خلاصه

تخمین مکان داخلی یک موضوع تحقیقاتی جالب را نشان می دهد زیرا یک متغیر زمینه ای اصلی برای خدمات پایگاه های مکان (LBS)، برنامه های کاربردی سلامت الکترونیک و سیستم های تجاری و غیره است. برای مثال، بیمارستان‌ها به داده‌های موقعیت مکانی کارکنان خود و همچنین موقعیت مکانی بیماران خود نیاز دارند تا خدماتی را بر اساس این مکان‌ها در لحظه‌های صحیح نیاز خود ارائه دهند. چندین روش برای مقابله با این مشکل با استفاده از انواع مختلف سیگنال های مصنوعی یا طبیعی (به عنوان مثال، وای فای، بلوتوث، rfid، صدا، حرکت، و غیره) پیشنهاد شده است. در این کار، توسعه یک سیستم برآورد مکان داخلی با تکیه بر داده های ارائه شده توسط میدان مغناطیسی اتاق ها پیشنهاد شده است که نشان داده شده است که منحصر به فرد و شبه ثابت است. به این منظور، این تکامل طیفی داده های میدان مغناطیسی را که به عنوان یک نقشه حرارتی دوبعدی مشاهده می شود، تجزیه و تحلیل می کند، و از وابستگی های زمانی اجتناب می کند. تبدیل فوریه به نقشه حرارتی دو بعدی داده‌های میدان مغناطیسی اعمال می‌شود تا یک شبکه عصبی کانولوشنال (CNN) را تغذیه کند تا مدلی برای تخمین موقعیت کاربر در یک ساختمان تولید کند. ارزیابی مدل CNN برای استقرار یک سیستم مکان داخلی (ILS) از طریق اندازه‌گیری منحنی مشخصه عملیاتی گیرنده (ROC) برای مشاهده رفتار از نظر حساسیت و ویژگی انجام می‌شود. آزمایش‌های ما به 0.99 ناحیه زیر منحنی (AUC) در مجموعه داده‌های آموزشی و 0.74 در مجموعه داده‌های کور کل دست می‌یابند. تبدیل فوریه به نقشه حرارتی دو بعدی داده‌های میدان مغناطیسی اعمال می‌شود تا یک شبکه عصبی کانولوشنال (CNN) را تغذیه کند تا مدلی برای تخمین موقعیت کاربر در یک ساختمان تولید کند. ارزیابی مدل CNN برای استقرار یک سیستم مکان داخلی (ILS) از طریق اندازه‌گیری منحنی مشخصه عملیاتی گیرنده (ROC) برای مشاهده رفتار از نظر حساسیت و ویژگی انجام می‌شود. آزمایش‌های ما به 0.99 ناحیه زیر منحنی (AUC) در مجموعه داده‌های آموزشی و 0.74 در مجموعه داده‌های کور کل دست می‌یابند. تبدیل فوریه به نقشه حرارتی دو بعدی داده‌های میدان مغناطیسی اعمال می‌شود تا یک شبکه عصبی کانولوشنال (CNN) را تغذیه کند تا مدلی برای تخمین موقعیت کاربر در یک ساختمان تولید کند. ارزیابی مدل CNN برای استقرار یک سیستم مکان داخلی (ILS) از طریق اندازه‌گیری منحنی مشخصه عملیاتی گیرنده (ROC) برای مشاهده رفتار از نظر حساسیت و ویژگی انجام می‌شود. آزمایش‌های ما به 0.99 ناحیه زیر منحنی (AUC) در مجموعه داده‌های آموزشی و 0.74 در مجموعه داده‌های کور کل دست می‌یابند. ارزیابی مدل CNN برای استقرار یک سیستم مکان داخلی (ILS) از طریق اندازه‌گیری منحنی مشخصه عملیاتی گیرنده (ROC) برای مشاهده رفتار از نظر حساسیت و ویژگی انجام می‌شود. آزمایش‌های ما به 0.99 ناحیه زیر منحنی (AUC) در مجموعه داده‌های آموزشی و 0.74 در مجموعه داده‌های کور کل دست می‌یابند. ارزیابی مدل CNN برای استقرار یک سیستم مکان داخلی (ILS) از طریق اندازه‌گیری منحنی مشخصه عملیاتی گیرنده (ROC) برای مشاهده رفتار از نظر حساسیت و ویژگی انجام می‌شود. آزمایش‌های ما به 0.99 ناحیه زیر منحنی (AUC) در مجموعه داده‌های آموزشی و 0.74 در مجموعه داده‌های کور کل دست می‌یابند.

کلید واژه ها:

موقعیت داخلی ؛ میدان مغناطیسی ؛ شبکه عصبی کانولوشنال

1. معرفی

تخمین مکان داخلی افراد (ILE) یکی از مهم ترین متغیرهای زمینه است، زیرا آنها داده های ضروری برای خدمات مبتنی بر مکان (LBS) هستند. این به ما امکان می‌دهد تا ویژگی‌های این خدمات را در بسیاری از زمینه‌ها افزایش دهیم، مانند، سلامت الکترونیک [ 1 ]، مراکز خرید [ 2 ]، برنامه‌های کاربردی خودرو [ 3 ] و موارد دیگر. در نتیجه، توسعه سیستم‌های مکان داخلی (ILS) یک موضوع تحقیقاتی جالب است که هر روز با پیشنهادات مختلف، با بهره‌گیری از در دسترس بودن دستگاه‌های تلفن همراه، مانند گوشی‌های هوشمند که می‌توانند سیگنال‌های طبیعی یا تولید شده زیادی را تشخیص دهند، بهبود می‌یابد [ 4 ].
با توجه به منابع تولید شده یا مصنوعی داده، رویکردهای کمی برای توسعه ILS ارائه شده است. برای مثال، چندین پیشنهاد وجود دارد که از انتشار سیگنال‌ها استفاده می‌کند، مانند بلوتوث، Zigbee، WiFi و شناسایی فرکانس رادیویی (RFID)، در میان دیگران [ 5 ، 6 ، 7 ، 8 ]. این پیشنهادات توانایی خود را در توسعه ILS دقیق و قوی، از طریق استفاده از حسگرها و دستگاه‌های متنوع، به اثبات رسانده‌اند که امکان توسعه سیستم‌های تجاری و معروف را فراهم می‌آورد، به عنوان مثال، LANDMARC [ 9 ]، Bluepos [ 10 ]، CLIPS [ 11 ]، برای ذکر برخی [ 12 ، 13]. با این وجود، استفاده از این رویکردها با توجه به نیاز به زیرساخت‌های خاصی که باید در ساختمان‌هایی که از ILS استفاده خواهد شد، پیچیده و پرهزینه است. علاوه بر این، پوشش این سیستم‌ها دارای محدودیت‌های متعددی از مواد زیرساختی، دیدگاه، انتشار سیگنال و غیره است که پوشش محدودی برای تخمین مکان کاربر می‌دهد.
رویکردهایی که از سیگنال های طبیعی استفاده می کنند، به عنوان مثال، نور، صدای محیطی، داده های میدان مغناطیسی و غیره، مشکل نصب زیرساخت اختصاصی برای تولید داده برای توسعه ILS و افزایش قابلیت پوشش مناطق وسیع را حل می کند. برای این منظور، بیشتر سیگنال‌های طبیعی را می‌توان با دستگاه‌های معمولی مانند گوشی‌های هوشمند حس کرد، زیرا این سیگنال‌ها نه تنها شامل حسگرهای میدان مغناطیسی می‌شوند، بلکه حسگرهای نزدیکی و شتاب را نیز شامل می‌شوند که به ما امکان می‌دهند داده‌های میدان مغناطیسی زمین را جمع‌آوری کنیم.
به عنوان مثال، مجید و همکاران. [ 14 ] یک روش مکان یابی داخلی با استفاده از لامپ های LED، که در آن مشارکت غیرفعال کاربر مورد نیاز نیست، پیشنهاد دهید. با این حال، چراغ های LED خاص هستند. گوان و همکاران [ 15 ] از ارتباطات نور مرئی و جایگاه خاص سیستم عامل روبات (ROS) برای توسعه ILS استفاده کنید. آنها استفاده از اصل دو لامپ را پیشنهاد می کنند و در نتایج خود خطای 1 سانتی متری را در زمان واقعی ارائه می دهند. با این حال، این یک کاربرد خاص از محلی سازی نور در موضوع ربات متحرک است.
یکی از رویکردهایی که از صدا برای توسعه یک سیستم موقعیت یابی داخلی استفاده می کند توسط چانگ و همکاران ارائه شده است. [ 16 ]. این تحقیق استفاده از یادگیری عمیق را برای مدل‌سازی رفتار صدا در یک ساختمان، پیش‌بینی مکان بر اساس صدای دریافتی، با ادعای 90 درصد دقت پیشنهاد می‌کند. یک سیستم تلفن همراه توسعه یافته برای استفاده با گوشی های هوشمند، به نام EchoTag، توسط Tung و همکاران پیشنهاد شده است. [ 17 ]. آنها ادعا می‌کنند که یکی از پیشرفت‌های عمده این است که برای تولید امضاهای صوتی یا اثر انگشت با بلندگوی تلفن، نیازی به پیش‌نصب زیرساخت‌ها نیست. میانگین 90 درصد دقت پس از یک هفته از جمع آوری اثر انگشت گزارش می شود.
با این حال، رویکردهای قبلی نیاز به سیگنال هایی دارند که به راحتی تحت تأثیر پدیده های خارجی قرار می گیرند. به عنوان مثال، نور حتی با چرخش زمین تغییر می کند، یا در مورد نور مصنوعی با لامپ یا LED، در صورت انجام هر گونه تعویض، تغییر می کند. در مورد صدای محیطی در یک محیط کنترل نشده، هر نوع نویز می تواند منجر به تخمین خطا شود، علاوه بر نویز یا افست که ممکن است توسط میکروفون اضافه شود. بنابراین، با توسعه و در دسترس بودن حسگرهای مغناطیسی در دستگاه‌های رایج، مانند گوشی‌های هوشمند، رویکردهایی که از سیگنال میدان مغناطیسی به عنوان منبع اطلاعات استفاده می‌کنند، پیشنهاد شده است [ 18 ، 19 ، 20 ] با توجه به اینکه سیگنالی قوی برای پدیده‌های طبیعی زمین است. چرخش و ترجمه [ 18].
ناهنجاری های میدان مغناطیسی را می توان برای توصیف مکان های خاص در داخل ساختمان استفاده کرد [ 21 ]، و رویکردهای جدید شامل استفاده از تکنیک های پیچیده یادگیری ماشین است. اشرف و همکاران [ 22 ] یک رویکرد تلفن هوشمند را با استفاده از یک مجموعه شبکه عصبی عمیق پیشنهاد می کند. یک معیار رای گیری نرم برای پیش بینی شبکه های عصبی چندگانه (NN) تعریف شده است که میانگین خطای آن 2.8 متر است. از این نظر، شبکه‌های عصبی کانولوشنال (CNN)، که معمولاً برای طبقه‌بندی تصاویر [ 23 ، 24 ، 25 ] استفاده می‌شوند، برای توسعه ILS پیشنهاد شده‌اند. الهمیانی و همکاران. [ 26] پیشنهاد استفاده از CNN برای توسعه ILS، با استفاده از گوشی هوشمند به عنوان حسگر و ماتریسی از نقاط داده مغناطیسی به عنوان ورودی CNN. آنها 317 نقطه مورد علاقه و 58374 نمونه جمع آوری شده را پیشنهاد می کنند و هر نقطه را با ماتریس 2 سطر در 3 ستون توصیف می کنند. با این حال، حداکثر خطای 40.76 متر گزارش شده است. همچنین رویکرد ارائه شده توسط اشرف و همکاران. [ 27 ] CNN ها را برای شناسایی طبقه ای که باید در آن بومی سازی انجام شود و سپس با رویکرد WiFi ترکیب شود تا به مکان مورد نظر دست یابد، اعمال کنید. با این حال، برای چندین برنامه، شناسایی یک مکان خاص، مانند کف، یا یک اتاق خاص برای ارائه خدمات داخلی کافی است.
بر اساس آنچه در بالا ذکر شد، این مطالعه استفاده از CNN را پیشنهاد می‌کند که برای داده‌های میدان مغناطیسی برای شناسایی اتاق‌های خاص اعمال می‌شود. برای این رویکرد، داده های میدان مغناطیسی به عنوان یک نقشه حرارتی دو بعدی از انرژی در نظر گرفته می شود که یک اتاق خاص را تشخیص می دهد. سپس، از این نقشه های حرارتی برای تغذیه یک CNN استفاده می شود که از دو لایه کانولوشن، یک لایه حداکثر استخر و دو لایه حذفی تشکیل شده است. هدف این سی‌ان‌ان طبقه‌بندی نقشه حرارتی به کلاس‌های ممکن مختلف، تخمین اینکه با کدام اتاق مطابقت دارد، برای کمک به توسعه رویکردهای جدید ILS با استفاده از یک سیگنال طبیعی است که نیازی به استقرار ندارد، علاوه بر این با استفاده از دستگاه‌های رایج، یعنی گوشی‌های هوشمند، با الگوریتمی که می‌توان آن را به راحتی ارتقا داد و در هر نوع ساختمانی پیاده‌سازی کرد.
سه هدف اصلی در این کار ارائه شده است، (1) دانستن اینکه آیا اطلاعات میدان مغناطیسی می تواند به عنوان یک منبع داده دو بعدی برای توسعه ILS و انواع دیگر کاربردها استفاده شود یا خیر. (2) برای بهبود رویکردهای مرتبط که CNN ها را با داده های میدان مغناطیسی به عنوان اولین گام پیاده سازی می کنند، با توجه به اینکه CNN ها را می توان با تغییر یا افزودن لایه های جدید معماری بهبود بخشید. در نهایت، دو جنبه مهم هر ILS عبارتند از: (الف) اینکه باید یک مدل تعمیم یافته باشد (یعنی مدلی مستقل از یک دستگاه یا کاربر خاص) و (ب) به راحتی در دستگاه های تلفن همراه پیاده سازی شود. بنابراین، (3) مهم است که نشان دهیم داده های مغناطیسی دارای اطلاعات کافی برای توسعه یک مدل CNN است که می تواند در دستگاه های تلفن همراه کپسوله و منتقل شود.
این مقاله به شرح زیر سازماندهی شده است. بخش 2 شرح مفصلی از مجموعه داده های میدان مغناطیسی مورد استفاده، و همچنین روش های به کار رفته برای توسعه ILS را ارائه می دهد. بخش 3 آزمایش های انجام شده با استفاده از تکامل طیفی داده های میدان مغناطیسی از چندین اتاق و نتایج به دست آمده را ارائه می دهد. در بخش 4 ، بحث و نتیجه گیری شرح داده شده و در نهایت، بخش 5 کار آینده را ارائه می دهد.

2. مواد و روشها

در این بخش، سنسورهای میدان مغناطیسی و داده‌هایی که هر یک از اتاق‌ها و مکان‌های ساختمان را توصیف می‌کنند، به تفصیل بیان می‌شوند. علاوه بر این، روش‌های مورد استفاده برای توسعه مدل تخمین مکان داخلی از طریق یک CNN ارائه شده‌اند.

2.1. سنسورهای میدان مغناطیسی

همانطور که در بخش قبل ذکر شد، LBS یکی از کاربردهای اصلی ILS است. بنابراین، برای ترویج کاربرد این نوع پیشنهادات، دستگاه‌های شناخته شده و رایجی برای حس کردن داده‌های میدان مغناطیسی، یعنی گوشی‌های هوشمند که به طور گسترده گسترش یافته و شامل حسگرهای میدان مغناطیسی، از جمله نور، مجاورت و شتاب هستند، پیشنهاد می‌شوند. . سه گوشی هوشمند با انواع حسگرها به عنوان ابزار جمع آوری برای جمع آوری داده ها در زمینه میدان مغناطیسی زمین مورد استفاده قرار گرفتند.
در بخش نرم‌افزاری، اپلیکیشنی برای جمع‌آوری داده‌های حسگر مغناطیسی این گوشی‌های هوشمند توسعه یافت. برای افزودن پیچیدگی و تنوع به داده ها، سه کاربر مختلف سنجش را انجام دادند. اولین کاربر سنجش میدان مغناطیسی را با استفاده از موتورولا G2 با سنسور مغناطیسی BOSH BMC150 انجام داد. کاربر دوم از یک Sony Xperia 7 با سنسور MPC d استفاده کرد و در نهایت آخرین کاربر سنجش را با یک گوشی هوشمند مدل Nexus 7 انجام داد. سنسورها بر اساس معیارهای کیفیت سنسور انتخاب شدند تا طیف گسترده ای از تلفن های هوشمند با کیفیت پایین تا بالا داشته باشند.

2.2. پیش پردازش داده ها

قرائت‌های میدان مغناطیسی اصلی از یک قرائت جداگانه برای هر محور دکارتی، یعنی x ، y و z و همچنین قرائت‌های غیرعادی به دلیل تغییرات ناگهانی در میدان مغناطیسی یا خوانش‌های اشتباه حسگر تشکیل شده‌اند. بنابراین، برای به دست آوردن داده های مرتب نیاز به یک پیش پردازش است. وظایف مربوط به پیش پردازش در زیر شرح داده شده است:

2.2.1. بزرگی داده های میدان مغناطیسی

داده‌های میدان مغناطیسی خام، که توسط سه مؤلفه در میکرو تسلا، که در بالا توضیح داده شد، تشکیل شده‌اند، با استفاده از معادله ( 1 ) برای به دست آوردن بزرگی چنین داده‌هایی پردازش می‌شوند.

|م|=مایکس2+مy2+مz2
به دست آوردن بزرگی داده های میدان مغناطیسی این امکان را فراهم می کند که از محدود کردن موقعیت گوشی هوشمند و خوانش به دست آمده توسط سنسور برای هر یک از محورها (یعنی موقعیت صفحه نمایش نسبت به دست) جلوگیری شود.
2.2.2. عادی سازی

برای جلوگیری از مقیاس بندی فضایی احتمالی به دلیل سنسورهای مختلف مورد استفاده، یک نرمال سازی Z برای هر یک از خوانش های میدان مغناطیسی که شامل امضای مغناطیسی هستند، با استفاده از معادله ( 2 ) اعمال می شود.zمن،دبه خواندن عادی اشاره دارد، rمن،داشاره به منتیساعتمشاهده امضا در بعد d ، μدمقدار میانگین امضا برای بعد d و استσدانحراف استاندارد امضا برای بعد d است.

∀من∈متر:zمن،د=rمن،د-μدσد
معادله ( 2 ) برای تمام ابعاد در استفاده شد آرد.
2.2.3. گروه بندی انرژی
به عنوان آخرین مرحله، یک فرآیند گروه بندی انرژی انجام شد که در آن تبدیل فوریه سریع (FFT) اعمال شد.

FFT را می توان به عنوان یک روش ساده تر و کارآمد برای محاسبه تبدیل فوریه گسسته (DFT) توصیف کرد، که به ما امکان می دهد سیستم های خطی را مشخص کنیم و اجزای فرکانس یک شکل موج نمونه برداری شده را شناسایی کنیم [ 28 ]. بنابراین، برای محاسبه DFT یک آرایه با یک الگوریتم سریع یا FFT، می توان از معادله ( 3 ) استفاده کرد.

y[ساعت]=∑ک=1nz[ک]هایکسپ(-2πمن(ک-1)(ساعت-1)/n)

جایی که z[ک]نشان دهنده بردار مقادیر برای تبدیل، ساعت=1،…،nکه در آن n طول y است، هایکسپ(-2πمن(ک-1)(ساعت-1)/n)یک ریشه n ام ابتدایی از 1 است و مقدار بازگشتی DFT تک متغیره نرمال شده از دنباله مقادیر z [ 29 ] است.

معادله ( 3 ) در اجرا شد آرد.
هنگامی که امضاهای مغناطیسی اولیه در اتاق‌ها جمع‌آوری شد و در یک مجموعه داده ایجاد شده در طول جمع‌آوری امضا ذخیره شد، استخراج و انتخاب ویژگی انجام شد تا مدل طبقه‌بندی اولیه به دست آید که به ما امکان می‌دهد موقعیت مکانی کاربران را تخمین بزنیم.

2.3. توضیحات مجموعه داده

مجموعه داده های امضای میدان مغناطیسی زمین از داده های 11 اتاق تشکیل شده است. هر یک از امضاها نشان دهنده 1000 نقطه است که بزرگی خوانش های هر اتاق را توصیف می کند، جمع آوری شده از ساختمان مدرسه نشان داده شده در شکل 1 ، در وب سایت گروه تحقیقاتی موجود است (مجموعه داده ها را می توان به صورت عمومی در https://ingsoftware.reduaz مشاهده کرد. mx/amidami ). این اتاق‌ها (کلاس‌های درس، حمام، راهروها و دفاتر) به دلیل عوامل متعددی که آنها را برای این مطالعه جالب می‌کند انتخاب شدند. محل قرارگیری آنها، مصالح ساختمانی، مدارهای الکتریکی و برخی از دیوارها بین اتاق ها مشترک است و فضاهای مشترکی را ایجاد می کند که خوانش های مشابهی را بین دو اتاق اضافه می کند و به توسعه پیچیدگی می بخشد.

برای اطمینان از اعتبار آماری، حداقل تعداد امضاهای میدان مغناطیسی برای هر اتاق با استفاده از رابطه ( 4 )، همانطور که توسط Galvan-Tejada و همکاران پیشنهاد شده است، تعیین شد. [ 18 ]. در این معادله، نتیجه ای که با x نشان داده می شود، تعداد امضاها برای توسعه مدل است، N تعداد متغیرهای مورد استفاده برای آزمایش است. در این کار، N برابر با 33000 در نظر گرفته شده است (11 اتاق ضرب در 1000 نقطه داده میدان مغناطیسی منحصر به فرد، ضرب در سه سنسور مغناطیسی مختلف هر کدام). به معنای حداقل 16 امضا در هر اتاق.

ایکس=لog2(ن)+1
در جدول 1 اتاق های انتخاب شده و همچنین تعداد اثر انگشت هر کدام ارائه شده است. می توان مشاهده کرد که حداقل تعداد اثر انگشت میدان مغناطیسی 36 عدد از یک کلاس درس و یک راهرو است. بنابراین تعداد 36 اثر انگشت مورد استفاده برای آموزش و آزمایش CNN انتخاب شد.

2.4. شبکه عصبی کانولوشنال

CNN نوع خاصی از شبکه عصبی مصنوعی (ANN) برای نمایش دقیق داده های آموخته شده است. آنها با داشتن حداکثر پنج لایه پایه، از جمله یک لایه ورودی، یک لایه عصبی کانولوشن، یک لایه ترکیبی، یک لایه کاملا متصل و یک لایه خروجی مشخص می شوند. همچنین، CNN ویژگی مهم استخراج ویژگی‌های انتزاعی را به طور مستقیم از داده‌های ورودی، دستیابی به مشارکت‌های مهم، عمدتاً در زمینه‌های مختلف کامپیوتری، مانند طبقه‌بندی، تشخیص و تقسیم‌بندی داده‌ها، ارائه می‌کند [ 30 ].
این روش مانند سایر روش های مشابه از یک فرآیند دو مرحله ای استفاده می کند: مرحله یادگیری ویژگی و مرحله طبقه بندی. هر مرحله از یک یا چند لایه تشکیل شده است و مرحله یادگیری ویژگی با ترکیب دو نوع لایه که معمولاً لایه‌های کانولوشن و لایه‌های ادغام هستند، اجرا می‌شود. در این مرحله مهم ترین ویژگی ها از زیر مجموعه آموزشی داده ها استخراج می شود. سپس، این ویژگی ها به یک لایه ANN کاملا متصل ارائه می شود.

یک معماری سنتی ANN از لایه های N ، با یک بردار ورودی ایکس0، یک بردار خروجی تولید می کند ایکسn=f(دبلیوnایکسn-1+بn)، جایی که ایکسn-1بردار ورودی به است nتیساعتلایه. برای دستیابی به حداقل خطا بین خروجی مطلوب و واقعی، مجموعه ای بهینه از بردارهای وزنی، دبلیوnو بردارهای سوگیری، بn، مطابق معادلات ( 5 ) و ( 6 ) محاسبه می شود.

دبلیوn=دبلیوn-η∂ه(ایکسn،ایکسدهسمنrهد)∂دبلیوn
بn=بn-η∂ه(ایکسn،ایکسدهسمنrهد)∂بn
بنابراین، اولین لایه یک CNN، همانطور که در بالا ذکر شد، معمولا از یک لایه کانولوشن تشکیل شده است که از مجموعه ای از فیلتر برای لغزش روی داده های ورودی استفاده می کند. نتایج به‌دست‌آمده از هر زیرمجموعه به یک نقطه منفرد نگاشت می‌شوند و این فرآیند برای کل مجموعه داده‌ها تکرار می‌شود. سپس، این خروجی به یک لایه ادغام ارائه می شود. هدف از لایه ادغام این است که محاسبات به دست آمده از لایه کانولوشن را از طریق کاهش اندازه آن آسان تر کند و CNN را ثابت تر کند. برای رسیدن به این هدف، از یک لایه کانولوشن با اندازه هسته برابر با اندازه جمع و گام بزرگ استفاده می شود.

در نظر گرفتن یک نقشه ویژگی، f ، از یک لایه کانولوشن به اندازه w∗ساعت∗n، که در آن w و h به ترتیب نشان دهنده عرض و ارتفاع و n تعداد فیلترهای استفاده شده در لایه کانولوشن هستند. ادغام نقشه ویژگی، f ، با اندازه ادغام k و گام r یک آرایه سه بعدی، S را می دهد که در معادله ( 7 ) نشان داده شده است.

اسمن،j،تو(f)=(∑ساعت=-|ک/2||ک/2|∑w=-|ک/2||ک/2||fg(ساعت،w،من،j،تو)|1پ)

جایی که p به ترتیب p -norm و اشاره داردپ→∞حداکثر عملیات ادغام را نشان می دهد. g(ساعت،w،من،j،تو)=(r·من+ساعت،r·j+w،تو)یک تابع نگاشت از موقعیت های S تا f را نشان می دهد. سپس در معادله ( 8 )، محاسبه ای برای همبستگی لایه کانولوشن و لایه ادغام ارائه شده است.

سیمن،j،o(f)=σ(∑ساعت=-|ک/2||ک/2|∑w=-|ک/2||ک/2|∑تو=1نθساعت،دبلیو،تو،o·fg(ساعت،دبلیو،من،j،تو))

جایی که θبه وزن هسته اشاره دارد، σ(·)به تابع فعال سازی واحد خطی اصلاح شده اشاره می کند (σ(ایکس)=مترآایکس(0،ایکس))، و o∈ن، N تعداد کانال های خروجی است [ 31 ، 32 ].

آموزش مدل

برای آموزش مدل، پارامترهای مورد استفاده و معماری CNN ایجاد شده در شکل 2 در زیر توضیح داده شده است.
در ابتدا، دو لایه کانولوشن (2 بعدی) گنجانده شده است که در تعداد فیلترهای استفاده شده در هر کدام متفاوت است که به ترتیب 32 و 64 است. همچنین، هر دو لایه از اندازه هسته 3 × 3 و به عنوان تابع فعال سازی، یکسو کننده واحد خطی (ReLU) استفاده کردند. سپس، یک لایه ادغام حداکثر با اندازه 2 × 2 گنجانده شده است. یک لایه حذفی با نرخ 0.25 گنجانده شده است. این لایه به طور احتمالی 25 درصد از ورودی‌های لایه بعدی را حذف می‌کند، تعداد زیادی شبکه با ساختار متفاوت شبیه‌سازی می‌شود، گره‌ها را نسبت به ورودی‌ها قوی‌تر می‌کند و خطر بیش از حد برازش را کاهش می‌دهد. یک لایه مسطح نیز اضافه می‌شود تا داده‌ها را به یک بردار 4 بعدی مرتب کند تا روی لایه متراکم بعدی اعمال شود. در این لایه 128 واحد ارائه شده است و به عنوان یک قانون فعال سازی از ReLU استفاده می کند. دومین لایه حذفی با نرخ 0 اضافه می شود. 5 (50 درصد ورودی ها حذف می شوند). در نهایت، دومین لایه متراکم اضافه می شود که 11 واحد و به عنوان تابع فعال سازی، Softmax را ارائه می دهد.

تابع فعال سازی، ReLU، یک تابع غیر سیگموئیدی را نشان می دهد که با معادله ( 9 ) تعریف شده است، که در آن x به مقدار مثبت به دست آمده اشاره دارد [ 33 ].

σ(ایکس)=مترآایکس(0،ایکس)=(ایکس)+

از سوی دیگر، هدف تابع فعال‌سازی Softmax تبدیل اعداد با نام لاجیت به احتمالاتی است که مجموع آن‌ها به یک می‌رسد، و به عنوان خروجی یک بردار نشان دهنده توزیع‌های احتمال فهرستی از نتایج بالقوه است. با معادله ( 10 ) محاسبه می شود، که در آن z یک بردار دلخواه با مقادیر واقعی است zjj = 1، …، n ، و n اندازه بردار است [ 34 ].

fj(z)=هzj∑ک=1nهzک

2.5. اعتبار سنجی مدل

علاوه بر فرآیند خود ارزیابی، از نظر دقت و عملکرد تلفات، که برای ارزیابی عملکرد CNN برای طبقه‌بندی نقشه‌های حرارتی از اتاق‌ها انجام می‌شود، یک رویکرد تست کور پیشنهاد شده است. بنابراین، درصدی از مشاهدات برای آموزش CNN و مکمل برای آزمایش عملکرد مدل آموزش‌دیده با داده‌هایی استفاده می‌شود که مدل هرگز ندیده است.

برای تابع از دست دادن، آنتروپی متقاطع طبقه بندی شده است. این تابع برای داده های دسته بندی استفاده می شود، جایی که برای n کلاس، هدف برای هر نمونه یک بردار n بعدی است که در آن همه مقادیر صفر هستند، به جز شاخص مربوط به کلاس نمونه، که در آن مقدار یک است. سپس، هرچه خروجی های مدل به بردار با مقدار یک نزدیکتر باشد، ضرر کمتر می شود. بنابراین، این تابع توزیع پیش‌بینی‌ها را که به صورت q در معادله ( 11 ) نشان داده شده است، با توزیع واقعی که به صورت q نشان داده شده است، مقایسه می‌کند، که در آن احتمال کلاس واقعی روی یک تنظیم می‌شود در حالی که برای بقیه کلاس‌ها روی صفر

اچ(پ،q)=-∑ایکسپ(ایکس)لogq(ایکس)
از سوی دیگر، برای اندازه‌گیری عملکرد مدل، مساحت‌های زیر منحنی (AUC) که مساحت زیر منحنی ROC محاسبه می‌شود، به عنوان متریک انتخاب می‌شود تا از نظر حساسیت و ویژگی ارزیابی شود. این معیار به ما اجازه می‌دهد تا رفتار مدل شناسایی مثبت‌های واقعی (TP) را مشاهده کنیم، که مشاهداتی هستند که در واقع به عنوان اتاق صحیحی که متعلق به آن است طبقه‌بندی می‌شوند، و مثبت‌های کاذب (FP)، که مشاهداتی هستند که به اتاق دیگری تعلق دارند اما در اتاق ارزیابی شده فعلی طبقه بندی می شوند. بنابراین، AUC عملکرد کلی CNN را برای طبقه بندی اتاق ها توضیح می دهد.

3. آزمایش ها و نتایج

در این قسمت آزمایشات انجام شده و نتایج به دست آمده ارائه شده است.
در ابتدا، مجموعه داده شامل 396 امضای مغناطیسی خام اتاق ها، 36 مورد برای هر یک از اتاق های انتخاب شده است که در شکل 3 با رنگ قرمز نشان داده شده است، جایی که می توان مشاهده کرد که آنها 40٪ از کل مساحت ساختمان را پوشش می دهند. همانطور که در بخش قبل ذکر شد، این اتاق ها با توجه به چندین ویژگی، عمدتاً موقعیت مکانی انتخاب شدند. با این وجود، مصالح ساختمانی و شرایط آب و هوایی از دیگر ویژگی‌های مهمی هستند که می‌توانند در توسعه در نظر گرفته شوند، همانطور که در مطالعات دیگر ارائه شده است [ 19 ، 21 ، 35 ].
پس از انتخاب اثر انگشت، اندازه برای هر اثر انگشت محاسبه می شود تا 1000 نقطه داده منحصر به فرد به دست آید و FFT برای هر یک اعمال می شود. متعاقباً، بردار داده‌های یک بعدی به‌دست‌آمده تغییر شکل می‌دهد و هر اثر انگشت تک بعدی را به یک نقشه حرارتی دو بعدی تبدیل می‌کند، همانطور که در شکل 4 نشان داده شده است. این مرحله به گونه ای انجام می شود که داده ها در فرمت مناسب برای ارسال به CNN باشد.
توزیع انرژی محاسبه شده در هر اتاق در شکل 5 ارائه شده است ، که در آن می توان پراکندگی و تقارن داده ها را مشاهده کرد و می توان تشخیص داد که هر اتاق رفتار منحصر به فردی دارد و موارد زیر را برجسته می کند:
  • به طور کلی، جعبه هایی که نشان دهنده اندازه گیری انرژی هستند، تقارن را نشان نمی دهند س2در مرکز نیست
  • جعبه ها تفاوت بین ربعی مشابهی را نشان می دهند که با داشتن اندازه گیری های مشابه بین اتاق ها، همانطور که در بخش 2.3 ذکر شد، به توسعه پیچیدگی می بخشد.
  • میانگین اندازه‌گیری‌ها برای مناطق بین اتاق‌ها مشابه نیست.
  • هیچ نقطه پرت وجود ندارد، که ثبات و قابلیت اطمینان در اندازه گیری ها را نشان می دهد.
در مرحله بعد، آموزش مدل پیشنهادی توسعه می‌یابد. برای اجرای CNN، از کتابخانه یادگیری عمیق پایتون، Keras [ 36 ] استفاده می شود.
توسعه مدل به دو مرحله آموزش و آزمایش تقسیم می شود. برای آموزش، CNN 70 درصد از داده ها را متعادل می کند، یعنی 11 اثر انگشت در هر اتاق و در بیش از 500 دوره انجام می شود. عملکرد این مرحله در شکل 6 نشان داده شده است که در نمودار بالا رفتار تابع ضرر و در نمودار پایین رفتار دقت مشاهده می شود که در طول 500 دوره افزایش می یابد و به 0.99 می رسد.
برای اعتبارسنجی مدل CNN، 30٪ داده باقیمانده برای یک آزمایش کور استفاده می شود، یعنی پنج اثر انگشت در هر اتاق. سپس منحنی ROC این مرحله محاسبه می شود، همانطور که در شکل 7 نشان داده شده است ، برای مشاهده رفتار از نظر حساسیت و ویژگی، ارزیابی مثبت و منفی واقعی، به دست آوردن AUC 0.746.

4. بحث و نتیجه گیری

در این کار اجرای یک CNN برای طبقه بندی اثر انگشت مغناطیسی مکان داخلی برای تخمین مکان ارائه شده است. این رویکرد از نقاط داده میدان مغناطیسی خطی استفاده می کند که به عنوان یک نقشه حرارتی دو بعدی مشاهده می شود تا با رویکرد CNN طبقه بندی شود. نتایج ارائه شده در بخش 3 به ما امکان می دهد تا جنبه های زیر را شناسایی کنیم:
  • اثرانگشت میدان مغناطیسی را می‌توان به‌عنوان داده‌های دوبعدی مشاهده کرد: حتی زمانی که داده‌های میدان مغناطیسی به‌عنوان یک نقطه داده منحصربه‌فرد در نظر گرفته می‌شوند، مجموعه‌ای از نقاط یک اتاق را می‌توان به‌عنوان یک نقشه حرارتی داده دو بعدی در نظر گرفت که به ما امکان می‌دهد یک ILS با تکنیک های دو بعدی در این پیشنهاد، این نمایش های دو بعدی به عنوان یک تکامل طیفی پس از اعمال یک FFT، همانطور که در بخش نتایج ارائه شده است، مشاهده می شود، به این معنی که اطلاعات طیفی و خواص آنها به دلیل موارد فوق وجود دارد، به این معنی است که اثر انگشت جزئی به اندازه کافی وجود دارد. اطلاعاتی که می تواند اتاق را شناسایی کند.
  • CNN را می توان برای کار با داده های مغناطیسی استفاده کرد:در حال حاضر CNN به طور گسترده ای برای توسعه مدل های طبقه بندی در زمینه پردازش تصویر استفاده شده است. با این حال، برنامه ارائه شده در این کار، با داده های میدان مغناطیسی که به عنوان یک نقشه حرارتی دو بعدی دیده می شود، نشان داده شده است که پتانسیل استفاده از آن را به عنوان ورودی برای آموزش CNN به منظور توسعه ILS دارد. با توجه به نتایج به‌دست‌آمده، طبقه‌بندی مکان‌های داخلی بر اساس مدل‌سازی داده‌های میدان مغناطیسی به ما امکان می‌دهد تا دقت آماری معنی‌داری را به دست آوریم. با این حال، CNN را می‌توان به روش‌های مختلفی بهبود بخشید، به عنوان مثال، تغییر عملکرد تلفات می‌تواند منجر به ارتقای عملکرد CNN برای این سناریوی خاص شود، همچنین یک NN عمیق‌تر می‌تواند AUC را برای ساختمان‌های پیچیده افزایش دهد. با این اوصاف،
  • داده های میدان مغناطیسی اطلاعات کافی برای ایجاد یک ILS ارائه می دهند: چندین رویکرد شامل میدان مغناطیسی به عنوان منبع داده دوم برای تکمیل نوع دیگری از سیگنال است. با این حال، میدان مغناطیسی که به عنوان یک منبع داده دو بعدی در نظر گرفته می شود، اطلاعات کافی برای ایجاد یک ILS دارد و تقریباً 75٪ AUC را به دست می آورد. با این وجود، کاهش AUC در مجموعه کور می تواند منعکس کننده یک مشکل بیش از حد برازش باشد که باید مطالعه شود.
  • شبکه‌های عمیق‌تر و آموزش طولانی‌تر تناسب CNN را بهبود می‌بخشد: دقت CNN در طول 500 دوره پیشنهادی در این کار افزایش می‌یابد، به این معنی که ILS بهتر با کاهش معیار تلفات تکمیل می‌شود.
یک نکته جالب از این تحقیق این است که میدان مغناطیسی را می توان به عنوان یک سیگنال دو بعدی مشاهده کرد که امکان مطالعه این سیگنال را با تکنیک های پردازش تصویر دیجیتال، مانند CNN ها که عمدتاً برای طبقه بندی تصاویر استفاده می شوند، می دهد.
با این وجود، حتی زمانی که AUC آزمون کور تقریباً 0.75 باشد، بسیار کمتر از 0.99 است که با مجموعه آموزشی به دست آمده است، به این معنی که معماری را می توان برای نشان دادن نتایج بهتر در آزمون کور، به عنوان مثال، افزایش تعداد تغییر داد. از لایه ها یا از سوی دیگر افزایش تعداد دوره ها. با این حال، هر دو گزینه می تواند منجر به یک مشکل بیش از حد برازش شود، بنابراین باید آن را تجزیه و تحلیل کرد.

5. کار آینده

میدان مغناطیسی نشان می دهد که می توان از آن برای توسعه ILS بر اساس رویکرد CNN استفاده کرد. با این حال ذکر این نکته حائز اهمیت است که چندین مشکل و بهبود وجود دارد که می‌توان انجام داد. بنابراین، به عنوان کار آینده، تجزیه و تحلیل انواع دیگر معماری‌ها برای افزایش تناسب در آزمون کور بدون به خطر انداختن برازش بیش از حدی که ممکن است ظاهر شود، و همچنین آزمایش یک آموزش طولانی‌تر برای تنظیم وزن شبکه عصبی پیشنهاد می‌شود. همچنین می توان مدل را در سناریوهای مختلف با پیکربندی های متغیر (اندازه و توزیع فضاها، مصالح دیوار و …) ارزیابی کرد تا رفتار نتایج به دست آمده را تجسم کرد. علاوه بر این، افزایش مجموعه داده ها به ما اجازه می دهد تا از یادگیری انتقال به عنوان رویکرد دیگری برای ارزیابی عملکرد CNN استفاده کنیم.
در نهایت، CNN توسعه‌یافته از طریق توسعه یک برنامه تلفن همراه برای رایج‌ترین سیستم‌های عامل، مانند اندروید و iOS، در دستگاه‌های تلفن همراه پیاده‌سازی خواهد شد.

منابع

  1. گرونروس، اس. پلتونن، LM; سولوویف، وی. لیلیوس، جی. Salanterä، S. سیستم موقعیت یابی داخلی برای تجزیه و تحلیل مسیر حرکت در موسسات مراقبت های بهداشتی. فین. J. eHealth eWelf. 2017 ، 9 ، 112-120. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. لیو، ی. چنگ، دی. پی، تی. شو، اچ. Ge، X. ما، تی. دو، ی. او، ی. وانگ، ام. Xu, L. استنباط جنسیت و سن مشتریان در مراکز خرید از طریق داده های موقعیت یابی داخلی. در محیط و برنامه ریزی ب: تحلیل شهری و علوم شهر ; انتشارات سیج: لندن، انگلستان، 2019; پ. 2399808319841910. [ Google Scholar ]
  3. یونسکو، ال. بلو، ن. راچیرو، ن. Mazăre، A. Anghel, D. نظارت بر فرآیندهای تولید در صنعت خودرو با استفاده از سیستم مکان یابی داخلی. در سری کنفرانس های IOP: علم و مهندسی مواد ; انتشارات IOP: بریستول، انگلستان، 2016; جلد 145، ص. 022020. [ Google Scholar ]
  4. Galvan-Tejada، CE; گارسیا وازکز، جی پی. سیگنال های برنا، RF طبیعی یا تولید شده برای سیستم های مکان یابی داخلی؟ ارزیابی از نظر حساسیت و ویژگی. در مجموعه مقالات کنفرانس بین المللی IEEE 2014 در مورد الکترونیک، ارتباطات و کامپیوتر (CONIELECOMP)، Cholula، مکزیک، 26-28 فوریه 2014. صص 166-171. [ Google Scholar ]
  5. افوسی، مگابایت؛ ذوقی، MR موقعیت یابی داخلی بر اساس بهبود وزن KNN برای مدیریت انرژی در ساختمان های هوشمند. انرژی ساخت. 2020 ، 212 ، 109754. [ Google Scholar ] [ CrossRef ]
  6. کوی، دبلیو. لیو، کیو. ژانگ، ال. وانگ، اچ. لو، ایکس. Li, J. یک سیستم موقعیت یابی داخلی ربات متحرک قوی بر اساس Wi-Fi. بین المللی J. Adv. ربات. سیستم 2020 , 17 , 1729881419896660. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. خو، اچ. دینگ، ی. لی، پی. وانگ، آر. Li، Y. یک الگوریتم موقعیت یابی داخلی RFID بر اساس احتمال بیزی و K-نزدیکترین همسایه. Sensors 2017 ، 17 ، 1806. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  8. ژو، سی. یوان، جی. لیو، اچ. Qiu, J. بلوتوث موقعیت یابی داخلی بر اساس RSSI و فیلتر Kalman. سیم. پارس اشتراک. 2017 ، 96 ، 4115-4130. [ Google Scholar ] [ CrossRef ]
  9. Ni، LM; لیو، ی. Lau، YC; Patil، AP LANDMARC: سنجش مکان داخلی با استفاده از RFID فعال. در مجموعه مقالات اولین کنفرانس بین المللی IEEE در محاسبات و ارتباطات فراگیر، (PerCom 2003)، فورت ورث، TX، ایالات متحده، 23-16 مارس 2003. ص 407-415. [ Google Scholar ]
  10. کینگ، تی. لملسون، اچ. فاربر، ا. Effelsberg، W. Bluepos: موقعیت یابی با بلوتوث. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2009 در مورد پردازش هوشمند سیگنال، بوداپست، مجارستان، 26-28 اوت 2009. صص 55-60. [ Google Scholar ]
  11. تیلچ، اس. Mautz, R. CLIPS – یک سیستم موقعیت یابی داخلی مبتنی بر دوربین و لیزر. J. Locat. مبتنی بر سرویس. 2013 ، 7 ، 3-22. [ Google Scholar ] [ CrossRef ]
  12. IndoorAtlas، L. فناوری مکان یابی داخلی مبتنی بر میدان مغناطیسی محیطی: آوردن قطب نما به سطح بعدی . IndoorAtlas Ltd.: Mountain View، CA، USA، 2012. [ Google Scholar ]
  13. پریانتا، NB سیستم مکان یابی داخلی کریکت. دکتری پایان نامه، موسسه فناوری ماساچوست، کمبریج، MA، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  14. مجید، ک. Hranilovic، S. مرزهای عملکرد در موقعیت یابی غیرفعال داخل ساختمان با استفاده از نور مرئی. جی. لایتو. تکنولوژی 2020 ، 38 ، 2190-2200. [ Google Scholar ] [ CrossRef ]
  15. گوان، دبلیو. چن، اس. ون، اس. هو، دبلیو. تان، ز. Cen, R. سیستم محلی سازی داخلی ربات متحرک ROS بر اساس ارتباطات نور مرئی. arXiv 2020 ، arXiv:eess.SP/2001.01888. [ Google Scholar ]
  16. چانگ، CH; Lin، CY؛ وانگ، آر جی. Chou، CC استفاده از یادگیری عمیق و مدل سازی اطلاعات ساختمان در موقعیت یابی داخلی بر اساس صدا. در محاسبات در مهندسی عمران 2019: تجسم، مدل‌سازی اطلاعات و شبیه‌سازی ؛ انجمن مهندسین عمران آمریکا: Reston، VA، ایالات متحده آمریکا، 2019؛ صص 193-199. [ Google Scholar ]
  17. تونگ، YC; Shin, KG Echotag: برچسب‌گذاری دقیق مکان داخلی بدون زیرساخت با تلفن‌های هوشمند. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی سالانه محاسبات موبایلی و شبکه، پاریس، فرانسه، 7 تا 11 سپتامبر 2015. صص 525-536. [ Google Scholar ]
  18. Galvan-Tejada، CE; گارسیا وازکز، جی پی. استخراج و انتخاب ویژگی میدان مغناطیسی برنا، RF برای تخمین مکان داخلی. سنسورها 2014 ، 14 ، 11001-11015. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. 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 IEEE 2012 در مورد موقعیت یابی داخلی و ناوبری داخلی (IPIN)، سیدنی، استرالیا، 13 تا 15 نوامبر 2012. صفحات 1-9. [ Google Scholar ]
  20. شائو، دبلیو. ژائو، اف. وانگ، سی. لو، اچ. محمد زاهد، ت. وانگ، کیو. لی، دی. استخراج اثر انگشت مکان برای موقعیت یابی داخلی بر اساس قدر میدان مغناطیسی. J. Sens 2016 , 2016 . [ Google Scholar ] [ CrossRef ]
  21. شن، GJ; ژائو، سی. ژائو، اف. مکان یابی داخلی با استفاده از ناهنجاری های میدان مغناطیسی. پتنت ایالات متحده 9,326,103, 26 آوریل 2016. [ Google Scholar ]
  22. اشرف، من. هور، اس. پارک، اس. Park, Y. DeepLocate: محلی‌سازی فضای داخلی مبتنی بر گوشی هوشمند با طبقه‌بندی کننده گروه شبکه عصبی عمیق. Sensors 2020 , 20 , 133. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  23. Farfade, SS; صابریان، ام جی; Li, LJ تشخیص چهره چند نمای با استفاده از شبکه های عصبی کانولوشنال عمیق. در مجموعه مقالات پنجمین کنفرانس بین المللی ACM در مورد بازیابی چند رسانه ای، شانگهای، چین، 23 تا 16 ژوئن 2015. صص 643-650. [ Google Scholar ]
  24. چن، جی. او، س. چی، ز. فو، اچ. تشخیص لبخند در طبیعت با شبکه های عصبی کانولوشنال عمیق. ماخ Vis. Appl. 2017 ، 28 ، 173-183. [ Google Scholar ] [ CrossRef ]
  25. خان، ک. آتیک، م. خان، RU; سید، من. چانگ، TS یک چارچوب چند وظیفه ای برای طبقه بندی ویژگی های صورت از طریق تجزیه چهره به انتها و شبکه های عصبی کانولوشنال عمیق. Sensors 2020 , 20 , 328. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  26. الهمیانی، ف. Mahoor, M. بهبود اثر انگشت میدان ژئومغناطیسی داخلی برای محلی سازی ساعت هوشمند با استفاده از یادگیری عمیق. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 درباره موقعیت یابی داخلی و ناوبری داخلی (IPIN)، نانت، فرانسه، 24 تا 27 سپتامبر 2018؛ صص 1-8. [ Google Scholar ]
  27. اشرف، من. هور، اس. Park, Y. کاربرد شبکه‌های عصبی کانولوشن عمیق و حسگرهای تلفن هوشمند برای محلی‌سازی فضای داخلی. Appl. علمی 2019 ، 9 ، 2337. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. برگلند، جی. یک تور با راهنما از تبدیل فوریه سریع. IEEE Spectr. 1969 ، 6 ، 41-52. [ Google Scholar ] [ CrossRef ]
  29. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2019. [ Google Scholar ]
  30. گاناپاتی، دوم; پراکاش، س. دیو، آی آر. باکشی، اس. تشخیص گوش بدون محدودیت با استفاده از مدل شبکه عصبی کانولوشنال مبتنی بر مجموعه. در همزمانی و محاسبات: تمرین و تجربه . وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2020؛ پ. e5197. [ Google Scholar ]
  31. پرت، اس. اوچوا، ا. یداو، م. شتا، ع. Eldefrawy, M. Handwritten Digits Recognition با استفاده از شبکه های عصبی کانولوشن. جی. کامپیوتر. علمی Coll. 2019 ، 34 ، 40. [ Google Scholar ]
  32. های، جی. کیائو، ک. چن، جی. تان، اچ. خو، جی. زنگ، ال. شی، دی. یان، بی. متراکم کامل کانولوشن با زمینه چند مقیاسی برای تقسیم‌بندی خودکار تومور پستان. J. Healthc. مهندس 2019 , 2019 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  33. اشمیت هیبر، جی. رگرسیون ناپارامتریک با استفاده از شبکه های عصبی عمیق با تابع فعال سازی ReLU. arXiv 2017 , arXiv:1708.06633. [ Google Scholar ]
  34. کورتاس، آی. Paliouras, V. پیاده سازی سخت افزاری ساده شده تابع فعال سازی Softmax. در مجموعه مقالات هشتمین کنفرانس بین المللی IEEE 2019 در مورد مدارها و فناوری های سیستم های مدرن (MOCAST)، تسالونیکی، یونان، 13 تا 15 مه 2019؛ صص 1-4. [ Google Scholar ]
  35. 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 WiFi. IEEE J. Sel. مناطق کمون. 2015 ، 33 ، 1443-1457. [ Google Scholar ] [ CrossRef ]
  36. کراس. 2015. در دسترس آنلاین: https://keras.io (دسترسی در 10 اکتبر 2019).
Ijgi 09 00226 g001 550
شکل 1. پلان توزیع طبقه اصلی ساختمان مدرسه که برای تشکیل مجموعه داده های میدان مغناطیسی استفاده می شود.
Ijgi 09 00226 g002 550
شکل 2. معماری و پارامترهای معماری شبکه عصبی کانولوشنال (CNN) پیشنهاد شده است.
Ijgi 09 00226 g003 550
شکل 3. صفحه توزیع طبقه اصلی ساختمان مدرسه که برای تشکیل مجموعه داده های میدان مغناطیسی استفاده می شود.
Ijgi 09 00226 g004 550
شکل 4. نمونه ای از نقشه های حرارتی از یک امضای میدان مغناطیسی دو بعدی. اعداد ارائه شده در برچسب های x و y نشان دهنده اثر انگشت است که ساختار رابطه بین آنها را نشان می دهد. ( الف ) نقشه حرارتی قبل از اعمال تبدیل فوریه سریع (FFT)؛ ( ب ) نقشه حرارتی FFT.
Ijgi 09 00226 g005 550
شکل 5. توزیع انرژی در هر اتاق.
Ijgi 09 00226 g006 550
شکل 6. رفتار آموزش CNN بر اساس ( A ) تابع ضرر و ( B ) دقت.
Ijgi 09 00226 g007 550
شکل 7. منحنی ROC از آزمون کور در CNN بیش از 500 دوره.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید