11553

بهبود دقت مكان يابي اشياء داخلي اماكن متصل در بستر وايفاي در اينترنت اشياء مبتني بر روش¬هاي نظارتي در يادگيري ماشين

1398

جناب آقاي دكتر ميرزاكوچكي

امروزه در بستر اينترنت اشياء IoT ميليون¬ها دستگاه به هم ديگر متصل شده¬اند. اتصال اين دستگاه¬ها به صورت داخلي و خارجي است. IoT استفاده از سرويس¬هاي هوشمند در تمامي قسمت¬ها و بخش¬هاي زندگي روزمره را امكان پذير كرده است. علي¬رغم استفاده و مزاياي زيادي كه IoT براي كاربران فراهم آورده است، تعيين موقعيت اشياء در محيط¬هاي داخلي خود يك چالش مطرح شده است. مكان¬يابي محيط¬هاي داخلي يكي از نگراني¬هاي موجود در استفاده از IoT است. مكان¬يابي در مسيريابي¬ها و محيط¬هاي شهري بسيار مطرح است. روش¬هاي متعددي براي محلي¬سازي و نيز در محيط¬هاي داخلي و مكان¬يابي ارائه شده است. يكي از اين ابزارها استفاده از توان سيگنال دريافتي در Wi-Fi است. توان سيگنال دريافتي در Wi-Fi به بازيافت، انكسار، تداخل و نويز در كانال كه به صورت نامنظم روي اين سيگنال¬ها اثر مي¬گذارد حساس هستند. ايجاد تغييرات نامنظم و نابهنجار در مكان¬يابي دروني به كمك Wi-Fi باعث مي¬شود كه مكان اشياء ناشناخته به درستي معلوم نشود. پژوهش¬هاي متعددي براي مكان¬يابي ارائه شده است. يكي از اين روش¬ها تجزيه و تحليل توان سيگنال دريافتي در Wi-Fi به كمك روش¬هاي مبتني بر يادگيري ماشين است. در اين تحقيق مكان يابي اشياء داخلي در IoT مبتني بر يادگيري ماشين ارائه شده است. روش پيشنهادي در زمره روش¬هاي نظارتي قرار مي¬گيرند. در روش¬هاي مبتني بر يادگيري ماشين نظارتي از توان سيگنال دريافتي Wi-Fi ويژگي¬هاي مبتني بر تبديل فوريه گراف استخراج مي¬شود. سپس به كمك كاهش بعد در روش فيلتر بهبود يافته Releif كاهش بعد داده خواهند شد. روش¬هاي طبقه¬بندي مثل ماشين بردار پشتيبان، kنزديكترين همسايگي و جنگل تصادفي طبقه¬بندي خواهند شد. در روش پيشنهادي دقت تعيين مكان مورد نظر 99% و نيز صحت آن 97.5% بدست آمده است. زمان ارزيابي هم سنجيده شده است كه آن حدود 35 ميلي ثانيه محاسبه شده است.

12/21/2022 12:00:00 AM

77230

1401/10/02

Improving the accuracy of locating internal objects of connected places in the Wi-Fi platform in the Internet of Things based on monitoring methods in machine learning

اينترنت اشيا , مكان يابي , يادگيري ماشين , روش‌هاي نظارتي , انتخاب ويژگي

IoT , location , machine learning , supervised methods , feature selection