محلی سازی کف داخلی بر اساس سنسورهای چند هوشمند

چکیده

با گسترش مداوم بازار بومی سازی داخلی، الزامات فناوری بومی سازی داخلی بیشتر و بالاتر می شود. سیستم های محلی سازی طبقه داخلی (IFL) موجود بر اساس سیگنال وای فای و داده های فشارسنج مستعد تغییرات محیط خارجی هستند که منجر به خطاهای بزرگ می شود. روشی برای محلی‌سازی کف داخلی با استفاده از حسگرهای هوشمند چندگانه (MIS-IFL) برای کاهش خطاهای محلی‌سازی پیشنهاد شده‌است که شامل فاز ساخت پایگاه‌داده اثر انگشت و فاز محلی‌سازی کف است.

در مرحله ساخت پایگاه داده اثر انگشت، جمع آوری داده ها با استفاده از سنسور مغناطیس سنج، سنسور شتاب دهنده و سنسور ژیروسکوپ در گوشی هوشمند انجام می شود. در مرحله محلی سازی کف، یک تشخیص الگوی فعال از طریق کار مشترک چند سنسور هوشمند و طبقه‌بندی‌کننده‌های یادگیری ماشین انجام می‌شود. سپس با استفاده از نگاشت داده های مغناطیسی، نزدیک ترین تقریب اقلیدسی و اصل اکثریت، مکان یابی طبقه انجام می شود. در نهایت، پیوند تشخیص بین طبقه مبتنی بر یادگیری ماشین برای بهبود دقت محلی سازی کلی MIS-IFL اضافه شده است. نتایج تجربی نشان می دهد که عملکرد روش پیشنهادی نسبت به IFL موجود برتری دارد.

کلید واژه ها:

محلی سازی کف داخلی ; سنسورها ؛ میدان ژئومغناطیسی ؛ فراگیری ماشین

1. مقدمه

با توسعه سریع و رواج گسترده فناوری اینترنت تلفن همراه در شهر هوشمند، صنعت خدمات مکان یابی به شدت توسعه یافته است. موقعیت یابی ماهواره ای [ 1 ] و موقعیت یابی ایستگاه پایه [ 2 ] فقط می تواند نیازهای افراد در محیط بیرون را برآورده کند. با این حال، افراد بیشتری در زندگی مدرن در مکان‌های شلوغ مانند مراکز خرید سرپوشیده، ایستگاه‌ها، فرودگاه‌ها و واحدهای کاری [ 3 ] هستند که تقاضا برای موقعیت‌یابی داخلی را فوری‌تر می‌کند. فن آوری های مختلف موقعیت یابی داخلی ظاهر شده اند و توجه زیادی را از مردم به خود جلب کرده اند. گرفتن عکس و جمع آوری تصاویر توسط گوشی های هوشمند برای ساخت نقشه های داخلی محبوب ترین روش است [ 4 ,5 و 6 ] که کمک زیادی به زندگی روزمره و کار و تحصیل افراد کرده است. متأسفانه، تفاوت زیادی در چیدمان هر طبقه از ساختمان ها وجود ندارد و برخی از لوگوها ممکن است چندین بار در طبقات مختلف به خصوص در مراکز خرید یا بیمارستان های بزرگ ظاهر شوند که در نتیجه تنها با استفاده از موقعیت یابی دوبعدی صفحه، خطاهای زیادی در مکان یابی هدف ایجاد می شود. روش.

بنابراین، به دست آوردن سطح کف یک کاربر تلفن همراه به ویژه برای انواع برنامه های مبتنی بر مکان مفید است. علاوه بر این، تعیین سریع و دقیق ارتفاع کف کاربر برای نجات جان افراد در شرایط اضطراری آتش سوزی بسیار مهم است. علاوه بر این، سرویس‌های ناوبری مانند Google Maps می‌توانند کاربران تلفن همراه را به استفاده از نقشه‌های طبقه با کمک به دست آوردن سطح طبقه فعلی خود در یک مرکز خرید یا یک فرودگاه ترغیب کنند. روش محلی سازی کف استریو برای به دست آوردن طبقه دقیق استفاده می شود تا به فناوری محلی سازی مسطح برای تعیین موقعیت کاربر کمک کند تا دقت محلی سازی را بهبود بخشد و راحتی زیادی را به ارمغان آورد.

IFL موجود عمدتاً بر داده‌های سیگنال Wi-Fi و فشارسنج [ 7 ، 8 ] متکی است، که دارای معایب حساس بودن به تغییرات محیطی، دست و پا گیر بودن برای جمع‌آوری داده‌ها و تکیه شدید به زیرساخت است. سیگنال های ژئومغناطیسی به دلیل منحصر به فرد بودن می توانند به عنوان یک شاخص برای مکان یابی داخلی استفاده شوند [ 9]. یک روش IFL مبتنی بر سیگنال ژئومغناطیسی و سنسورهای هوشمند چندگانه برای حل مشکلات عملیات دست و پا گیر و دقت کم روش محلی سازی کف موجود پیشنهاد شده است که از طبقه بندی کننده های یادگیری ماشین برای شناسایی الگوهای فعالیت کاربر استفاده می کند و داده های حسگر شتاب دهنده، مغناطیس سنج را ترکیب می کند. سنسور و سنسور ژیروسکوپ گوشی هوشمند برای تعیین مکان طبقات، پشتیبانی فنی برای محلی سازی آینده در داخل ساختمان را ارائه می دهد.

مشارکت های اصلی تحقیق به طور خلاصه به شرح زیر است:

(1) یک رویکرد مشترک بر اساس سیگنال ژئومغناطیسی و سنسورهای متعدد در یک گوشی هوشمند برای دستیابی به مکان‌یابی طبقه هدف پیشنهاد شده است.

(2) یک طبقه‌بندی کننده یادگیری ماشین برای تشخیص الگوی فعال طراحی شده است و یک الگوریتم تشخیص بین طبقه برای بهبود دقت محلی‌سازی طبقه ارائه شده است.

(3) “مختصات جهانی” و “مختصات ژست” برای نگاشت نمونه های مغناطیسی ایجاد می شوند و مکان یابی کف طبق اصل تقریب اقلیدسی و اکثریت انجام می شود. سیستم پیشنهادی برای استقرار راحت است و به هیچ زیرساخت اضافی متکی نیست، که امکان محلی سازی سریع و مقیاس پذیر طبقه استریو را فراهم می کند.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 کارهای مرتبط را با در نظر گرفتن فن آوری ها و تکنیک های مختلف برای بومی سازی طبقات ارائه می دهد. بخش 3 معماری روش IFL را بر اساس سنسورهای هوشمند چندگانه در گوشی های هوشمند شرح می دهد. بخش 4 نتایج شبیه سازی و تجزیه و تحلیل را ارائه می دهد. در نهایت، بخش 5 این مقاله را خلاصه می کند.

2. کارهای مرتبط

در حال حاضر فناوری IFL را می توان به سه دسته تقسیم کرد: فناوری مبتنی بر Wi-Fi، فناوری مبتنی بر فناوری فشارسنج و فناوری هیبریدی فشارسنج Wi-Fi. فناوری مبتنی بر Wi-Fi بدون زیرساخت اضافی فقط به سیگنال های نقاط دسترسی Wi-Fi مستقر (APs) بستگی دارد. سان و همکاران [ 10 ] چارچوب IFL را بر اساس تشخیص طبقه پیشنهاد کرد. آنها از مدل لایه تفکیک آموزشی برای به حداکثر رساندن پراکندگی بین لایه ها استفاده کردند و از طریق راه رفتن از پله و رویدادهای آسانسور باعث شناسایی بین لایه ها شدند. لیو و همکاران [ 11] یک سیستم محلی سازی داخلی مبتنی بر Wi-Fi (WF-ILS) را پیشنهاد کرد که ویژگی های محلی سازی سه طرفه و روش های تجزیه و تحلیل صحنه را برای تعیین طبقه ای که کاربر در آن قرار دارد ترکیب می کند. با این حال، این تکنیک ها مستعد عوامل بسیاری مانند محو شدن چند مسیره، سایه ها، ناهماهنگی AP و مصالح ساختمانی هستند. علاوه بر این، ساختار ناهموار و فضای باز کف نیز منجر به خطاهای محلی سازی بزرگتر می شود [ 12 ].

فناوری مبتنی بر فشارسنج داده ها را توسط حسگرهای فشارسنج در گوشی های هوشمند جمع آوری می کند. یه و همکاران [ 13 ] یک سیستم IFL مبتنی بر فشارسنج‌ها (B-Loc) را پیشنهاد کرد که از یک حسگر فشارسنج در تلفن هوشمند برای ساخت اثر انگشت فشارسنج از طریق فناوری جمع‌سپاری برای تعیین مکان کف کاربر استفاده می‌کرد. شیا و همکاران [ 14 ] روشی را پیشنهاد کرد که فشارسنج های متعدد را به عنوان مرجع برای مکان یابی کف (MB-ILS) در نظر می گرفت، که از سنسور فشارسنج یک گوشی هوشمند نیز استفاده می کرد. این تکنیک ها می توانند بدون ارتفاع ساختمان و تعداد طبقات کار کنند. با این حال، داده های بارومتریک به تغییرات در شرایط آب و هوایی، باز شدن پنجره ها، تهویه مطبوع، گرمایش و سایر اتمسفرهای خارجی و شرایط داخلی بسیار حساس هستند [ 15 ].]. بنابراین، مکان یابی طبقات نیاز به آخرین قرائت مرجع فشار اتمسفر در هر بار دارد.

روش ترکیبی Wi-Fi و فشارسنج را برای مکان‌یابی طبقه ترکیب می‌کند. ژائو و همکاران [ 16 ] یک الگوریتم محلی سازی کف ترکیبی را پیشنهاد کرد که از اطلاعات توزیع APs و فشار هوا استفاده می کرد. این الگوریتم ابتدا احتمال توزیع APهای اسکن شده از طبقات مختلف را در اثر انگشت آموزش آفلاین استخراج کرد و از طبقه بندی بیزی برای شناسایی دقیق طبقات خوش فرم بدون مناطق توخالی استفاده کرد. سپس اطلاعات کف به‌دست‌آمده از توزیع APs برای مقداردهی اولیه و کالیبره کردن مکان‌یابی کف بر اساس فشارسنج برای جبران تأثیر محیطی متغیر استفاده شد. با این حال، این رویکرد به شدت بر زیرساخت ها و شبکه های ارتباطی متکی است.

علاوه بر این، ناهنجاری های ژئومغناطیسی ناشی از مصالح ساختمانی فرومغناطیسی (یعنی میله های فولادی) در مسیرهای داخلی عموماً پایدار و منحصر به فرد هستند [ 17 ]. فناوری های ناوبری داخلی و ساخت نقشه مبتنی بر ژئومغناطیسی نیز توسعه یافته اند. لیو و همکاران [ 18 ] یک سیستم ناوبری داخلی را بر اساس میدان ژئومغناطیسی پیشنهاد کرد. آیااوغلو و همکاران [ 19 ] یک الگوریتم ساخت نقشه خودکار مبتنی بر ژئومغناطیس پیشنهاد کرد که مسیرهای بسیاری از کاربران را در نقشه اثر انگشت یک محیط داخلی ترکیب می‌کرد. لو و همکاران [ 20] الگوریتمی را برای ساخت پلان طبقه داخلی بر اساس میدان های مغناطیسی پیشنهاد کرد. این سیستم از فناوری محاسبه مرده، مدل مشاهده با سیگنال های ژئومغناطیسی و همجوشی مسیر بر اساس الگوریتم انتشار قرابت برای ساختن نقشه مسطح استفاده کرد. علاوه بر این، ما از معیارهای شباهت تاب خوردگی زمانی پویا برای خوشه‌بندی داده‌های مسیر مغناطیسی برای به دست آوردن یک مسیر داخلی استفاده کردیم. ظهور این روش ها پشتیبانی فنی برای مطالعه فناوری محلی سازی کف داخلی بر اساس میدان ژئومغناطیسی فراهم می کند.

بر اساس کاستی‌های تحقیقات داده‌های سیگنال وای‌فای و فشارسنج، یک روش IFL که از میدان مغناطیسی و حسگرهای متعدد استفاده می‌کند، طراحی شده است. سنسورهای موجود در گوشی‌های هوشمند که پایانه‌های حسگر یکپارچه هستند با توجه به محبوبیت و عملی بودن روش پیشنهادی استفاده می‌شوند. روش پیشنهادی از یک سیگنال ژئومغناطیسی پایدار، یک سنسور مغناطیس‌سنج، یک حسگر شتاب‌دهنده و حسگر ژیروسکوپ گوشی هوشمند، از طریق تکنیک‌های یادگیری ماشین برای مکان‌یابی طبقات و تشخیص کف‌ها استفاده می‌کند. مرحله جمع آوری داده ها ساده است و به جز در موارد شدید، پایگاه داده کامل ساخته شده بدون به روز رسانی و بازسازی است. علاوه بر این، محلی سازی کف فقط به یک گوشی هوشمند نیاز دارد.

3. الگوریتم MIS-IFL

این مقاله روشی را برای تحقق محلی سازی کف داخلی با استفاده از حسگرهای چندهوشمند (MIS-IFL) پیشنهاد می کند. ساختار کلی روش در شکل 1 نشان داده شده است. MIS-IFL شامل فاز ساخت پایگاه داده اثر انگشت مغناطیسی و مرحله محلی سازی کف است. در میان آنها، در طول مرحله ساخت پایگاه داده اثر انگشت مغناطیسی، چندین اکتساب در هر یک از مناطق انتخاب شده از سه ساختمان انتخاب شده در فاصله جداسازی ثابت برای به دست آوردن مقادیر داده های متعدد مورد نیاز است. سپس میانگین داده ها به عنوان اثر انگشت ذخیره می شود و یک پایگاه داده ساخته می شود. در مرحله محلی سازی طبقه، داده های مربوطه باید از حسگرهای موجود در گوشی هوشمند جمع آوری شود، داده های مغناطیسی جمع آوری شده نقشه برداری می شوند، و داده های نقشه برداری شده با پایگاه داده اثر انگشت با نزدیک ترین تقریب اقلیدسی مطابقت داده می شوند و نتیجه محلی سازی با استفاده از اصل اکثریت این مرحله شامل سه بخش است: شناخت الگوی فعالیت،

3.1. فاز ساخت پایگاه داده اثر انگشت

اولین وظیفه مهم MIS-IFL ساخت پایگاه داده اثر انگشت مغناطیسی است. بنابراین، برای هر طبقه در ساختمانی که آزمایش‌ها در آن انجام می‌شد، پایگاه‌های اطلاعاتی اثر انگشت نیاز بود. روند جمع آوری داده ها در طبقه هفتم ساختمان آزمایشگاه فیزیک و الکترونیک در شکل 2 نشان داده شده است.. جمع آوری داده ها در فاصله 0.9 متری از هر منطقه انتخاب شده از هر طبقه انجام شد و در هر نقطه 100 نمونه مغناطیسی با فرکانس نمونه برداری 10 هرتز (هر 100 میلی ثانیه یک نمونه جدید به دست می آید) برداشته شد. نمونه های جمع آوری شده ابتدا باید پس از تکمیل جمع آوری داده ها میانگین گیری شوند. سپس درون یابی spline برای ایجاد مقدار بازه بین نقاط داده شده انجام شد. در نهایت، مقادیر تولید شده، شناسه طبقه، طول و عرض جغرافیایی در پایگاه داده اثر انگشت مغناطیسی ذخیره شد. علاوه بر این، حسگرهای توزیع شده در عکس‌ها برای آزمایش‌های مقایسه عملکرد در بخش 4 مورد استفاده قرار گرفتند و برای کالیبراسیون داده‌های Wi-Fi استفاده شدند. مکان های توزیع حسگرهای Wi-Fi محل جمع آوری نمونه مغناطیسی واقعی بود.

3.2. فاز محلی سازی کف

3.2.1. شناخت الگوی فعالیت

الگوهای فعالیت کاربران باید به درستی متمایز شوند تا دقت بومی سازی افزایش یابد، زیرا الگوهای فعالیت کاربران مختلف نتایج آزمایشی متفاوتی را تولید خواهند کرد. الگوهای فعالیت کاربر به سه دسته تقسیم می شوند: «راه رفتن عادی»، «تماس تلفنی» و «تکان دادن تلفن» [ 21 ]. سه الگوی فعالیت با به دست آوردن داده های شتاب و جهت گیری تلفن هوشمند از سنسور شتاب دهنده و سنسور ژیروسکوپ متمایز می شوند. فرآیند جمع آوری داده ها در شکل 3 نشان داده شده است . تغییرات داده های حسگر شتاب دهنده برای سه الگوی فعالیت کاربر در جهت های x ، y ، و z در شکل 4 نشان داده شده است.. مشاهده می شود که داده های حسگر شتاب دهنده در امتداد جهت های x ، y و z در الگوهای فعالیت کاربران مختلف بسیار متفاوت است. حالت های گوشی هوشمند کاربر (جهت: انحراف، زمین، چرخش) تفاوت قابل توجهی را در الگوهای فعالیت کاربران مختلف نشان می دهد که در شکل 5 نشان داده شده است. بنابراین، یک الگوریتم طبقه‌بندی مبتنی بر یادگیری ماشین برای پردازش حالت‌های گوشی هوشمند کاربر و ویژگی‌های داده‌های شتاب برای تشخیص الگوهای فعالیت کاربران با کمک مغناطیس‌سنج و ژیروسکوپ استفاده می‌شود.

شتاب فعالیت کاربر با استفاده از شتاب دهنده داخلی گوشی هوشمند محاسبه می شود. سنسور شتاب دهنده داده های شتاب را در جهت های x ، y و z نشان می دهد. کل داده های شتاب به صورت معادله ( 1 ) است:

a = آ 2 ایکس + آ 2 y + آ 2 z ———-\sqrt

(1)

متأسفانه شتاب بعد از کالیبراسیون دچار خطا می شود که به آن «انحراف» می گویند. این “انحراف” باید برآورد و حذف شود تا اطلاعات دقیق به دست آید. داده های شتاب در جهت های x و y باید 0 و داده های شتاب در جهت z باید 1 گرم (9.8 متر بر ثانیه) باشد. $^{2}$ ) هنگامی که تلفن هوشمند در هواپیما ثابت است. علاوه بر این، هر قرائت دیگری انحراف است. بنابراین، مقدار شتاب تصحیح شده معادله ( 2 ) است:

آ ج ایکس = آ متر ایکس - اس \cdot آ آ ایکس

(2)

جایی که $a_{x}^{c}$ و $a_{x}^{m}$ نشان دهنده مقدار شتاب تصحیح شده و مقدار شتاب اندازه گیری شده در جهت محور x است. $a_{x}^{a}$ مقدار شتاب واقعی در محور x است. S ضریب خطا است.

مقدار کل شتاب تصحیح شده برای یک زمان معین t را می توان به صورت معادله ( 3 ) محاسبه کرد:

آ ج تی = آ ج x t 2 + آ ج y تی 2 + آ ج z تی 2 ————-\sqrt

(3)

پس از به دست آوردن شتاب صحیح، می توان الگوهای فعالیت کاربر را با داده های شتاب دهنده، ژیروسکوپ و مغناطیس سنج تصحیح شده دسته بندی کرد.

3.2.2. بومی سازی طبقه

پایگاه داده اثر انگشت مغناطیسی این مقاله با توجه به مختصات جهانی ایجاد شده است و مستقل از جهت گیری گوشی هوشمند است. اما نمونه مغناطیسی به دست آمده از گوشی هوشمند مربوط به جهت گیری گوشی هوشمند است، بنابراین لازم است قبل از مطابقت با کف، جهت گیری گوشی هوشمند کاربر مشخص شود. جهت گیری گوشی هوشمند از سنسور شتاب دهنده و سنسور مغناطیس سنج به دست می آید. یک الگوریتم طبقه بندی مبتنی بر یادگیری ماشین برای پردازش وضعیت های گوشی هوشمند کاربر استفاده می شود. عملکرد k نزدیکترین همسایه (K-NN)، درخت تصمیم (DT) و ماشین بردار پشتیبان (SVM) تجزیه و تحلیل شده و برای انتخاب بهترین طبقه‌بندی کننده برای طبقه‌بندی الگوهای فعالیت کاربر مقایسه می‌شوند. سپس داده های مغناطیسی جمع آوری شده با توجه به الگوهای فعالیت کاربر نقشه برداری می شود.

طبقه‌بندی‌کننده مبتنی بر DT یکی از پرکاربردترین تکنیک‌ها در میان طبقه‌بندی‌کننده‌های مبتنی بر یادگیری سه ماشینی است. مزایای DT ساده و کم هزینه محاسباتی است. با این حال، مشکلات آن این است که مستعد بیش از حد برازش است، و هنگام برخورد با داده‌هایی با همبستگی ویژگی‌های قوی ضعیف عمل می‌کند [ 22 ، 23 ].

K-NN یکی دیگر از طبقه بندی کننده های پرکاربرد است. مزیت K-NN این است که درک آن آسان است. با این حال، مشکل این است که اگر داده‌های آموزشی بزرگ باشند، فرآیند طبقه‌بندی ممکن است کندتر باشد [ 24 ].

مزیت SVM این است که میزان خطای تعمیم پایین و سرعت طبقه بندی سریع است. با این حال، مشکل این است که هنگام برخورد با نمونه های آموزشی در مقیاس بزرگ ضعیف عمل می کند [ 25 ].

این مقاله SVM را با تجزیه و تحلیل و مقایسه عملکرد طبقه‌بندی‌کننده‌ها برای طبقه‌بندی الگوهای فعالیت انتخاب می‌کند. برای بدست آوردن مدل طبقه بندی SVM، k بار داده را به عنوان نمونه آموزشی در هر زیر حوزه جمع آوری می کند . نمونه های آموزشی متعلق به زیرمنطقه i به صورت 1 مشخص شده اند و متعلق به i نیستند.-منطقه فرعی با -1 مشخص شده است. طبقه بندی جهت گیری گوشی های هوشمند متعلق به مشکل چند طبقه بندی SVM است که باید به چندین مشکل دو کلاسه تجزیه شود. معمولاً از دو روش استفاده می شود: یک جفت روش باقی مانده و روش های یک به یک. اگرچه روش یک به یک از توابع تصمیم گیری بیشتری نسبت به یک جفت روش باقی مانده استفاده می کند، روش اول سریعتر عمل می کند. روش یک به یک انتخاب شده می تواند به دست آید

k (k - 1) / 2

توابع تصمیم گیری

f_{i, j} (x), (0 \leq i < j \leq k)

، جایی که

f_{i, j} (x)

نشان دهنده تابع تصمیم گیری است که با مقایسه کلاس i و کلاس j بدست می آید . هنگام پیش‌بینی نمونه x ، باید x را در همه بیاوریم

f_{i, j} (x)

و تعداد بردها را برای همه کلاسها بشمارید. علاوه بر این، کلاسی که بیشترین رای را دارد، کلاس x است.

پیوند محلی سازی طبقه پس از شناسایی الگوهای فعالیت کاربر انجام می شود. داده های مغناطیسی نقشه برداری می شوند و داده های مغناطیسی نقشه برداری شده با داده های موجود در پایگاه داده اثر انگشت مقایسه می شوند. سپس از روش نزدیکترین تقریب اقلیدسی و اصل اکثریت برای مکان یابی کف استفاده می شود. فرآیند IFL بر اساس داده های مغناطیسی در الگوریتم 1 نشان داده شده است.

در الگوریتم 1، N نشان دهنده تعداد کل طبقات ساختمان است و O جهت تلفن هوشمند کاربر است. M داده مغناطیسی است و $T_{m}$ یک نمونه مغناطیسی برای تبدیل است که با پایگاه داده مطابقت دارد. $P_{j}$ مجموعه ای منطبق بین نمونه مغناطیسی نگاشت شده و هر مقدار مغناطیسی در پایگاه داده است. $E_{d}$ مجموعه ای از فواصل اقلیدسی بین یک نمونه مغناطیسی معین و هر مقدار مغناطیسی ذخیره شده در پایگاه داده است، $D B_{a}$ پایگاه داده اثر انگشت یک طبقه از ساختمان است ، $F_{c}$ مجموعه ای از مجموعه های طبقه نامزد محاسبه شده است، و $F_{d}$ نشان دهنده طبقه تعیین شده ساختمانی است که کاربر در حال حاضر در آن قرار دارد.

الگوریتم 1: الگوریتم محلی سازی طبقه.

ورودی : M,O

1: برای

i = 1 t o 5

T_{m}

← mapMagData(

O_{i}, M_{i}

) ؛

3: برای

j \leftarrow N_{a}

P_{j} \leftarrow m a t c h (T_{m}, D B_{a j}))

;

E_{d}

← EucDistance(

P_{j}

) ؛

6: پایان برای

F_{c}

←

a r g m i n (E_{d})

;

8: پایان برای

F_{d}

← Delete-Outliers (

F_{c}

) ؛

خروجی :

F_{d}

داده های نمونه مغناطیسی و داده های جهت گیری تلفن هوشمند کاربر را در الگوریتم محلی سازی طبقه وارد کنید. داده های مغناطیسی با توجه به حالت های تلفن هوشمند داده شده نقشه برداری می شوند. در این مقاله، نمونه مغناطیسی جمع‌آوری‌شده به‌صورت آنلاین توسط گوشی هوشمند برای نقشه‌برداری مورد نیاز است، زیرا پایگاه‌داده اثر انگشت مغناطیسی با توجه به مختصات زمین، بدون توجه به جهت گوشی هوشمند، ایجاد شده است. از دو سیستم مختصات شامل «مختصات جهانی» و «مختصات حرکتی» استفاده می‌شود. مختصات جهانی نشان دهنده سیستم مختصات ثابت زمین و مختصات اشاره مختصات تلفن هوشمند است. داده های مغناطیسی را با توجه به جهت گوشی هوشمند برای مطابقت با پایگاه داده نقشه برداری کنید. فرض کنید $F_{G}$ مقدار میدان مغناطیسی در سیستم مختصات زمین است و $F_{S}$ قرائت مغناطیسی در سیستم مختصات تلفن است. سپس رابطه بین $F_{G}$ و $F_{S}$ را می توان به عنوان معادله ( 4 ) [ 26 ] تعریف کرد:

اف اس = آر ایکس (ϕ) آر y (θ) آر z (ω) اف جی

(4)

جایی که $R_{x} (ϕ)$ ، $R_{y} (θ)$ و $R_{z} (ω)$ ماتریس های مربوط به چرخش، گام و انحراف هستند. علاوه بر این، همانطور که در شکل 6 نشان داده شده است ، چرخش، گام و انحراف به ترتیب چرخش گوشی هوشمند را حول محورهای x ، y و z نشان می دهد.

برای نگاشت نمونه مغناطیسی باید انحراف، گام و چرخش را شناسایی کنیم. انحراف این است که گوشی هوشمند حول محور z قاب گوشی هوشمند می چرخد و با بیان می شود $ω$ . ماتریس چرخش $R_{z} (ω)$ معادله ( 5 ) نشان داده می شود:

آر z (ω) = ⎡⎣⎢ c o s (ω) - s i n (ω) 0 s i n (ω) c o s (ω) 0001 ⎤⎦⎥

(5)

گام زمانی است که گوشی هوشمند حول محور y قاب گوشی هوشمند می چرخد. بیان می شود $θ$ و می توان آن را به صورت معادله ( 6 ) نشان داد:

آر y (θ) = ⎡⎣⎢ c o s (θ) 0 s i n (θ) 010 - s i n (θ) 0 c o s (θ) ⎤⎦⎥

(6)

چرخش زمانی است که گوشی هوشمند حول محور x قاب گوشی هوشمند می چرخد. بیان می شود $ϕ$ و می توان آن را به صورت معادله ( 7 ) نشان داد:

آر ایکس (ϕ) = ⎡⎣⎢ 1000 c o s (ϕ) - s i n (ϕ) 1 s i n (ϕ) c o s (ϕ) ⎤⎦⎥

(7)

داده های مغناطیسی با معادله ( 4 ) ترسیم می شوند، اگر گوشی هوشمند کاربر منحرف شده، شیب و چرخش داشته باشد. سپس نمونه مغناطیسی نقشه برداری شده $T_{m}$ همانطور که در معادله ( 8 ) نشان داده شده است، با پایگاه داده اثر انگشت تمام طبقات ساختمان با استفاده از نزدیکترین تقریب اقلیدسی مطابقت دارد :

E د = (تی م یک ج - دی ب یک ج) 2 ————-\sqrt

(8)

جایی که $T_{M a j}$ نشان دهنده داده های مغناطیسی تبدیل شده طبقه j در یک ساختمان است. $D B_{a j}$ نشان دهنده داده های پایگاه داده اثر انگشت طبقه j در یک ساختمان است.

طبقه با کمترین فاصله اقلیدسی محاسبه شده توسط رابطه ( 8 ) حاصل نزدیکترین تقریب اقلیدسی (یعنی نامزد طبقه) است. این فرآیند را برای پنج فریم داده شده تکرار کنید، و در نتیجه پنج نامزد ممکن (یک نامزد در هر فریم) ایجاد می شود. علاوه بر این، هر فریم حق رای دادن دارد. در نهایت از اصل اکثریت برای تعیین کف کاربر استفاده می شود. علاوه بر این، فرم های تصمیم گیری خاص به شرح زیر است، هر عدد نشان دهنده یک طبقه برای یک ساختمان معین است: اگر $F_{c}$ = {1،2،2،2،2} یا $F_{c}$ = {1،2،2،2،3}، سپس $F_{d}$ طبقه 2 است. اگر $F_{c}$ = {1،1،2،2،3} یا $F_{c}$ = {1،2،2،3،3} یا $F_{c}$ = {1،2،3،4،5}، سپس $F_{d}$ با معادله ( 9 ) تعیین می شود:

اف د = a r g من هستم (_E د (اف ج))

(9)

3.2.3. تشخیص بین طبقه

تشخیص بین طبقه برای بهبود دقت محلی سازی ضروری است زیرا زمانی که کاربر بین طبقات (یعنی روی پله ها) قرار دارد، دقت IFL تحت تاثیر قرار می گیرد. ویژگی‌های داده‌های شتاب‌دهنده و داده‌های مغناطیس‌سنج برای تشخیص مواردی که کاربر بین طبقات است، ترکیب می‌شوند. ما فقط باید مشخصه های مهمی را تعیین کنیم که می توان از آنها برای تشخیص وضعیت راه رفتن روی زمین یا روی پله استفاده کرد تا تشخیص داد کاربر در طبقه بین طبقه است یا خیر، زیرا تغییرات دامنه شتاب زمانی که کاربر به سمت بالا راه می رود متفاوت است. پله ها. بنابراین، ما پنج ویژگی داده شتاب دهنده و یک ویژگی داده مغناطیس سنج را انتخاب می کنیم که بین این دو حالت متمایز می شود. توابع مورد استفاده برای شناسایی کف در جدول 1 نشان داده شده است.

مشخصه های فوق خروجی بر اساس روش حذف ویژگی بازگشتی (RFE) هستند. RFE یک روش شناخته شده برای انجام وظیفه مهم انتخاب مشخصه است. متناسب با مدل است و ضعیف ترین ویژگی ها را حذف می کند و با حذف بازگشتی در هر تکرار، ویژگی ها را مرتب می کند. علاوه بر این، بهترین تعداد مشخصه ها را با استفاده از اعتبارسنجی متقاطع RFE پیدا کنید. ویژگی های انتخاب شده مقادیر متفاوتی از وضعیت کاربری که روی پله یا کف راه می رود را نشان می دهد. به عنوان مثال، شکل 7 ویژگی های را نشان می دهد

W_{a}

زمانی که کاربر به ترتیب روی یک طبقه و پله راه می رود. به طور مشابه، شکل 8 ویژگی های را نشان می دهد

W_{△ a}

به ترتیب برای دو فعالیت کاربر (هر مقدار در شکل 7 و شکل 8 با 1 فریم (1 ثانیه) از داده های جمع آوری شده در 10 هرتز محاسبه می شود). مشاهده می شود که ویژگی های فوق در دو مورد متفاوت کاملاً متفاوت است. ویژگی های محاسبه شده

{\bar{a}}_{x}

{\bar{a}}_{y}

\bar{a}

W_{a}

W_{△ a}

W_{△ M f}

به مدل‌های آموزشی الگوریتم یادگیری ماشینی داده می‌شوند: K-NN، DT و SVM. سپس مدل آموزشی از داده های جمع آوری شده توسط کاربر برای تشخیص کف استفاده می کند. ما پیوند تشخیص بین طبقاتی را افزایش می‌دهیم تا دقت محلی‌سازی را افزایش دهیم، زیرا در طول مکان‌یابی طبقات همیشه کاربر را ردیابی نمی‌کنیم، فقط داده‌های ارسال شده توسط گوشی هوشمند کاربر را نقشه‌برداری و تطبیق می‌دهیم و طبقه فعلی کاربر را مطابق با آن تعیین می‌کنیم. اصل اکثریت که ممکن است به دلیل شرایط خاص مانند بالا و پایین رفتن کاربر از پله ها باعث ایجاد برخی خطاها شود.

علاوه بر این، همانطور که در شکل 9 و شکل 10 نشان داده شده است ، ژئومغناطیس در طول مسیر یکسان کف داخلی مشابه است و ژئومغناطیس مسیرهای مختلف در امتداد کف داخلی کاملاً متفاوت است. بنابراین پایگاه داده اثر انگشت مغناطیسی از نظر نگهداری و به روز رسانی راحت تر و ساده تر از پایگاه داده فشارسنج و پایگاه داده Wi-Fi است و دقت جمع آوری داده ها قابل اعتمادتر است.

4. نتایج شبیه سازی و تجزیه و تحلیل

انتخاب محل آزمایشی تمرکز افراد و تعداد APها را در نظر می گیرد. مکان‌هایی که ما آزمایش‌ها را انجام می‌دهیم به ترتیب بازار پوشاک هاربین، ساختمان Huiwen و ساختمان آزمایشگاه فیزیکی و الکترونیک هستند. بازار پوشاک هاربین یک منطقه شلوغ ثابت با تعداد زیادی AP است. ساختمان Huiwen (ساختمان آموزشی) یک منطقه شلوغ متناوب با توزیع AP کمتر است. ساختمان آزمایشگاه فیزیکی و الکترونیک دارای تراکم جمعیت کمتر و توزیع AP بیشتر است. ساختمان Huiwen دارای 10 طبقه، از جمله یک طبقه زیر زمین است. ساختمان آزمایشی فیزیکی و الکترونیکی دارای هشت طبقه است. بازار پوشاک هاربین دارای شش طبقه از جمله یک طبقه زیرزمینی است. جمع آوری نمونه های مغناطیسی در ساختمان های منتخب در تاریخ های مختلف و در مقاطع زمانی مختلف در مدت 4 ماه می باشد. علاوه بر این، جمع آوری داده ها توسط یک گوشی هوشمند مدل Huawei nova Youth (WAS-AL00) انجام می شود. علاوه بر این، داده‌ها از مغناطیس‌سنج‌ها، شتاب‌دهنده‌ها، ژیروسکوپ‌ها و فشارسنج‌ها با نرخ نمونه‌برداری 10 هرتز و از Wi-Fi با نرخ نمونه‌برداری 1 هرتز جمع‌آوری می‌شوند. تمرکز افراد و تعداد AP در سه ساختمان نشان داده شده استشکل 11 . نقاط سیاه نشان دهنده توزیع Aps هستند. شبکه های با اندازه های مختلف هر اتاق را نشان می دهد. رنگ‌های مختلف سطوح مختلف غلظت جمعیت را نشان می‌دهند، جایی که آبی نشان‌دهنده جریان متوسط جمعیت کمتر از پنج نفر (/h)، سبز نشان‌دهنده میانگین جریان جمعیت بین 5 تا 20 نفر (/h) و زرد نشان‌دهنده جریان متوسط یک فرد است. بین 20 تا 50 نفر (/h)، نارنجی نشان‌دهنده جریان متوسط یک نفر بین 50 تا 100 نفر (/h) و قرمز نشان‌دهنده جریان متوسط افراد بیش از 100 نفر (/h) است. شکل 11 الف سازه ای مسطح از طبقه هفتم ساختمان آزمایشگاه فیزیک و الکترونیک است. شکل 11 ب یک سازه مسطح از طبقه سوم ساختمان Huiwen است. شکل 11c یک سازه مسطح از طبقه دوم بازار پوشاک هاربین است. در میان سه ساختمان، بازار پوشاک هاربین بیشترین تمرکز جمعیت را دارد و ساختمان آزمایشگاه فیزیکی و الکترونیک کمترین تمرکز جمعیت را دارد. ساختمان آزمایشگاه فیزیکی و الکترونیک بیشترین توزیع APs را دارد و ساختمان Huiwen کمترین توزیع APs را دارد.

4.1. ارزیابی الگوی فعالیت کاربر

عملکرد سه طبقه‌بندی‌کننده مبتنی بر یادگیری ماشین برای طبقه‌بندی الگوی فعالیت کاربر ارزیابی می‌شود تا طبقه‌بندی‌کننده بهینه برای MIS-IFL انتخاب شود. داده های آموزشی برای وضعیت گوشی هوشمند کاربر شامل 900 نمونه در هر زاویه جهت گیری گوشی هوشمند است و این نمونه ها به طبقه بندی انتخاب شده وارد می شوند. داده های برچسب گذاری شده توسط آموزش نظارتی آموزش داده می شوند. بردار آموزشی شامل انحراف، گام، چرخش و شتاب در جهت های x ، y و z می باشد. آزمایش‌ها با استفاده از داده‌های ساختمان آزمایشگاه فیزیکی و الکترونیک، ساختمان Huiwen و بازار پوشاک هاربین و 6000 نمونه از هر حالت تلفن هوشمند انجام می‌شود. میانگین نتیجه الگوی فعالیت کاربر در شکل 12 نشان داده شده است.

همانطور که از شکل 12 مشاهده می شود ، سه طبقه بندی کننده هنگام طبقه بندی “راه رفتن معمولی”، “تماس تلفنی” و “لرزش تلفن” عملکرد خوبی دارند و دقت طبقه بندی کننده SVM بالاتر از DT و K-NN است. دقت طبقه بندی با استفاده از داده های شتاب کمی کمتر از دقت طبقه بندی با استفاده از داده های مغناطیسی است زیرا نویز داده های شتاب بزرگتر از داده های مغناطیسی است. با این حال، دقت طبقه‌بندی بالاتر زمانی حاصل می‌شود که داده‌های شتاب و داده‌های مغناطیسی ترکیب شوند.

4.2. ارزیابی محلی سازی طبقه

MIS-IFL پیشنهادی یک روش IFL بر اساس سیگنال های ژئومغناطیسی است. به منظور بررسی اثربخشی MIS-IFL، روش پیشنهادی با روش موجود MB-ILS (بر اساس داده‌های فشارسنج) و WF-ILS (بر اساس داده‌های Wi-Fi) در سه الگوی فعالیت کاربر مقایسه می‌شود.

داده ها برای هر طبقه از سه ساختمان به مدت 15 ثانیه برای محاسبه فشار بارومتریک مرجع (RBP) هر طبقه آزمایشی جمع آوری می شود. RBP برای محاسبه ارتفاع مرجع (RH) طبقه مربوطه استفاده می شود. سپس RH محاسبه شده برای “راه رفتن عادی” و حد ارتفاع (HL) برای الگوهای “تماس تلفنی” و “لرزش تلفن” استفاده می شود. در الگوی “راه رفتن معمولی”، ما تلفن هوشمند را در ارتفاع 1 متری از زمین نگه داشتیم. بنابراین، ما HL را به عنوان RH ± 1 متر برای الگوهای “تماس تلفنی” و “لرزش تلفن” تعریف کردیم. علاوه بر این، مقدار RBP باید هر بار هنگام انجام آزمایش محاسبه شود زیرا فشار اتمسفر در زمان های مختلف روز تغییر می کند. مقدار محاسبه شده با RH برای تعیین کف محلی سازی مقایسه می شود.

در IFL مبتنی بر Wi-Fi، روش ساخت پایگاه داده اثر انگشت Wi-Fi شبیه به ساخت پایگاه داده اثر انگشت مغناطیسی است. همانطور که در شکل 2 نشان داده شده است ، داده های Wi-Fi در نقاط مشخص شده با فاصله 0.9 متر جمع آوری می شوند. علاوه بر این، ما از برخی حسگرهای مستقل برای کالیبراسیون داده های Wi-Fi برای بهبود دقت داده های جمع آوری شده استفاده می کنیم. پایگاه داده اثر انگشت شامل دو عنصر است: شناسه مجموعه خدمات پایه (BSSI) و نشانگر قدرت سیگنال دریافتی (RSSI) AP اسکن شده.

در طول آزمایش، BSSI AP اسکن شده و مقدار RSSI مرتبط با آن با پایگاه داده اثر انگشت هر لایه مقایسه می‌شود. پایگاه داده اثرانگشت طبقه با کمترین خطا، طبقه ای است که کاربر به احتمال زیاد در آن قرار دارد. خطا بر اساس دو معیار محاسبه می شود: تعداد APهای منطبق و کمترین اختلاف برای هر AP منطبق.

دقت محلی سازی MIS-IFL و دو روش دیگر در شکل 13 نشان داده شده است . نتایج نشان می‌دهد که دقت مکان‌یابی کف MB-ILS در الگوی «راه رفتن عادی» بالاترین و در الگوی «تماس تلفنی» کمترین است. دقت کلی می تواند به نتیجه خوب 86.4٪ برسد زیرا هر بار که طبقه قرار می گیرد از مقدار مرجع استفاده می شود. بنابراین، محدودیت اصلی استفاده از فشارسنج برای IFL این است که هنگام مکان یابی نیاز به بازیابی RBP یا ارتفاع دارد. معمول است که سنسور فشارسنج را در هر طبقه در ارتفاع مشخصی از کف قرار دهید و سپس از خوانش سنسور برای تعیین مکان طبقات استفاده کنید.

نتایج همچنین نشان می‌دهد که دقت محلی‌سازی WF-ILS برای مکان‌یابی طبقات کمتر از MIS-IFL و MB-ILS است، زیرا دقت محلی‌سازی Wi-Fi به شدت به تطابق تعداد بیشتری از APs با شباهت بستگی دارد. مقادیر RSSI دقت کلی “راه رفتن عادی” در ساختمان Huiwen و ساختمان آزمایش فیزیکی و الکترونیکی به ترتیب 90.76٪ و 78.53٪ است. دلیل تفاوت زیاد در دقت، تعداد کم AP در ساختمان Huiwen است، تنها پنج تا هشت AP در هر مکان می توان به دست آورد. با این حال، ساختمان آزمایش فیزیکی و الکترونیکی دارای میانگین 20 AP در هر مکان اسکن و کمترین غلظت افراد است، که باعث می‌شود دقت محلی‌سازی نسبتاً بالا باشد. به طور مشابه، تعداد APها در بازار پوشاک هاربین نیز زیاد است. اما جریان مردم نسبتا متراکم است، که باعث می شود دقت محلی سازی 88.06٪ باشد. علاوه بر این، سیگنال‌های وای‌فای در معرض بسیاری از عوامل پویا هستند. علاوه بر این، سیگنال‌های Wi-Fi به مرور زمان از بین می‌روند که دقت محلی‌سازی را نیز کاهش می‌دهد.

نتایج داده های MIS-IFL مبتنی بر داده مغناطیسی پیشنهادی نسبت به دو روش دیگر برتری دارد. میانگین دقت محلی سازی داده های مغناطیسی 89.34 درصد است که بالاتر از داده های فشارسنج (86.4٪) و داده های Wi-Fi (78.08٪) است. علاوه بر این، میانگین دقت محلی‌سازی روش پیشنهادی می‌تواند با استفاده از مقدار کمی داده به 89.34 درصد برسد که بهتر است. به طور مشابه، دقت بومی‌سازی الگوهای «راه رفتن عادی»، «تماس تلفنی» و «لرزش تلفن» به ترتیب 96.54، 79.83 و 66.05 درصد است. تفاوت با داده های فشارسنج و Wi-Fi، پایگاه داده اثر انگشت ایجاد شده نیازی به به روز رسانی ندارد مگر اینکه شامل تغییراتی در زیرساخت اصلی داخلی ساخته شده از مواد فلزی باشد. میدان های مغناطیسی همه جا وجود دارند و جمع آوری داده ها فقط به حسگر مغناطیسی داخلی گوشی هوشمند نیاز دارد.

علاوه بر این، می توانیم متوجه شویم که عملکرد MIS-IFL زمانی که کاربر در الگوی “لرزش تلفن” قرار می گیرد، به طور جدی تحت تاثیر قرار می گیرد. دلیل اصلی این است که تلفن هوشمند به طور مداوم در جهت جلو و عقب حرکت می کند که روی داده ها تأثیر می گذارد و نویز ایجاد می کند. با این حال، در طول الگوهای «راه رفتن معمولی» و «تماس تلفنی»، داده‌های جمع‌آوری‌شده صاف، پایدار هستند و عملکرد خوبی از خود نشان می‌دهند زیرا زاویه جهت گوشی هوشمند تغییر می‌کند اما در یک مکان مشابه با حرکت بسیار کمی حول محور باقی می‌ماند.

4.3. ارزیابی تشخیص بین طبقاتی

کاربر در طول فرآیند IFL ردیابی نمی شود و طبقه قبلی کاربر در هنگام دریافت داده ها و انجام بومی سازی طبقه مشخص نیست. کل فرآیند شامل تشخیص بین طبقه نمی شود. بنابراین، پیوند تشخیص بین طبقاتی برای بهبود دقت مکان‌یابی طبقه اضافه می‌شود. نتیجه تشخیص بین طبقه توسط طبقه‌بندی‌کننده مبتنی بر یادگیری ماشین در شکل 14 نشان داده شده است . سه طبقه بندی کننده هنگام استفاده از ویژگی های داده های شتاب دهنده و داده های مغناطیس سنج برای تشخیص بالا و پایین پله ها عملکرد بسیار خوبی دارند. علاوه بر این، عملکرد SVM از K-NN و DT برتر است. بنابراین، SVM در MIS-IFL برای تشخیص بین طبقه استفاده می شود.

دقت روش پیشنهادی را می توان با افزودن تشخیص بین طبقات کمی بهبود بخشید. دلیل بهبود جزئی این است که کاربر اغلب روی پله ها راه نمی رود مگر اینکه کف آن نیاز به تغییر داشته باشد. پس از اضافه کردن تشخیص بین طبقه، میانگین دقت محلی سازی MB-ILS، WF-ILS و روش پیشنهادی به ترتیب 14/88، 53/79 و 04/91 درصد است. دقت محلی سازی روش پیشنهادی همچنان بالاترین میزان است.

5. نتیجه گیری ها

روش های هیجان انگیز IFL نه تنها مستعد تغییرات در محیط خارجی هستند، بلکه برای جمع آوری و به روز رسانی داده ها نیز دست و پا گیر هستند و محدودیت های زیادی را برای کاربرد عملی به همراه دارند. این مقاله یک روش MIS-IFL را پیشنهاد می‌کند که بر سیگنال ژئومغناطیسی متکی است و از هم‌افزایی سنسورهای هوشمند چندگانه استفاده می‌کند که شامل ساخت پایگاه‌داده اثر انگشت و مکان‌یابی طبقه می‌شود. در مرحله اول، یک شتاب‌دهنده و یک مغناطیس‌سنج تلفن‌های هوشمند برای به دست آوردن داده‌های شتاب و طبقه‌بندی‌کننده یادگیری ماشین برای شناسایی الگوهای فعالیت کاربر استفاده می‌شود. سپس، نقشه‌برداری داده‌های ژئومغناطیسی مربوطه با توجه به الگوی فعالیت تعیین‌شده انجام می‌شود، داده‌های مغناطیسی نقشه‌برداری شده با پایگاه داده اثر انگشت با نزدیک‌ترین تقریب اقلیدسی مطابقت داده می‌شوند و طبقه طبق اصل اکثریت قرار می‌گیرد. در نهایت، ویژگی‌های داده‌های شتاب‌دهنده و داده‌های مغناطیس‌سنج برای تشخیص سطح داخلی برای بهبود دقت محلی‌سازی کلی ترکیب می‌شوند. نتایج داده‌ها نشان می‌دهد که روش پیشنهادی امکان‌پذیر است، و یک تضمین فنی برای موقعیت‌یابی چند طبقه داخلی آینده بر اساس سیگنال‌های ژئومغناطیسی ارائه می‌دهد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

IFL	محلی سازی کف داخلی
MIS-IFL	IFL بر اساس سیگنال مغناطیسی با استفاده از سنسورهای هوشمند چندگانه
AP	نقطه دسترسی
K-NN	K نزدیکترین همسایه
DT	درخت تصمیم
SVM	ماشین بردار پشتیبانی
RFE	حذف ویژگی بازگشتی
RBP	فشار بارومتریک مرجع

منابع

شی، QF; Ye, ZA تحقیق در مورد استانداردسازی اصطلاحات مربوط به سیستم ناوبری ماهواره ای Beidou. جی. ناویگ. موقعیت. 2018 ، 6 ، 72-77. [ Google Scholar ]
تأیید موقعیت ایستگاه پایه Lu، ZZ بر اساس مکان کاربر. Inf. اشتراک. 2018 ، 185 ، 93-95. [ Google Scholar ]
لیو، بی. ژو، دبلیو. زو، تی. گائو، ال. لوان، تی. ژو، اچ. سکوت طلایی است: افزایش حریم خصوصی سرویس های مبتنی بر مکان با پخش محتوا و ذخیره سازی فعال در شبکه های وسایل نقلیه بی سیم. IEEE Trans. وه تکنولوژی 2016 ، 65 ، 9942-9953. [ Google Scholar ] [ CrossRef ]
تنگ، دبلیو. جینگبین، ال. ژنگ، ال. لیو، ک. Xu, B. موقعیت یابی دقیق بصری داخل گوشی هوشمند بر اساس یک نقشه فوتورئالیستی سه بعدی با دقت بالا. Sensors 2018 , 18 , 1974-1994. [ Google Scholar ]
گائو، آر. فن، ی. وانگ، تی. محلی سازی داخلی گوشی هوشمند با عکس گرفتن از محیط. در مجموعه مقالات کنفرانس بین المللی ارتباطات IEEE در سال 2014 (ICC)، استرالیا، سیدنی، 10 تا 14 ژوئن 2014. صص 2599-2604. [ Google Scholar ]
ما، دبلیو. وو، جی. لانگ، سی. Zhu, Y. HiHeading: سیستم ساخت نقشه داخلی مبتنی بر گوشی هوشمند با استنتاج سرفصل با دقت بالا. در مجموعه مقالات کنفرانس بین‌المللی شبکه‌های موقت و حسگر، شنژن، چین، 16 تا 18 دسامبر 2015. صص 172-177. [ Google Scholar ]
سلامه، ق. تمازین، م. شارکاس، MA; خضر، م. محمود، م. بررسی جامع بر روی مولفه اصلی در مقیاس بزرگ وای فای داخلی محلی سازی. Sensors 2019 ، 19 ، 1678. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
شن، ایکس. چن، ی. ژانگ، جی. وانگ، ال. دای، جی. او، T. BarFi: بومی‌سازی طبقه Wi-Fi با کمک فشارسنج با استفاده از Crowdsourcing. در مجموعه مقالات دوازدهمین کنفرانس بین المللی IEEE 2015 در مورد سیستم های حسگر و Ad Hoc موبایل، دالاس، TX، ایالات متحده، 19 تا 22 اکتبر 2015؛ صص 416-424. [ Google Scholar ]
شن، تحقیق WB در مورد فناوری موقعیت یابی داخلی فیوژن چند اطلاعاتی بر اساس اثر انگشت ژئومغناطیسی و حسگر اینرسی . دانشگاه فناوری چین جنوبی: گوانگژو، چین، 2017. (به زبان چینی) [ Google Scholar ]
سان، ال. ژنگ، ZW; او، تی. Li, F. سیستم محلی سازی Wi-Fi چند طبقه با شناسایی طبقه. بین المللی J. Distrib. Sens. Netw. 2015 ، 2015 ، 1-8. [ Google Scholar ] [ CrossRef ]
لیو، اچ. یانگ، موقعیت یابی فضای داخلی مبتنی بر وای فای YN برای محیط چند طبقه. در مجموعه مقالات کنفرانس منطقه 10 TENCON IEEE، بالی، اندونزی، 21 تا 24 نوامبر 2011. صص 597-601. [ Google Scholar ]
Hou, EZ درک الگوی اشغال و بهبود بهره وری انرژی ساختمان از طریق موقعیت یابی داخلی مبتنی بر Wi-Fi. ساختن. صرفه جویی در مصرف انرژی 2017 ، 2017 ، 53-64. [ Google Scholar ]
بله، اچ. گو، تی. تائو، ایکس. Lu, J. محلی سازی کف مقیاس پذیر با استفاده از فشارسنج در تلفن هوشمند. سیم. اشتراک. اوباش محاسبه کنید. 2016 ، 16 ، 2557-2571. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیا، اچ. وانگ، ایکس. کیائو، ی. جیان، جی. Chang، Y. استفاده از فشارسنج های متعدد برای تشخیص موقعیت کف تلفن های هوشمند با سنسورهای فشارسنج داخلی برای موقعیت یابی داخلی. Sensors 2015 , 15 , 7857–7877. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مورعلیداران، ک. خان، ای جی؛ میسره، ع. بالان، RK; Agarwal، S. سنسورهای تلفن بارومتریک-بیشتر هیاهو تا امید. در مجموعه مقالات پانزدهمین کارگاه آموزشی سیستم‌ها و برنامه‌های محاسباتی سیار، سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 26 تا 27 فوریه 2020؛ ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; صص 1-6. [ Google Scholar ]
ژائو، اف. لو، اچ. ژائو، ایکس. پانگ، ز. پارک، H. HYFI: شناسایی کف ترکیبی بر اساس اثر انگشت بی‌سیم و فشار هوا. IEEE Trans. Ind. Informatics 2015 , 13 , 330-341. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شو، ی. بو، سی. شن، جی. ژائو، سی. لی، ال. Zhao، F. Magicol: محلی‌سازی فضای داخلی با استفاده از میدان مغناطیسی فراگیر و سنجش فرصت‌طلب Wi-Fi. IEEE J. Sel. مناطق کمون. 2015 ، 33 ، 1443-1457. [ Google Scholar ] [ CrossRef ]
لیو، ک. موتا، جی. ما، تی. Guo, T. ناوبری داخلی چند طبقه با موقعیت‌یابی میدان ژئومغناطیسی و الگوریتم بهینه‌سازی کلونی مورچه‌ها. در مجموعه مقالات سمپوزیوم IEEE 2016 در زمینه مهندسی سیستم خدمات گرا (SOSE)، آکسفورد، انگلستان، 29 مارس تا 2 آوریل 2016؛ صص 314-323. [ Google Scholar ]
آیااوغلو، ا. اشنایدر، DM; Eitel، B. تولید نقشه مغناطیسی مبتنی بر جمع‌سپاری برای محلی‌سازی فضای داخلی. در مجموعه مقالات کنفرانس بین المللی 2018 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، نانت، فرانسه، 24 تا 27 سپتامبر 2018؛ صص 1-8. [ Google Scholar ]
لو، هی. ژائو، اف. جیانگ، ام ال. Ma, H. ساختن یک پلان طبقه داخلی با استفاده از Crowdsourcing بر اساس اثر انگشت مغناطیسی. Sensors 2017 , 17 , 2678. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
قهوهای مایل به زرد، PN; اشتاین باخ، ام. Kumar, V. Introduction to Data Mining: Pearson New International Edition PDF eBook ; Pearson Schweiz Ag: لندن، انگلستان، 2013; جلد 14، ص 279–288. [ Google Scholar ]
Speybroeck, N. طبقه بندی و رگرسیون درختان. وایلی اینتردیسیپ. Rev. Data Min. بدانید. کشف کنید. 2012 ، 57 ، 243-246. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Holzinger، A. داده کاوی با درختان تصمیم: نظریه و کاربردها. اطلاعات آنلاین Rev. 2015 , 39 , 437-438. [ Google Scholar ]
ژانگ، اس. لی، ایکس. زونگ، ام. زو، ایکس. وانگ، آر. طبقه‌بندی کارآمد kNN با تعداد متفاوت نزدیک‌ترین همسایه‌ها. IEEE Trans. شبکه های عصبی یاد بگیرید سیستم 2018 ، 29 ، 1774-1785. [ Google Scholar ] [ CrossRef ] [ PubMed ]
وو، جی. یانگ، H. یادگیری SVM کارآمد مبتنی بر رگرسیون خطی برای طبقه بندی در مقیاس بزرگ. IEEE Trans. شبکه های عصبی یاد بگیرید سیستم 2017 ، 26 ، 2357–2369. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژائو، اچ. الگوریتم تبدیل مختصات فضایی Guo, L. برای داده های شتاب سنج داخلی گوشی هوشمند. جی. کامپیوتر. Appl. 2016 ، 36 ، 301-306. [ Google Scholar ]

شکل 1. ساختار کلی MIS-IFL.

شکل 2. فرآیند جمع آوری پایگاه داده اثر انگشت مغناطیسی.

شکل 3. فرآیند دریافت داده از حسگرها.

شکل 4. شتاب الگوی فعالیت کاربر در جهت های x ، y ، z .

شکل 5. گوشی هوشمند در الگوهای فعالیت کاربران مختلف بیان می کند.

شکل 6. سه حالت گوشی هوشمند.

شکل 7. حداکثر تغییر در شتاب کل.

شکل 8. اوج شتاب کل.

شکل 9. مقایسه قدرت مغناطیسی داخلی همان مسیر.

شکل 10. مقایسه قدرت مغناطیسی داخلی مسیرهای مختلف.

شکل 11. ( الف ) ساختمان آزمایشگاه فیزیکی و الکترونیک ( بالا ). ( ب ) ساختمان Huiwen ( وسط ). ( ج ) بازار پوشاک هاربین ( در زیر ).

شکل 12. دقت الگوی فعالیت کاربر.

شکل 13. دقت مکان یابی کف.

شکل 14. دقت تشخیص بین طبقه.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

محلی سازی کف داخلی بر اساس سنسورهای چند هوشمند