مکان‌یابی داخلی WiFi مبتنی بر XGBoost با وزن‌دهی قابلیت اطمینان نقاط دسترسی در محیط چند-دستگاهی

مکان‌یابی داخلی WiFi مبتنی بر XGBoost با وزن‌دهی قابلیت اطمینان نقاط دسترسی در محیط چند-دستگاهی

مهسا ملکی1 مریم چینی پرداز2

1) فارغ التحصیل کارشناسی مهندسی کامپیوتر، دانشگاه صنعتی جندی شاپور دزفول، دزفول، ایران -
2) استادیار دانشکده مهندسی برق وکامپیوتر، دانشگاه صنعتی جندی شاپور دزفول، دزفول، ایران -

کد IOI مقاله : AAHD-ABKDAZ
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    مکان‌یابی داخلی مبتنی بر اثرانگشت WiFi به دلیل نوسان زمانی سیگنال، پوشش نامتوازن نقاط دسترسی و ناهمگونی سخت‌افزاری دستگاه‌ها، در محیط‌های واقعی و چنددستگاهی همچنان چالش‌برانگیز است. بیشتر مطالعات پیشین صرفاً بر کاهش میانگین خطا تمرکز داشته‌اند و کمتر به پایداری مدل در خطاهای بحرانی، رفتار دستگاه‌محور، و نقش قابلیت اطمینان نقاط دسترسی توجه کرده‌اند. در این پژوهش، عملکرد چهار الگوریتم WKNN، Random Forest، MLP وXGBoost بر روی مجموعه‌داده واقعی و چنددستگاهی TUJI1 ارزیابی شد و علاوه بر معیارهای متداول دقت، شاخص‌های پایداری شامل خطای صدک ۹۵ و تابع توزیع تجمعی خطا نیز تحلیل گردید. سپس یک روش وزن‌دهی قابلیت اطمینان نقاط دسترسی با نام AP-RW پیشنهاد شد که وزن هر AP را بر اساس نرخ مشاهده و پایداری سیگنال تعیین می‌کند و بدون حذف هیچ AP، به مدل XGBoost افزوده می‌شود. نتایج نشان داد که XGBoost با میانگین خطای ۲٫۰۰۸۱ متر، بهترین دقت متوسط را در میان مدل‌های پایه ثبت کرد، در حالی که نسخه XGBoost+RW با حفظ میانگین خطا در سطحی مشابه، خطای صدک ۹۵ را از ۴٫۵۴۲۴ به ۴٫۳۴۷۴ متر کاهش داد. همچنین تحلیل دستگاه‌محور نشان داد ناهمگونی سخت‌افزاری همچنان یک چالش باز است. یافته‌ها حاکی از آن است که وزن‌دهی قابلیت اطمینان APها بیشتر برای افزایش پایداری و کاهش خطاهای بحرانی مؤثر است تا کاهش خطای متوسط.

کلمات کلیدی : مکان‌یابی داخلی wifi fingerprinting xgboost ap reliability weighting tuji1