بهبود دقت مکان‌یابی داخل ساختمان مبتنی بر شبکه عصبی MLP همراه با ساختار احتمالاتی

چکیده مقاله

مکان¬یابی داخلی برای عرضه خدمات مکان¬محور مدت¬ زیادی مورد توجه بوده و راه¬حل¬های بسیاری برای آن مطرح شده است. ارائه خدمات اینترنتی مبتنی بر فناوری وای‌فای به¬دلایلی نظیر جذب مشتریان و غیره بسیار محبوب واقع شده است. روش¬های مختلفی برای اجرای مکان¬یابی داخلی وجود دارد که یکی از آنها استفاده از نقشه¬های رادیویی است. در این روش، کاربر در محیط داخلی پس از دریافت سیگنال از چند نقطه دسترسی با استفاده از یک نقشه از پیش تهیه شده می¬تواند موقعیت خود را تعیین کند. همچنین، در سال¬های اخیر توجهات به سمت الگوریتم-های هوش مصنوعی معطوف شده است. روش¬های یادگیری عمیق و شبکه¬های عصبی مصنوعی به¬عنوان ابزارهای قدرتمندی برای حل مسائل غیرخطی مانند مکان¬یابی داخلی به¬حساب می¬آیند. در اینجا تخمین موقعیت با استفاده شبکه عصبی پرسپترون چندلایه در ترکیب با یک ساختار احتمالاتی انجام شده است. نتایج شبیه¬سازی نشان داده¬اند که بهره¬گیری از این شبکه عصبی پرسپترون سه لایه، دقت مکان¬یابی را برای 1، 3، 5 و 10 مشاهده از نمونه‌های قدرت سیگنال دریافتی از هر نقطه دسترسی به¬ترتیب 5/24، 40، 33 و 36 درصد بهبود می¬دهد. این درحالی است که مدت زمان مورد نیاز برای تخمین موقعیت درحدود 430 میلی-ثانیه است