خلاصه

انگشت نگاری Wi-Fi به دلیل مقرون به صرفه بودن به طور گسترده ای برای محلی سازی فضای داخلی استفاده می شود. با این حال، به دلیل نوسانات سیگنال، از دقت محلی سازی و استحکام نسبتاً پایینی رنج می برد. نقاط دسترسی مجازی (VAP) می‌توانند تأثیر مشکل نوسان سیگنال را در اثر انگشت Wi-Fi کاهش دهند. تکنیک‌های فعلی معمولاً از مدل Log-Normal Shadowing برای تخمین مکان مجازی نقطه دسترسی استفاده می‌کنند. این به دلیل ضریب تضعیف سیگنال در مدل منجر به تخمین مکان نادرست می شود که تعیین آن دشوار است. برای غلبه بر این چالش، در این مطالعه، ما یک رویکرد جدید برای محاسبه مکان مجازی نقاط دسترسی با استفاده از نظریه دایره آپولونیوس، به‌ویژه نسبت فاصله، پیشنهاد می‌کنیم. که می تواند عبارت پارامتر تضعیف را در مدل اصلی حذف کند. این بر این فرض استوار است که مکان‌های همسایه پارامتر تضعیف مشابهی با تضعیف سیگنال ناشی از موانع دارند. ما روش پیشنهادی را در یک ساختمان آزمایشگاهی با سه نوع صحنه مختلف و در مجموع 1194 نقطه آزمایش ارزیابی کردیم. نتایج تجربی نشان می‌دهد که رویکرد پیشنهادی می‌تواند دقت و استحکام تکنیک‌های انگشت نگاری Wi-Fi را بهبود بخشد و به عملکرد پیشرفته‌ای دست یابد.

کلید واژه ها: 

موقعیت یابی داخلی ؛ انگشت نگاری وای فای ؛ AP مجازی ؛ دایره آپولونیوس

1. معرفی

تا به امروز، فن‌آوری‌های مختلف موقعیت‌یابی داخلی برای برآوردن نیاز روزافزون خدمات مکان‌یابی همه‌جای داخل ساختمان [ 1 ]، مانند محاسبه مردگان عابر پیاده (PDR) [ 2 ، 3 ، 4 ]، مبتنی بر آکوستیک [ 5 ، 6 ]، بصری پیشنهاد شده‌اند. مبتنی بر [ 7 ، 8 ]، مبتنی بر فرکانس رادیویی [ 9 ، 10 ]، و تکنیک های مبتنی بر میدان مغناطیسی [ 11 ، 12 ]. با توجه به محبوبیت زیرساخت های Wi-Fi و تجهیزات تلفن همراه تعبیه شده در Wi-Fi، تکنیک های موقعیت یابی مبتنی بر Wi-Fi به طور فزاینده ای محبوب شده اند. به عنوان مثال، اطلاعات وضعیت کانال (CSI) [13 ] و نشان‌دهنده قدرت سیگنال دریافتی (RSSI) را می‌توان از نقاط دسترسی Wi-Fi (APs) استخراج کرد، که پتانسیل خوبی در محلی‌سازی داخلی نشان داد. با این حال، داده های CSI را نمی توان از تلفن های هوشمند فعلی جمع آوری کرد زیرا سیگنال در سطح فیزیکی شبکه های Wi-Fi است. بنابراین، این مطالعه بر تکنیک‌های محلی‌سازی داخلی مبتنی بر RSSI تمرکز دارد که به راحتی از تلفن‌های هوشمند اندرویدی قابل دسترسی هستند. به طور معمول، تکنیک‌های موقعیت‌یابی Wi-Fi را می‌توان به دو دسته تقسیم کرد: مبتنی بر اثر انگشت [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ] و مبتنی بر محدوده [ 20 ، 21 ، 22 ، 23 ،24 , 25 , 26 , 27 , 28 , 29 , 30 , 31 , 32 , 33 ]. اولی را می توان با روش های یادگیری ماشین [ 10 ، 34 ، 35 ، 36 ، 37 ] و روش های بدون یادگیری ماشین [ 10 ، 38 ] پیاده سازی کرد.]. این مطالعه نزدیکترین همسایه K وزنی (WKNN) را بررسی می‌کند، که رویکردی نماینده تکنیک‌های اثرانگشت بدون یادگیری ماشینی است زیرا می‌تواند به دقت محلی‌سازی قابل قبولی با پیچیدگی محاسباتی کم دست یابد. تکنیک‌های مبتنی بر محدوده معمولاً از RSSI برای محاسبه فواصل بین گره موبایل (MN) و APهای Wi-Fi استفاده می‌کنند، سپس مکان MN را با روش‌های هندسی بدست می‌آورند. امروزه، تکنیک های انگشت نگاری بسیار بیشتر از تکنیک های مبتنی بر محدوده مورد توجه قرار گرفته اند. این به دو دلیل قابل انتساب است. اولین مورد این است که تکنیک های محدوده نیاز به موقعیت فیزیکی و پارامترهای توان انتقال AP ها دارند، اما تعیین آنها دشوار است. به عنوان مثال، مکان بسیاری از AP ​​ها، به ویژه در فضای هوشمند، قابل تغییر است. دوم تضعیف سیگنال است، که اغلب در محیط مجتمع داخلی اتفاق می افتد. این منجر به ایجاد دامنه نادرست بر اساس RSSI می شود.
به طور معمول، رویکردهای انگشت نگاری قوی تر از روش های مبتنی بر محدوده در محیط های پیچیده هستند. WKNN خالص، که یک رویکرد انگشت نگاری نماینده است، باید نزدیکترین نقاط مرجع (RPs) را با شباهت RSSI بین RP و نقاط آزمایش انتخاب کند. با این حال، این امر مستعد نوسانات سیگنال ناشی از موانع است. برای غلبه بر این چالش، نشانه‌ها، مانند پله‌ها، آسانسورها و گوشه‌ها، که در آن‌ها می‌توان حسگر مشخصی را تشخیص داد، معمولاً برای کالیبره کردن مکان تخمینی استفاده می‌شوند [ 17 ، 18 ، 39 ]]. با این حال، بسیار متداول است که هیچ علامت مشخصی در محیط های داخلی خاص وجود ندارد. در مواجهه با این چالش، برخی از محققان استفاده از روش‌های AP مجازی را برای کمک به WKNN با معرفی محدودیت‌های غیرخطی پیشنهاد کرده‌اند [ 40 ]. مدل سایه‌گیری Log-Normal معمولاً برای تخمین مکان مجازی APها استفاده می‌شود [ 40 ، 41 ، 42 ] که به دلیل دشواری تعیین ضریب تضعیف سیگنال در مدل، نادرست است.
برای کاهش خطای تخمین مکان APهای مجازی، در این مطالعه، ما یک روش جدید مبتنی بر نسبت قدرت سیگنال را پیشنهاد می‌کنیم. در فاز آفلاین، ابتدا از مکان و نسبت سیگنال RP ها برای ساختن دایره های آپولونیوس استفاده می کنیم [ 43]. در طی این روش، پارامتر قدرت انتقال، که در مدل Log-Normal Shadowing برای محاسبه فاصله استفاده می‌شود، قابل حذف است. علاوه بر این، خطای تخمین مکان ناشی از ضریب تضعیف ناشناخته نیز می تواند حذف شود. سپس مکان مجازی AP با محاسبه نقطه تقاطع دایره هایی با حداقل مربعات به دست می آید. در فاز آنلاین، ابتدا ناحیه اولیه ای که MN در حال حاضر در آن قرار دارد با بردار RSSI تعیین می شود. سپس، مکان MN بر اساس مکان‌های مجازی APها که توسط RP در ناحیه اولیه محاسبه می‌شود، پالایش می‌شود. به طور خاص، موقعیت دقیق MN با حداقل مربعات و دایره‌های آپولونیوس که توسط مکان‌های مجازی APها تشکیل می‌شوند، تعیین می‌شود. به طور کلی، سهم اصلی ما پیشنهاد یک رویکرد جدید برای تخمین مکان مجازی AP است که با تکنیک انگشت نگاری Wi-Fi یکپارچه شده است. این می تواند استحکام و دقت اثر انگشت Wi-Fi را بهبود بخشد.
بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 کار مرتبط و فناوری فعلی را بررسی می کند. بخش 3 ایده و نظریه اساسی روش ما را ارائه می دهد. بخش 4 گردش کار و جزئیات روش پیشنهادی را معرفی می کند. ما عملکرد روش پیشنهادی را در بخش 5 ارزیابی می‌کنیم و آن را با روش‌های پیشرفته مقایسه می‌کنیم. نتیجه گیری و کار آینده در بخش 6 مورد بحث قرار می گیرد .

2. کارهای مرتبط

رویکرد پیشنهادی ما شامل تکنیک‌های اثرانگشت، محدوده‌بندی مبتنی بر مدل انتشار سیگنال و تکنیک‌های AP مجازی است. بنابراین، در این بخش، مروری بر ادبیات رویکردهای مبتنی بر اثرانگشت و دامنه و چگونگی استفاده مطالعات قبلی از APهای مجازی برای بومی‌سازی انجام می‌دهیم.

2.1. روش های مبتنی بر اثر انگشت

به طور معمول، محلی سازی اثر انگشت را می توان به دو دسته تقسیم کرد: یادگیری ماشینی [ 10 ، 34 ، 35 ، 36 ، 37 ] و بدون یادگیری ماشین [ 40 ، 44 ، 45 ، 46 ، 47 ، 48 ، 49 ، 50 ، 51 ، 53]. هر دو تکنیک شامل دو مرحله است: آموزش آفلاین و برچسب گذاری آنلاین. هسته اثرانگشت، ارتباط بردارهای سیگنال Wi-Fi با مکان فضایی یک محیط داخلی است. تفاوت در نیاز به یادگیری یک مدل است یا نه:
  • روش های یادگیری ماشینی در مرحله آفلاین، مدلی برای مرتبط کردن بردارهای سیگنال با مکان‌های مکانی آموزش داده می‌شود. در طول مرحله آنلاین، این مدل برای پیش‌بینی مکان یک هدف متحرک با توجه به بردار سیگنال جمع‌آوری‌شده در مکان فعلی از APهای اطراف استفاده می‌شود. به عنوان مثال، وانگ و همکاران. [ 10 ] یک سیستم اثرانگشت داخلی مبتنی بر یادگیری عمیق را برای موقعیت یابی داخلی به نام DeepFi پیشنهاد کرد که از یک الگوریتم یادگیری حریصانه برای آموزش وزنه ها لایه به لایه برای کاهش پیچیدگی استفاده می کند. دای و همکاران [ 34] یک روش MLNN را پیشنهاد کرد که تبدیل RSSI، حذف نویز داده های خام و مکان یابی گره ناشناخته را در یک معماری عمیق ادغام می کند، علاوه بر این، از استفاده از نقشه RSSI در مرحله آنلاین اجتناب می کند. برای کاهش هزینه و زمان محاسباتی مورد نیاز، از ماشین یادگیری افراطی (ELM) در کار خطاب و همکاران استفاده شده است. [ 35 ]. همچنین از رمزگذار خودکار به جای تولید وزن تصادفی استفاده می کند که منجر به استخراج ویژگی های متمایز و بهبود عملکرد محلی سازی می شود. در میان این روش‌ها، بیشتر آنها از یادگیری ماشینی برای یافتن الگوی درونی داده‌های MN برای مطابقت با داده‌های RP استفاده می‌کنند. با این حال، محدودیت‌های بیرونی، مانند نشانه‌ها، هنگام مواجهه با تضعیف ناشی از موانع، هنوز غیرقابل جایگزین هستند.
  • روش‌های بدون یادگیری ماشینی روش نماینده WKNN [ 44 ] است. از معیارهای شباهت مختلف برای اندازه‌گیری فاصله بین MNها و RPهای انتخاب شده استفاده می‌کند و سپس وزن بالاتری را به RP نزدیک‌تر اختصاص می‌دهد [ 40 ، 45 ، 46 ، 47 ، 49 ، 50 ، 51 ، 52 ، 53 ، 54 ]. فنگ و همکاران [ 45] تصور می کنند که مشکل محلی سازی را می توان به عنوان یک مسئله پراکنده مدل کرد. بنابراین، آنها از تئوری سنجش فشاری برای بازیابی سیگنال های پراکنده از تعداد کمی از اندازه گیری های نویز استفاده می کنند. این می تواند پراکندگی جغرافیایی RP های انتخاب شده ناشی از ناسازگاری بین فضای سیگنال و فضای فیزیکی را برطرف کند. او و همکاران [ 47 ] پارتیشن بندی منطقه تحت پوشش هر AP را پیشنهاد کرد. سپس، از طریق بهینه سازی محدب، کاربر بر اساس خوشه و محل اتصال بخش هایی که در آن قرار دارد، بومی سازی می شود. جدای از اینها، محلی سازی در سطح اتاق نیز توجه زیادی را به خود جلب می کند. به عنوان مثال، جیانگ و همکاران. [ 49] از یک الگوریتم خوشه‌بندی مبتنی بر منطقه برای شناسایی یک نقطه مهم اشغال داخل اتاق استفاده کرد. سپس، یک الگوریتم خوشه‌بندی مبتنی بر حرکت برای شناسایی همبستگی بین منطقه‌ای استفاده می‌شود و در نتیجه اتاق‌های مختلف را متمایز می‌کند.

2.2. روشهای مبتنی بر محدوده

روش‌های مبتنی بر محدوده معمولاً در شبکه‌های حسگر استفاده می‌شوند [ 30 ]، با استفاده از فاصله محاسبه‌شده توسط زمان رسیدن (TOA)، زمان متفاوت ورود (TDOA)، زاویه ورود (AOA)، یا RSSI برای به دست آوردن مکان‌های اهداف متحرک، که می تواند به میزان قابل توجهی وابستگی به اثر انگشت را کاهش دهد. در این مقاله، ما بر روی رویکرد محدوده مبتنی بر RSSI برای به دست آوردن مکان APهای مجازی تمرکز می‌کنیم. یک رویکرد محدوده بندی مبتنی بر RSSI را می توان بیشتر به دو دسته تقسیم کرد:
  • رویکردهای مبتنی بر فاصله فواصل بین زیرساخت های مکان شناخته شده (به عنوان مثال، AP) و MN را محاسبه می کند. سپس از روش های هندسی مانند مثلث بندی برای تخمین مکان دقیق MN ها استفاده می شود. با این حال، تضعیف سیگنال اغلب اتفاق می افتد باعث عدم دقت محاسبه مکان می شود. برای پرداختن به این موضوع، روش ارائه شده توسط داگ و همکاران. [ 23 ] از الگوریتم حداقل مربعات برای بهبود قابلیت اطمینان اندازه گیری های RSSI استفاده کرد. به طور مشابه، الگوریتم حداقل مربعات نیز در کار Coluccia و همکاران استفاده شده است. [ 27 ] برای دستیابی به دقت موقعیت یابی بالاتر. به غیر از رویکردهای حداقل مربعات، بسیاری از روش‌های دیگر نیز برای مقابله با موضوع تضعیف سیگنال پیشنهاد شده‌اند. به عنوان مثال، یونگ و همکاران. [ 24] از فیلترهای ذرات برای استنتاج مکان احتمالی MN و مسیر انتشار سیگنال احتمالی استفاده کرد. سپس از مسیر استنباط شده برای کاهش خطای ناشی از فاصله NLOS (Non-Line-of-Sight) استفاده می شود. چوانگ و همکاران [ 25 ] الگوریتم بهینه‌سازی ازدحام ذرات (PSO) را برای بهبود دقت محلی‌سازی و رویکرد DV-distance برای افزایش بیشتر نسبت‌های موفقیت محلی‌سازی اتخاذ کرد. چان و همکاران [ 26] یک روش هندسی برای مکان یابی MN پیشنهاد کرد که تنها به چند AP نیاز دارد. بسیاری از رویکردهای مبتنی بر فاصله از مدل سایه گذاری Log-Normal برای تخمین فاصله بین AP و اهداف متحرک استفاده می کنند. با این حال، تضعیف یک پارامتر حیاتی است که به سختی به دست می آید. در روش های فوق، معمولاً این پارامتر نادیده گرفته می شود که باعث کاهش دقت رویکرد محدوده می شود.
  • روش های مبتنی بر منطقه در این روش‌ها، افراد از یک رابطه فاصله مبهم مانند دور یا نزدیک به AP خاص استفاده می‌کنند که توسط RSSI محاسبه می‌شود تا ناحیه ناهموار MN را تعیین کند. سپس مرکز ناحیه تعیین می شود که به عنوان تخمین مکان MN در نظر گرفته می شود. با این حال، شکل منطقه متفاوت است. به عنوان مثال، او و همکاران. [ 32 ] از تغییر RSSI از MNهای متحرک برای تعیین ناحیه مثلث ساخته شده توسط APها استفاده کرد. بنابراین MN در این ناحیه مثلث قرار دارد. شو و همکاران [ 33 ] یک الگوریتم شبکه اسکن بهبود یافته برای تعیین مکان های تخمین زده شده در یک ناحیه دایره ای پیشنهاد کرد. ناحیه دایره با پوشش سیگنال های AP ساخته می شود. لیو و همکاران [ 28] با استفاده از تفاوت‌های RSSI دریافت‌شده از APهای مجزا برای ساختن یک ناحیه حلقه‌ای که هدف متحرک احتمالاً در آن قرار دارد، پیشنهاد شد. الباکلی و همکاران [ 30 ] از نمودار Voronoi از APها برای تخمین مساحت احتمالی MNها استفاده کرد. رویکردهای مبتنی بر ناحیه از قدرت سیگنال برای تعیین یک ناحیه ناهموار استفاده می کنند، که از محاسبه فاصله فیزیکی با قدرت سیگنال قوی تر است. این می تواند به طور موثر تأثیر تضعیف سیگنال را کاهش دهد، اما فقط می تواند دقت موقعیت یابی سطح منطقه را فراهم کند، که نمی تواند نیاز بسیاری از برنامه های کاربردی خدمات مبتنی بر مکان (LBS) را برآورده کند.

2.3. روش‌های مبتنی بر AP مجازی

AP مجازی تکنیک جدیدی است که برای بهبود اثر انگشت استفاده می شود که می توان آن را به دو دسته تقسیم کرد. اولی از روش های درونیابی برای افزایش چگالی APها استفاده می کند [ 55 ، 56 ]. در صحنه هایی که AP ها به صورت پراکنده توزیع می شوند برای بهبود دقت تخمین مکان اثر انگشت استفاده می شود. به عنوان مثال، Labinhisa و همکاران. [ 55 ] از RSSI از چندین AP برای تولید APهای مجازی و اثر انگشت سیگنال جدید از طریق یک مدل آماری رگرسیون خطی استفاده کرد. سپس از فیلتر کالمن (KF) و فیلتر ذرات (PF) برای کاهش نویز RSSI جمع آوری شده در مرحله آنلاین استفاده شد. دومی از تکنیک های موقعیت یابی برای به دست آوردن مکان مجازی APها استفاده می کند [ 40,41 ,42 ]. روش پیشنهادی ما متعلق به نوع دوم است. متفاوت از نوع اول، روش دوم تراکم APهای مجازی را افزایش نمی دهد، بلکه مکان مجازی APهای موجود را تخمین می زند. در این شرایط، رویکردهای مبتنی بر AP مجازی در صحنه‌هایی که نمی‌توان به راحتی مکان APها را به دست آورد، استفاده می‌شود. به عنوان مثال، در کار مو و همکاران. [ 41 ]، جستجوی فاخته از طریق پرواز Lévy برای به دست آوردن اولین تخمین پارامترهای AP اجرا می‌شود و سپس پارامترهای تخمینی AP با الگوریتم شبه نیوتن پالایش می‌شوند. سپس در فاز آنلاین از تفاوت قدرت سیگنال (SSD) به جای RSSI برای محاسبه فاصله اقلیدسی بین کاربران و RP ها استفاده می کنند. در کار Xue و همکاران. [ 40]، AP مجازی توسط مدل Log-Normal Shadowing بدست می آید. آنها از فاصله محاسبه شده و الگوریتم سیمپلکس نلدر مید برای تخمین مکان مجازی APها استفاده می کنند. سپس، مکان‌های مجازی APها فقط برای خوشه‌بندی نزدیک‌ترین نقاط مرجع در مرحله آنلاین استفاده می‌شوند. به طور خاص، فاصله فیزیکی به جای فاصله سیگنال برای تعیین وزن برای تخمین مکان استفاده می شود. علاوه بر این، روش‌های AP مجازی نیز می‌توانند در موقعیت‌های چند طبقه استفاده شوند. به عنوان مثال، لیو و همکاران. [ 42] از یک متریک شباهت برای تعیین طبقه دقیق هدف متحرک استفاده کرد، سپس مکان APهای مجازی بین طبقات مختلف با روش غربالگری وزنی (WS) تخمین زده می‌شود. در نهایت، این APهای مجازی برای محاسبه موقعیت دقیق اهداف متحرک توسط سه لایه استفاده می شوند. در حال حاضر، چگونگی تخمین دقیق مکان مجازی AP ها هنوز یک چالش است. برای حل این مشکل، ما یک روش مبتنی بر نسبت قدرت سیگنال برای تخمین مکان‌های مجازی APs پیشنهاد می‌کنیم.

3. حل کننده مکان مبتنی بر نسبت قدرت سیگنال

در این بخش، نظریه ها و مفروضات خود را معرفی می کنیم و سپس نحوه عملکرد الگوریتم بدون محاسبه مستقیم فاصله فیزیکی را مورد بحث قرار می دهیم.

3.1. نسبت قدرت سیگنال

بر اساس این فرض که سیگنال دریافتی از مکان‌های همسایه تضعیف سیگنال مشابهی را تجربه می‌کند، ما از نسبت قدرت سیگنال به جای فاصله فیزیکی مطلق برای تخمین مکان مجازی APها استفاده می‌کنیم. در مدل تضعیف سیگنال اصلی که به عنوان معادله ( 1 ) رسمیت یافته است، تعیین آیتم تضعیف، که به ضریب تضعیف ناشی از موانع اشاره دارد، دشوار است:

آراساسمنک(دکمن)=آراساسمنک(دک0)–10ηلog10(دکمندک0)–Oآاف

جایی که آراساسمنک(دکمن)قدرت سیگنال دریافتی از مکانی است که دور از آن است آپکدر یک فاصله دکمن. آراساسمنک(دک0)قدرت سیگنال دریافتی از مکانی است که دور از آن است آپکدر یک فاصله دک0. ηتوان از دست دادن مسیر است که به طور کلی با توجه به پیچیدگی صحنه از 1.6 تا 3.0 متغیر است. ضریب تضعیف مانع (OAF) نشان دهنده تضعیف سیگنال ناشی از موانع است. به طور معمول، ما تنظیم می کنیم دک0تا 1 متر سپس، دکمنمی توان با معادله ( 2 ) محاسبه کرد:

دکمن=10(آراساسمنک(دک0)–آراساسمنک(دکمن)–Oآاف10η)
متفاوت از سایر الگوریتم‌ها، روش پیشنهادی مستقیماً از فاصله محاسبه‌شده توسط مدل Log-Normal Shadowing برای تخمین مکان‌های MN استفاده نمی‌کند. از آنجا که Oآافو آراساسمنک(دک0)نمی توان به راحتی به دست آورد، ما از نسبت استفاده می کنیم دکمنو دکj، که فواصل مکان i و j تا است آپک، به ترتیب. این نسبت را می توان با رابطه ( 3 ) محاسبه کرد:

آر=دکمندکj=10(آراساسمنک(دک0)–آراساسمنک(دکمن)–Oآافمن–آراساسمنک(دک0)+آراساسمنک(دکj)+Oآافj10η)
مکان i و j که انتخاب می کنیم از نظر فیزیکی نزدیک هستند. بنابراین، مسیری که سیگنال از آن منتشر می شود آپکبه مکان i شبیه مسیر از است آپکبه مکان j . این بدان معنی است که آنها تضعیف سیگنال تقریبی دارند. از این رو، Oآافمنو Oآافjرا می توان برابر فرض کرد. آراساسمنک(دک0)از مکان i برابر است با مکان j . بنابراین، معادله ( 3 ) را می توان به صورت معادله ( 4 ) بازنویسی کرد :

آر=دکمندکj=10(آراساسمنک(دکj)–آراساسمنک(دکمن)10η)
اکنون می توانیم نسبت را بدون نیاز به دانستن مقدار آن محاسبه کنیم Oآافو آراساسمنک(دک0). این بدان معنی است که روش پیشنهادی به اطلاعات کمتری از APs برای تخمین مکان نیاز دارد. مهمتر از همه، از محاسبه اجتناب می کند Oآاف، که معمولاً تعیین دقیق آن دشوار است و در نتیجه دقت تخمین مکان را کاهش می دهد.

3.2. دایره آپولونیوس

در مدل پیشنهادی ما، تنها نسبت فاصله قرار است بدون نیاز به محاسبه فاصله مطلق با استفاده از مدل سنتی سایه‌زنی Log-Normal محاسبه شود. به طور خاص، فقط آراساسمنو ηمورد نیاز هستند. با توجه به نسبت فاصله، دایره آپولونیوس برای محاسبه مکان مجازی AP ها استفاده می شود. نسبت R را می توان با توجه به فرمول ( 5 )–( 7 ) محاسبه کرد.

دکمن=(ایکسمن–ایکسک)2+(yمن–yک)2
دکj=(ایکسj–ایکسک)2+(yj–yک)2
آر=دکمندکj=(ایکسمن–ایکسک)2+(yمن–yک)2(ایکسj–ایکسک)2+(yj–yک)2

جایی که (ایکسمن،yمن)و (ایکسj،yj)مختصات 2 بعدی محل i و j هستند و به ترتیب (ایکسک،yک)مختصات است آپک. همانطور که در شکل 1 نشان داده شده است ، روش پیشنهادی فقط نسبت فاصله را محاسبه می کند و فاصله مطلق بین نقطه مرجع و AP ناشناخته باقی می ماند. سپس، مکان مجازی AP ها را می توان با معادله ( 7 ) محاسبه کرد، که می تواند به صورت معادله ( 8 ) بازنویسی شود :

ایکسک2+yک2+2ایکسjآر2–2ایکسمن1–آر2ایکسک+2yjآر2–2yمن1–آر2yک+ایکسمن2+yمن2–ایکسj2آر2–yj2آر21–آر2=0

سپس، ما تنظیم می کنیم 2ایکسjآر2–2ایکسمن1–آر2به عنوان D2yjآر2–2yمن1–آر2به عنوان E ، و ایکسمن2+yمن2–ایکسj2آر2–yj2آر21–آر2به عنوان F. معادله به صورت معادله ( 9 ) بازنویسی می شود:

ایکسک2+yک2+Dایکسک+Eyک+اف=0
بر اساس نظریه آپولونیوس [ 43 ]، یک دایره را می توان به عنوان مجموعه ای از نقاط در یک صفحه با نسبت فاصله مشخص به دو نقطه ثابت تعریف کرد. همانطور که می بینیم، معادله ( 9 ) شکل کلی معادله دایره ها است. چه زمانی D2+E2–4اف>0، مکان احتمالی APها روی یک دایره است. علاوه بر این، زمانی که آر=1، مکان احتمالی AP ها به وضوح روی نیمساز عمودی مکان i و j است.

3.3. AP مجازی

با توجه به رابطه ( 3 )، پارامتر Oآافزمانی که مکان‌های نقاط مرجع به اندازه کافی نزدیک باشند حذف می‌شوند زیرا سیگنال‌های دریافتی از این مکان‌ها در مسیر مشابهی منتشر می‌شوند. همانطور که در شکل 2 الف نشان داده شده است، در یک محیط ایده آل می توان از روش های هندسی مانند مثلث بندی برای محاسبه مکان AP ها استفاده کرد. فاصله محاسبه شده تقریبی مسافت واقعی است. در شکل 2ب، سیگنال های دریافتی به طور قابل توجهی ضعیف تر از آن در یک محیط ایده آل به دلیل تضعیف ناشی از دیوار است. این بدان معنی است که فاصله محاسبه شده بزرگتر از فاصله واقعی خواهد بود. در این مورد، روش های هندسی را نمی توان برای محاسبه موقعیت AP استفاده کرد. با این حال، با توجه به اینکه سیگنال های دریافت شده توسط نقاط مرجع نزدیک از یک مانع عبور کرده اند، بنابراین تضعیف سیگنال ها مشابه است. همانطور که در شکل 2c نشان داده شده است ، سیگنال های کاهش یافته را می توان برای تخمین مکان AP ها استفاده کرد که مکان مجازی AP نامیده می شود. سپس، می‌توانیم از مکان مجازی APها برای تخمین موقعیت MN نزدیک استفاده کنیم.

4. روش پیشنهادی

این رویکرد پیشنهادی از تکنیک های موقعیت یابی مبتنی بر اثر انگشت استفاده می کند. بنابراین، پایگاه داده اثر انگشت ابتدا باید در مرحله آفلاین ساخته شود. همانطور که در شکل 3 نشان داده شده است ، روش پیشنهادی ما را می توان به دو فاز تقسیم کرد: فاز آفلاین و فاز آنلاین. در مرحله آفلاین، پلان طبقه ابتدا با توجه به ساختار فضایی به چندین منطقه کوچکتر تقسیم می شود تا پیچیدگی محاسباتی کاهش یابد. سپس، مکان مجازی AP ها در هر منطقه تقسیم شده تخمین زده می شود. در فاز آنلاین، ابتدا منطقه اولیه ای که MN تعیین می کند تعیین می شود. سپس مکان MN با استفاده از مکان مجازی AP ها با روش هندسی پالایش می شود.

4.1. پیش پردازش داده ها

برای کاهش نوسان سیگنال دریافتی، مطالعات قبلی نشان داده اند که استفاده از حداکثر RSSI دقت موقعیت یابی بهتری نسبت به استفاده از میانگین RSSI به طور کلی ایجاد می کند [ 57 ]. بنابراین، در ماژول پیش پردازش داده های روش پیشنهادی، ابتدا RSSI دریافتی را در هر مکان به ترتیب نزولی رتبه بندی می کنیم. سپس داده های مرتب شده با معادله ( 10 ) پردازش می شوند:

آراساسمنمنک¯=آراساسمنمن1ک+آراساسمنمن2ک+آراساسمنمن3ک3

جایی که آراساسمنمن1کحداکثر مقدار RSSI در محل i است کتیساعتAP، و آراساسمنمن2کو آراساسمنمن3کدومین و سومین مقدار حداکثر RSSI در محل i هستندکتیساعتAP به ترتیب.

4.2. بخش منطقه

بر اساس تئوری AP مجازی، روش پیشنهادی زمانی کار می کند که نقاط مرجع نزدیک به یکدیگر باشند. این بدان معناست که اگر بخواهیم موقعیت MN را تعیین کنیم، ابتدا باید نقاط مرجع مجاور MN را برای محاسبه AP مجازی انتخاب کنیم. برای کاهش محاسبه در مرحله آنلاین و اطمینان از اینکه RPهای مجاور در یک محیط مشابه قرار دارند، روش پیشنهادی از پلان طبقه محیط آزمایش برای تقسیم نقاط مرجع به مناطق فیزیکی مختلف استفاده می کند. RP ها در همان منطقه موقعیت های AP مجازی مشابهی دارند. در این تحقیق مناطق بر اساس دو قاعده تقسیم بندی شده اند. اولین مورد این است که فاصله بین دو RP بیش از 10 متر نیست و بیش از 10 RP در یک منطقه قرار ندارد.

4.3. تخمین AP مجازی

در هر منطقه، APهای مجازی به طور مستقل محاسبه خواهند شد. بر اساس رابطه ( 8 ) می توان یک دایره بر اساس دو RP بدست آورد. بنابراین، از نظر تئوری، حداقل سه نقطه مرجع برای به دست آوردن سه دایره مورد نیاز است. سپس با محاسبه نقطه تقاطع سه دایره می توان مکان مجازی APها را تخمین زد. با این حال، همانطور که در شکل 4 نشان داده شده است، به دلیل خطای اندازه گیری RSSI، تقریباً غیرممکن است که یک نقطه تقاطع منحصر به فرد از سه یا بیش از سه دایره بدست آوریم. بنابراین در این تحقیق از الگوریتم حداقل مربعات برای تخمین مختصات نقطه با کوچکترین مجموع مربعات فواصل تا تمامی دایره های آپولونیوس استفاده می کنیم که بر اساس آن می توان موقعیت MN را به دست آورد. این فرآیند را می توان به عنوان معادله ( 11 ) توصیف کرد:

(ایکس^،y^)=ارگدقیقهایکس،y∑من=1nwمن¯((ایکس+Dمن2)2+(y+Eمن2)2–12Dمن2+Eمن2–4افمن)2
سپس، ما تنظیم می کنیم –Dمن2مانند ایکسمن، –Eمن2مانند yمن، 12Dمن2+Eمن2–4افمنمانند rمن، بنابراین معادله به صورت معادله ( 12 ) بازنویسی می شود:

(ایکس^،y^)=ارگدقیقهایکس،y∑من=1nwمن¯((ایکس–ایکسمن)2+(y–yمن)2–rمن)2

جایی که (ایکسمن،yمن)مرکز دایره است که با معادله ( 9 ) محاسبه می شود.rمنشعاع دایره است و wمن¯وزن هر دایره است. به دلیل خطای قدرت سیگنال اندازه گیری شده، وزن کمتری را به RSSI که مسافت زیادی را منتشر کرده است اختصاص می دهیم. سپس، wمن¯می توان با معادلات ( 13 ) و ( 14 ) محاسبه کرد:

wمن=لog10آرمن
wمن¯=wمن∑من=1nwمن

جایی که آرمنبا معادله ( 4 ) محاسبه می شود.

4.4. تخمین موقعیت مکانی نود موبایل

مرحله تخمین مکان آنلاین شامل دو مرحله است. اولین مورد این است که با محاسبه فاصله سیگنال بین بردارهای سیگنال جمع آوری شده در مکان فعلی تا تمام RP های پایگاه داده مشخص شود که MN در کدام منطقه قرار دارد. منطقه ای که نزدیکترین RP به آن تعلق دارد به عنوان منطقه فعلی MN در نظر گرفته می شود. فاصله سیگنال با معادله ( 15 ) محاسبه می شود:

اسمن=∑ک=1n(آراساسمنک–آراساسمنمنک)2

جایی که آراساسمنکRSSI است که MN از آن دریافت می کند کتیساعتAP، و آراساسمنمنکسیگنال دریافتی از کتیساعتAP در محل مرجع i . سپس، آراساسمنک(دک0)با معادله ( 16 ) محاسبه می شود:

آراساسمنک(دک0)=آراساسمنک(دکمن)+10ηلog10(دکمندک0)+Oآاف

جایی که دک0معمولاً 1 متر تنظیم می شود و دکمنتوسط مکان مجازی AP ها و RP ها محاسبه می شود. سپس، معادله ( 3 ) را می توان به صورت معادله ( 17 ) بازنویسی کرد :

آر=دکتودمترتو=10(آراساسمنمتر(دمترتو)–آراساسمنک(دکتو)+آراساسمنک(1)–آراساسمنمتر(1)10η)

جایی که آراساسمنمتر(دمترتو)و آراساسمنک(دکتو)هستند مترتیساعتو کتیساعتسیگنال های AP به ترتیب از MN دریافت می شوند. سپس، می‌توانیم از همان روشی که در فاز تخمین AP مجازی استفاده شده است برای تخمین مکان دقیق MN استفاده کنیم.

5. ارزیابی

طبقه چهارم ساختمان آزمایشگاه مهندسی دانشگاه علوم زمین چین را به عنوان محل آزمایش انتخاب می کنیم. 85 متر × 52 متر است که شامل راهروها، دفاتر، آزمایشگاه ها و آسانسورها می باشد. داده‌های آزمایشی آفلاین و آنلاین از طریق تلفن Nexus Google جمع‌آوری می‌شوند. فاصله نقاط مرجع یک متر است که در شکل 5 نشان داده شده است. پایگاه داده اثر انگشت ساخته شده شامل مختصات نقاط مرجع است که توسط یک ایستگاه کل الکترونیکی و RSSI از APهای اطراف اندازه گیری شده است. نرخ نمونه‌برداری سیگنال تلفن 1 هرتز است و در هر نقطه مرجع، 10 بار مجموعه‌ها را انجام دادیم. در مجموع، 332 RP جمع آوری شد. سی و سه مسیر آزمایشی در ساختمان با طول بین 34 متر تا 141 متر در نظر گرفته شد. طول کل مسیرها حدود 1600 متر است. در نهایت 1194 نقطه تست توسط عابران پیاده که در مسیر آزمایشی با سرعت ثابت قدم می زدند جمع آوری شد. برای به دست آوردن مکان واقعی نقاط تست، ابتدا هر نقطه عطف در مسیر را به عنوان نقطه علامت انتخاب کردیم. مکان های واقعی نقاط علامت با ایستگاه کل الکترونیکی اندازه گیری شد. در طول بخش دو نقطه علامت، آزمایش کنندگان با سرعت ثابت راه می رفتند. بنابراین، مکان واقعی هر نقطه آزمون را می توان از طریق درونیابی بین دو نقطه علامت به دست آورد. توزیع فضایی نقاط آزمون در نشان داده شده استشکل 6 .
برای ارزیابی عملکرد رویکرد پیشنهادی، روش پیشنهادی با سه رویکرد مبتنی بر Wi-Fi مقایسه می‌شود. آنها یک روش انگشت نگاری کلاسیک به نام RADAR [ 58 ]، یک روش مبتنی بر محدوده جدید به نام الگوریتم موقعیت یابی تکراری (IPA) [ 59 ]، و یک روش مبتنی بر AP مجازی به نام PD-WKNN [ 40 ] هستند.

5.1. تاثیر صحنه های تست بر دقت موقعیت یابی

محیط‌های داخلی مختلف دارای ساختارهای فضایی و منابع تداخل مختلفی هستند که بر عملکرد الگوریتم‌های موقعیت‌یابی تأثیر می‌گذارند. برای ارزیابی جامع رویکرد پیشنهادی، بستر آزمایش به سه صحنه مختلف تقسیم می‌شود، همانطور که در شکل 7 نشان داده شده است. آنها صحنه راهرو، صحنه اداری بدون مانع و صحنه اداری پیچیده هستند. راهرو انتخاب شده یک محیط راهروی کلاسیک است که فضای پیاده روی محدود و بدون مانع دارد. در این زمینه 682 امتیاز تست وجود دارد. صحنه اداری بدون مانع یک دفتر معمولی است اما بدون هیچ مانعی مانند میز یا قفسه کتاب. در این منطقه 105 امتیاز آزمون وجود دارد. صحنه اداری پیچیده نسبت به صحنه دوم با میزها و ستون های متعدد جادارتر است. مساحت آن 302 متر مربع است. 407 نقطه تست در این صحنه وجود دارد. پارامتر محیطی η2.4 تنظیم شده است.
همانطور که در شکل 8 نشان داده شده است، روش پیشنهادی عملکرد خوبی را در سه صحنه مختلف نشان می دهد. در منطقه اداری پیچیده با موانع زیادی که می تواند منجر به تضعیف شود، PD-WKNN بدترین عملکرد را به دست آورد و 70٪ خطای مکان را در زیر 6.5 متر محدود کرد. در مقابل، از آنجایی که پارامترهای میرایی در مدل انتشار حذف شده‌اند، روش پیشنهادی در این محیط قوی‌تر است و 70 درصد خطای مکان را زیر 3.3 متر محدود می‌کند. در منطقه راهرو، روش پیشنهادی همچنان بهترین عملکرد را در بین چهار روش به دست آورد و 70 درصد خطای مکان را زیر 3.3 متر محدود کرد. در منطقه اداری بدون مانع، هر چهار روش به دقت محلی سازی خوبی دست یافتند. در 70 درصد موارد، خطاهای مکان یابی چهار روش زیر 3.1 متر است. رادار در این صحنه به بالاترین دقت دست یافت که با روش پیشنهادی ما دنبال می شود. در منطقه بدون مانع، که یک محیط انتشار سیگنال ایده آل است، بزرگترین عامل موثر بر دقت محلی سازی، تضعیف سیگنال ناشی از موانع نیست، بلکه RSSI ناپایدار ناشی از نوسان سیگنال است. در این حالت، RADAR که به سادگی شباهت سیگنال بردار سیگنال آنلاین و نقاط مرجع آفلاین را مقایسه می کند، می تواند بهترین عملکرد را به دست آورد. روش‌های باقی‌مانده، از جمله روش پیشنهادی، از مدل انتشار سیگنال برای مقابله با تضعیف ناشی از موانع و ایجاد خطاهای اضافی استفاده می‌کنند. بنابراین، اگرچه دقت این روش ها در این محیط ساده در مقایسه با دو محیط پیچیده دیگر بهبود یافته است، اما این بهبود به اندازه رادار آشکار نیست. بزرگترین عامل موثر بر دقت محلی سازی، تضعیف سیگنال ناشی از موانع نیست، بلکه RSSI ناپایدار ناشی از نوسان سیگنال است. در این حالت، RADAR که به سادگی شباهت سیگنال بردار سیگنال آنلاین و نقاط مرجع آفلاین را مقایسه می کند، می تواند بهترین عملکرد را به دست آورد. روش‌های باقی‌مانده، از جمله روش پیشنهادی، از مدل انتشار سیگنال برای مقابله با تضعیف ناشی از موانع و ایجاد خطاهای اضافی استفاده می‌کنند. بنابراین، اگرچه دقت این روش ها در این محیط ساده در مقایسه با دو محیط پیچیده دیگر بهبود یافته است، اما این بهبود به اندازه رادار آشکار نیست. بزرگترین عامل موثر بر دقت محلی سازی، تضعیف سیگنال ناشی از موانع نیست، بلکه RSSI ناپایدار ناشی از نوسان سیگنال است. در این حالت، RADAR که به سادگی شباهت سیگنال بردار سیگنال آنلاین و نقاط مرجع آفلاین را مقایسه می کند، می تواند بهترین عملکرد را به دست آورد. روش‌های باقی‌مانده، از جمله روش پیشنهادی، از مدل انتشار سیگنال برای مقابله با تضعیف ناشی از موانع و ایجاد خطاهای اضافی استفاده می‌کنند. بنابراین، اگرچه دقت این روش ها در این محیط ساده در مقایسه با دو محیط پیچیده دیگر بهبود یافته است، اما این بهبود به اندازه رادار آشکار نیست. رادار که به سادگی شباهت سیگنال بردار سیگنال آنلاین و نقاط مرجع آفلاین را مقایسه می کند، می تواند بهترین عملکرد را به دست آورد. روش‌های باقی‌مانده، از جمله روش پیشنهادی، از مدل انتشار سیگنال برای مقابله با تضعیف ناشی از موانع و ایجاد خطاهای اضافی استفاده می‌کنند. بنابراین، اگرچه دقت این روش ها در این محیط ساده در مقایسه با دو محیط پیچیده دیگر بهبود یافته است، اما این بهبود به اندازه رادار آشکار نیست. رادار که به سادگی شباهت سیگنال بردار سیگنال آنلاین و نقاط مرجع آفلاین را مقایسه می کند، می تواند بهترین عملکرد را به دست آورد. روش‌های باقی‌مانده، از جمله روش پیشنهادی، از مدل انتشار سیگنال برای مقابله با تضعیف ناشی از موانع و ایجاد خطاهای اضافی استفاده می‌کنند. بنابراین، اگرچه دقت این روش ها در این محیط ساده در مقایسه با دو محیط پیچیده دیگر بهبود یافته است، اما این بهبود به اندازه رادار آشکار نیست.
در بین روش های مقایسه شده، RADAR کمترین پیچیدگی محاسباتی را دارد که پس از آن روش پیشنهادی و PD-WKNN با پیچیدگی محاسباتی متوسط ​​قرار دارد، در حالی که IPA دارای بالاترین پیچیدگی محاسباتی است. همانطور که در جدول 1 نشان داده شده است، در ساده ترین سناریوی داخلی (یعنی دفتر بدون مانع)، رادار بالاترین دقت را با کمترین پیچیدگی محاسباتی به دست می آورد. بنابراین، بهترین انتخاب برای محلی سازی در یک سناریوی داخلی ساده است. با این حال، با افزایش پیچیدگی صحنه، RADAR کاهش دقت محلی سازی را نشان می دهد زیرا نمی تواند مشکل افزایش تضعیف سیگنال را مدیریت کند. در صحنه اداری پیچیده، میانگین خطای روش پیشنهادی 23 درصد کمتر از رادار است. برای کل محل آزمایش، روش پیشنهادی بهترین نتیجه محلی سازی را به دست می آورد که توسط IPA دنبال می شود. به طور کلی، روش پیشنهادی به بهترین نتیجه محلی سازی با پیچیدگی محاسباتی قابل قبول، به ویژه در صحنه های پیچیده داخلی دست می یابد.

5.2. تاثیر پارامترهای محیطی بر دقت موقعیت یابی

برای تجزیه و تحلیل تاثیر پارامترهای محیطی ηاز مدل Log-Normal Shadowing در عملکرد محلی‌سازی، این پارامتر در صحنه‌های مختلف داخلی روی مقادیر مختلف تنظیم می‌شود. ارزش ηبه طور کلی از 1.6 تا 3.0 متغیر است. در آزمایش قبلی، به سادگی آن را به عنوان مقدار متوسط ​​2.4 قرار دادیم. در این آزمایش، تنظیم کردیم ηبه ترتیب 1.6، 2.0، 2.4، 2.8 و 3.2.
همانطور که در جدول 2 نشان داده شده است ، با افزایش η، دقت محلی سازی روند نزولی ظریف اما پایدار را نشان می دهد. پارامتر ηپیچیدگی محیط داخلی را نشان می دهد. هرچه محیط داخلی پیچیده تر باشد، بزرگتر است ηباید باشد. در یک محیط ساده، ηبه طور کلی روی 1.6 تنظیم شده است. این مدل تأثیر چیدمان فضایی مختلف را بر روی پارامتر فاصله محاسبه شده تنظیم می کند η. با این حال، روش مبتنی بر AP مجازی فرض می کند که سیگنال در یک محیط بدون مانع منتشر می شود و از مکان مجازی محاسبه شده می آید. فاصله مکان مجازی تا MN معمولا بزرگتر از فاصله واقعی از AP ​​تا MN است. بر اساس این فرض که سیگنال های دریافت شده توسط MN های مجاور از همان AP تحت تضعیف مشابهی قرار گرفته اند، روش AP مجازی از خطای فاصله ناشی از تضعیف سیگنال مشابه استفاده می کند. بنابراین، یک پارامتر پایین تر ηتنظیم بیشتر با محیط فرضی روش پیشنهادی مطابقت دارد. در صحنه کلاسیک راهرو، بهترین ηمقدار 1.6 یا کمتر برای روش پیشنهادی است.
از جدول 3 می توان مشاهده کرد که با افزایش η، خطای 70% نیز جز زمانی که کمی افزایش می یابد η=3.2. میانگین خطا نیز روند صعودی خفیف اما ثابتی را با افزایش نشان می دهد η. این ثابت می کند که، به طور کلی، زمانی که ηمقدار کمتری تنظیم شود، عملکرد روش پیشنهادی بهتر است. با این حال، ما همچنین توجه می کنیم که خطای میانه روند یکسانی را نشان نمی دهد. به دلیل تغییرات اندک خطا و روند ناپایدار، نمی توان علت این پدیده را تعیین کرد. بر اساس نتایج تجربی، تنها می‌توان نتیجه گرفت که برای روش پیشنهادی، بهینه است ηمقدار در محیط های اداری ساده از 1.6 تا 2.0 متغیر است.
از جدول 4 ، ما می توانیم آن را مشاهده کنیم ηتأثیر بیشتری بر میانگین و میانه خطاها در صحنه پیچیده اداری نسبت به دو صحنه دیگر دارد. علاوه بر این، میانگین و میانه خطا با افزایش افزایش می یابد η. همانطور که قبلا ذکر شد، مدل انتشار سیگنال از یک پارامتر ساده استفاده می کند. η، برای کالیبره کردن مسیر از دست دادن کل صحنه. با این حال، ثابت ηنمی تواند تنوع یک صحنه پیچیده را نشان دهد. در عین حال، رویکرد مبتنی بر AP مجازی از ثبات تلفات مسیر در یک منطقه کوچک برای تخمین مکان استفاده می کند. ناهماهنگی بین ηو روش های مبتنی بر AP مجازی در محیط های پیچیده بنابراین باعث کاهش دقت محلی سازی می شود. چه زمانی ηروی 1.6 یا کوچکتر تنظیم شده است، تأثیر پارامتر بر از دست دادن مسیر کم است. بنابراین، خطای محلی سازی ناشی از ناهماهنگی نیز کاهش می یابد. در نتیجه، زمانی که روش پیشنهادی در یک محیط ساده اعمال شود، مقدار بهینه از ηحدود 1.6 است با این حال، بزرگتر ηتفاوت زیادی نمی کند هنگامی که روش پیشنهادی در یک محیط پیچیده اعمال می شود، اثر ηبزرگتر است و مقدار بهینه زیر 1.6 است.

6. نتیجه گیری

در این مقاله، ما یک روش قوی و موثر موقعیت‌یابی Wi-Fi را پیشنهاد کردیم. بر اساس این فرض که مکان‌های همسایه پارامتر تضعیف مشابهی را با تضعیف سیگنال ناشی از موانع به اشتراک می‌گذارند، ما از یک روش مبتنی بر AP مجازی برای بهبود دقت اثر انگشت استفاده می‌کنیم. با استفاده از نسبت های سیگنال برای ساخت دایره آپولونیوس، ما تأثیر تضعیف سیگنال را بر تخمین مکان مجازی AP ها و مکان آنلاین MN ها کاهش می دهیم. علاوه بر این، هیچ ورودی اضافی، مانند پارامتر قدرت انتقال که معمولاً در روش‌های مبتنی بر AP مجازی مورد نیاز است، معرفی نشد. روش پیشنهادی با سه رویکرد موقعیت‌یابی مبتنی بر Wi-Fi در سه صحنه آزمایشی مختلف مقایسه شد. نتایج نشان می دهد که روش پیشنهادی می تواند در هر سه صحنه به نتایج پیشرفته دست یابد. به طور خاص، خطای فاصله متوسط ​​​​به ترتیب 1.9 متر، 2.2 متر و 2.3 متر در سه صحنه آزمایشی بدست می آید.
با این حال، هنوز برخی از مشکلات وجود دارد که ما هنوز حل نشده‌ایم: (1) روش حداقل مربعی که در مرحله تخمین AP مجازی و مرحله موقعیت‌یابی آنلاین استفاده می‌کنیم، به راحتی به یک نقطه بهینه محلی می‌رسد. (2) خطای رخ داده در مرحله موقعیت یابی منطقه می تواند به طور قابل توجهی بر تخمین مکان نهایی تأثیر بگذارد. حل این مشکلات و بررسی چگونگی تأثیر ساختار فضایی داخلی بر نتایج موقعیت‌یابی، تمرکز آینده ما است.

منابع

  1. چن، آر. Chen, L. موقعیت یابی داخلی با تلفن های هوشمند: آخرین روزها و چالش ها. Acta Geod. کارتوگر. گناه 2017 ، 46 ، 1316–1326. [ Google Scholar ]
  2. شانگ، جی. هو، ایکس. چنگ، دبلیو. Fan, H. GridiLoc: یک فیلتر شبکه عقب‌گرد برای ترکیب مدل شبکه با PDR با استفاده از حسگرهای تلفن هوشمند. Sensors 2016 , 16 , 2137. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. ژوانگ، ی. لان، اچ. لی، ی. ادغام El-Sheimy، N. PDR/INS/WiFi بر اساس دستگاه های دستی برای ناوبری عابر پیاده در داخل ساختمان. Micromachines 2015 ، 6 ، 793-812. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. لی، ایکس. وانگ، جی. Liu, C. یک الگوریتم یکپارچه سازی بلوتوث/PDR برای یک سیستم موقعیت یابی داخلی. Sensors 2015 , 15 , 24862–24885. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. ایجاز، ف. یانگ، هنگ کنگ؛ احمد، ع. Lee, C. موقعیت یابی داخلی: بررسی سیستم های موقعیت یابی اولتراسونیک داخلی. در مجموعه مقالات پانزدهمین کنفرانس بین المللی 2013 در زمینه فناوری ارتباطات پیشرفته (ICACT)، پارک فونیکس، پیونگ چانگ، کره، 27 تا 30 ژانویه 2013. صص 1146–1150. [ Google Scholar ]
  6. پریانتا، NB; چاکرابورتی، ا. بالاکریشنان، اچ. سیستم پشتیبانی مکان کریکت. در مجموعه مقالات ششمین کنفرانس بین المللی سالانه محاسبات و شبکه های موبایل، بوستون، MA، ایالات متحده آمریکا، 6 تا 11 اوت 2000. صص 32-43. [ Google Scholar ]
  7. لو، جی. فن، ال. Li, H. سیستم های موقعیت یابی داخلی بر اساس ارتباطات نور مرئی: وضعیت هنر. IEEE Commun. Surv. معلم خصوصی 2017 ، 19 ، 2871-2893. [ Google Scholar ] [ CrossRef ]
  8. وو، تی. لیو، جی. لی، ز. لیو، ک. Xu, B. موقعیت یابی دقیق بصری داخل گوشی هوشمند بر اساس نقشه فوتورئالیستی سه بعدی با دقت بالا. Sensors 2018 , 18 , 1974. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  9. چاپره، ی. ایگنیاتویچ، آ. سنویراتنه، ا. Jha, S. Csi-mimo: سیستم انگشت نگاری وای فای داخلی. در مجموعه مقالات سی و نهمین کنفرانس سالانه IEEE در مورد شبکه های کامپیوتری محلی، ادمونتون، AB، کانادا، 8 تا 11 سپتامبر 2014. ص 202-209. [ Google Scholar ]
  10. وانگ، ایکس. گائو، ال. مائو، اس. Pandey، S. اثر انگشت مبتنی بر CSI برای محلی سازی داخلی: یک رویکرد یادگیری عمیق. IEEE Trans. وه تکنولوژی 2016 ، 66 ، 763-776. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. لی، بی. گالاگر، تی. Dempster، AG; Rizos, C. استفاده از میدان مغناطیسی به تنهایی برای موقعیت یابی داخل ساختمان چقدر امکان پذیر است؟ در مجموعه مقالات کنفرانس بین المللی 2012 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، سیدنی، استرالیا، 13 تا 15 نوامبر 2012. صفحات 1-9. [ Google Scholar ]
  12. کیم، اچ اس. سئو، دبلیو. Baek، KR سیستم موقعیت یابی داخلی با استفاده از ناوبری نقشه میدان مغناطیسی و یک سیستم رمزگذار. Sensors 2017 , 17 , 651. [ Google Scholar ] [ CrossRef ]
  13. اشمیت، ای. اینوپاکوتیکا، دی. موندلاموری، ر. Akopian، D. SDR-Fi: موقعیت یابی داخلی مبتنی بر یادگیری عمیق از طریق رادیو تعریف شده توسط نرم افزار. دسترسی IEEE 2019 ، 7 ، 145784–145797. [ Google Scholar ] [ CrossRef ]
  14. چن، ال. پی، ال. کوسنیمی، اچ. چن، ی. کروگر، تی. ترکیب چن، آر بیزی برای موقعیت یابی داخل ساختمان با استفاده از اثر انگشت بلوتوث. سیم. پارس اشتراک. 2013 ، 70 ، 1735-1745. [ Google Scholar ] [ CrossRef ]
  15. چن، ال. کوسنیمی، اچ. چن، ی. لیو، جی. پی، ال. روتسالاینن، ال. چن، R. محدودیت فیلتر کالمن برای بومی سازی بلوتوث داخلی. در مجموعه مقالات بیست و سومین کنفرانس اروپایی پردازش سیگنال 2015 (EUSIPCO)، نیس، فرانسه، 31 اوت تا 4 سپتامبر 2015. صفحات 1915-1919. [ Google Scholar ]
  16. ژوانگ، ی. یانگ، جی. لی، ی. چی، ال. El-Sheimy، N. محلی سازی داخلی مبتنی بر تلفن هوشمند با چراغ های کم مصرف بلوتوث. Sensors 2016 , 16 , 596. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  17. وانگ، اچ. سن، اس. الگهری، ع. فرید، م. یوسف، م. Choudhury، RR بدون نیاز به رانندگی جنگی: محلی سازی داخل ساختمان بدون نظارت. در مجموعه مقالات دهمین کنفرانس بین المللی سیستم های تلفن همراه، برنامه های کاربردی و خدمات، منطقه دریاچه، انگلستان، 26-29 ژوئن 2012. صص 197-210. [ Google Scholar ]
  18. شن، جی. چن، ز. ژانگ، پی. موسیبرودا، تی. Zhang, Y. Walkie-Markie: نقشه برداری مسیرهای داخلی آسان شد. در مجموعه مقالات دهمین سمپوزیوم {USENIX} در طراحی و پیاده‌سازی سیستم‌های شبکه‌ای ({NSDI} 13)، Lombard، IL، ایالات متحده آمریکا، 2-5 آوریل 2013. صص 85-98. [ Google Scholar ]
  19. کیم، ی. شین، اچ. Cha, H. سیستم ردیابی عابر پیاده مبتنی بر Wi-Fi که مشکل واریانس RSS را تحمل می کند. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2012 در مورد محاسبات و ارتباطات فراگیر، لوگانو، سوئیس، 19 تا 23 مارس 2012. صص 11-19. [ Google Scholar ]
  20. پالمبو، اف. بارسوچی، پی. چسا، اس. آگوستو، JC رویکردی استیگمرژیک برای محلی‌سازی فضای داخلی با استفاده از چراغ‌های کم انرژی بلوتوث. در مجموعه مقالات دوازدهمین کنفرانس بین المللی IEEE در سال 2015 در زمینه نظارت بر ویدئو و سیگنال پیشرفته (AVSS)، کارلسروهه، آلمان، 25 تا 28 اوت 2015. صص 1-6. [ Google Scholar ]
  21. ژائو، ایکس. شیائو، ز. مارکهام، ای. تریگونی، ن. Ren, Y. آیا BTLE با WiFi مقایسه می‌کند؟ در مقایسه عملکرد مکان داخلی. در مجموعه مقالات بی سیم اروپا 2014، بیستمین کنفرانس بی سیم اروپا، کاستلدفلز، اسپانیا، 14-16 مه 2014. صص 1-6. [ Google Scholar ]
  22. روسلی، من؛ علی، م. جمیل، ن. Din, MM یک الگوریتم موقعیت یابی داخلی بهبود یافته بر اساس تکنیک rssi-trilateration برای اینترنت اشیا (iot). در مجموعه مقالات کنفرانس بین المللی 2016 مهندسی کامپیوتر و ارتباطات (ICCCE)، کوالالامپور، مالزی، 25 تا 27 ژوئیه 2016؛ صص 72-77. [ Google Scholar ]
  23. داگ، تی. Arsan, T. الگوریتم لایه‌بندی حداقل مربعات بر اساس قدرت سیگنال برای محلی‌سازی داخلی. محاسبه کنید. برق مهندس 2018 ، 66 ، 114-126. [ Google Scholar ] [ CrossRef ]
  24. یونگ، جی. Myung, H. بومی سازی کاربر داخلی مبتنی بر محدوده با استفاده از مدل مسیر سیگنال منعکس شده. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE در مورد اکوسیستم ها و فناوری های دیجیتال (IEEE DEST 2011)، Daejeon، کره، 31 مه تا 3 ژوئن 2011. صص 251-256. [ Google Scholar ]
  25. چوانگ، پی جی. Wu، CP استفاده از PSO برای تقویت محلی‌سازی گره مبتنی بر محدوده RSS برای شبکه‌های حسگر بی‌سیم. J. Inf. علمی مهندس 2011 ، 27 ، 1597-1611. [ Google Scholar ]
  26. چان، FK; بنابراین، HC Accurate الگوریتم موقعیت‌یابی مبتنی بر برد را برای شبکه‌های حسگر بی‌سیم توزیع کرد. IEEE Trans. فرآیند سیگنال 2009 ، 57 ، 4100-4105. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. کولوچیا، ا. Ricciato، F. محلی سازی مبتنی بر RSS از طریق محدوده بیزی و موقعیت حداقل مربعات تکراری. IEEE Commun. Lett. 2014 ، 18 ، 873-876. [ Google Scholar ] [ CrossRef ]
  28. لیو، سی. اسکات، تی. وو، ک. هافمن، دی. محلی سازی حسگر بدون برد با همپوشانی حلقه بر اساس مقایسه نشانگر قدرت سیگنال دریافتی. IJSNet 2007 ، 2 ، 399-413. [ Google Scholar ] [ CrossRef ]
  29. راجاگوپال، ن. چایاپاتی، اس. سینوپولی، بی. Rowe، A. قرار دادن Beacon برای محلی سازی فضای داخلی مبتنی بر محدوده. در مجموعه مقالات کنفرانس بین المللی 2016 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، ساپورو، ژاپن، 18 تا 21 سپتامبر 2016؛ صص 1-8. [ Google Scholar ]
  30. الباکلی، ر. یوسف، ام. یک سیستم محلی سازی مبتنی بر RF با کالیبراسیون صفر قوی برای محیط های واقعی. در مجموعه مقالات سیزدهمین کنفرانس بین المللی سالانه IEEE در سال 2016 در مورد سنجش، ارتباطات و شبکه (SECON)، لندن، بریتانیا، 27 تا 30 ژوئن 2016؛ صفحات 1-9. [ Google Scholar ]
  31. لاسلا، ن. یونس، م.ف. اوادجاوت، ا. Badache, N. الگوریتم محلی سازی موثر بر اساس منطقه برای شبکه های بی سیم. IEEE Trans. محاسبه کنید. 2014 ، 64 ، 2103-2118. [ Google Scholar ] [ CrossRef ]
  32. او، تی. هوانگ، سی. بلوم، بی.ام. استانکوویچ، جی. Abdelzaher, T. طرح های محلی سازی بدون محدوده برای شبکه های حسگر در مقیاس بزرگ. در مجموعه مقالات نهمین کنفرانس بین المللی سالانه محاسبات تلفن همراه و شبکه، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 14 تا 19 سپتامبر 2003. صص 81-95. [ Google Scholar ]
  33. Sheu، JP; چن، کامپیوتر; Hsu، CS یک طرح محلی‌سازی توزیع‌شده برای شبکه‌های حسگر بی‌سیم با بهبود شبکه اسکن و اصلاح مبتنی بر برداری. IEEE Trans. اوباش محاسبه کنید. 2008 ، 7 ، 1110-1123. [ Google Scholar ] [ CrossRef ]
  34. دای، اچ. یانگ، WH; Xu, J. شبکه عصبی چند لایه برای محلی سازی داخلی مبتنی بر قدرت سیگنال دریافتی. IET Commun. 2016 ، 10 ، 717-723. [ Google Scholar ] [ CrossRef ]
  35. خطاب، ز. حاجی حسینی، ع. قرشی، SA یک روش اثر انگشت برای محلی‌سازی فضای داخلی با استفاده از دستگاه یادگیری عمیق عمیق مبتنی بر رمزگذار خودکار. IEEE Sens. Lett. 2017 ، 2 ، 1-4. [ Google Scholar ] [ CrossRef ]
  36. لی، ز. خو، ک. وانگ، اچ. ژائو، ی. وانگ، ایکس. شن، ام. موقعیت یابی مبتنی بر یادگیری ماشینی: نظرسنجی و جهت گیری های آینده. IEEE Netw. 2019 ، 33 ، 96-101. [ Google Scholar ] [ CrossRef ]
  37. سلامه، ق. تمازین، م. شارکاس، MA; Khedr, M. یک سیستم محلی سازی داخلی WiFi پیشرفته بر اساس یادگیری ماشینی. در مجموعه مقالات کنفرانس بین المللی 2016 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، آلکالا د هنارس، مادرید، اسپانیا، 4 تا 7 اکتبر 2016؛ صص 1-8. [ Google Scholar ]
  38. نرگئیزیان، سی. Nerguizian، V. موقعیت جغرافیایی انگشت نگاری داخلی با استفاده از ویژگی های مبتنی بر موجک استخراج شده از پاسخ ضربه کانال در ارتباط با یک شبکه عصبی مصنوعی. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2007 در الکترونیک صنعتی، ویگو، اسپانیا، 4 تا 7 ژوئن 2007. صفحات 2028–2032. [ Google Scholar ]
  39. شانگ، جی. هو، ایکس. گو، اف. وانگ، دی. یو، اس. طرح های بهبود برای تخمین مکان موبایل داخلی: یک نظرسنجی. ریاضی. مشکل مهندس 2015 , 2015 . [ Google Scholar ] [ CrossRef ]
  40. شو، دبلیو. یو، ک. هوآ، ایکس. لی، کیو. کیو، دبلیو. خوشه‌بندی نقاط مرجع مبتنی بر موقعیت‌های مجازی و وزن‌دهی مبتنی بر فاصله فیزیکی برای موقعیت‌یابی Wi-Fi داخلی. IEEE Internet Things J. 2018 , 5 , 3031–3042. [ Google Scholar ] [ CrossRef ]
  41. مو، ی. کای، ی. وانگ، بی. یک روش جدید محلی سازی داخلی بر اساس تخمین AP مجازی. در مجموعه مقالات کنفرانس بین المللی ارتباطات IEEE در سال 2012 (ICC)، اتاوا، ON، کانادا، 10-15 ژوئن 2012. صص 5508–5512. [ Google Scholar ]
  42. لیو، اچ. یانگ، موقعیت یابی فضای داخلی مبتنی بر وای فای YN برای محیط چند طبقه. در مجموعه مقالات کنفرانس TENCON 2011-2011 IEEE منطقه 10، بالی، اندونزی، 21-24 نوامبر 2011. صص 597-601. [ Google Scholar ]
  43. Coolidge, JL A Treatise on the Circle and the Sphere ; Clarendon Press: آکسفورد، انگلستان، 1916. [ Google Scholar ]
  44. او هست.؛ موقعیت یابی فضای داخلی مبتنی بر اثر انگشت Chan، SHG Wi-Fi: پیشرفت ها و مقایسه های اخیر. IEEE Commun. Surv. معلم خصوصی 2015 ، 18 ، 466-490. [ Google Scholar ] [ CrossRef ]
  45. فنگ، سی. او، WSA؛ ولایی، س. Tan, Z. موقعیت یابی داخلی بر اساس قدرت سیگنال دریافتی با استفاده از سنجش فشاری. IEEE Trans. اوباش محاسبه کنید. 2011 ، 11 ، 1983-1993. [ Google Scholar ] [ CrossRef ]
  46. Au، AWS؛ فنگ، سی. ولایی، س. ریس، اس. سرور، س. مارکوویتز، SN; طلا، دی. گوردون، ک. آیزنمن، ام. ردیابی و ناوبری داخلی با استفاده از قدرت سیگنال دریافتی و سنجش فشاری در دستگاه تلفن همراه. IEEE Trans. اوباش محاسبه کنید. 2012 ، 12 ، 2050-2062. [ Google Scholar ] [ CrossRef ]
  47. او هست.؛ Chan، SHG Tilejunction: کاهش نویز سیگنال برای محلی سازی داخلی بر اساس اثر انگشت. IEEE Trans. اوباش محاسبه کنید. 2015 ، 15 ، 1554-1568. [ Google Scholar ] [ CrossRef ]
  48. او هست.؛ Chan, SHG Sectjunction: محلی‌سازی Wi-Fi داخلی بر اساس اتصال بخش‌های سیگنال. در مجموعه مقالات کنفرانس بین المللی ارتباطات IEEE در سال 2014 (ICC)، سیدنی، استرالیا، 10 تا 14 ژوئن 2014. صص 2605–2610. [ Google Scholar ]
  49. جیانگ، ی. پان، X. لی، ک. Lv، Q. دیک، RP; هانیگان، ام. Shang, L. Ariel: انگشت نگاری خودکار اتاق مبتنی بر وای فای برای محلی سازی داخل ساختمان. در مجموعه مقالات کنفرانس ACM 2012 در مورد محاسبات همه جا حاضر، پیتسبورگ، PA، ایالات متحده، 5-8 سپتامبر 2012. ص 441-450. [ Google Scholar ]
  50. شین، بی. لی، جی اچ. لی، تی. الگوریتم Kim، HS پیشرفته K وزنی نزدیکترین همسایه برای سیستم های موقعیت یابی Wi-Fi داخلی. در مجموعه مقالات هشتمین کنفرانس بین المللی 2012 در فناوری محاسبات و مدیریت اطلاعات (NCM و ICNIT)، سئول، کره، 24-26 آوریل 2012. جلد 2، ص 574–577. [ Google Scholar ]
  51. یانگ، ز. وو، سی. لیو، ی. مکان یابی در فضای اثر انگشت: مکان یابی فضای داخلی بی سیم با دخالت اندک انسان. در مجموعه مقالات هجدهمین کنفرانس بین المللی سالانه محاسبات و شبکه های سیار، استانبول، ترکیه، 22 تا 26 اوت 2012. صص 269-280. [ Google Scholar ]
  52. لیو، اس. هوآ، ایکس. کیو، دبلیو. ژانگ، دبلیو. He, X. الگوریتم موقعیت یابی اثر انگشت WiFi بهبود یافته. جی. ژئومات. 2017 ، 42 ، 46-49. [ Google Scholar ]
  53. نیو، جی. وانگ، بی. شو، ال. Duong، TQ; Chen, Y. ZIL: یک سیستم محلی سازی داخلی کم مصرف با استفاده از رادیو ZigBee برای تشخیص اثر انگشت WiFi. IEEE J. Sel. مناطق کمون. 2015 ، 33 ، 1431-1442. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. هو، ایکس. شانگ، جی. گو، اف. هان، کیو. بهبود موقعیت‌یابی Wi-Fi در فضای داخلی از طریق AP، شباهت و خوشه‌بندی انتشار قرابت نیمه نظارت شده را تنظیم می‌کند. بین المللی J. Distrib. Sens. Netw. 2015 ، 11 ، 109642. [ Google Scholar ] [ CrossRef ]
  55. لبینگیسا، بی. پارک، جی اس. Lee, DM سیستم محلی سازی داخلی را بر اساس نقاط دسترسی مجازی در یک محیط Wi-Fi با طرح های فیلتر بهبود بخشید. در مجموعه مقالات کنفرانس بین المللی 2017 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، ساپورو، ژاپن، 18 تا 21 سپتامبر 2017؛ صص 1-7. [ Google Scholar ]
  56. لی، دی.م. Labinhisa، B. سیستم محلی سازی داخلی بر اساس نقاط دسترسی مجازی با طرح های فیلتر. بین المللی J. Distrib. Sens. Netw. 2019 ، 15 ، 1550147719866135. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  57. شو، دبلیو. کیو، دبلیو. هوآ، ایکس. Yu, K. بهبود اندازه گیری RSSI Wi-Fi برای محلی سازی داخل ساختمان. IEEE Sensors J. 2017 , 17 , 2224-2230. [ Google Scholar ] [ CrossRef ]
  58. باهل، ص. Padmanabhan، VN RADAR: یک سیستم مکان یابی و ردیابی کاربر مبتنی بر RF در ساختمان. در مجموعه مقالات کنفرانس IEEE INFOCOM 2000 در زمینه ارتباطات کامپیوتری. نوزدهمین کنفرانس مشترک سالانه انجمن های کامپیوتر و ارتباطات IEEE (شماره گربه 00CH37064)، ال آویو، اسرائیل، 26 تا 30 مارس 2000. جلد 2، ص 775–784. [ Google Scholar ]
  59. چن، جی. وانگ، اس. اویانگ، ام. ژوان، ی. الگوریتم موقعیت یابی تکراری لی، KC برای گره داخلی بر اساس تصحیح فاصله در شبکه های بی سیم. Sensors 2019 , 19 , 4871. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Ijgi 09 00261 g001 550
شکل 1. تخمین مکان مجازی APها بدون فاصله مطلق.
Ijgi 09 00261 g002 550
شکل 2. مکان مجازی AP ها تحت سیگنال های ضعیف شده.
Ijgi 09 00261 g003 550
شکل 3. گردش کار روش پیشنهادی.
Ijgi 09 00261 g004 550
شکل 4. تخمین AP مجازی.
Ijgi 09 00261 g005 550
شکل 5. نقاط مرجع در محل آزمون.
Ijgi 09 00261 g006 550
شکل 6. نقاط تست در محل آزمون.
Ijgi 09 00261 g007 550
شکل 7. سه ناحیه مختلف از محل آزمایش.
Ijgi 09 00261 g008 550
شکل 8. مقایسه عملکرد روش پیشنهادی در برابر روش های محدوده، اثر انگشت و AP مجازی در سه صحنه معمولی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید