یادگیری عمیق برای محلی سازی اثر انگشت در محیط های داخلی و خارجی

خلاصه

بومی سازی مبتنی بر اثر انگشت وای فای و میدان مغناطیسی به دلیل دقت رضایت بخش و در دسترس بودن جهانی، توجه بیشتری را به خود جلب کرده است. محلی سازی اثر انگشت مبتنی بر سیگنال به دلیل نوسانات سیگنال شناخته شده بدتر می شود. در این مقاله، ما یک سیستم محلی‌سازی مبتنی بر Wi-Fi و میدان مغناطیسی مبتنی بر یادگیری عمیق را پیشنهاد کردیم. با توجه به تشخیص کم قدرت میدان مغناطیسی (MFS) در مناطق بزرگ، الگوریتم خوشه‌بندی پیک چگالی یادگیری بدون نظارت بر اساس الگوریتم فاصله مقایسه (CDPC) ابتدا برای انتخاب چندین نقطه مرکزی MFS به عنوان ویژگی‌های دارای برچسب جغرافیایی برای کمک به محلی‌سازی استفاده می‌شود. . با توجه به پیشرفته ترین کاربرد یادگیری عمیق در طبقه بندی تصاویر، ما یک تصویر اثر انگشت مکان را با استفاده از Wi-Fi و اثر انگشت میدان مغناطیسی برای محلی سازی طراحی می کنیم. محلی‌سازی در یک شبکه باقی‌مانده عمیق پیشنهادی (Resnet) که قادر به یادگیری ویژگی‌های کلیدی از پایگاه داده تصویر اثر انگشت عظیم است، ریخته‌گری می‌شود. برای افزایش بیشتر دقت محلی‌سازی، با استفاده از اطلاعات قبلی بومی‌ساز درشت Resnet از قبل آموزش‌دیده، یک بومی‌ساز دقیق یادگیری انتقال مبتنی بر MLP برای تنظیم دقیق بومی‌ساز درشت معرفی شده است. علاوه بر این، ما به صورت پویا نرخ یادگیری (LR) را تنظیم کردیم و چندین روش افزایش داده را برای افزایش استحکام سیستم محلی سازی خود اتخاذ کردیم. نتایج تجربی نشان می‌دهد که سیستم پیشنهادی منجر به عملکرد محلی‌سازی رضایت‌بخش در محیط‌های داخلی و خارجی می‌شود. برای افزایش بیشتر دقت محلی‌سازی، با استفاده از اطلاعات قبلی بومی‌ساز درشت Resnet از قبل آموزش‌دیده، یک بومی‌ساز دقیق یادگیری انتقال مبتنی بر MLP برای تنظیم دقیق بومی‌ساز درشت معرفی شده است. علاوه بر این، ما به صورت پویا نرخ یادگیری (LR) را تنظیم کردیم و چندین روش افزایش داده را برای افزایش استحکام سیستم محلی سازی خود اتخاذ کردیم. نتایج تجربی نشان می‌دهد که سیستم پیشنهادی منجر به عملکرد محلی‌سازی رضایت‌بخش در محیط‌های داخلی و خارجی می‌شود. برای افزایش بیشتر دقت محلی‌سازی، با استفاده از اطلاعات قبلی بومی‌ساز درشت Resnet از قبل آموزش‌دیده، یک بومی‌ساز دقیق یادگیری انتقال مبتنی بر MLP برای تنظیم دقیق بومی‌ساز درشت معرفی شده است. علاوه بر این، ما به صورت پویا نرخ یادگیری (LR) را تنظیم کردیم و چندین روش افزایش داده را برای افزایش استحکام سیستم محلی سازی خود اتخاذ کردیم. نتایج تجربی نشان می‌دهد که سیستم پیشنهادی منجر به عملکرد محلی‌سازی رضایت‌بخش در محیط‌های داخلی و خارجی می‌شود. ما به صورت پویا نرخ یادگیری (LR) را تنظیم کردیم و چندین روش افزایش داده را برای افزایش استحکام سیستم محلی سازی خود اتخاذ کردیم. نتایج تجربی نشان می‌دهد که سیستم پیشنهادی منجر به عملکرد محلی‌سازی رضایت‌بخش در محیط‌های داخلی و خارجی می‌شود. ما به صورت پویا نرخ یادگیری (LR) را تنظیم کردیم و چندین روش افزایش داده را برای افزایش استحکام سیستم محلی سازی خود اتخاذ کردیم. نتایج تجربی نشان می‌دهد که سیستم پیشنهادی منجر به عملکرد محلی‌سازی رضایت‌بخش در محیط‌های داخلی و خارجی می‌شود.

کلید واژه ها:

محلی سازی اثر انگشت ؛ یادگیری عمیق ؛ سیگنال وای فای ؛ میدان مغناطیسی ؛ یادگیری بدون نظارت

1. معرفی

در سال‌های اخیر، تقاضا برای خدمات مبتنی بر مکان (LBSs)، چه در داخل و چه در فضای باز، مورد توجه قرار گرفته است و تقاضای زیادی در صنعت و دانشگاه دارد [ 1 ]. استفاده موفقیت آمیز از سیستم موقعیت یابی ناوبری ماهواره ای (SNPS)، مانند سیستم موقعیت یابی جهانی (GPS) و سیستم ناوبری گالیله، راحتی زیادی را برای افراد مسافر فراهم می کند. با این حال، در محیط های داخلی یا پیچیده بیرونی، GPS نمی تواند LBS دقیق را ارائه دهد [ 2 ]. سنسورهای متعدد مجهز به یک گوشی هوشمند پیشرفت های جدیدی را برای LBS داخلی به ارمغان آورده است. با اندازه گیری با اندازه گیری سیگنال دریافتی، محلی سازی با Wi-Fi یا سیگنال مغناطیسی امکان پذیر می شود [ 3 ].

روش‌های محلی‌سازی سنتی بر سیگنال زمان رسیدن (TOA)، تفاوت زمانی رسیدن (TDOA) و زاویه ورود (AOA) برای تعیین موقعیت تجهیزات کاربر (UE) متکی هستند. با این حال، تجهیزات ویژه ای برای تعیین زمان یا زاویه سیگنال رفت و برگشت مورد نیاز است. بنابراین، در بسیاری از کاربردها ناخوشایند و غیرعملی است. در مقابل، بیشتر روش‌های تعیین موقعیت مبتنی بر اثر انگشت نیازی به تجهیزات یا زیرساخت اختصاصی ندارند و می‌توان آن را تنها با یک گوشی هوشمند در همه جا پیاده‌سازی کرد. علاوه بر این، حسگرهای کم مصرف مجهز به تلفن هوشمند، حتی در صورت فعال بودن مداوم، انرژی بسیار کمتری را جذب می‌کنند [ 4 ].

همانطور که در شکل 1 نشان داده شده است، سیستم محلی سازی اثر انگشت پیشنهادی معمولاً از دو مرحله تشکیل شده است: فاز آفلاین و فاز آنلاین. در مرحله آفلاین، UE مجموعه‌ای از نشانه‌های قدرت سیگنال دریافتی وای‌فای (RSSI) را از تمام نقاط دسترسی (APs) یا بزرگی سیگنال مغناطیسی در مکان‌های شناخته شده، که به عنوان نقاط مرجع (RPs) شناخته می‌شوند، جمع‌آوری می‌کند تا پایگاه داده اثرانگشت بسازد. بنابراین، هر RP اثرانگشت خاص خود را دارد که شامل مکان‌های شناخته شده و RSSI یا بزرگی سیگنال مغناطیسی دریافتی است. سپس، مدل یادگیری عمیق پیشنهادی برای آموزش با پایگاه داده اثر انگشت از پیش ساخته شده استفاده می‌شود. در مرحله آنلاین، از مدل یادگیری عمیق آموزش‌دیده برای تطبیق سیگنال‌های دریافتی فعلی با پایگاه‌داده اثر انگشت استفاده می‌شود و مکان UE توسط بهترین برازش RP تعیین می‌شود [ 3 ، 5 ]].

رویکرد محلی‌سازی اولیه مبتنی بر اثر انگشت به K-Nearest Neighbor (KNN) برای یافتن RP‌هایی که به بهترین وجه با پایگاه داده اثر انگشت مطابقت دارند، متکی است. بعداً، الگوریتم بیزی، Weighted-K-Nearest Neighbors (WKNN) و Support Vector Machine (SVM) برای بهبود استحکام سیستم موقعیت یابی [ 6 ، 7 ، 8 ] پیشنهاد شده است. در [ 9 ] یک رویکرد محلی سازی زیرمنطقه داخلی مبتنی بر مغناطیسی با استفاده از یک الگوریتم یادگیری بدون نظارت پیشنهاد شد. یک رویکرد چند هاپ برای حل عدم دقت در مسئله محلی سازی [ 10 ] به کار گرفته شد.

با این حال، مشکل اصلی در دستیابی به محلی‌سازی اثر انگشت دقیق در نوسانات سیگنال است، مانند تأثیر نامطلوب محو شدن چند مسیره و تضعیف سیگنال توسط مبلمان، دیوارها و افراد. علاوه بر این، موقعیت یابی دقیق مستلزم جمع آوری RP های بیشتری است. بنابراین، حجم کار ساخت پایگاه داده اثر انگشت بسیار زیاد است. در نتیجه، چالش اصلی در بومی‌سازی مبتنی بر اثر انگشت این است که چگونه می‌توان مدلی را توسعه داد که بتواند ویژگی‌های قابل اعتماد استخراج کند و به‌طور دقیق تعداد انبوهی از RP‌ها را با سیگنال‌های دارای نوسانات گسترده ترسیم کند [ 11 ].]. رویکردهای محلی‌سازی فوق‌الذکر دارای معماری‌های یادگیری کم عمقی هستند که منجر به توانایی بازنمایی محدود می‌شود، به‌ویژه زمانی که با آن مسائل داده‌های عظیم و پر سر و صدا سروکار داریم. موقعیت یابی با MFS نیز مشکل ساز است. تشخیص MFS هنگام در نظر گرفتن یک منطقه بزرگ به طور چشمگیری کاهش می یابد، که استفاده مستقیم از MFS را برای موقعیت یابی غیرممکن می کند.

در سال های اخیر، یادگیری عمیق چه در دانشگاه و چه در صنعت پیشرفت زیادی داشته است. یادگیری عمیق با لایه های چندگانه بر سایر تکنیک ها در تشخیص گفتار، طبقه بندی تصویر و غیره شکست خورده است [ 11 ، 12 ]]. بنابراین، در این کار، شبکه باقیمانده عمیق (Resnet) و یادگیری انتقال برای توسعه یک سیستم محلی سازی بسیار دقیق معرفی شده است. استفاده از MFS به تنهایی برای محلی سازی کافی نیست، زیرا در یک منطقه بزرگ قابل تشخیص نیست. بنابراین، با توجه به عملکرد فوق‌العاده الگوریتم خوشه‌بندی پیک چگالی (DPC) در انتخاب ویژگی، یک الگوریتم خوشه‌بندی پیک چگالی جدید بر اساس الگوریتم فاصله مقایسه (CDPC) برای انتخاب چندین نقطه مرکزی از شدت میدان مغناطیسی (MFS) پیشنهاد می‌کنیم. آن را با سیگنال Wi-Fi ترکیب کرد تا استحکام سیستم محلی سازی پیشنهادی را بهبود بخشد. با توجه به عملکرد پیشرفته یادگیری عمیق در طبقه بندی تصاویر، Wi-Fi RSSI و نقاط مرکزی MFS برای ساخت پایگاه داده تصویر اثر انگشت به تصاویر تبدیل می شوند.

برای مقابله با نوسانات سیگنال، باید مدلی با توانایی یادگیری قوی طراحی شود. در این کار، یک رویکرد آموزش معماری سلسله مراتبی دو سطحی، شامل یک مرحله قبل از آموزش و مرحله تنظیم دقیق، برای به دست آوردن مدل یادگیری عمیق نهایی اتخاذ شده است. پس از اتمام ساخت مجموعه داده تصویر اثر انگشت، Resnet پیشنهادی ابتدا برای آموزش با مجموعه داده و بازگشت یک مدل از پیش آموزش‌دیده‌شده به نام محلی‌ساز درشت استفاده می‌شود. سپس، با استفاده از دانش قبلی از مدل از پیش آموزش دیده، یادگیری انتقال مبتنی بر لایه ادراک چندگانه (MLP) برای آموزش بیشتر با مجموعه داده و برگرداندن یک مدل دقیق تنظیم شده به نام محلی‌ساز خوب استفاده می‌شود.

در طول مرحله آموزش، چندین رویکرد افزایش داده برای بهبود دقت محلی سازی اعمال می شود. تصاویر مجموعه داده اثر انگشت در ابعاد 224*224 استاندارد شده اند، بنابراین مدل می تواند به راحتی ویژگی های تصویر را یاد بگیرد. علاوه بر این، برخی از تصاویر 1.25 برابر بزرگ شده یا به طور تصادفی 15 درجه چرخانده می شوند. در نرمال سازی دسته ای، یک آیتم مومنتوم برای کاهش زمان ارتعاش و تسریع همگرایی مدل اضافه می شود. علاوه بر این، نرخ یادگیری (LR) به صورت پویا برای بهینه سازی بیشتر مدل تنظیم می شود. برای مرحله تطبیق، یک روش احتمالی برای نشان دادن دقت سیستم محلی سازی اعمال می شود.

مشارکت های اصلی این مقاله را می توان به صورت زیر خلاصه کرد: (1) الگوریتم CDPC یادگیری بدون نظارت ابتدا برای انتخاب نقاط مرکزی MFS استفاده می شود، که می تواند توزیع MFS را در هر RP نشان دهد. دقت موقعیت یابی را می توان با ترکیب سیگنال های Wi-Fi و MFS انتخابی بهبود بخشید. (2) متفاوت از مجموعه داده های معمولی، این MFS انتخاب شده و Wi-Fi RSSI به تصاویر تبدیل می شوند تا مجموعه داده تصویر اثر انگشت را برای محلی سازی تشکیل دهند. به منظور توسعه یک مدل با توانایی یادگیری قوی، Resnet و یک معماری آموزش سلسله مراتبی دو سطحی یادگیری انتقال مبتنی بر MLP برای بومی‌سازی پیشنهاد شده‌اند. (3) با توجه به نقاط طبقه بندی متعدد، ما به صورت پویا تنظیم می کنیم LR را به صورت پویا تنظیم می کنیمو چندین رویکرد افزایش داده را برای افزایش توانایی تعمیم مدل شبکه عصبی عمیق (DNN) اتخاذ کرد. (4) برای تأیید اثربخشی سیستم موقعیت‌یابی پیشنهادی، آزمایش در هر دو محیط داخلی و خارجی واقعی انجام شد. این آزمایش نشان می‌دهد که سیستم موقعیت‌یابی پیشنهادی می‌تواند به محلی‌سازی با دقت بالا در محیط‌های داخلی و خارجی دست یابد.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 کارهای مرتبط را شرح می دهد. سیستم موقعیت یابی پیشنهادی در بخش 3 ارائه شده است . بخش آزمایشی در بخش 4 توضیح داده شده است . در نهایت، بخش 5 نتیجه گیری و کارهای آتی را شرح می دهد.

2. کارهای مرتبط

تقاضای زیاد برای LBS توسعه تکنیک های محلی سازی را تحریک کرده است. استقرار گسترده سیگنال های Wi-Fi و سیگنال های مغناطیسی می تواند تقریباً در تمام محیط های داخلی برای محلی سازی مفید باشد. بنابراین، علاقه زیادی را در بین محققان برانگیخته است [ 13 ].

سیستم های محلی سازی مبتنی بر اندازه گیری سنتی، مانند TOA و TDOA، می توانند مکان UE را تعیین کنند. با این حال، این رویکردها به انتشار سیگنال خط دید (LOS) نیاز دارند، زیرا رویکردهای محلی سازی به سه لایه بندی بستگی دارد. دقت محلی سازی در محیط های داخلی بسیار بدتر می شود، زیرا سیگنال اغلب توسط اشیا مسدود شده و شکسته می شود [ 14 ]. با این حال، محلی سازی مبتنی بر اثر انگشت می تواند بر این اشکالات غلبه کند، و ثابت شده است که عملکرد محلی سازی رضایت بخشی دارد [ 12 ]. بنابراین، تکنیک محلی سازی مبتنی بر اثر انگشت توجه گسترده ای را به خود جلب کرده است. اساساً سه نوع اثر انگشت وجود دارد: اثر انگشت بصری، اثر انگشت حرکتی و اثر انگشت سیگنال [ 3 ]]. توانایی‌های بهبودیافته پردازش تصویر و ویدئو، تلفن‌های هوشمند را قادر می‌سازد تا جستجوهای بصری عظیم را از تعداد زیادی پایگاه‌داده اثر انگشت بصری انجام دهند [ 15 ]. استفاده از Google Goggles و Vuforia Object Scanner نیز موفقیت آمیز بوده است. با پشتیبانی از حسگرهای حرکتی، مانند شتاب‌سنج‌ها و قطب‌نماهای الکترونیکی، تلفن‌های هوشمند می‌توانند دینامیک UE را در زمان واقعی شناسایی کنند. ایده اصلی محلی‌سازی اثر انگشت حرکتی ترکیب شتاب‌سنج و اندازه‌گیری‌های قطب‌نما و تطبیق آن‌ها با پایگاه‌داده اثر انگشت حرکتی از پیش ساخته شده برای تعیین مکان UE است [ 16 ]. محلی سازی مبتنی بر اثر انگشت سیگنال سیگنال ها را می گیرد و آنها را با پایگاه داده اثر انگشت دارای برچسب جغرافیایی تطبیق می دهد تا مکان UE را تعیین کند [ 17 ].

رایج ترین سیگنال های مورد استفاده سیگنال های Wi-Fi و سیگنال های ژئومغناطیسی هستند. هر سیگنال Wi-Fi دارای کنترل دسترسی رسانه منحصر به فرد خود (MAC) است، و توانایی پوشش سیگنال محدود آن (حدود 100 متر) سیگنال های Wi-Fi را قادر می سازد تا به طور گسترده در محلی سازی استفاده شوند [ 5 ]. با این حال، همانطور که در نشان داده شده است شکل 2 نشان داده شده استسیگنال‌های Wi-Fi به دلیل نویزهای سیگنال اطراف، محو شدن‌های متعدد و غیره می‌توانند در محدوده وسیعی نوسان داشته باشند، که ممکن است مکان‌های نزدیک را در سیستم‌های موقعیت‌یابی مبتنی بر Wi-Fi گیج کند. بنابراین، جمع آوری سیگنال های Wi-Fi بیشتر با MAC های مختلف می تواند دقت موقعیت یابی بالاتری را ایجاد کند. سیستم های محلی سازی داخلی مبتنی بر Wi-Fi دارای عملکرد محلی سازی 5 تا 10 متر هستند. علاوه بر این، برای سیگنال‌های با قدرت کم، فرآیند اسکن سیگنال Wi-Fi ممکن است چندین ثانیه طول بکشد تا تمام سیگنال‌های Wi-Fi به دست آید.

میدان مغناطیسی در یک دوره طولانی نسبتاً پایدار است و در یک منطقه کوچک قابلیت تشخیص فضایی برجسته ای دارد [ 18 ]. این می تواند در هر ثانیه حدود 100 نقطه داده را توسط حسگرهای مجهز به گوشی هوشمند جمع آوری کند. محققان دریافته‌اند که MFS در محیط‌های داخلی از 20 تا 80 μT متغیر است. MFS در یک مکان مشخص، تغییرات مشابهی با مکان‌های مجاور خواهد داشت. بنابراین، هنگام در نظر گرفتن یک منطقه بزرگ، تشخیص به طور چشمگیری کاهش می یابد. بنابراین، استفاده مستقیم از MFS برای موقعیت یابی غیرممکن است. این مقاله بحث می‌کند که آیا الگوریتم CDPC می‌تواند برای انتخاب نقطه مرکزی MFS برای افزایش دقت موقعیت‌یابی استفاده شود یا خیر.

در [ 19 ]، KNN برای یافتن بهترین تطابق از پایگاه داده اثر انگشت ساخته شده مورد استفاده قرار گرفت. با این حال، آزمایش‌ها نشان داد که عملکرد چندان رضایت‌بخش نبود، زیرا سیستم به نویز سیگنال حساس بود. به منظور افزایش پایداری سیستم محلی‌سازی، رویکردهای بومی‌سازی فیلتر مبتنی بر بیزی در [ 20 ] پیشنهاد شد. با این حال، قابلیت ردیابی سیستم محلی سازی تحت تأثیر فیلتر قرار گرفت. یک سیستم محلی سازی مبتنی بر SVM که مشکل محلی سازی را به یک مسئله طبقه بندی تبدیل می کند در [ 21 ] پیشنهاد شد.]. با توسعه شبکه های عصبی (NN)، محققان از مدل های NN کم عمق برای محلی سازی استفاده کرده اند. با این حال، این مدل ها ساختارهای کم عمقی دارند و منجر به توانایی یادگیری محدود می شوند. بنابراین، نمی تواند مجموعه بزرگی از سیگنال های ارتعاشی عظیم را مدیریت کند و عملکرد محلی سازی خیلی خوب نیست [ 11 ]. افزایش قدرت محاسباتی کامپیوتر و کاربرد موفقیت آمیز یادگیری عمیق به محققان روش جدیدی برای بهبود عملکرد بومی سازی می دهد. یک مطالعه [ 22 ] کاربرد شبکه های عصبی کانولوشن را برای محلی سازی بررسی کرد. دیگری [ 11 ] از رمزگذار خودکار حذف نویز انباشته و DNN چهار لایه برای یادگیری ویژگی های قابل اعتماد استفاده کرد. به منظور افزایش بیشتر دقت محلی سازی، [ 23] اطلاعات وضعیت کانال (CSI) و یادگیری عمیق برای بومی سازی. SVM و DNN برای محلی سازی داخلی و خارجی استفاده شد [ 24 ]. با استفاده از شبکه عصبی کانولوشن، یک روش محلی سازی اثر انگشت بی سیم ترکیبی برای محلی سازی داخلی [ 25 ] پیشنهاد شد. با این حال، سخت افزار گران قیمت اضافی برای به دست آوردن اطلاعات CSI مورد نیاز است و حجم کاری پیش پردازش داده ها بسیار زیاد است. بنابراین، این رویکرد نامناسب و غیرعملی است [ 26 ].

این اثر در مقایسه با آثار دیگر سه تفاوت دارد. ابتدا، اندازه‌گیری‌های سیگنال جمع‌آوری‌شده برای محلی‌سازی به تصویر مقیاس خاکستری اثر انگشت تبدیل شد. دوم، الگوریتم CDPC یادگیری بدون نظارت ابتدا برای یافتن نقاط مرکزی MFS استفاده می‌شود و این MFS‌های انتخاب شده برای بهبود عملکرد محلی‌سازی مورد استفاده قرار می‌گیرند. سوم، در این کار، یک ساختار یادگیری عمیق سلسله مراتبی دو سطحی برای استخراج ویژگی‌های کلیدی از سیگنال‌های Wi-Fi و مغناطیسی عظیم و با نوسان گسترده استفاده می‌شود. علاوه بر این، یادگیری انتقال مبتنی بر MLP برای تنظیم دقیق بومی ساز درشت Resnet آموزش دیده برای به دست آوردن محلی ساز خوب معرفی شده است. علاوه بر این، سیستم محلی سازی ما به هیچ اطلاعات جهت گیری نیاز ندارد. بنابراین، هنگام بومی سازی، هیچ الزامات جهت گیری برای تلفن وجود ندارد. متفاوت از روش‌های محلی‌سازی فوق، در این مقاله، روش پیشنهادی ما به سخت‌افزار گران‌قیمت اضافی متکی نیست و وظیفه بومی‌سازی تنها توسط یک گوشی هوشمند قابل تحقق است. بنابراین، سیستم محلی سازی پیشنهادی ما جهانی و مقرون به صرفه است.

3. راه حل پیشنهادی

در این مقاله، ما یک محیط محلی سازی معمولی را با گوشی هوشمندی که اندازه گیری های RSSI و MFS را از AP های Wi-Fi و میدان های مغناطیسی اطراف دریافت می کند، در نظر گرفتیم. همانطور که در شکل 3 نشان داده شده است، هدف از محلی سازی یافتن مکان گوشی هوشمند از اندازه گیری سیگنال جمع آوری شده است. سیستم محلی سازی از شش ماژول کاربردی تشکیل شده است: جمع آوری داده، انتخاب داده، پیش پردازش داده، ساخت تصویر اثر انگشت، آموزش DNN و محلی سازی DNN. سنسورهای متعدد مجهز به تلفن های هوشمند امکان خواندن سیگنال های Wi-Fi و MFS را فراهم می کند. هدف از انتخاب داده ها استفاده از الگوریتم CDPC برای یافتن نقطه مرکزی MFS است و با ترکیب MFS انتخاب شده با Wi-Fi RSSI، می توان دقت محلی سازی را بهبود بخشید. اندازه‌گیری‌های سیگنال به تصاویر تبدیل شدند تا مجموعه داده‌های تصویر اثر انگشت را تشکیل دهند. علاوه بر این، اطلاعات محلی سازی شامل تصویر اثر انگشت و مکان آن است. هدف از پیش پردازش داده ها یافتن سیگنال هایی با قدرت بالا و سازگار ساختن آن برای تشکیل تصاویر اثر انگشت است. پس از ساخت پایگاه داده تصویر اثر انگشت، DNN پیشنهادی برای آموزش با آن استفاده شد. سپس، پایگاه داده پارامتر DNN مدل محلی سازی پیشنهادی را برای محلی سازی آنلاین ذخیره می کند. در فاز آنلاین، با استفاده از مدل DNN آموزش دیده، از تصویر اثر انگشت ساخته شده برای تطبیق با مجموعه داده های تصویر اثر انگشت برای تخمین مکان استفاده می شود. علاوه بر این، DNN مورد استفاده در این مقاله شامل آموزش انتقال مبتنی بر Resnet و MLP است. در بخش‌های بعدی، مراحل پیاده‌سازی و الگوریتم‌های مربوط به سیستم محلی‌سازی پیشنهادی را به تفصیل شرح خواهیم داد. پایگاه داده پارامتر DNN مدل محلی سازی پیشنهادی را برای محلی سازی آنلاین ذخیره می کند. در فاز آنلاین، با استفاده از مدل DNN آموزش دیده، از تصویر اثر انگشت ساخته شده برای تطبیق با مجموعه داده های تصویر اثر انگشت برای تخمین مکان استفاده می شود. علاوه بر این، DNN مورد استفاده در این مقاله شامل آموزش انتقال مبتنی بر Resnet و MLP است. در بخش‌های بعدی، مراحل پیاده‌سازی و الگوریتم‌های مربوط به سیستم محلی‌سازی پیشنهادی را به تفصیل شرح خواهیم داد. پایگاه داده پارامتر DNN مدل محلی سازی پیشنهادی را برای محلی سازی آنلاین ذخیره می کند. در فاز آنلاین، با استفاده از مدل DNN آموزش دیده، از تصویر اثر انگشت ساخته شده برای تطبیق با مجموعه داده های تصویر اثر انگشت برای تخمین مکان استفاده می شود. علاوه بر این، DNN مورد استفاده در این مقاله شامل آموزش انتقال مبتنی بر Resnet و MLP است. در بخش‌های بعدی، مراحل پیاده‌سازی و الگوریتم‌های مربوط به سیستم محلی‌سازی پیشنهادی را به تفصیل شرح خواهیم داد.

3.1. الگوریتم انتخاب داده پیشنهادی

برای اندازه‌گیری میدان مغناطیسی، الگوریتم CDPC یادگیری بدون نظارت برای انتخاب چندین نقطه مرکزی برای انعکاس بهتر توزیع MFS در هر RP استفاده می‌شود. ترکیب MFS انتخاب شده و Wi-Fi RSSI می تواند دقت سیستم محلی سازی را بهبود بخشد.

خوشه‌بندی با جستجوی سریع و یافتن پیک‌های چگالی نماینده یک الگوریتم خوشه‌بندی چگالی است. ایده اصلی الگوریتم DPC بر دو فرض استوار است: (1) مرکز خوشه توسط چند نقطه با چگالی کمتر احاطه شده است. و (2) این مراکز فاصله نسبتاً بیشتری با نقاط چگالی بالاتر دارند [ 27 ].

این دو فرض، معیارهای مراکز خوشه ای را ارائه می دهند و معیارهای آزمون را برای مراکز بالقوه خوشه ای ارائه می دهند. دو پارامتر مهم، چگالی

ρ

و فاصله نسبی

δ

، قابل محاسبه است.

یک مجموعه داده خوشه بندی است $X = {x 1, x 2, \dots, x n}$ ، جایی که $x i$ ، $1 \leq i \leq n$ بردار است با $m$ ویژگی های. $x i$ را می توان به صورت بیان کرد $x i = {x i 1, x i 2, \dots, x i m}$ و فاصله اقلیدسی $d (i, j)$ برای $x i$ و $x j$ را می توان به صورت زیر نشان داد:

د (i, j) = ∥ x i - x j ∥

(1)

پس از محاسبه فاصله اقلیدسی، الگوریتم DCP را می توان با روش زیر انجام داد.

چگالی محلی را تعریف کنید $ρ_{i}$ نقطه داده $i$

ρ من = \sum من χ (د من ج - د ج)

(2)

χ (x) = {10 x < 0 x \geq 0

(3)

د c = d ⌈ N د \times p ⌉

(4)

جایی که $d c$ فاصله قطع است و معمولاً براساس تجربه به عنوان پارامتر وارد شده به صورت دستی استفاده می شود.

فرض کنید N نقطه داده وجود دارد و فاصله بین هر نقطه است

N d = (\begin{array}{l} N \\ 2 \end{array})

. این فاصله ها به ترتیب صعودی مرتب شده اند.

موقعیت است

به این ترتیب، کجا

پارامتر درصد ورودی دستی است و

عملکرد سلولی است.

ایده از

کشف تعداد نقاطی در فضای داده است که کمتر از

از نقطه داده

فاصله نسبی سنتی : برای هر گره ، گره ای با چگالی بالاتر از را می توان یافت. فاصله بین گره ها را محاسبه کنید و ، و کوچکترین را تعریف کنید مانند . اگر گره پس بیشترین چگالی را دارد حداکثر فاصله از آن نقطه تا نقاط دیگر است.

(5)

در این مقاله، ما یک فاصله قابل مقایسه را برای بهبود فرضیه دوم DPC پیشنهاد می‌کنیم. الگوریتم DPC از نظر کمی مقایسه نمی کند . بنابراین، انتخاب یک متغیر جدید برای جایگزینی اندازه نسبی را در الگوریتم منعکس می کند. بر اساس شرایط فوق مبلغی که شبیه به به صورت زیر تعریف می شود:

(6)

جایی که نشان دهنده فاصله از نقطه است به منطقه کم تراکم که مقدار بسیار مناسبی برای مقایسه است .

با این فرضیه مشخص می شود که نقطه ای با چگالی بیشتر و فاصله نسبی بیشتر، نقطه مرکز خوشه است. از این رو، محاسبات پس از هر نقطه از چگالی محلی است

و فاصله نسبی

. شکل 4 نمودار تصمیم گیری برای آزمایش های ما را نشان می دهد.

برای یافتن چندین مقدار حداکثر محاسبه می شود. این مقادیر حداکثر به عنوان نقاط مرکزی استفاده می شود و توزیع کلی اندازه گیری مغناطیسی را منعکس می کند.

3.2. پیش پردازش داده ها

هدف از پیش پردازش داده ها یافتن سیگنال هایی با قدرت بالا و سازگار ساختن آنها با یک تصویر RGB است. به منظور از بین بردن اثر نامطلوب سیگنال‌های Wi-Fi ضعیف بر محلی‌سازی، هشت سیگنال Wi-Fi قوی‌تر را در هر RP انتخاب کردیم. در سیستم محلی سازی پیشنهادی ما، پایگاه داده اثر انگشت بر اساس تصویر ساخته شد. بنابراین، هدف از پیش پردازش داده ها تطبیق اندازه گیری سیگنال با یک تصویر بود. به طور کلی، یک تصویر RGB معمولی شامل سه ماتریس کانال است و مقادیر در ماتریس بین 0 تا 255 است. بنابراین، اندازه گیری Wi-Fi بر اساس

3.3. ساخت تصویر اثر انگشت

متفاوت از کارهای دیگری که از داده های سیگنال خام برای ساخت پایگاه داده اثر انگشت استفاده می کنند [ 13 ، 16 ]، این مقاله روش جدیدی را برای ساخت مجموعه داده های تصویر اثر انگشت پیشنهاد می کند. با در نظر گرفتن تأثیر طول های مختلف داده و مجموعه های AP بر دقت محلی سازی، ماژول ساخت تصویر اثر انگشت، در هر شبکه، تمام تصاویر اثر انگشت را در اندازه و مجموعه AP یکسان عادی می کند. این ماژول هم در مراحل تمرین و هم در مراحل تطبیق استفاده می شود. تفاوت این است که در مرحله آموزش، تصاویر اثر انگشت برچسب گذاری می شوند و باید برچسب را در مرحله تطبیق پیش بینی کرد.

متفاوت از روش سنتی پردازش داده های توالی، ما داده های جمع آوری شده را برای استخراج ویژگی به تصاویر اثر انگشت تبدیل کردیم. داده‌های حسگر جمع‌آوری‌شده شامل یک سری MFS، RSSI و چندین AP بود. به طور کلی، یک تصویر معمولی یک ماتریس سه کاناله است که به ترتیب دارای کانال های قرمز، سبز و آبی است. بنابراین، برای ساخت تصویر اثر انگشت، باید داده‌های جمع‌آوری‌شده را دوباره مرتب کنیم.

در سیستم محلی سازی پیشنهادی، تصویر اثرانگشت ساخته شده باید به همان اندازه استاندارد شود. تصویر اثر انگشت از یک قسمت مغناطیسی تشکیل شده است و یک بخش Wi-Fi RSSI . تصویر اثر انگشت را می توان به صورت زیر ساخت:

(7)

(8)

(9)

جایی که تعداد نقاط مرکزی انتخاب شده توسط الگوریتم CDPC است و برابر است با تعداد اندازه گیری های RSSI جمع آوری شده در هر RP. تعداد APهای شناسایی شده در مناطق محلی سازی است. بنابراین، MFS به صورت a ذخیره می شود بردار تصویر اثر انگشت Wi-Fi RSSI به صورت یک ذخیره می شود ماتریس در این صفحه، برای تشکیل ماتریس های کانال قرمز، سبز و آبی استفاده می شود. بنابراین، تصویر اثر انگشت را می توان ساخت. سپس، از همین روش برای تشکیل مجموعه داده های تصویر اثر انگشت استفاده می شود.

3.4. مقدمه DNN پیشنهادی

در این مقاله، DNN پیشنهادی حاوی یک بومی ساز درشت مبتنی بر Resnet و یک بومی ساز خوب مبتنی بر یادگیری انتقال است. DNN مورد استفاده در سیستم محلی سازی ما می تواند به طور خودکار ویژگی های سیگنال را یاد بگیرد و می تواند تفاوت بین ویژگی های اثر انگشت را در نقاط طبقه بندی مختلف تشخیص دهد. با این حال، مجموعه داده جمع آوری شده نسبتا کوچک است، که دقت محلی سازی را کاهش می دهد. بنابراین، با الهام از ایده یادگیری انتقالی، یک استراتژی آموزش سلسله مراتبی دو سطحی اتخاذ شده است. ابتدا Resnet برای آموزش با پایگاه داده تصویر اثر انگشت استفاده می شود و مدل محلی سازی را رزرو کردیم. سپس MLP بعد از Resnet اضافه می شود و از مدل جدید برای آموزش انتقال استفاده کردیم.

3.4.1. معرفی شبکه باقیمانده عمیق

الگوریتم DNN برای پیش‌بینی مکان‌های تجهیزات کاربر (UE) پیشنهاد شده است. از آنجایی که ما مکان‌ها را به برچسب تبدیل کردیم، نتایج پیش‌بینی‌شده شناسه‌های این برچسب‌ها بود. علاوه بر این، محلی‌سازی پیشنهادی از یک بومی‌ساز درشت مبتنی بر Resnet و یک بومی‌ساز خوب مبتنی بر یادگیری انتقال تشکیل شده است.

با توسعه یادگیری عمیق، محققان دریافته اند که با افزایش تعداد لایه های شبکه عصبی، توانایی یادگیری شبکه افزایش می یابد. با این حال، به دلیل مشکل بیش از حد برازش، توانایی تعمیم با عمیق‌تر شدن شبکه کاهش می‌یابد. این مشکل مدت هاست که محققان را به دردسر انداخته است. با تحقیقات بیشتر، [ 28 ] مدل باقیمانده عمیق را پیشنهاد کرد و با موفقیت توانایی یادگیری شبکه را بهبود بخشید. همانطور که در شکل 5 نشان داده شده است ، مدل باقیمانده با افزودن یک اتصال پرش ساخته شده است. یادگیری برای نقشه هدف

تبدیل می شود

، و یادگیری

راحت تر از

. با تجمع چندین ماژول باقیمانده، مشکل تخریب DNN را می توان به طور موثر کاهش داد و عملکرد را بهبود بخشید.

شکل 6 مدل Resnet پیشنهادی را نشان می دهد و از یک بلوک پایه 2، چهار بلوک پایه 2، سه بلوک پایه 3، یک لایه ادغام متوسط و یک لایه MLP تشکیل شده است. هر بلوک پایه یک ماژول باقیمانده است، و زمانی که بیش از حد برازش اتفاق می‌افتد، DNN برخی از بلوک‌های باقیمانده را رد می‌کند و به آموزش ادامه می‌دهد. در این مقاله از SELU به عنوان تابع فعال سازی استفاده شده است. علاوه بر این، از دست دادن آنتروپی متقاطع به عنوان تابع تلفات استفاده می شود

طبقه بندی. فرآیند محاسبه دقیق لایه های مختلف را می توان در [ 29 ] مشاهده کرد.

3.4.2. مقدمه آموزش انتقالی

یادگیری انتقالی محاسن زیادی دارد. همانطور که در شکل 7 نشان داده شده است ، یادگیری انتقالی شروع بالاتر، شیب بالاتر و مجانبی بالاتر دارد. بنابراین، برای به دست آوردن بهترین مدل بومی سازی در این مقاله، یک مدل بومی ساز درشت مبتنی بر Resnet و مدل بومی ساز ظریف مبتنی بر یادگیری انتقال برای به حداکثر رساندن دقت بومی سازی استفاده شد. این دو مدل بومی ساز نیاز به آموزش جداگانه دارند. به طور خاص، Resnet ابتدا برای آموزش با مجموعه داده های تصویر اثر انگشت استفاده می شود. پس از تکمیل فرآیند آموزش، مدل Resnet آموزش دیده را رزرو کردیم و MLP را بعد از Resnet برای آموزش انتقال اضافه کردیم. مدل یادگیری انتقال مبتنی بر MLP از اطلاعات قبلی از Resnet آموزش دیده استفاده کرد تا دقت محلی سازی را به حداکثر برساند.

همانطور که در شکل 8 نشان داده شده است ، در این مقاله، یادگیری انتقال مبتنی بر MLP برای تنظیم دقیق Resnet و افزایش بیشتر دقت محلی سازی استفاده می شود. ابتدا، Resnet برای آموزش با پایگاه داده تصویر اثر انگشت استفاده می شود. پس از اتمام مراحل آموزشی، مدلی از قبل آموزش دیده به نام coarse localizer به دست آوردیم. سپس مدل Resnet آموزش دیده را رزرو کردیم و بعد از آن MLP را اضافه کردیم. در نهایت، این مدل جدید ساخته شده برای آموزش بیشتر با پایگاه داده تصویر اثر انگشت استفاده شد. این مدل مبتنی بر یادگیری انتقالی به‌عنوان مدل محلی‌سازی نهایی به نام محلی‌ساز خوب استفاده شد.

4. نتایج تجربی

4.1. راه اندازی آزمایش ها

آزمایش ها در هر دو محیط داخلی و خارجی انجام شد که به صدها شبکه تقسیم شدند. شخصی راه می رفت و گوشی هوشمند مجهز به حسگرهای بی سیم را در دست داشت که می توانست MFS و RSSI را از محیط اطراف دریافت کند. در هر شبکه، یک سری از این اندازه‌گیری‌های سیگنال در چهار تا شش مکان برای مقابله با بی‌ثباتی سیگنال جمع‌آوری شد. علاوه بر این، این فرآیند پنج بار به فاصله پنج روز انجام شد. بنابراین، این اندازه گیری ها می توانند به طور کامل توزیع کلی سیگنال ها را منعکس کنند. در مرحله تطبیق، هدف یافتن مکان UE ها با مجموعه ای از داده های MFS و RSSI و مقایسه آن با مکان واقعی بود.

تعداد دوره های آموزشی به شدت بر عملکرد DNN تأثیر می گذارد. دوره های آموزشی بسیار کم، استخراج کامل ویژگی های مجموعه داده را برای مدل دشوار می کند. برعکس، دوره های آموزشی بیش از حد منجر به بیش از حد تناسب خواهد شد. به منظور حل این مشکل و به حداکثر رساندن دقت محلی سازی، مجموعه داده اثر انگشت به 60٪ مجموعه آموزشی، 20٪ مجموعه اعتبار سنجی و 20٪ مجموعه تست تقسیم شد. در هر دوره آموزشی، دقت محلی سازی جدیدی ایجاد خواهد شد. مدل DNN بهترین پارامترهای مدل دقت محلی سازی خود را ذخیره می کند. بنابراین مدل DNN به طور کامل آموزش داده خواهد شد و مدلی را با بهترین دقت بومی سازی به عنوان مدل نهایی انتخاب خواهیم کرد. برای افزایش بیشتر استحکام DNN پیشنهادی در این مقاله، چندین رویکرد افزایش داده اتخاذ شد. اولین، تصاویر اثر انگشت به 224*224 استاندارد شدند. دوم، بخش‌هایی از تصاویر اثر انگشت به اندازه 1.25 اندازه اصلی آن بزرگ‌تر شدند، یا راه دیگر چرخاندن تصادفی تصاویر اثر انگشت به میزان 15 درجه بود. علاوه بر این، مومنتوم به نرمال سازی دسته ای اضافه شد تا سرعت تمرین افزایش یابد.

شکل 9 الف پلان طبقه داخلی را برای محلی سازی نشان می دهد و منطقه مورد نظر به 96 شبکه با اندازه 2 متر مربع تقسیم شده است. تعداد کل APهای جمع آوری شده 87 بود. بنابراین، ساختار DNN پیشنهادی شامل 137 واحد ورودی و 96 واحد خروجی بود. شکل 9 ب محیط آزمایشی در فضای باز را نشان می دهد که در یک باغ اجتماعی انجام شده است. محوطه فضای باز به 54 شبکه با اندازه 3 متر مربع تقسیم شد. تعداد کل APهای جمع آوری شده 161 بود. سیستم محلی سازی بر روی رایانه شخصی Dell با کارت گرافیک RTX2060 پیاده سازی شد. این قابلیت پردازش داده قدرتمندی در مقایسه با پلتفرم های گوشی های هوشمند دارد. مدل‌های موقعیت‌یابی پیشنهادی، پیش‌پردازش داده‌ها و روش‌های افزایش داده در Matlab و Pytorch پیاده‌سازی شدند.

4.2. تأثیر MFS و میزان یادگیری

LR یک فراپارامتر حیاتی در یادگیری عمیق است. در طول فرآیند آموزش، LR مناسب به افزایش توانایی اتصال و بهبود سرعت آموزش DNN کمک می کند. برعکس، LR نامناسب باعث همگرایی شبکه به حداقل محلی می شود و توانایی یادگیری را تا حد زیادی کاهش می دهد. با این حال، همانطور که در شکل 10 نشان داده شده است ، انتخاب یک LR مناسب دشوار است. علاوه بر این، یک LR ثابت ممکن است باعث شود که شبکه بین کوچکترین نقطه به عقب و جلو نوسان کند [ 29 ]. برای حل این مشکل، LR نیاز به تنظیم پویا برای بهبود همگرایی شبکه دارد. بنابراین، در این مدل DNN طراحی شده، LR اولیه 0.001 تنظیم شد و پس از هر 35 دوره، LR را به صورت پویا به نصف اندازه اصلی آن تنظیم کردیم.

همانطور که در شکل 11 نشان داده شده است ، ما عملکرد بومی سازی بومی ساز پیشنهادی خود را با توجه به LR و MFS آزمایش کردیم. شکل 11 نشان می دهد که دقت محلی سازی زمانی به بالاترین حد خود رسید که برداشت LR 1 × ^{10-3 بود.}. این یک LR مناسب برای DNN برای همگرایی به حداقل جهانی است. همچنین می توان مشاهده کرد که MFS به طور موثر به بهبود عملکرد محلی سازی هم برای محلی ساز درشت و هم برای محلی ساز خوب کمک می کند. این احتمالاً به این دلیل است که MFS انتخاب شده ویژگی های محلی سازی را غنی کرده است. محلی ساز خوب با LR نامناسب بدتر از محلی ساز درشت عمل کرد. این ممکن است به این دلیل باشد که شبکه قبلاً در ابتدای آموزش در حداقل محلی بود و همگرایی مؤثر دشوار بود. با LR مناسب، بومی ساز دقیق مبتنی بر یادگیری انتقال می تواند به طور موثر از اطلاعات قبلی بومی ساز درشت از پیش آموزش دیده برای دستیابی به عملکرد محلی سازی بهتر استفاده کند.

4.3. تأثیر تعداد مختلف نورون ها و لایه های پنهان

تعداد نورون ها و لایه های پنهان به شدت بر DNN تأثیر می گذارد. بنابراین، ما تأثیر آنها را بر عملکرد بومی‌سازی مقایسه کردیم.

تعداد لایه های پنهان را نشان می دهد. شکل 12 نشان می دهد که با افزایش تعداد نورون ها، دقت محلی سازی ابتدا افزایش یافته و سپس کاهش می یابد. روند نزولی مشخص نبود. با این حال، این مورد در هنگام آزمایش با تعداد لایه های پنهان نبود. دقت محلی‌سازی زمانی که DNN عمیق‌تر می‌شود بدتر می‌شود، زیرا لایه‌های بیش از حد، انتشار گرادیان‌ها بین هر لایه پنهان را دشوار می‌کند. بهترین عملکرد محلی سازی با دو لایه MLP پنهان و 200 نورون در هر لایه پنهان به دست آمد.

4.4. تأثیر نرخ های مختلف ترک تحصیل

برای جلوگیری از مشکل overfitting، یک لایه dropout بین هر لایه MLP استفاده شد. در طول مرحله آموزش، لایه حذف به طور تصادفی نورون های ورودی را روی 0 قرار می دهد. به این ترتیب، می تواند تعداد ویژگی های میانی را کاهش دهد و در نتیجه افزونگی را کاهش دهد، یعنی متعامد بودن بین هر ویژگی را افزایش دهد. جدول 1 تأثیر نرخ های مختلف ترک تحصیل را بر عملکرد بومی سازی نشان می دهد. مشاهده می شود که دقت محلی سازی زمانی که نرخ ترک تحصیل 0.6 بود به اوج 97.1% رسید. با این حال، اگر MLP دارای یک لایه حذفی نبود، بهترین دقت محلی سازی 94.7٪ بود که کمتر از بهترین نتیجه است. این به این دلیل است که مشکل بیش از حد برازش رخ داده است. بنابراین، برای حل مشکل اضافه برازش، از یک لایه dropout استفاده شد.

4.5. تأثیر نرخ یادگیری پویا و روش های افزایش داده ها

به منظور افزایش بیشتر توانایی تعمیم مدل DNN. LR به صورت پویا تنظیم شد و چندین روش افزایش داده به کار گرفته شد. جدول 2 تأثیر روش های LR پویا و افزایش داده ها را بر دقت محلی سازی نشان می دهد. مشاهده می شود که این دو روش به طور قابل توجهی توانایی تعمیم DNN را بهبود می بخشد.

4.6. مقایسه با سایر الگوریتم ها

به منظور ارزیابی الگوریتم پیشنهادی با سایر الگوریتم‌ها، آزمایش‌های مختلفی انجام شد. شکل 13عملکرد بومی سازی الگوریتم پیشنهادی را با سایر الگوریتم های یادگیری موجود نشان می دهد. داده‌های Wi-Fi خام جمع‌آوری‌شده و MFS انتخاب‌شده برای ساخت اثر انگشت استفاده شد و به عنوان ورودی‌های GRNN، KNN، WKNN، SVM و MLP استفاده شد. شایان ذکر است که مجموعه داده تصویر اثر انگشت با اندازه گیری سیگنال خام جمع آوری شده ساخته شده است. سپس، این الگوریتم های یادگیری برای آزمایش های مقایسه ای مورد استفاده قرار گرفتند. هنگام استفاده از SVM چند کلاسه برای موقعیت یابی، هسته گاوسی به عنوان تابع هسته استفاده می شود، با مقیاس هسته روی sqrt(P)/4، که در آن P تعداد پیش بینی کننده ها است. برای GRNN، ما ضریب هموارسازی آن را روی 1 قرار دادیم. برای SVM، 80٪ از مجموعه داده برای آموزش و 20٪ باقی مانده برای پیش بینی استفاده شد. MLP شامل سه لایه پنهان است. الگوریتم CNN شامل یک لایه کانولوشن است، یک لایه عادی سازی دسته ای، یک تابع فعال سازی ReLU و دو لایه پیشخور. نتایج آزمایش نشان داد که بومی ساز پیشنهادی نسبت به سایر رویکردهای بومی سازی برتری دارد. این به این دلیل است که مدل‌های دیگر ساختار کم عمقی داشتند که منجر به توانایی یادگیری محدود می‌شد. محلی‌ساز پیشنهادی ساختار عمیقی داشت و می‌توانست برای استخراج ویژگی‌های قابل اعتماد از مجموعه بزرگی از نمونه‌های سیگنال در نوسان به خوبی عمل کند.

5. نتیجه گیری ها

در این مطالعه، ما یک رویکرد آموزش سلسله مراتبی دو سطحی را ارائه کرده‌ایم که شامل یک چارچوب یادگیری عمیق برای محلی‌سازی داخلی و خارجی با Wi-Fi و انگشت نگاری مغناطیسی است. با استفاده از یادگیری بدون نظارت، الگوریتم CDPC می تواند نقاط مرکزی MFS را برای ساخت پایگاه داده تصویر اثر انگشت با اندازه گیری های Wi-Fi انتخاب کند. سپس، Resnet برای آموزش با پایگاه داده تصویر اثر انگشت و دریافت محلی‌ساز درشت استفاده می‌شود. به منظور افزایش عملکرد بومی سازی، بومی ساز دقیق یادگیری انتقال مبتنی بر MLP برای اصلاح نتایج بومی سازی بر اساس دانش قبلی از بومی ساز درشت آموزش دیده استفاده می شود. ما سیستم محلی سازی پیشنهادی خود را در مناطق داخلی و خارجی ارزیابی کرده ایم. نتایج تجربی مختلف برتری سیستم محلی سازی ما را نشان داده اند.

منابع

ییو، اس. دشتی، م. کلاوسن، اچ. Perez-Cruz، F. بی‌سیم RSSI محلی‌سازی اثر انگشت. علامت. روند. 2016 ، 131 ، 235-244. [ Google Scholar ] [ CrossRef ]
Chowdhury, TS; الکین، سی. دوابهاکتونی، وی. روات، DB; Oluoch, J. پیشرفت در تکنیک های محلی سازی برای شبکه های حسگر بی سیم: یک بررسی. محاسبه کنید. شبکه 2016 ، 110 ، 284-305. [ Google Scholar ] [ CrossRef ]
Vo، QD; De, P. بررسی محلی سازی فضای باز مبتنی بر اثر انگشت. IEEE Commun. Surv. معلم خصوصی 2015 ، 18 ، 491-506. [ Google Scholar ] [ CrossRef ]
شائوچوان، دبلیو. یوزه، دبلیو. Wen, C. الگوریتم محلی‌سازی توزیع‌شده مبتنی بر شایعات AOA برای شبکه‌های حسگر بی‌سیم. در مجموعه مقالات سمپوزیوم بین المللی IEEE در مورد ابزار دقیق و اندازه گیری، تورنتو، ON، کانادا، 23 تا 24 دسامبر 2013. [ Google Scholar ]
شائو، دبلیو. لو، اچ. ژائو، اف. ممکن است.؛ ژائو، ز. Crivello، A. موقعیت یابی داخلی بر اساس اثر انگشت-تصویر و یادگیری عمیق. IEEE Access 2018 ، 6 ، 74699–74712. [ Google Scholar ] [ CrossRef ]
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 فناوری محاسبات و مدیریت اطلاعات (NCM و ICNIT)، سئول، کره، 24-26 آوریل 2012. جلد 2، ص 574–577. [ Google Scholar ]
لیو، دبلیو. فو، ایکس. دنگ، ز. خو، ال. Jiao, J. کوچکترین خوشه‌بندی اثر انگشت مبتنی بر دایره و الگوریتم تطبیق WKNN اصلاح‌شده برای موقعیت‌یابی داخلی. در مجموعه مقالات کنفرانس بین المللی 2016 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، آلکالا د هنارس، اسپانیا، 4 تا 7 اکتبر 2016؛ صص 1-6. [ Google Scholar ]
پی، ال. لیو، جی. گینس، آر. چن، ی. کوسنیمی، اچ. Chen, R. استفاده از تشخیص حرکت مبتنی بر LS-SVM برای موقعیت یابی بی سیم داخل گوشی هوشمند. Sensors 2012 , 12 , 6155-6175. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چن، کیو. Wang, B. FinCCM: جمع سپاری اثر انگشت، خوشه بندی و تطبیق برای محلی سازی زیرمنطقه داخلی. IEEE Wirel. اشتراک. Lett. 2015 ، 4 ، 677-680. [ Google Scholar ] [ CrossRef ]
de Sá، AO; نجا، ن. de Macedo Mourelle, L. توزیع کارآمد محلی سازی در سیستم های رباتیک ازدحام با استفاده از الگوریتم های هوش ازدحام. محاسبات عصبی 2016 ، 172 ، 322-336 . [ Google Scholar ] [ CrossRef ]
ژانگ، دبلیو. لیو، ک. ژانگ، دبلیو. ژانگ، ی. Gu, J. شبکه های عصبی عمیق برای محلی سازی بی سیم در محیط های داخلی و خارجی. محاسبات عصبی 2016 ، 194 ، 279-287. [ Google Scholar ] [ CrossRef ]
وانگ، آر. لی، ز. لو، اچ. ژائو، اف. شائو، دبلیو. Wang, Q. الگوریتم موقعیت‌یابی اثرانگشت Wi-Fi با استفاده از رمزگذار خودکار حذف نویز پشته‌ای و پرسپترون چند لایه. Remote Sens. 2019 , 11 , 1293. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیا، اس. لیو، ی. یوان، جی. زو، ام. Wang, Z. موقعیت یابی اثر انگشت داخلی بر اساس Wi-Fi: یک نمای کلی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 135. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
خو، اس. وانگ، ز. ژانگ، اچ. Ge, SS بومی سازی داخلی را بر اساس نشانگر قدرت سیگنال دریافتی و شبکه عصبی رگرسیون عمومی بهبود بخشید. حس ماتر. 2019 ، 31 ، 2043–2060. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، اس. نی، دبلیو. سانگ، سی کی; هدلی، ام. پیشرفت های اخیر در زمینه محلی سازی بی سیم مشارکتی و کاربرد آنها در محیط های انتشار ناهمگن. محاسبه کنید. شبکه 2018 ، 142 ، 253-271. [ Google Scholar ] [ CrossRef ]
ژانگ، اچ. ژانگ، ز. گائو، ن. شیائو، ی. منگ، ز. Li, Z. محلی سازی پوشیدنی مقرون به صرفه داخلی و تجزیه و تحلیل حرکت از طریق ادغام UWB و IMU. Sensors 2020 , 20 , 344. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
یونگ، SH; ماه، قبل از میلاد؛ Han, D. ارزیابی عملکرد روش‌های ساخت نقشه رادیویی برای سیستم‌های موقعیت‌یابی Wi-Fi. IEEE Trans. هوشمند ترانسپ سیستم 2016 ، 18 ، 880-889. [ Google Scholar ] [ CrossRef ]
کیم، بی. Kong, SH یک تکنیک جدید موقعیت یابی داخلی با استفاده از تفاوت اثر انگشت مغناطیسی. IEEE Trans. ساز. Meas. 2016 ، 65 ، 2035–2045. [ Google Scholar ] [ CrossRef ]
Tran، DA; گونگ، اس. Vo، Q. محلی سازی KNN مبتنی بر هندسی با استفاده از اطلاعات عدم تشابه حسگر. در مجموعه مقالات بیست و هشتمین سمپوزیوم بین‌المللی سالانه بین‌المللی ارتباطات رادیویی شخصی، داخلی و سیار (PIMRC) 2017 IEEE، مونترال، QC، کانادا، 8 تا 13 اکتبر 2017؛ صص 1-6. [ Google Scholar ]
ژانگ، اس. هان، آر. هوانگ، دبلیو. وانگ، اس. Hao, Q. سیستم‌های UWB ارزان قیمت مبتنی بر فیلتر بیزی خطی برای محلی‌سازی ربات موبایل داخلی. در مجموعه مقالات سنسورهای IEEE 2018، دهلی نو، هند، 28 تا 31 اکتبر 2018؛ صص 1-4. [ Google Scholar ]
کانگ، جی. پارک، YJ; لی، جی. وانگ، SH; Eom، DS جدید تشخیص نشت توسط مجموعه CNN-SVM و بومی سازی مبتنی بر نمودار در سیستم های توزیع آب. IEEE Trans. الکترون صنعتی 2017 ، 65 ، 4279-4289. [ Google Scholar ] [ CrossRef ]
چائو، YW; ویجایانراسیمهان، س. سیبولد، بی. دیوید، آر. دنگ، ج. Rahul، K. بازنگری در معماری سریعتر r-cnn برای محلی سازی عمل زمانی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 23 ژوئن 2018؛ صص 1130–1139. [ Google Scholar ]
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 ]
Adege، AB; لین، اچ پی؛ Tarekegn، GB; Munaye, YY; Yen, L. موقعیت یابی داخلی و خارجی با استفاده از ترکیبی از ماشین بردار پشتیبان و الگوریتم های شبکه عصبی عمیق. J. Sens. 2018 . [ Google Scholar ] [ CrossRef ]
لیو، ز. دای، بی. وان، ایکس. لی، ایکس. روش محلی‌سازی فضای داخلی اثر انگشت بی‌سیم ترکیبی بر اساس یک شبکه عصبی کانولوشنال. Sensors 2019 , 19 , 4597. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اوگونتالا، جی. عبد الحمید، ر. جونز، اس. نوراس، جی. پاتواری، م. رودریگز، جی. فناوری‌های شناسایی مکان داخلی برای برنامه‌های کاربردی مبتنی بر اینترنت اشیاء در زمان واقعی: یک نظرسنجی فراگیر. محاسبه کنید. علمی Rev. 2018 , 30 , 55–79. [ Google Scholar ] [ CrossRef ]
محمود، ر. ژانگ، جی. بی، آر. داوود، اچ. احمد، H. خوشه‌بندی با جستجوی سریع و یافتن پیک‌های چگالی از طریق انتشار گرما. محاسبات عصبی 2016 ، 208 ، 210-217. [ Google Scholar ] [ CrossRef ]
او، ک. ژانگ، ایکس. رن، اس. Sun, J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده آمریکا، 27 تا 30 ژوئن 2016. [ Google Scholar ]
دوست خوب، من. بنژیو، ی. کورویل، آ. یادگیری عمیق . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2016. [ Google Scholar ]

شکل 1. تصویر سیستم محلی سازی مبتنی بر اثر انگشت پیشنهادی.

شکل 2. تغییر نشانه های قدرت سیگنال دریافتی Wi-Fi (RSSI) از سه مکان مختلف در طول زمان.

شکل 3. ساختار سیستم محلی سازی پیشنهادی بر اساس شبکه عصبی عمیق (DNN) و یادگیری تصویر اثر انگشت. DNN حاوی Resnet و یادگیری انتقال مبتنی بر لایه درک چندگانه (MLP) است.

شکل 4. نمودار تصمیم گیری برای الگوریتم فاصله مقایسه پیشنهادی (CDPC).

شکل 5. ساختار Resnet.

شکل 6. ساختار بومی ساز درشت مبتنی بر Resnet پیشنهادی ما. ساختار باقیمانده عمیق، یادگیری ویژگی های قابل اعتماد را از مجموعه بزرگی از سیگنال های نوسانی ممکن می سازد.

شکل 7. محاسن یادگیری انتقالی.

شکل 8. ساختار بومی ساز دقیق مبتنی بر یادگیری انتقال پیشنهادی. پارامترهای Resnet آموزش دیده را ذخیره می کند و چندین MLP را برای یادگیری انتقال اضافه می کند.

شکل 9. پلان طبقه محل آزمایش. این دو منطقه محلی سازی به ده ها شبکه تقسیم می شوند. ( الف ، ب ) به ترتیب محل های تست داخلی و خارجی.

شکل 10. تاثیر نرخ یادگیری (LR) بر آموزش DNN.

شکل 11. دقت محلی سازی با توجه به LR و قدرت میدان مغناطیسی (MFS). ( الف ، ب ) عملکرد محلی سازی داخلی و خارجی به ترتیب.

شکل 12. دقت محلی سازی داخلی با توجه به تعداد نورون ها و

شکل 13. دقت محلی سازی برای الگوریتم های مختلف یادگیری. ( الف ، ب ) عملکرد محلی سازی داخلی و خارجی به ترتیب.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. کارهای مرتبط