دانلود مقاله isi انتخاب ویژگی در بهینه سازی بانک اطلاعاتی برای موقعیت یابی داخلی اثر انگشت وای فای

دسته بندي : فنی و مهندسی » کامپیوتر و IT
دانلود مقاله isi انتخاب ویژگی در بهینه سازی بانک اطلاعاتی برای موقعیت یابی داخلی اثر انگشت از طریق Wi-Fi

زبان مقاله: انگلیسی
سال انتشار: 2016

خلاصه
خدمات مستقر در محل داخلی ، به دلیل کاربردهای گسترده و با ارزش ، در واقع بسیار مشهور شده است. در آن
زمینه ، اثر انگشت از طریق Wi-Fi بر اساس نشانگر قدرت سیگنال دریافت شده (RSSI) بسیار محبوب شده است ، به این دلیل که RSSI
مقادیر به راحتی به دست می آیند. در روش اثر انگشت Wi-Fi ، الگوریتم های یادگیری ماشین بر روی اثر انگشت ساخته شده آموزش داده می شوند
از بانک اطلاعاتی استفاده کرده و براساس برآوردهای آن ، از یک ورودی جدید استفاده می شود تا مکان داخلی را ارائه دهد. یادگیری درست ماشین را انتخاب کنید
الگوریتم یکی از اصلی ترین مشکلات ادبیات است. اما اندازه بانک اطلاعاتی مورد استفاده در مرحله آموزش نیز یکی است
نگرانی های اصلی در این مقاله ، یک روش انتخاب ویژگی مورد استفاده در پایگاه داده اصلی UJIIndoorLoc استفاده شده است
نسخه کوچکتر آن ، با 30 بالاترین RSSI پس از برنامه های APID ، مسئول ترتیب نزولی و حتی کوچکتر ایجاد شده است
زیر مجموعه های پایگاه داده هر دو بانک اطلاعاتی ، پایگاه داده اصلی UJIIndoorLoc و مالکان ما ، به زیر مجموعه های کوچکتر که مورد استفاده قرار گرفتند تقسیم شدند
در مورد مسئله طبقه بندی طبق روش DESIP ارائه شده در [1]. شش الگوریتم یادگیری ماشین برای استفاده شدند
آموزش و آزمایش دو زیر مجموعه پایگاه داده با ویژگی طبقه بندی اصلاح شده برای بومی سازی نمادین. J48 با
الگوریتم تکراری AdaBoost بهترین نتایج را در هر دو زیر مجموعه داده داد. زیرمجموعه های حداقل داده داده های کوچکتر نشان داده شدند
نتایج زمان سپری شده برای کلیه طبقه بندی هایی که انجام شده است. نتایج دقیق نتایج مشابهی را برای هر دو زیر مجموعه داده نشان می دهد ،
در طبقه بندی ساختمان و طبقه اگرچه ، در خصوص ویژگی منطقه ، زیر مجموعه پایگاه داده با 520 صفت از دقت بهتری برخوردار بود
از نتایج کاهش یافته
Abstract
Indoor location-based services have become very popular, principally, because of its wide and valuable applications. On that
context, Wi-fi fingerprinting based on the received signal strength indicator (RSSI) has become very popular,due the fact that RSSI
values are easily acquired. On the Wi-fi fingerprint method, machine learning algorithms are trained on the constructed fingerprint
database and then used on a new entry to give the indoor location based on its estimations. Choosing the correct machine learning
algorithm is one of the main problems in the literature. However the database sizes used during the training phase is also one
of the main concerns. In this paper, a proposed feature selection method used on the original UJIIndoorLoc database created a
smaller version of it, with the 30 highest RSSIs after the APIDs responsible for then in descending order, and created even smaller
database subsets. Both databases, the original UJIIndoorLoc database and ours, were split into smaller subsets that were used
on the classification problem according the DESIP method proposed in [1]. Six machine learning algorithms were deployed for
training and testing the two database subsets with the classification attributes modified for symbolic localization. The J48 with
the AdaBoost iterative algorithm gave the best results on both database subsets. The minimized database subsets showed smaller
elapsed time results for all the classifications that were done. The accuracy results show similar results for both database subsets,
on building and floor classification. Although, on the region attribute, the database subset with 520 attributes got better accuracy
results than the reduced one