه نورون لایه پنهان هستند. $η_{j} = {[η_{j 1}, η_{j 2}, \dots η_{j n}]}^{T}$ وزن اتصال بین نورون j ام در لایه پنهان و خروجی است و $ψ (x)$ تابع فعال سازی نورون های لایه پنهان است.

فرمول (۱) دارای شکل ماتریسی به شرح زیر است:

Ψ η = Y ،

(۲)

جایی که

Ψ (α ۱ ، \dots ، α L ، β ۱ ، \dots ، β L ، ایکس ۱ ، \dots ، ایکس ن) = ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢ ψ (α ۱ \cdot ایکس ۱ + β ۱) ψ (α ۱ \cdot ایکس ۲ + β ۱) ⋮ ψ (α ۱ \cdot ایکس n + β ۱) ψ (α ۲ \cdot ایکس ۱ + β ۲) ψ (α ۲ \cdot ایکس ۲ + β ۲) ⋮ ψ (α ۲ \cdot ایکس n + β ۲) \dots \dots \dots ψ (α L \cdot ایکس ۱ + β L) ψ (α L \cdot ایکس ۲ + β L) ⋮ ψ (α L \cdot ایکس n + β L) ⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥ n \times L

(۳)

و $η = {[η_{1}, η_{2}, \dots, η_{L}]}_{L \times n}^{T}, Y = {[y_{1}, y_{2}, \dots, y_{n}]}_{}^{T}$ .

از آنجایی که وزن های ورودی به صورت تصادفی تولید می شوند، آستانه نورون لایه پنهان نیز می تواند به صورت تصادفی تولید شود و نیازی به تنظیم نیست. $Ψ$ . وزن اتصال $η$ بین لایه مخفی و خروجی با حل فرمول زیر به دست می آید:

دقیقه η ∥ Ψ η - Y ∥ ،

(۴)

سپس:

η = Ψ † Y ،

(۵)

جایی که $Ψ^{†}$ ماتریس معکوس تعمیم یافته مور پنروز است $Ψ$ [ ۳۲ ، ۳۳ ].

KELM شبکه را با معیار وزن خروجی آموزش می دهد و خطای تمرین را به حداقل می رساند. سپس، از تئوری بهینه سازی استاندارد، حداقل سازی به دست آمده را می توان به صورت زیر نوشت:

م من ن : L پ = ۱ ۲ ∥ η ∥ ۲ + سی ۱ ۲ \sum i = ۱ ن ϑ ۲ من س . تی . ψ (ایکس من) η = y من - ϑ من, i = ۱, ۲, \dots, n,

(۶)

جایی که $C$ پارامتر منظم سازی است و $ϑ_{i}$ صدای تمرین است.

از نظریه کاروش کوهن تاکر (KKT) [ ۳۴ ]، مسئله فوق را می توان به مسئله بهینه سازی فرمول (۷) تبدیل کرد:

L پ k e l m = ∥ η ∥ ۲ ۲ + سی ۲ \sum i = ۱ ن ϑ ۲ من - \sum i = ۱ ن ξ من (ψ (ایکس من) η - y من + ϑ من) ،

(۷)

جایی که $ξ_{i}$ عملگر لاگرانژ است.

با حل مسئله بهینه سازی فرمول فوق به دست می آید:

η = \sum i = ۱ ن ξ من ψ (ایکس من) تی = Ψ تی ξ ،

(۸)

سی ϑ من = ξ من, i = ۱, ۲, \dots, n,

(۹)

ψ (ایکس من) η - y من + ϑ من = ۰ ، i = ۱ ، ۲ ، \dots ، n ،

(۱۰)

جایی که $ξ = {[ξ_{1}, ξ_{2}, \dots, ξ_{n}]}^{T}$ .

با جایگزینی (۸) و (۹) به (۱۰)، آن را حفظ می کند

(Ψ Ψ تی + ۱ سی) ξ = Y .

(۱۱)

$K (x_{i}, x_{j}) = ψ (x_{i}) \cdot ψ {(x_{j})}^{T}$ ( $i, j = 1, 2, \dots, n$ ) تابع هسته است، خروجی لایه پنهان KELM را می توان به صورت زیر نوشت:

f (x) = Ψ η = Ψ Ψ تی (Ψ Ψ تی + ۱ سی) - ۱ Y .

(۱۲)

با توجه به شرط Mercer [ ۳۵ ]، فرمول فوق را می توان به صورت زیر نوشت:

f (x) = ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢ ک (x_ایکس ۱) ک (x_ایکس ۲) ⋮ ک (x_ایکس ن) ⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥ (۱ سی + ک (ایکس من ، ایکس j)) - ۱ Y ،

(۱۳)

که در آن، تابع هسته RBF گاوسی زیر [ ۲۹ ، ۳۰ ] استفاده می شود:

k (ایکس من ، ایکس j) = exp (- ۱ ۲ ∥ ایکس من - ایکس j ∥ ۲ / γ ۲)

(۱۴)

با پارامتر تابع هسته گاوسی RBF $γ$ .

۳٫ الگوریتم موقعیت یابی داخلی بر اساس مدل مشاهده بازسازی شده و PF

۳٫۱٫ اصل الگوریتم موقعیت یابی داخلی بر اساس مکان اثر انگشت

در سناریوهای موقعیت یابی داخلی، مسیر انتشار سیگنال هر AP بسیار پیچیده است، که معمولاً منجر به دقت موقعیت یابی پایین می شود. روش مکان یابی داخلی بر اساس موقعیت یابی اثر انگشت، متکی به ترمینال تلفن همراه هوشمند برای جمع آوری مقدار RSS گره های مرجع از APهای مستقر شده است. RSS هر گره کالیبراسیون به طور قابل توجهی متفاوت است. می توان آن را با ثبت مجموعه ای از مقادیر RSS گره های کالیبراسیون به طور منحصر به فرد شناسایی کرد. سپس داده‌های اطلاعات اثر انگشت هر گره مرجع در ناحیه مورد نظر از قبل جمع‌آوری می‌شود: بنابراین پایگاه‌داده اثر انگشت گره مرجع RSSI ایجاد می‌شود. در ترکیب با الگوریتم KELM، رابطه نگاشت غیرخطی بین سیگنال RSS و مختصات موقعیت مربوطه به منظور دستیابی به هدف موقعیت‌یابی ایجاد می‌شود.

الگوریتم مکان یابی داخلی بر اساس اثر انگشت مکان عمدتاً شامل دو مرحله است: مرحله آفلاین و مرحله آنلاین. در هر گره مرجع، قدرت سیگنال بی سیم هر AP جمع آوری می شود. سپس داده های اثر انگشت RSSI روی گره های مرجع به صورت بیان می شوند

(Z_{i}, R_{i}) (i = 1, 2, \dots, N)

، جایی که

Z_{i} = (x_{i}, y_{i})

مختصات فضایی دوبعدی گره مجهول است

i

-لحظه و

R_{i} = (R S S I_{i 1}, R S S I_{i 2}, \dots, R S S I_{i m}) (i = 1, 2, \dots, N)

مقادیر RSSI است که از آن تشکیل شده است

m

APs و بردار قدرت سیگنال تست شده در

i

-لحظه سپس پایگاه داده اثر انگشت ایجاد می شود. از طریق فیلتر کردن و آموزش، مطابقت یک به یک بین بردار RSSI بالا و بردار دو بعدی مختصات موقعیت جغرافیایی به دست می‌آید. در مرحله آنلاین، مجموعه ای از RSSI دریافت شده برای تعیین مختصات موقعیت یابی نهایی از طریق مدل آموزش دیده استفاده می شود. اصل موقعیت یابی بر اساس داده های RSSI در شکل ۲ نشان داده شده است [ ۳۶ ، ۳۷ ].

فرض کنید که $n$ تعداد نمونه داده های جمع آوری شده و $m$ تعداد AP با گره ناشناخته دریافت کننده قدرت سیگنال است، ماتریس ورودی KELM را می توان به صورت زیر توصیف کرد:

R = ⎡⎣⎢⎢⎢⎢⎢⎢⎢ R 1 R 2 ⋮ R n ⎤⎦⎥⎥⎥⎥⎥⎥⎥ = ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢ R S S I 11 R S S I 21 ⋮ R S S I n 1 R S S I 12 R S S I 22 ⋮ R S S I n 2 \dots \dots ⋱ \dots R S S I 1 m R S S I 2 m ⋮ R S S I n m ⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥ n \times m .

(۱۵)

وزن ورودی با $L$ -مین گره های پنهان عبارتند از:

α = ⎡⎣⎢⎢⎢⎢⎢⎢⎢ α ۱ α ۲ ⋮ α L ⎤⎦⎥⎥⎥⎥⎥⎥⎥ = ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢ α ۱۱ α ۲۱ ⋮ α L ۱ α ۱۲ α ۲۲ ⋮ α L ۲ \dots \dots ⋱ \dots α ۱ n α ۲ n ⋮ α L n ⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥ L \times n .

(۱۶)

خروجی شبکه ها را می توان به صورت زیر بیان کرد:

ز من (ایکس من ، y من) = Y = ⎡⎣⎢⎢⎢⎢⎢⎢⎢ ایکس ۱ ایکس ۲ ⋮ ایکس n y 1 y 2 ⋮ y n ⎤⎦⎥⎥⎥⎥⎥⎥⎥ .

(۱۷)

بنابراین، مدل KELM ساخته شده به شرح زیر است:

ز من (ایکس من ، y من) = G (آر من) ،

(۱۸)

جایی که $G (\cdot)$ رابطه نگاشت بین مختصات موقعیت گره های ناشناخته به دست آمده توسط آموزش KELM و قدرت سیگنال هر نقطه AP دریافت شده توسط گره های ناشناخته است.

۳٫۲٫ استراتژی محلی سازی فیلتر ذرات و کنترل فاکتور دریافت

تعیین مکان گره های ناشناخته در داخل خانه را می توان به عنوان یک فرآیند احتمال تصادفی در نظر گرفت. بنابراین، یک الگوریتم PF [ ۳۸ ] برای موقعیت یابی استفاده می شود. در محیط داخلی، $m$ AP ها با مکان های شناخته شده باید توزیع شوند. ایجاد یک مدل فضای پویا قبل از استفاده از فیلتر ذرات برای حل مکان گره ناشناخته ضروری است. وضعیت موقعیت گره های ناشناخته تقریباً به صورت زیر مدل می شود:

ایکس من = [۱ ۰ ۰ ۱] ایکس من - ۱ + تو من - ۱ = اف ایکس من - ۱ + تو من - ۱ ،

(۱۹)

جایی که $X_{i} = {[x_{i}, y_{i}]}^{T}$ مختصات دو بعدی گره های مجهول است و $F = [\begin{matrix} 1 & 0 \\ 0 & 1 \end{matrix}]$ ماتریس انتقال حالت گسسته است و $u_{i - 1}$ نویز فرآیند پیروی از توزیع گاوسی است.

مدل مشاهده با فرمول KELM (18) ساخته شده است:

Γ من = اچ ز من (ایکس من ، y من) + υ من = [۱ ۰ ۰ ۱] ز من (ایکس من ، y من) + υ من ،

(۲۰)

جایی که $H = [\begin{matrix} \begin{matrix} 1 \\ 0 \end{matrix} & \begin{matrix} 0 \\ 1 \end{matrix} \end{matrix}]$ نشان دهنده ماتریس خروجی و $υ_{i}$ نویز مشاهده است.

روش موقعیت یابی داخلی مبتنی بر PF در الگوریتم ۱ نشان داده شده است

N_{p}

به عنوان عدد ذره و

N_{v p}

به عنوان شماره ذرات معتبر

روش های ذکر شده در بالا در مورد روش های موقعیت یابی داخلی مبتنی بر KELM-PF فرض می کند که گره های ناشناخته سیستم موقعیت یابی می توانند به طور معمول و کاملاً قدرت سیگنال همه AP ها را دریافت کنند. با این حال، در شرایط پیچیده داخلی، انتقال سیگنال توسط دیوارها، میزها، صندلی ها، پارتیشن ها و موانع دیگر مسدود می شود و گره های ناشناخته نمی توانند قدرت سیگنال همه گره ها را به طور همزمان دریافت کنند، بنابراین از دست دادن بخشی از آن اجتناب ناپذیر است. داده های APs بنابراین نحوه طراحی سیستم مکان یابی در صورت از دست دادن تصادفی داده ها در سیستم موقعیت یابی بی سیم دارای ارزش عملی زیادی است. در حال حاضر، نتایج تحقیقات کمی در مورد این مشکل وجود دارد. مرجع [ ۳۹] یک فیلتر قوی برای مدل FM یک سیستم دوبعدی در صورت از دست دادن داده طراحی کرد. با این حال، برای فیلتر کردن تحت شرایطی که از دست دادن داده بر اساس الگوریتم موقعیت یابی داخلی KELM-PF، مشکل هنوز مطالعه نشده است. این مقاله یک استراتژی کنترل را با معرفی یک عامل دریافت پیشنهاد می کند $E$ برای وضعیتی که گره های ناشناخته در سیستم موقعیت یابی بی سیم نمی توانند داده های همه AP ها را دریافت کنند، یعنی از دست دادن داده ها رخ می دهد.

الگوریتم ۱٫ موقعیت یابی داخلی مبتنی بر PF.

پیش بینی:

X_{i} = F X_{i - 1}

;
اندازه گیری پیش بینی شده:

Γ_{i} = H Z_{i} (x_{i}, y_{i})

;
ورودی: یک آستانه تعیین کنید

N_{t h}

;
برای ذره

k = 1 : N_{p}

نمونه برداری گاوسی را انجام دهید :

{\{X_{i}^{k}\}}_{k = 1}^{N_{p}} = p (X_{i} ∣ X_{i - 1}^{k})

;
وزن هر ذره را محاسبه کنید

w_{i}^{k} = w_{i - 1}^{k} \frac{p (Γ_{i} ∣ X_{i}^{k}) p (X_{i}^{k} ∣ X_{i - 1}^{k})}{q (X_{i}^{k} ∣ X_{i - 1}^{k}, Γ_{1 : i})}

;
پایان برای
عادی سازی:

{\hat{w}}_{i}^{k} = w_{i}^{k} / \sum_{k = 1}^{N_{p}} w_{i}^{k}

;
نمونه برداری مهم:

N_{v p} = {(\sum_{k = 1}^{N_{p}} {(ω_{i}^{k})}^{2})}^{- 1}

;
اگر

N_{v p} > N_{t h}

, نمونه برداری مهم;
پایان اگر
برآورد حالت:

{\hat{X}}_{i} (x_{i}, y_{i}) \approx {\sum_{k = 1}^{N_{p}} {\hat{w}}_{i}^{k} X_{i}}_{}^{}

در سیستم موقعیت یابی داخلی که در بالا ذکر شد، $m$ AP ها تنظیم شده اند. در $i$ بار – قدرت سیگنال گره ناشناخته ای که می تواند دریافت کند $m$ APهای مستقر شده، که به عنوان نشان داده شده است $R_{i} = (R S S I_{i 1}, R S S I_{i 2}, \dots, R S S I_{i m}), (i = 1, 2, \dots, N)$ . تعداد داده های AP دریافت شده توسط گره ناشناخته با نشان داده می شود $n_{r}$ . سپس یک عامل پذیرش $E$ بر اساس معرفی شده است $n_{r}$ : اگر $n_{r} < 3$ ، سپس تنظیم کنید $E = 0$ و الگوریتم موقعیت یابی داخلی از داده های تمام APهای دریافتی در لحظه قبل برای محاسبه PF استفاده می کند. اگر $n_{r} \geq 3$ ، سپس تنظیم کنید $E = 1$ . سپس از الگوریتم KELM-PF برای موقعیت یابی استفاده می شود. بیان عامل دریافت $E$ به شرح زیر است:

E = {1, n r \geq ۳ ۰, n r < 3 .

(۲۱)

۳٫۳٫ مراحل مکان یابی داخلی تکراری بر اساس KELM-PF

این الگوریتم موقعیت یابی داخلی مبتنی بر KELM-PF ابتدا وزن لایه پنهان و خروجی را از طریق شبکه KELM آموزش می دهد، سپس عدد را محاسبه می کند.

n_{r}

قدرت سیگنال AP دریافت شده توسط گره های ناشناخته، و اتخاذ استراتژی کنترل فاکتور دریافت

E

: اگر

E = 1

با استفاده از الگوریتم KELM-PF مدل مشاهده را بازسازی کنید و سپس مختصات موقعیت گره ناشناخته را بدست آورید. اگر

E = 0

، به آخرین اجرای PF برمی گردد.

الگوریتم موقعیت یابی داخلی بر اساس KELM-PF به طور مکرر مقدار تخمینی خود را از طریق الگوریتم ۲ زیر به دست می آورد.

الگوریتم ۲٫ موقعیت یابی داخلی مبتنی بر KELM-PF

ورودی ها:

ω_{j} = {[ω_{j 1}, ω_{j 2}, \dots, ω_{j n}]}^{T}

β_{j} = {[β_{j 1}, β_{j 2}, \dots β_{j n}]}^{T}

R_{i}

n_{r}

m

N_{p}

N_{t h}

N_{v p}

;
مرحله ۱: آموزش پارامترهای وزن

ω_{j}

β_{j}

لایه پنهان و لایه خروجی KELM.
مرحله ۲: از عوامل دریافت کننده استفاده کنید

E

برای تصمیم گیری: محاسبه کنید

n_{r}

. اگر

E = 1

، مرحله بعدی الگوریتم KELM-PF را انجام خواهد داد. اگر

E = 0

، به مرحله ۴ بروید و PF مرحله قبل را اجرا کنید.
مرحله ۳: الگوریتم KELM-PF را اجرا کنید، مدل مشاهده را بازسازی کنید، مقدار مشاهده را بدست آورید و مقدار تخمینی را به خروجی بدهید: put

R_{i}

برای آموزش وارد شبکه KELM شوید و مشاهدات را بدست آورید. اگر

n_{r} = m

، بردار قدرت سیگنال را قرار دهید

{\overset{⌢}{R}}_{i}

با تشخیص زمان واقعی در شبکه KELM برای آزمایش به دست می آید و مقدار مشاهده شده را به دست می آورد. سپس الگوریتم ذرات الگوریتم ۱ را اجرا کنید و خروجی بگیرید

{\hat{X}}_{i} (x_{i}, y_{i})

; اگر

n_{r} < m

، قدرت سیگنال گره دریافت نشده را روی ۱ تنظیم کنید و سپس تست KELM را انجام دهید. سپس الگوریتم ذرات الگوریتم ۱ را اجرا کرده و خروجی بگیرید

{\hat{X}}_{i} (x_{i}, y_{i})

.
مرحله ۴: PF مرحله قبل را اجرا می کند.

۴٫ نتایج تجربی و تجزیه و تحلیل

۴٫۱٫ تایید اعتبار

محل آزمایش، آزمایشگاه در طبقه پنجم دانشگاه است: اتاق های آزمایشگاه ۵۲۱، ۵۲۰ و راهرو بین آنها. مساحت اتاق ۵۲۱ حدود ۸۰ متر مربع ^، مساحت اتاق ۵۲۰ حدود ۶۰ متر مربع ^و مساحت راهرو حدود ۲۰ متر مربع ^است که در شکل ۳ نشان داده شده است. روتر بی سیم TP-LINK TL-R860 است و هشت روتر بی سیم در اتاق ۵۲۱ و اتاق ۵۲۰ قرار داده شده است (AP1-AP8 در شکل ۳ ). ابزار اکتساب، اپلیکیشن جذب اثرانگشت وای فای است و تمام آزمایش‌ها در Matlab 2020a اجرا می‌شوند. ما ۶۶ گره مرجع (RN) را راه اندازی کردیم، از جمله ۳۰ RN در اتاق ۵۲۱، ۱۶ RN در اتاق ۵۲۰ و ۲۰ RN در راهرو. فاصله بین هر RN حدود ۱٫۰ متر است. نقاط سیاه داخلشکل ۳ نشان دهنده RN های مورد استفاده برای جمع آوری مقادیر RSS در مرحله آفلاین است. در هر RN 60 نمونه با فاصله زمانی ۲ ثانیه جمع آوری می کنیم و در مجموع ۱۸۰۰۰ داده نمونه به دست می آید. همچنین تعداد نمونه های آموزشی را ۱۵۰۰۰ و نمونه تایید را ۳۰۰۰ قرار دادیم. $L$ روی ۱۰۰ تنظیم شده است، $C$ به ۱۰ انتخاب می شود و ۸ گره به طور تصادفی برای آزمایش در اتاق های ۵۲۱، ۵۲۰ و راهرو انتخاب می شوند. سپس دقت موقعیت به دست آمده در شکل ۴ ، شکل ۵ و شکل ۶ نشان داده شده است. ریشه میانگین مربعات خطا (RMSE) بین موقعیت تخمین زده شده گره های ناشناخته و موقعیت واقعی محاسبه می شود و RMSE استاندارد ارزیابی عملکرد الگوریتم است:

R M S E = 1 M \sum i = 1 M (x i - x i o) 2 + (y i - y i o) 2 ------------------------⎷,

(۲۲)

که در آن M عدد گره تست (TN) است، $(x_{i}, y_{i})$ و $(x_{i o}, y_{i o})$ مختصات موقعیت پیش بینی شده و مختصات موقعیت واقعی گره ناشناخته را به ترتیب نشان می دهد.

نتایج مقایسه دقت موقعیت یابی خاص الگوریتم های مختلف در فضاهای داخلی مختلف در شکل ۴ ، شکل ۵ و شکل ۶ نشان داده شده است. دقت موقعیت یابی الگوریتم های PF، GP-PF و KELM-PF در اتاق ۵۲۱ در شکل ۴ نشان داده شده است. دقت موقعیت یابی الگوریتم های PF، GP-PF و KELM-PF در اتاق ۵۲۰ در شکل ۵ نشان داده شده است ، و دقت موقعیت یابی الگوریتم های PF، GP-PF و KELM-PF در راهرو در شکل ۶ نشان داده شده است. از شکل ۴ ، شکل ۵ و شکل ۶ قابل مشاهده استکه دقت موقعیت یابی الگوریتم KELM-PF بهتر از الگوریتم های PF و GP-PF است. الگوریتم KELM-PF در بسیاری از جاها آزمایش شده است و دقت موقعیت یابی آن کمی نوسان دارد. در مقایسه با یک الگوریتم PF واحد، دقت موقعیت یابی در اتاق ۵۲۱، اتاق ۵۲۰ و راهرو به ترتیب ۱۷٫۵٪، ۱۷٫۳٪ و ۱۶٫۱٪ بهبود یافته است.

۴٫۲٫ آزمایش‌های چگالی گره مرجع و دقت موقعیت‌یابی

همانطور که در شکل ۳ نشان داده شده است ، چهار AP در آزمایشگاه ۵۲۱ قرار داده شده اند. در یک محیط، همان TN ها با دقت موقعیت یابی آن در سه تراکم ۰٫۵ متر، ۱٫۰ متر و ۲٫۰ متر مقایسه می شوند. الگوریتم KELM-PF مختصات موقعیت TN ها را تخمین زد و از فرمول (۲۲) برای محاسبه خطاهای موقعیت یابی در سه چگالی استفاده می شود، همانطور که در جدول ۱ نشان داده شده است. از جدول ۱ می توان دریافت که دقت موقعیت یابی الگوریتم های PF، GP-PF و KELM-PF با چگالی داده های جمع آوری اثر انگشت مرتبط است. هرچه فاصله بین داده‌های جمع‌آوری‌شده و پایگاه‌داده نقشه اثر انگشت متراکم‌تر باشد، دقت موقعیت‌یابی بالاتر است. از تجزیه و تحلیل نتایج در جدول ۱دقت موقعیت یابی KELM-PF بالاتر از GP-PF و PF است و دقت GP-PF کمی بیشتر از PF است. در همین حال، ما انحراف معیار را در فاصله ۱٫۰ متر با ۴۰۰ نمونه محاسبه می کنیم. انحراف استاندارد PF، GP-PF و KELM-PF به ترتیب ۰٫۰۷۲ متر، ۰٫۰۵۱ متر و ۰٫۰۳۲ متر است. انحراف استاندارد الگوریتم KELM-PF کوچکترین، یکی از الگوریتم GP-PF متوسط و یکی از الگوریتم PF بزرگترین است. مشاهده می شود که دقت موقعیت یابی با استفاده از الگوریتم KELM-PF بیشتر از الگوریتم GP-PF و الگوریتم PF است.

۴٫۳٫ مقایسه خطاهای موقعیت یابی زمانی که PF مدل های مشاهده متفاوتی را اتخاذ می کند

دقت موقعیت یابی داخلی الگوریتم PF بر اساس مدل انتشار سایه لگاریتمی، مدل مشاهده مبتنی بر GP-PF و KELM-PF مقایسه شده است. همانطور که در شکل ۷ و شکل ۸ نشان داده شده است ، الگوریتم موقعیت یابی PF بر اساس مدل مشاهده بازسازی KELM می تواند سریعتر از الگوریتم GP-PF و PF با مدل انتشار ردیابی و مکان یابی کند و نوسانات کمتری دارد. علاوه بر این، خطای موقعیت یابی KELM-PF کمتر از PF و GP-PF است، اثر ردیابی و موقعیت یابی KELM-PF بهتر از PF و GP-PF است.

۴٫۴٫ تجزیه و تحلیل پیچیدگی محاسباتی الگوریتم های مختلف

پیچیدگی محاسباتی الگوریتم‌های مختلف از طریق زمان اجرای برنامه الگوریتم موقعیت‌یابی در MATLAB (2020a) تحلیل می‌شود. کامپیوتر یک نوت بوک ThinkPad، پردازنده اینتل (R) CORE(TM) i5-2520M CPU @ 2.1 گیگاهرتز ۲٫۵ گیگاهرتز، حافظه ۸ گیگابایت و سیستم عامل Microsoft Windows 10 Professional Edition (64 بیت) است. جدول ۲تلفات زمان عملیاتی PF، GP-PF، و KELM-PF را در تراکم گره مرجع ۱٫۰ متر و ۲٫۰ متر فهرست می کند. در آزمایش، تعداد گره ها در لایه پنهان KELM 100 و تعداد ذرات PF، GP-PF و KELM-PF روی ۳۰۰ تنظیم شده است. تعداد نمونه ها و تعداد آزمایش ها در دو آزمایش مشابه هستند PF نیازی به زمان آموزش آفلاین ندارد و موقعیت یابی فقط در مرحله آنلاین قابل انجام است. از جدول ۲ می توان دریافت که GP-PF بیشترین زمان را می برد و الگوریتم KELM-PF در مراحل آموزش آفلاین و موقعیت یابی آنلاین بسیار سریعتر از GP-PF است و از الگوریتم PF کندتر است.

۵٫ نتیجه گیری ها

این مقاله الگوریتم موقعیت‌یابی داخلی را بر اساس مدل مشاهده بازسازی‌شده توسط آموزش KELM و PF پیشنهاد می‌کند. ابتدا از الگوریتم SLFN KELM برای ایجاد رابطه نگاشت غیرخطی بین موقعیت‌های گره ناشناخته و قدرت سیگنال فرکانس رادیویی استفاده می‌کند، آن را با الگوریتم PF برای تحقق موقعیت‌یابی داخلی بهینه می‌کند و یک استراتژی کنترلی را بر اساس فاکتور دریافت پیشنهاد می‌کند.

از جنبه‌های دقت موقعیت‌یابی، رابطه با تراکم اثر انگشت، زمان اجرای الگوریتم و غیره، آزمایش‌ها، تجزیه و تحلیل و مقایسه را انجام داده‌ایم. KELM-PF دقت موقعیت یابی بالاتری نسبت به GP-PF و PF دارد. علاوه بر این، همچنین تأیید می‌شود که دقت موقعیت‌یابی داخلی الگوریتم KELM-PF تحت چگالی‌های مختلف گره مرجع متفاوت است. دقت موقعیت یابی داخلی مطابق با تراکم گره مرجع افزایش و بهبود می یابد. با تحلیل انحراف استاندارد بازه ۱٫۰ متری، می توان دریافت که دقت موقعیت یابی با استفاده از الگوریتم KELM-PF از الگوریتم GP-PF و الگوریتم PF بیشتر است. با این حال، مکان یابی KELM-PF پیشنهادی در داخل ساختمان هنوز دارای کاستی هایی است و نیاز به تحقیقات بیشتر دارد. این روش فقط برای موقعیت یابی تک نقطه ای با تغییر کمی در صحنه های موقعیت یابی داخل ساختمان مناسب است. بنابراین، به منظور افزایش زمان واقعی و استحکام الگوریتم KELM-PF، در آینده الگوریتم‌های موقعیت‌یابی داخلی را برای محیط‌های پویا چند هدف در آینده مطالعه و مورد بحث قرار خواهیم داد.

منابع

فیگوئل، اس. اسپچت، سی. موزینسکی، ام. استاتچنی، آ. Specht، M. تست نرم افزار برای برنامه ریزی کمپین اندازه گیری شیء خطی GNSS تحت شرایط شبیه سازی شده. Energies ۲۰۲۱ , ۱۴ , ۷۸۹۶٫ [ Google Scholar ]
گائو، ز. جی، م. لی، ی. شن، دبلیو. ژانگ، اچ. Schuh، H. اندازه‌گیری بی‌نظمی راه‌آهن با استفاده از سیستم همجوشی چند حسگر صاف شده Rauch–Tung–Striebel: Quad-GNSS PPP، IMU، کیلومترشمار، و گیج مسیر. راه حل GPS. ۲۰۱۸ ، ۲۲ ، ۳۶٫ [ Google Scholar ] [ CrossRef ]
کراسوسکی، ک. Savchuk، S. تعیین مختصات دقیق ایستگاه مرجع GPS در یک سیستم GBAS در حمل و نقل هوایی. Commun.-Sci. Lett. دانشگاه زیلینا ۲۰۲۰ ، ۲۲ ، ۱۱-۱۸٫ [ Google Scholar ] [ CrossRef ]
کاسرس ناجارو، لس آنجلس؛ آهنگ، من. تومیک، اس. کیم، کی. مکان‌یابی سریع با توان انتقال ناشناخته و توان افت مسیر در شبکه‌های بی‌سیم بر اساس اندازه‌گیری‌های RSS. IEEE Commun. Lett. ۲۰۲۰ ، ۲۴ ، ۲۷۵۶-۲۷۶۰٫ [ Google Scholar ] [ CrossRef ]
برکونز، آر. پرمانز، اچ. Weyn، M. آنتروپی شرطی و خطای مکان در محلی‌سازی فضای داخلی با استفاده از اثرانگشت Wi-Fi احتمالی. Sensors ۲۰۱۶ , ۱۶ , ۱۶۳۶٫ [ Google Scholar ] [ CrossRef ]
لیو، دبلیو. چنگ، کیو. دنگ، ز. Jia, M. C-GCN: یک شبکه استخراج ویژگی فاز CSI انعطاف پذیر برای سرکوب خطا در موقعیت یابی داخلی. Entropy ۲۰۲۱ , ۲۳ , ۱۰۰۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Xiong، W. شیندلهاور، سی. بنابراین، HC; شات، دی جی؛ Rupitsch، SJ Robust TDOA محلی سازی منبع بر اساس شبکه عصبی برنامه نویسی لاگرانژ. فرآیند سیگنال IEEE Lett. ۲۰۲۱ ، ۲۸ ، ۱۰۹۰-۱۰۹۴٫ [ Google Scholar ] [ CrossRef ]
Hsu، HH; پنگ، WJ; Shih، TK; Pai، TW; Man, KL Smartphone Localization Indoor Indoor با شتاب سنج و ژیروسکوپ. در مجموعه مقالات کنفرانس بین‌المللی سیستم‌های اطلاعات مبتنی بر شبکه Nbis، سالرنو، ایتالیا، ۱۰ تا ۱۲ سپتامبر ۲۰۱۵٫ [ Google Scholar ]
زیب، س. خسرو، س. علی، س. Alam, F. ناوبری داخلی مبتنی بر گوشی هوشمند برای افراد نابینا با استفاده از نمایه کاربر و مدل اطلاعات ساختمان ساده شده. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۹ مهندسی برق، ارتباطات و کامپیوتر (ICECCE)، سوات، پاکستان، ۲۴ تا ۲۵ ژوئیه ۲۰۱۹٫ [ Google Scholar ]
وانگ، ایکس. کین، دی. گوا، آر. ژائو، ام. ما، ال. Berhane, TM فناوری تلفن‌های هوشمند به کمک نشانه‌های جمع‌سپاری در محلی‌سازی فضای داخلی. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۵۷۰۳۶–۵۷۰۴۸٫ [ Google Scholar ] [ CrossRef ]
لو، جی. مدلسازی و شبیه سازی مکان داخلی ربات لی، ایکس بر اساس فیلتر کالمن. EURASIP J. Wirel. اشتراک. شبکه ۲۰۱۹ ، ۲۰۱۹ ، ۱۴۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چن، جی. او، جی. پنگ، ا. ژنگ، ال. Shi, J. یک سیستم محلی سازی داخلی INS/WiFi بر اساس حداقل مربعات وزنی. Sensors ۲۰۱۸ , ۱۸ , ۱۴۵۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
لیم، جی. Chong, U. ردیابی چند هدفه با فیلتر ذرات بر اساس اندازه‌گیری RSS در شبکه‌های حسگر بی‌سیم. بین المللی J. Distrib. Sens. Netw. ۲۰۱۵ ، ۱۱ ، ۸۳۷۰۷۰٫ [ Google Scholar ] [ CrossRef ]
هونگ، اف. ژانگ، ی. ژانگ، ز. وی، ام. فنگ، ی. Guo, Z. WaP: محلی‌سازی و ردیابی فضای داخلی با استفاده از فیلتر ذرات به کمک WiFi. در مجموعه مقالات کنفرانس IEEE در مورد شبکه های کامپیوتری محلی، ادمونتون، AB، کانادا، ۸ تا ۱۱ سپتامبر ۲۰۱۴٫ [ Google Scholar ]
لی، دی. ژانگ، بی. لی، سی. یک الگوریتم مقیاس‌بندی ویژگی مبتنی بر k-نزدیک‌ترین همسایه برای سیستم‌های موقعیت‌یابی داخلی. IEEE Internet Things J. ۲۰۱۶ , ۳ , ۵۹۰–۵۹۷٫ [ Google Scholar ] [ CrossRef ]
پولوز، آ. هان، تجزیه و تحلیل عملکرد DS الگوریتم‌های تطبیق اثر انگشت برای محلی‌سازی فضای داخلی. در مجموعه مقالات کنفرانس بین المللی هوش مصنوعی در اطلاعات و ارتباطات (ICAIIC)، فوکوکا، ژاپن، ۱۹ تا ۲۱ فوریه ۲۰۲۰٫ [ Google Scholar ]
شیا، اس. لیو، ی. یوان، جی. زو، ام. Wang, Z. موقعیت یابی اثر انگشت داخلی بر اساس Wi-Fi: یک مرور کلی. بین المللی جی. ژئو. Inf. ۲۰۱۷ ، ۶ ، ۱۳۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
گولنبیوسکی، جی. Tewolde، G. پیاده سازی یک سیستم موقعیت یابی داخلی با استفاده از الگوریتم WKNN. در مجموعه مقالات نهمین کارگاه و کنفرانس سالانه محاسبات و ارتباطات IEEE (CCWC)، لاس وگاس، NV، ایالات متحده آمریکا، ۷ تا ۹ ژانویه ۲۰۱۹٫ [ Google Scholar ]
وانگ، ز. ژانگ، ی. Song, Y. یک روش تحلیل قابلیت اطمینان مرتبه اول تطبیقی برای مسائل غیرخطی. ریاضی. مشکل مهندس ۲۰۲۰ , ۴ , ۳۹۲۵۶۸۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، اچ. ژانگ، ی. هوانگ، ی. فو، اچ. Wang, Z. WKNN الگوریتم مکان داخلی بر اساس تقسیم بندی منطقه بر اساس ویژگی های فضایی و محدودیت مکان قبلی. اوباش فراگیر. محاسبه کنید. ۲۰۱۹ ، ۶۰ ، ۱۰۱۰۸۵–۱۰۱۰۹۸٫ [ Google Scholar ] [ CrossRef ]
وانگ، دبلیو. مارلی، دی. فو، M. محلی سازی پویا داخلی با استفاده از فیلتر ذرات حداکثر احتمال. Sensors ۲۰۲۱ , ۲۱ , ۱۰۹۰٫ [ Google Scholar ] [ CrossRef ]
المدنی، ب. اروجوف، اف. ماسکلیوناس، ر. داماشویچیوس، آر. Venčkauskas، A. سیستم محلی‌سازی داخلی بی‌سیم مبتنی بر منطق فازی نوع ۲ برای ناوبری افراد کم‌بینا در ساختمان‌ها. Sensors ۲۰۱۹ , ۱۹ , ۲۱۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رضازاده، ج. سوبرامانیان، آر. سندرسگاران، ک. کنگ، ایکس. مرادی، م. خدامرادی، F. Novel iBeacon Placement for Indoor Positioning in IoT. IEEE Sens. J. ۲۰۱۸ ، ۱۸ ، ۱۰۲۴۰–۱۰۲۴۷٫ [ Google Scholar ] [ CrossRef ]
گوا، ایکس. الیکپلیم، NR; انصاری، ن. لی، ال. Wang, L. بومی سازی WiFi قوی با ترکیب اثر انگشت مشتق شده RSS و طبقه بندی کننده های متعدد. IEEE Trans. Ind. اطلاع رسانی. ۲۰۲۰ ، ۱۶ ، ۳۱۷۷-۳۱۸۶٫ [ Google Scholar ] [ CrossRef ]
فنگ، ز. کائو، ی. Yan, J. الگوریتم محلی‌سازی داخلی مبتنی بر قدرت سیگنال دریافتی با استفاده از تکنیک ELM و رگرسیون ریج. در مجموعه مقالات دومین کنفرانس بین المللی IEEE 2019 در زمینه فناوری اطلاعات و ارتباطات الکترونیکی (ICEICT)، هاربین، چین، ۲۰ تا ۲۲ ژانویه ۲۰۱۹٫ [ Google Scholar ]
آهنگ، بی. وانگ، اچ. شیائو، دبلیو. هوانگ، اس. مدل فرآیند شی، ال. گاوس، فیلتر ذرات را برای محلی‌سازی بدون دستگاه فعال کرد. در مجموعه مقالات بیستمین کنفرانس بین المللی ۲۰۱۷ در مورد فیوژن اطلاعات (فیوژن)، شیان، چین، ۱۰ تا ۱۳ ژوئیه ۲۰۱۷٫ [ Google Scholar ]
بای، YB; وو، اس. رتسچر، جی. کیلی، ا. هولدن، ال. تومکو، م. بوریاک، آ. هو، بی. وو، HR; Zhang, K. روشی جدید برای بهبود دقت موقعیت یابی داخلی مبتنی بر Wi-Fi. J. Locat. سرویس مبتنی بر ۲۰۱۴ ، ۸ ، ۱۳۵-۱۴۷٫ [ Google Scholar ] [ CrossRef ]
لی، ام. ژائو، ال. تان، دی. تانگ، X. الگوریتم محلی‌سازی اثر انگشت BLE بر اساس تطبیق الگوی هشت محله. Sensors ۲۰۱۹ , ۱۹ , ۴۸۵۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
هوانگ، گیگابایت؛ زو، QY; Siew، CK Extreme Learning Machine: Theory and Applications. محاسبات عصبی ۲۰۰۶ ، ۷۰ ، ۴۸۹-۵۰۱ . [ Google Scholar ] [ CrossRef ]
لیانگ، نیویورک؛ هوانگ، گیگابایت؛ ساراچاندران، پ. Sundararajan, N. الگوریتم یادگیری متوالی آنلاین سریع و دقیق برای شبکه های پیشخور. IEEE Trans. شبکه عصبی ۲۰۰۶ ، ۱۷ ، ۱۴۱۱-۱۴۲۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Huang, GB بینشی در مورد ماشین‌های یادگیری شدید: نورون‌های تصادفی، ویژگی‌های تصادفی و هسته‌ها. شناخت. محاسبه کنید. ۲۰۱۴ ، ۶ ، ۳۷۶-۳۹۰٫ [ Google Scholar ] [ CrossRef ]
هوانگ، جی. هوانگ، گیگابایت؛ آهنگ ها.؛ شما، K. Trends in Extreme Learning Machines: A Review. شبکه عصبی ۲۰۱۵ ، ۶۱ ، ۳۲-۴۸٫ [ Google Scholar ] [ CrossRef ]
سیمور، ال. Lipson، ML Schaum’s Outline of Linear Gebra ; تحصیلات مک گراو هیل: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۸٫ [ Google Scholar ]
Vanderbei، RJ سیستم KKT. در برنامه ریزی خطی ؛ Springer Nature: Basingstoke، UK، ۲۰۲۰٫ [ Google Scholar ]
ویبوو، ا. Desa، MI رگرسیون قوی غیرخطی با استفاده از تحلیل مولفه اصلی هسته و برآوردگرهای R. بین المللی جی. کامپیوتر. علمی شماره های ۲۰۱۱ ، ۸ ، ۷۵-۸۲٫ [ Google Scholar ]
شو، دبلیو. کیو، دبلیو. هوآ، ایکس. Yu, K. اندازه‌گیری RSSI Wi-Fi بهبود یافته برای محلی‌سازی فضای داخلی. IEEE Sens. J. ۲۰۱۷ ، ۱۷ ، ۲۲۲۴–۲۲۳۰٫ [ Google Scholar ] [ CrossRef ]
جیانگ، پی. ژانگ، ی. فو، دبلیو. لیو، اچ. Su, X. محلی‌سازی موبایل داخلی بر اساس نقطه دسترسی مهم اثر انگشت Wi-Fi. بین المللی J. Distrib. Sens. Netw. ۲۰۱۵ ، ۱۱ ، ۴۲۹۱۰۴–۴۲۹۱۲۰٫ [ Google Scholar ] [ CrossRef ]
یین، اس. Zhu, X. فیلتر ذرات هوشمند و کاربرد آن در تشخیص خطای سیستم غیرخطی. IEEE Trans. الکترون صنعتی ۲۰۱۵ ، ۶۲ ، ۳۸۵۲-۳۸۶۱٫ [ Google Scholar ] [ CrossRef ]
پاک، جی.ام. Ahn، CK; کشتی.؛ شمالي، ي.س. فیلتر ذرات هیبریدی/FIR توزیع‌شده Lim، MT برای کاهش اثرات NLOS در محلی‌سازی مبتنی بر TOA با استفاده از شبکه‌های حسگر بی‌سیم. IEEE Trans. الکترون صنعتی ۲۰۱۷ ، ۶۴ ، ۵۱۸۲-۵۱۹۱٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ ساختار اصلی ELM.

شکل ۲٫ اصل مکان موقعیت یابی اثر انگشت. (پایگاه داده اثر انگشت آفلاین با جمع آوری قدرت سیگنال بی سیم نقاط مرجع در مرحله آفلاین ایجاد می شود. الگوریتم موقعیت یابی روش تحقیق در این مقاله است و مختصات موقعیت مختصات گره های ناشناخته است).

شکل ۳٫ نقشه توزیع گره ها منطقه آزمایش محلی سازی داخلی. ( AP1 ~ AP8 8 AP مستقر شده است؛ نقطه مرجع برای ایجاد پایگاه داده اثر انگشت است؛ ۵۱۶ تا ۵۲۱ شماره اتاق آزمایشگاه برای موقعیت یابی داخلی است). Ijgi 11 00071 i001

شکل ۴٫ دقت موقعیت یابی الگوریتم های مختلف در اتاق ۵۲۱٫

شکل ۵٫ دقت موقعیت یابی الگوریتم های مختلف در اتاق ۵۲۰٫

شکل ۶٫ دقت موقعیت یابی الگوریتم های مختلف در راهرو.

شکل ۷٫ نتایج موقعیت PF، GP-PF و KELM-PF.

شکل ۸٫ RMSE های PF، GP-PF و KELM-PF.

الگوریتم موقعیت یابی داخلی بر اساس مدل مشاهده بازسازی شده و فیلتر ذرات

کلید واژه ها:

۱٫ مقدمه

۲٫ Kernel Extreme Learning Machine

۳٫ الگوریتم موقعیت یابی داخلی بر اساس مدل مشاهده بازسازی شده و PF

۳٫۱٫ اصل الگوریتم موقعیت یابی داخلی بر اساس مکان اثر انگشت

۳٫۲٫ استراتژی محلی سازی فیلتر ذرات و کنترل فاکتور دریافت

۳٫۳٫ مراحل مکان یابی داخلی تکراری بر اساس KELM-PF

۴٫ نتایج تجربی و تجزیه و تحلیل

۴٫۱٫ تایید اعتبار

۴٫۲٫ آزمایش‌های چگالی گره مرجع و دقت موقعیت‌یابی

۴٫۳٫ مقایسه خطاهای موقعیت یابی زمانی که PF مدل های مشاهده متفاوتی را اتخاذ می کند

۴٫۴٫ تجزیه و تحلیل پیچیدگی محاسباتی الگوریتم های مختلف

۵٫ نتیجه گیری ها

منابع

قبلیپایگاه داده جغرافیایی چیست؟

بعدیتجزیه و تحلیل رفتار داوطلبان OpenStreetMap در نقشه برداری ساختمان چند ضلعی با استفاده از رویکرد یادگیری ماشینی

نوشته های مرتبط ...

کوچینگ روانشناسی:رشد را به خودتان هدیه دهید!!

آموزش مقاله نویسی :۵۰ مهارت برتر جهت نوشتن مقالات حرفه‌ای

آموزش مقاله نویسی :۱۰۰ راز در یک کلاس (مدرس:دکتر سعید جوی زاده )

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ