30634

بهبود دقت موقعيت‌يابي مبتني بر RSS با استفاده از الگوريتم‌هاي يادگيري گروهي

كارشناسي ارشد

مهندسي برق - كنترل

1400

1402/12/19

دكتر سعيد عبادالهي

مهندسي برق

سيستم‌هاي مبتني بر موقعيت (LBS) با ارائه اطلاعات موقعيت كاربر، خدمات مبتني بر اينترنت اشيا (IoT) را ارتقا مي‌دهند. در فضاهاي داخلي، GPS و Galileo دقت كافي ندارند، به همين دليل از ساير فناوري‌هاي بي‌سيم براي موقعيت‌يابي استفاده مي‌شود. معيار قدرت سيگنال دريافتي (RSS) به دليل سادگي محاسبات، براي موقعيت‌يابي بكار مي‌رود. اما اين معيار تحت تاثير شرايط محيطي و فيزيكي قرار مي‌گيرد. الگوريتم‌هاي يادگيري ماشين مي‌توانند موقعيت كاربر را در محيط‌هاي داخلي با دقت بيشتري تخمين بزنند، اما نياز به كاليبراسيون متناسب با تغييرات محيط دارند. اين پايان‌نامه به بررسي كاربرد الگوريتم‌هاي يادگيري گروهي در تخمين موقعيت كاربر در محيط‌هاي داخلي با استفاده از Wi-Fi مي‌پردازد. اين الگوريتم‌ها با تركيب خروجي چند مدل يادگيري ماشين، دقت تخمين موقعيت را افزايش مي‌دهند. با وجود مزاياي يادگيري گروهي، چالش‌هايي مانند نياز به منابع بيشتر و زمان پردازش بالا وجود دارد كه با سيستم‌هاي بلادرنگ و كم‌هزينه سازگار نيست. براي رفع اين مشكل، دو راهكار كاهش ابعاد و الگوريتم ژنتيك براي يافتن مدل بهينه ارائه شده است. روش‌هاي پيشنهادي بر روي مجموعه‌داده‌هاي جمع‌آوري‌شده در شرايط مختلف محيطي پياده‌سازي و با روش‌هاي ديگر مقايسه شده‌اند. نتايج اين پايان‌نامه نشان داده است كه با درنظرگيري معياري شامل دقت و حساسيت تخمين مدل در تابع برازش، ميانگين خطاي موقعيت‌يابي با درنظرگيري مجموعه متشكل از دادگان همه طبقات به 0.27 متر برسد كه اين ميزان خطا حاصل مدل يادگيري گروهي با دقتي در حدود 95% است. براي مقايسه نتايج اين پژوهش با ساير پژوهش‌ها، دادگان آزمايش شامل يك طبقه مورد استفاده قرار گرفته است كه ميانگين خطا به 0.25 متر از مدلي با دقت 98.3% رسيده است.

1402/12/23

Improving the accuracy of RSS-based positioning systems using ensemble learning algorithms

3/9/2025 12:00:00 AM

Location-based systems (LBSs) enhance Internet of Things (IoT)-based services by providing user location information. While GPS and Galileo are accurate in outdoor spaces, they lack sufficient accuracy indoors. Therefore, Wi-Fi and Bluetooth are utilized for indoor positioning. The received signal strength (RSS) metric is commonly used for positioning with Wi-Fi and Bluetooth due to its simplicity in computation. However, RSS is susceptible to environmental and physical conditions. Machine learning algorithms can estimate user location more accurately in indoor environments, but they require calibration with respect to environmental changes. This thesis investigates the application of ensemble learning algorithms for indoor user location estimation using Wi-Fi. These algorithms improve the location estimation accuracy by combining the outputs of multiple machine learning models. Despite the advantages of ensemble learning, challenges such as increased resource requirements and high processing time exist, which are incompatible with real-time and low-cost systems. To address this issue, two solutions, dimensionality reduction and a genetic algorithm for finding the optimal ensemble model, are proposed. The proposed methods were implemented on collected datasets under various environmental conditions and compared with other methods. The results of this thesis demonstrate that by considering a metric that includes the accuracy and sensitivity of the model estimation in the fitness function, the average positioning error can reach 0.27 meters considering a dataset consisting of all classes. This error is achieved by an ensemble learning model with an accuracy of approximately 95%. For comparison with other studies, the test data was limited to a single class, resulting in an average error of 0.25 meters from a model with an accuracy of 98.3%.

موقعيت‌يابي , يادگيري ماشين , يادگيري گروهي , الگوريتم ژنتيك

Indoor positioning , Machine Learning , Ensemble Learning , Genetic Algorithm

Hamid Arabsorkhi

Saeed Ebadollahi