بهبود موقعیت یابی تک کاربر در شبکه WiFi مبتنی بر شبکه یادگیری عمیق با ساختار خود کدگذار دارای رگولارسازهای غیر هموار

در سال‌های اخیر، پژوهشگران تلاش‌های گسترده‌ای برای توسعه روش‌های مکان‌یابی داخلی با دقت و صحت بالا انجام داده‌اند. در میان رویکردهای مختلف، روش اثرانگشت مبتنی بر Wi-Fi به دلیل در دسترس بودن سخت‌افزارهای متعدد Wi-Fi به طور وسیع مورد استفاده قرار گرفته است. در این مقاله، یک سامانه مکان‌یاب داخلی پیشنهادی معرفی می‌شود که فرآیند مکان‌یابی را در دو مرحله آموزش آفلاین و تخمین موقعیت آنلاین انجام می‌دهد. در مرحله آموزش آفلاین، داده‌های RSS از چندین نقطه دسترسی (AP) در مکان‌های مختلف ساختمان جمع‌آوری شده و سپس یک شبکه یادگیری عمیق با ساختار خودکدگذار و رگولاریزاتورهای غیرهموار به کار گرفته می‌شود. هدف این مرحله، استخراج نمایش کم‌بعد داده‌های RSS و ایجاد پایگاه داده اثرانگشت است که نگاشت بین نمایش به‌دست‌آمده و مکان مربوطه را ذخیره می‌کند. در مرحله تخمین موقعیت آنلاین، داده‌های RSS در یک مکان ناشناخته اندازه‌گیری شده و به خودکدگذار آموزش‌دیده وارد می‌شوند تا نمایش کم‌بعد متناظر به دست آید. سپس با جست‌وجو در پایگاه داده، نزدیک‌ترین تطابق تعیین و مکان مرتبط به عنوان خروجی سیستم گزارش می‌گردد. برای افزایش دقت، از انواع رگولاریزاتورها در ساختار خودکدگذار استفاده شده است. نتایج شبیه‌سازی‌ها نشان می‌دهد سامانه مکان‌یاب داخلی مبتنی بر خودکدگذار با رگولاریزاتورهای غیرهموار عملکرد بهتری نسبت به روش‌های بدون رگولاریزاسیون یا دارای رگولاریزاتورهای هموار دارد. به عنوان نمونه، در حالتی که مقدار رگولاریزاسیون برابر 0.0003 انتخاب شد، RMSE شبکه از مقدار 44.82 متر (بدون رگولاریزاتور) به 24.03 متر با رگولاریزاتور هموار و به 7.09 متر با رگولاریزاتور غیرهموار کاهش یافت.