31582

موقعيت يابي داخلي مبتني بر اطلاعات وضعيت كانال و شبكه عميق با واحد بازگشتي دروازه دار

كارشناسي ارشد

مهندسي برق-مخابرات سيستم

1401

1403/7/4

دكتر حسين سليماني

استاد مشاور نداشتم

مهندسي برق

مكان يابي داخلي كليد حل مساله هوشمند سازي مي باشد مانند شهرهاي هوشمند و در بسياري از زمينه ها مانند حوزهه سلامت و صنعت كاربرد دارد. سامانه هاي موقعيت يابي داخلي مي توانند كمبود دقت موجود در سامانه هاي جهاني مكان يابي را مرتفع كنند. نوع اطلاعات مورد استفاده در اين تحقيق از جنس CSI مي‌باشد كه ماهيتي موهومي دارد يعني شامل دامنه و فاز مي‌شود كه در اين پايان نامه براي آموزش شبكه تنها از دامنه آن استفاده شده است. در اين پايان نامه از يك مجموعه داده استفاده شده كه جنس نمونه هاي موجود در آن از نوع سري زماني مي‌باشد كه با توجه به اين مساله اساس شبكه عصبي مورد استفاده در اين آزمايش شبكه هاي بازگشتي دروازه دار قرار داده شد زيرا اين شبكه ها توانايي مناسبي در حل مسايلي از جنس سري زماني را دارا هستند. شبكه هايي كه در اين پژوهش به كارگرفته شده اند شامل شبكه هاي LiGRU،GRUAttention،TransformerGRUPlus،GRUPlus،GRU مي‌باشند كه هر كدام مزايا و معايب خود را دارا هستند. با توجه به نتايج به دست آمده تمامي شبكه هاي پياده سازي شده از منظر پيچيدگي يعني تعداد پارامترها و ميزان محاسبات توانسته اند نسبت به مقاله مرجع عملكرد بهتري داشته باشند كه محدوده اين عملكرد بهتر از نظر تعداد پارامترها براي شبكه هاي پياده سازي شده از %42.7 تا %90 و از نظر ميزان محاسبات از %21.2 تا %93.9 مي‌باشد. در ميان اين شبكه ها معماري GRUAttention توانسته علاوه بر معيارتعداد پارامترها و عمليات پردازشي از منظر دقت نيز نسبت به مقاله مرجع مقدار %1.4 بهبود ايجاد كند. استفاده از هموارسازي داده ها به عنوان يك پيش پردازش نيز توانسته دقت را حداكثر تا %5 بهتر كند.

1403/08/30

Indoor Localization based on CSI and GRU Neural network

1/1/1900 12:00:00 AM

Indoor Localization is one of the keys to solve the problem of smartness i.e smart cities and is used in variety of fields like health, industries and etc. IPS are able to compensate the lack of accuracy in GNSSs. The type of information used in this research is Channel State Information (CSI), which has an imaginary value including amplitude and phase, and in this research, only its amplitude has been used to train the network. the samples used in the dataset are gathered as time series thus the basis of the neural network used in this experiment is gated recurrent unites (GRU) because these networks have a suitable ability to solve time series prediction. The networks used in this research include LiGRU, GRUAttention,TransformerGRUPlus, GRUPlus and GRU networks, which has their own advantages and disadvantages. According to the results, all the implemented networks from complexity point of view, i.e. the number of parameters and the amount of calculations have been able to perform better than the reference article, in the range of 42.7% to 90% for the number of parameters and in the terms of calculations from 21.2% to 93.9%. Among these networks, GRUAttention architecture from the accuracy point of view has been able to improve by 1.4% compared to the reference article, in addition to the number of parameters and calculations. Using data smoothing as a pre-processing has also improved the accuracy up to 5%.

مكان يابي داخلي , موقعيت يابي داخلي , يادگيري عميق , شبكه عصبي , شبكه هاي بازگشتي

indoor localization , indoor positioning , deep learning , neural network , recurrnet network

Ashkan Ghahremanian

Hossein Soleimani