اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,414 |
| تعداد مقالات | 10,149 |
| تعداد مشاهده مقاله | 12,007,773 |
| تعداد دریافت فایل اصل مقاله | 7,012,984 |
بهبود موقعیت یابی تک کاربر در شبکه WiFi مبتنی بر شبکه یادگیری عمیق با ساختار خود کدگذار دارای رگولارسازهای غیر هموار | ||
| مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی | ||
| مقاله 5، دوره 3، شماره 4، بهمن 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| علی کریمی؛ میثم رییس دانایی* | ||
| دانشگاه جامع امام حسین (ع)، دانشکده برق | ||
| تاریخ دریافت: 06 آبان 1403، تاریخ بازنگری: 25 آذر 1403، تاریخ پذیرش: 12 دی 1403 | ||
| چکیده | ||
| در سالهای اخیر، پژوهشگران تلاشهای گستردهای برای توسعه روشهای مکانیابی داخلی با دقت و صحت بالا انجام دادهاند. در میان رویکردهای مختلف، روش اثرانگشت مبتنی بر Wi-Fi به دلیل در دسترس بودن سختافزارهای متعدد Wi-Fi به طور وسیع مورد استفاده قرار گرفته است. در این مقاله، یک سامانه مکانیاب داخلی پیشنهادی معرفی میشود که فرآیند مکانیابی را در دو مرحله آموزش آفلاین و تخمین موقعیت آنلاین انجام میدهد. در مرحله آموزش آفلاین، دادههای RSS از چندین نقطه دسترسی (AP) در مکانهای مختلف ساختمان جمعآوری شده و سپس یک شبکه یادگیری عمیق با ساختار خودکدگذار و رگولاریزاتورهای غیرهموار به کار گرفته میشود. هدف این مرحله، استخراج نمایش کمبعد دادههای RSS و ایجاد پایگاه داده اثرانگشت است که نگاشت بین نمایش بهدستآمده و مکان مربوطه را ذخیره میکند. در مرحله تخمین موقعیت آنلاین، دادههای RSS در یک مکان ناشناخته اندازهگیری شده و به خودکدگذار آموزشدیده وارد میشوند تا نمایش کمبعد متناظر به دست آید. سپس با جستوجو در پایگاه داده، نزدیکترین تطابق تعیین و مکان مرتبط به عنوان خروجی سیستم گزارش میگردد. برای افزایش دقت، از انواع رگولاریزاتورها در ساختار خودکدگذار استفاده شده است. نتایج شبیهسازیها نشان میدهد سامانه مکانیاب داخلی مبتنی بر خودکدگذار با رگولاریزاتورهای غیرهموار عملکرد بهتری نسبت به روشهای بدون رگولاریزاسیون یا دارای رگولاریزاتورهای هموار دارد. به عنوان نمونه، در حالتی که مقدار رگولاریزاسیون برابر 0.0003 انتخاب شد، RMSE شبکه از مقدار 44.82 متر (بدون رگولاریزاتور) به 24.03 متر با رگولاریزاتور هموار و به 7.09 متر با رگولاریزاتور غیرهموار کاهش یافت. | ||
| کلیدواژهها | ||
| شبکه عصبی عمیق؛ مکانیابی داخلی؛ خودکدگذار؛ رگولاریزاسیون غیرهموار | ||
| عنوان مقاله [English] | ||
| Enhancing Single-User Localization in WiFi Networks Using Deep Learning-Based Autoencoder Architecture with Non-Smooth Regularizers | ||
| نویسندگان [English] | ||
| ali Karimi؛ Meysam R.Danaee | ||
| Department of Electrical Engineering IHCU | ||
| چکیده [English] | ||
| In recent years, extensive research efforts have been devoted to developing high-accuracy and reliable indoor localization techniques. Among the various approaches, Wi-Fi fingerprinting has gained widespread adoption due to the ubiquity and availability of Wi-Fi hardware. In this paper, we propose an indoor positioning system that operates in two stages: an offline training phase and an online position estimation phase. In the offline phase, Received Signal Strength (RSS) data are collected from multiple access points (APs) across different locations within the building. These measurements are then processed by a deep learning network based on an autoencoder equipped with non-smooth regularizers. The autoencoder extracts low-dimensional representations of the RSS data and builds a fingerprint database that stores the mapping between learned representations and their corresponding physical locations. During the online estimation phase, RSS values are measured at an unknown location and passed through the trained autoencoder to obtain their low-dimensional representation. The system then searches for the nearest match within the fingerprint database, and the associated location is returned as the estimated position. To enhance localization accuracy, different types of regularizers are incorporated into the autoencoder structure. Simulation results demonstrate that the proposed deep learning-based indoor localization system with non-smooth regularizers significantly outperforms baseline methods without regularization or with smooth regularizers. For example, when the regularization parameter is set to 0.0003, the Root Mean Square Error (RMSE) decreases from 44.82 m (without regularization) to 24.03 m with smooth regularizers, and further to 7.09 m with non-smooth regularizers, validating the superiority of the proposed framework. | ||
| کلیدواژهها [English] | ||
| Deep neural network, indoor localization, autoencoder, non-smooth regularization | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 769 |
||