İç Mekan Konumlandırmasını Geliştirme Wi-Fi/RSSI Tabanlı Makine Öğrenimi Sınıflandırıcıları Aracılığıyla Performans

Abstract

Kapalı alan konumlandırma (IP), gerçek zamanlı kapalı alan lokalizasyonunun (IL) önemli bir bileşenidir ve kullanıcı veya cihaz konumlarının kapalı alanlarda belirlenmesine katkıda bulunur. Küresel Konumlandırma Sistemi (GPS), açık alanlarda etkili bir şekilde çalışsa da, çoklu yol yayılımı, görüş hattı olmaması ve sinyal bozulması gibi zorluklar nedeniyle kapalı alanlarda etkinliği azalır. Bu sorunu çözmek için, Wi-Fi konumlandırma sistemi, beş erişim noktası sensörü, etiket olarak kullanıcı ve alınan sinyal gücü (RSS) ile makine öğrenimi sınıflandırıcılarına dayalı bir kapalı alan konumlandırma tekniği geliştirilmiştir. Makine öğrenimi, kapalı alan konumlandırma sistemlerinin çeşitli koşullara uyum sağlamasını, belirsizlikleri yönetmesini ve veri odaklı öğrenme yoluyla doğruluğu sürekli artırmasını mümkün kılar. Parmak izi tabanlı lokalizasyon, yüksek boyutlu verilerle ilgili zorluklarla karşılaşır ve bu zorluklar temel bileşen analizi (PCA) gibi boyut azaltma yöntemleriyle ele alınır. Karar Ağaçları (DT), Yerel Ayırt Edici Analiz (LDA), Destek Vektör Makinesi (SVM), K-en yakın komşu (KNN), Lojistik Regresyon (LR), Yapay Sinir Ağları (ANN) ve Aşırı Öğrenme Makinesi (OS-ELM) gibi sınıflandırma algoritmaları, konumlandırma için temel özellikleri çıkarmak ve IP tespiti uygulamak için kullanılır. Ortaya çıkan sonuçlar, doğruluk, tahmin hızı ve eğitim süresi açısından analiz edilir.Araştırma, kapalı alan konumlandırmada çeşitli sınıflandırıcıların güçlü ve zayıf yönlerini anlamak için bir temel oluşturur. Karşılaştırmalı analiz, OS-ELM'nin olağanüstü doğruluk, hızlı tahmin hızı ve minimal eğitim süresi ile öne çıktığını ortaya koyarak, onu gerçek zamanlı uygulamalar için umut verici bir seçenek haline getirmektedir. Çalışma, OS-ELM'nin ve dinamik kapalı alan ortamlarında doğruluk ve uyarlanabilirliği artırmak için hibrit yaklaşımların iyileştirilmesini vurgulayarak gelecekteki araştırma yönlerini ortaya koymaktadır.

Indoor positioning (IP) is a pivotal component in real-time indoor localization (IL), contributing to the identification of user or device locations within confined spaces. Global positioning system (GPS) excels in outdoor positioning, but its efficacy diminishes indoors due to challenges like multipath propagation, non-line of sight, and signal distortion. To address this, an indoor positioning technique has developed, including Wi-Fi positioning system, five access points sensors, user as a tag, and based on the received signal strength power (RSS) with machine learning classifiers. Machine learning empowers indoor positioning systems to adapt to diverse conditions, manage uncertainties, and enhance accuracy continually through data- driven learning. Fingerprinting localization faces challenges with high-dimensional data, addressed by dimensionality reduction methods like principal component analysis (PCA). Classification algorithms, such as Decision Trees (DT), Local Discriminator Analysis (LDA), Support Vector Machine (SVM), K-nearest neighbor (KNN), Logistic Regression (LR), Artificial Neural Networks (ANN), and Extreme Learning Machine (OS-ELM) are employed to extract key characteristics for localization and hence implement IP detection. The ensuing results are analyzed for accuracy, prediction speed, and training time. The research sets a foundation for understanding the strengths and limitations of various classifiers in indoor positioning. The comparative analysis reveals that OS ELM exhibits exceptional accuracy, rapid prediction speed, and minimal training time, positioning it as a promising choice for real-time applications. The study concludes by outlining future research directions, emphasizing the refinement of OS-ELM and hybrid approaches to enhance accuracy and adaptability in dynamic indoor environments.