Transcript ارائه روش تخمين موقعيت براي محيط هاي دروني با استفاده از شبکه عصبي مدار شعاعي با کاربرد در تجارت سیار

‫ارائه روش تخمين موقعيت براي‬
‫محيط هاي دروني با استفاده از‬
‫شبکه عصبي مدار شعاعي با‬
‫کاربرد در تجارت سیار‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫بافت چیست؟‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫توسط آقایان ‪Schilit , Pacoe‬‬
‫برنامه های آگاه از بافت‬
‫موقعیت‬
‫بافت عالئق شحصی‬
‫بافت بافت‬
‫فیزیکی آگاه از موقعیت‬
‫برنامه های‬
‫زمان‬
‫مکان‬
‫مقصد‬
‫شرایط ترافیکی‬
‫آب و هوا‬
‫شرایط فیزیکی‬
‫اهدا ف فرد‬
‫عالئق فرد‬
‫اطالعات و توانایی های‬
‫فرد‬
‫معلولیت ها‬
‫بافت محاسباتی‬
‫حافظه کامپیوتر‬
‫پهنای باند‬
‫اندازه مونیتور‬
‫پهنای باند‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای‬
‫اصلی مطرح برای آن‬
‫‪ ‬برونی‬
‫‪ ‬سيستم ماهواره جهانی‬
‫‪‬استفاده از تکنيک انگشت نگاری محلی‬
‫‪ ‬درونی‬
‫‪ ‬شبکه سنسورها‬
‫‪‬استفاده از تکنيک انگشت نگاری محلی‬
‫‪GPS‬‬
‫سیستم ‪ GPS‬شامل ‪ 3‬بخش‬
‫‪ ‬فضا‬
‫‪‬‬
‫كنترل‬
‫‪‬‬
‫كاربري‬
‫شبکه سنسوری‬
‫‪Active bat‬‬
‫)‪Cricket(beacons‬‬
‫)‪Active Badge(Badge,infrared‬‬
‫•‪Active Bat‬‬
‫کمبريجتیجه‬
‫کاربر ودر ن‬
‫محرمانگی‬
‫خاصیت‬
‫برآورده‬
‫برای‬
‫کامل ش‬
‫مهندسی‬
‫توسط انجمن‬
‫ساختن بعد‬
‫‪ AT&t‬و‬
‫توسط‬
‫‪‬ابتدا‬
‫امواج شد‬
‫گيرنده مطرح‬
‫کاربرهممتمرکز‬
‫مدیریت غیر‬
‫کاربرصوت‬
‫امواج بامافوق‬
‫هم‬
‫و‬
‫راديويی‬
‫دستگاه‬
‫‪‬‬
‫همراه‬
‫دستگاه‬
‫از‬
‫اينفرارد‬
‫امواج‬
‫ارسال‬
‫اساس‬
‫بر‬
‫‪‬‬
‫‪‬داردفرستنده ها در محل هایی از سقف یا جاهای خاصی تعبیه‬
‫شدهکاراند می کند‬
‫‪‬ايستگاه راديويی با ارسال امواج راديويی به فعال سازی دستگاه‬
‫می پردازد‪.‬‬
‫کاربر‬
‫همراه با‬
‫نيز‬
‫دستگاه‬
‫هر‬
‫يکتای‬
‫شناسه‬
‫اينفرارد‪،‬‬
‫امواج‬
‫با‬
‫همراه‬
‫‪‬‬
‫ازی‬
‫س‬
‫فعال‬
‫به‬
‫رادیویی‬
‫امواج‬
‫ارسال‬
‫با‬
‫رادیویی‬
‫ایستگاه‬
‫شود رسيدن به دستگاه کاربر‪ ،‬به فعال سازی وی‬
‫پس از‬
‫امواج‬
‫‪‬اين‬
‫می‬
‫ارسال‬
‫پردازد‪.‬‬
‫سببمی‬
‫فرستندهکهها‪،‬‬
‫ارسالينامواج‬
‫به‬
‫شروع‬
‫مذکور‬
‫دستگاه‬
‫شود‬
‫می‬
‫پرداخته‪،‬‬
‫فت ا‬
‫يا‬
‫در‬
‫با‬
‫دارد‬
‫وجود‬
‫محل‬
‫چندين‬
‫در‬
‫که‬
‫گيرنده‬
‫کند از رسیدن به فرستنده ها و فعال نمودن‬
‫صوت پس‬
‫سيستمامواج‬
‫این‬
‫‪‬‬
‫مافوق‬
‫اج آنها‬
‫ارسال‬
‫سيمی به‬
‫فرستنده شبکه‬
‫شوندآنهاکهتوسط يک‬
‫انتقال‬
‫سببو‬
‫سيگنال ها‬
‫امو‬
‫ارسال‬
‫به‬
‫شروع‬
‫می‬
‫‪ ‬آنها‪،‬‬
‫ماتريسی) با دريافت اين امواج وامواج‬
‫شبکه‬
‫(‬
‫سقفی‬
‫های‬
‫گيرنده‬
‫کنند می پردازد‬
‫مرکزی‬
‫مافوقکنترل‬
‫به يک‬
‫صوت‬
‫راديويی به تعيين فاصله کاربر با خود می پردازند‪.‬‬
‫رادیویی به‬
‫وامواج‬
‫همه امواج‬
‫دریافت این‬
‫کاربر با‬
‫‪‬ايندستگاه‬
‫ارسال و‬
‫کامپيوتر‬
‫به‬
‫ها‬
‫گيرنده‬
‫از‬
‫ای‬
‫فاصله‬
‫اطالعات‬
‫پردازد‪.‬کاربر می پردازد‬
‫تعيينمیموقعيت‬
‫فاصلهبه‬
‫تعیین کننده‬
‫‪‬کنترل‬
‫خود‬
‫کامپيوتر با پردازش همه آنها به تعيين موقعيت کاربر می پردازد‪.‬‬
‫ایرادات وارد به سیستم های مطرح شده‬
‫‪ ‬محدوده پوششی‬
‫‪ ‬قیمت های زیادی‬
‫‪ ‬کاربران‬
‫‪ ‬توسعه دهندگان نرم افزارها‬
‫‪ ‬زیرساختارهای مورد استفاده برای این کار محدود‬
‫‪ ‬کمبود برنامه های کاربردی‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫انگشتنگاري محلي‬
‫ انگشتنگاري محلي براساس خصوصیات موج رادیویي‬
(RSS:Radio Signal Strength)
AOA:Angle of arrive
TDOA:time difference of arrival
(Location)=L
‫انگشتنگاري محلي‬
Location
Regression
Dimension
(x),(x,y),(x,y,z)
Orientation
(E,W,N,S),(R,Θ)
Classification
Li(-1,1)
‫انگشتنگاري محلي‬
‫‪Location‬‬
‫‪Probablistic‬‬
‫)‪ (likelihood‬تابع چگالي‪ ،‬تابع مشابهت= )‪p(F|L‬‬
‫قدرت سیگنال دریافتي=‪F‬‬
‫موقعیت موردنظر =‪L‬‬
‫‪Deterministic‬‬
‫‪Pn)T‬‬
‫‪F=(P1, P2,….‬‬
‫قدرت سیگنال دریافتی از نقطه دسترسی متوسط ‪i‬ام=‪Pi‬‬
‫‪F=(σ1, σ 2,…. σ n)T‬‬
‫انحراف استاندارد سیگنال دریافتی از نقطه دسترسی متوسط ‪i‬ام=‪σ i‬‬
‫انگشتنگاري محلي‬
Location
Training Mode
Refference Mode
Measurment M points
F=RSS
Location
 L
Training Mode
 F(from n access point)
‫انگشتنگاري محلي (الگوریتم نزدیکترین‬
)‫فاصله‬
Nearest Neighbors
 Regression & Classification
 Deterministic(Mean of Random Variable)
Off_Line
On_Line
M=Number of Points
N=Number of access Point
{F1, F2,…. Fm}
Fi=(P1i , P2i,……,Pni)
{L1, L2,…. L m}
S=( S 1, S 2,…. S n)T
Dist)S,Fj(≤Dist)S,Fk(
Location
each k#j
‫انگشتنگاري محلي (الگوریتم نزدیکترین‬
‫فاصله)‬
‫‪each k#j‬‬
‫‪ Distance Metric‬‬
‫(‪Dist)S,Fj(≤Dist)S,Fk‬‬
‫تعداد نقاط دسترسي=‪n‬‬
‫‪w i<=1‬‬
‫‪i‬فاكتور وزني‬
‫(مقدار اولیه= ‪ )1‬پارامترنرم =‪ρ‬‬
‫فاصله اقلیدسي ‪ wi=1‬و ‪ρ =2‬‬
‫فاصله منها تن (‪)Manhattan‬‬
‫فاصله ما هاالنبز (‪( )Mahalanobs‬ماتریس كواریایس )‬
‫روش ‪ k‬هسمایه نزدیك (‪ X_tree‬و ‪ R_Tree‬و انتخاب بهینه ‪k‬‬
‫همسایه )‬
Radar Method
 Data Gathering
 Empirical method(SS=Signalpower,Sn=Signal/Noise)
 we use all of the (more than 20) SS samples collected for each of the
70*4 = 280 (x,y,d,ssi,snri),(69*4=learnining,1 for test)
 signal propagation
 The Wallthe
Attenuation
Factor(WAF)
model
(is derived
the Floor
Attenuation
well-accepted
Rayleigh
fading
model
[Has93],
the Rician
distribution
model
[Ric44].
Factor propagation model) N, WAF obtain experimentally
 SEARCH Method
algorithms for such multidimensional searches (e.g., R-Tree
[Gut84], X-Tree [Ber96],optimal k-nearest neighbor search
[Sei98], etc.) However,we chose a simple linear-time
 Method for location Estimation
search algorithm because our relatively small data set and
 (nearest neighbor(s) in signal space (NNSS).
dimensionality
 Multiple Nearest Neighbors
Radar Results





Max Signal Strength Across orientation
Impact of the Number of Data Points
Impact of the Number of Samples
Impact of User Orientation
Tracking a Mobile User
Location Fingerprinting
neural network
 Regression & Classification
 Deterministic(Mean of Random Variable)
Off_Line
M=Number of Points
N=Number of access Point
{F1, F2,…. Fm}
Fi=(P1i , P2i,……,Pni)
{L1, L2,…. L m}
On_Line
S=( S 1, S 2,…. S n)T
‫پيچيدگي زيادي براي بررسي رياضي‬
‫جعبه سياه‬
Neural Network
MLP System Proposed By Battiti
 Propsed By Roberto Battiti, Alessandro Villani, and Thang
Le Nhat, Universit`a di Trent
 MLP(One hidden Units)
 Number of Neuron in Hidden layer(4,8,16)
 Learning algorithm:oss =one step secant
Probabilistic Methods
 location fingerprints=conditional probability
 empirical distributions of RSS at each location based on
measured training sets
 the kernel method
P(F|L) = P(s1|L)P(s2|L) … P(sN|L)
 the histogram method
a fixed set of bins that counts the frequency of occurrence of RSS
samples that fall within a range of each bin.
 radio propagation model with estimated radio
parameters without using any training set.
‫اجزای سيستم ‪Horus‬‬
‫بلوک مورد استفاده در فازآزمايش‬
‫‪:Correlation handeler‬میانگیری از ‪ n‬نمونه‬
‫متوالی‬
‫ِِ‪ :Discrete Space Estimator‬محاسبه‬
‫موقعیت با لستفاده از قانون بیسیان‬
‫‪Small scale Estimator‬‬
‫‪Continuos Space Estimator‬‬
‫روش بردار حمایتی‬
‫‪ ‬ریشه این روش در تئوری یادگیری آماری مطرح شده توسط وپنیک )‪ (Vapnik‬است که از ادغام‬
‫آمار‪ ،‬یادگیری ماشینی و ‪ ...‬حاصل می شود ‪.‬‬
‫‪ ‬با توجه به آنکه انگشت نگاری محلی به عنوان یک تابع غیر خطی عمل می کند‬
‫این روش با ارائه را هکارهایی به تغییر فضای این سیستم از فضای غیر خطی‬
‫به فضای خطی می پردازد‪ .‬به این فضای خطی ‪ ،‬فضای ویژه و به تابع تبدیل دو‬
‫فضا تابع کرنل می گویند‬
‫‪ ‬پس از تغییر فضا با استفاده از این تابع کرنل و تبدیل به حالت خطی‪ ،‬الگوریتم‬
‫‪ SVM‬به تعیین سطح بهینه برای جدا سازی گروه ها می پردازد با توجه به این‬
‫که سطح جداسازی یکتا نیست سطح بهینه‪ ،‬سطحی است که بیشترین فاصله را با‬
‫نزدیکترین نقطه به آن داشته باشد‪ .‬برای تعیین این سطح از بردارهای حمایتی‬
‫استفاده می شود و لذا منظور از بردار حمایتی ‪ ،‬بردارهای یادگیری هستند که‬
‫برای مشخص نمودن سطح جدا سازی الزم هستند ‪.‬‬
‫‪ ‬با توجه به آنکه روش پیشنهادی نیز بر اساس اطالعات موجود در پروژه‬
‫‪( WILMA‬مطرح کننده این روش) می باشد نتایج مربوطه بعدا بررسی می شود‪.‬‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫بکارگيری شبکه عصبی ‪ RBF‬براي الگوريتم مورد استفاده در روش‬
‫انگشت نگاری محلی‬
‫‪ ‬هر ورودی به تعدادی توابع شعاعی وارد می شود که‬
‫در نتيجه يک عدد در خروجی هر تابع بدست می آيد‪.‬‬
‫‪W11‬‬
‫‪‬از ترکيب اين مقادير با ضرائب مختلف خروجی های‬
‫بدست می آيد‬
‫‪W12‬‬
‫‪Ap1-signal‬‬
‫‪W12‬‬
‫‪W22‬‬
‫‪x‬‬
‫‪Ap2-signal‬‬
‫‪p‬‬
‫‪y‬‬
‫‪(|| x  u j ||).‬‬
‫‪w‬‬
‫‪j‬‬
‫‪F ( x) ‬‬
‫‪Apn-signal‬‬
‫‪j 1‬‬
‫‪Wn1‬‬
‫الیه خروجي‬
‫)جمع وزني خطي(‬
‫‪Wn2‬‬
‫)||‪Fi(S)=∑ wijφ (||S-uj‬‬
‫الیه ورودي‬
‫)الیه کشنده(‬
‫بکارگيری شبکه عصبی ‪ RBF‬براي الگوريتم مورد استفاده در روش‬
‫انگشت نگاری محلی‬
‫‪W11‬‬
‫‪W12‬‬
‫‪W12‬‬
‫‪x‬‬
‫‪Ap1-signal‬‬
‫‪W22‬‬
‫‪Ap2-signal‬‬
‫‪y‬‬
‫الیه خروجي‬
‫)جمع وزني خطي(‬
‫‪Wn2‬‬
‫‪Apn-signal‬‬
‫‪Wn1‬‬
‫الیه ورودي‬
‫)الیه کشنده(‬
‫فاز يادگيری‬
‫هدف ‪ :‬کم نمودن ميزان خطا در نقاط مجموعه آموزشی‬
‫‪ -1‬مرکز تابع شعاع مداری‬
‫‪ -2‬واريانس تايع شعاع مداری‬
‫‪ -3‬ضرائب‬
‫‪‬روش های مختلف خوشه بندی‬
‫‪‬روش کیلز‬
‫‪ ‬یادگیري تعدیلي‬
‫‪‬الگوریتم ‪ k‬میانگین‬
‫‪‬الگوریتم نزدیكترین ‪ p‬همسایه‬
‫‪‬روش دلتا ("ویدرور" و"هوف")‬
‫استفاده از نرم افزار مطلب برای طراحی شبکه عصبی ‪RBF‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫تنظيم ميزان خطاي ياد گيري= (‪)0‬‬
‫تنظيم ميزان افزايش تعداد توابع شعاع مداري ( ‪ )Step‬در هر گام (‪)2‬‬
‫تنظيم مقدار واريانس توابع شعاع مداري توسط کاربر با پارامتر ‪Spread‬‬
‫اجرای روال تکراری زير‬
‫‪ ‬محاسبه مراکز ثقل مطابق با الگوريتم (‪ k‬ميانگين)‬
‫‪ ‬محاسبه ماتريس ضرائب با استفاده از روش گراديان نزولي يا دلتا ( بدين منظور مقدار‬
‫‪ net.adaptFcn‬برابر '‪ 'learngd‬تنظيم شد‪).‬‬
‫‪ ‬محاسبه خطا بين مقادير خروجي با مقادير هدف (معيار فاصله اقليدسي )‬
‫‪ ‬در صورتيکه اين مقدار از خطاي پيش فرض (‪ ) Goal‬کمتر بود تابع با افزايش تعداد‬
‫توابع شعاع مداري برابر با گام تعريف شده(‪ )Step‬به تکرار روال فوق می پردازد‪ .‬اين‬
‫روال تا زمانی که خطا به حد مورد نظر برسد يا تعداد توابع برابر ورودی شود ادامه پيدا‬
‫مي کند‪.‬‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫تتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫ارزیابی روش(محیط مورد استفاده)‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫اطالعات استفاده شده در پروژه ‪ Wilma‬می باشد‪ .‬شبكه محلی ‪LAN‬در پروژه‬
‫‪WILMA‬شامل ‪ 6‬نقطه دسترسی ‪ AVAYA WP-II‬با تكنولوژی ‪ LUCENT‬با‬
‫آنتنهای خارجی چند جهته میباشد‪.‬‬
‫تجهیزات موبایل از نوع كامپیوترهای كوچك از نوع ‪COMPAQ ipAQ H-‬‬
‫‪ 3870‬با سیستم عامل ‪ ،Linux 0.52‬تطبیق دهندۀ ‪ PCMC1A‬و كارت‬
‫‪ ORINOCO Silver‬با تكنولوژی ‪ Lucent‬میباشد‪.‬‬
‫محیط مورد آزمایش دارای فضایی با ابعاد ‪ 30×25m‬میباشد‪.‬‬
‫نمونههای مورد آزمایش شامل ‪ 257‬اندازهگیری در كل فضا میباشد ‪(.‬در هر‬
‫موقعیت(‪ 2‬بعد) از هر ‪ 6‬نقطه دسترسی اندازه گیری انجام شده است‪ ..‬قدرت‬
‫سیگنال دریافتی دارای محدودۀ متفاوت ‪( –102 dBm‬زمانی که فقط سیگنال نویز‬
‫قابل دسترسی است تا ‪ –30dB‬در مجاورت آنتنها و كامپیوترهای جیبی قابلیت‬
‫تحمل تا ‪ 1dB‬را دارند‪) .‬‬
‫معیارهای مقایسه عبارت است از متوسط خطا‪ ،‬ميزان خطای متوسط برای‬
‫‪ 50%‬از نمونه ها‪ 75% ،‬از نمونه ها‪ 90% ،‬از نمونه ها ‪ ،‬تعداد نمونه‬
‫های مورد نياز در مجموعه آموزشی و تحليل های مختلف از نتایج بدست آمده‬
‫می باشد‪.‬‬
‫روش های مورد بررسی‬
‫‪Classification‬‬
‫)‪Li(-1,1,-1,-1,-1,-1,-1‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪Regression‬‬
‫)‪(x,y)=(0.2,16.6‬‬
‫ارائه روشهای مختلف‬
‫تعیین پارامترهاي بهینه براي شبکه مدار شعاعي مختلف‬
‫حصول نتایج از شبکه مدار شعاعي بهینه مختلف‬
‫قیاس نتایج خود با نتایج موجود دیگر روش ها‬
‫روش های مختلف رگرسیون‬
‫‪ ‬رگرسیون با روش انتخاب مجموعه آموزشي بطور تصادفي‬
‫‪ ‬رگرسیون با انتخاب مجموعه آموزشي بر حسب مقایسه‬
‫سیگنال‬
‫رگرسیون با روش انتخاب مجموعه آموزشي بطور‬
‫تصادفي(تعیین پارامترهاي بهینه براي شبکه مدار‬
)‫شعاعي مختلف‬
253.4
3.4
3.3
MeanError(m)
MeanError(m)
MeanError(m)
20
3.3
3.2
3.2
15
3.1
3.1
10 3
3
2.9
2.9
5
2.8
2.8
02.7
2.7
2.6
15
2030
25
70 25 80
30
95
110
35
125
15040 180
Neuons
30 Number of
35Samples 40
Spread=25
Spread
Spread=35
Spread=30,neuron=10
210
45
Spread=45
Spread=60,neuron=10"
Spread=30,neuron=40
Spread=30,neuron=60
Neurons=20
Neurons=30
Neurons=40
‫آموزشيشبکه عصبي‬
‫نرون هاي‬
‫تعداد‬
‫گسترش‬
‫سطح‬
‫اندازه‬
‫مجموعه‬
‫اندازه‬
250
‫رگرسیون با روش انتخاب مجموعه آموزشي بطور‬
‫تصادفي(تعیین پارامترهاي بهینه براي شبکه مدار‬
)‫شعاعي مختلف‬
3.3
MeanError(m)
3.2
3.1
3
2.9
2.8
2.7
2.6
19
20
21
Ne urons
Spread=29
Spread=30
Spread=31
3.3
MeanError(m)
3.2
3.1
3
2.9
2.8
2.7
2.6
29
30
31
Spre a d
Neuron=19
Neuron=20
Neuron=21
Goal=0 ,Spread=30, Number of Neurons=21
Sample in data set=120
‫رگرسیون با روش انتخاب مجموعه آموزشي بطور‬
‫تصادفي(حصول نتیجه از شبکه بهینه )‬
‫‪9‬‬
‫‪8‬‬
‫‪7‬‬
‫‪6‬‬
‫‪Error‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫‪0‬‬
‫‪99‬‬
‫‪93‬‬
‫‪87‬‬
‫‪82‬‬
‫‪76‬‬
‫‪70‬‬
‫‪64‬‬
‫‪58‬‬
‫‪52‬‬
‫‪47‬‬
‫‪41‬‬
‫‪35‬‬
‫‪29‬‬
‫‪23‬‬
‫‪17‬‬
‫‪12‬‬
‫‪6‬‬
‫‪0‬‬
‫‪Percent of sample‬‬
‫)‪MeanError(m‬‬
‫‪‬ميزان خطاي متوسط برابر ‪ 868/2‬متر مي باشد‪.‬‬
‫‪ ‬همانطور که مشاهده مي شود ميزان خطاي متوسط براي ‪ %50‬از نمونه ها زير ‪ 7/2‬متر است‬
‫‪‬عالوه بر آن کمتر از ‪ %25‬از نمونه ها خطايي باالتر از ‪ 4‬متر دارند‪.‬‬
‫رگرسیون با انتخاب مجموعه آموزشي بر حسب‬
‫مقایسه سیگنال (تعیین پارامترهاي بهینه براي شبکه‬
‫مدار شعاعي مختلف)‬
‫)‪Meanerror(m‬‬
‫)‪ErrorMean(m‬‬
‫)‪MeanError(m‬‬
‫‪25‬‬
‫‪40‬‬
‫‪50‬‬
‫‪2035‬‬
‫‪45‬‬
‫‪30‬‬
‫‪15 40‬‬
‫‪25‬‬
‫‪35‬‬
‫‪1020‬‬
‫‪30‬‬
‫‪15‬‬
‫‪5 25‬‬
‫‪20‬‬
‫‪10‬‬
‫‪0 15‬‬
‫‪5‬‬
‫‪10‬‬
‫‪0‬‬
‫‪5‬‬
‫‪0‬‬
‫‪12‬‬
‫‪14‬‬
‫‪10‬‬
‫‪11‬‬
‫‪12‬‬
‫‪9‬‬
‫‪8‬‬
‫‪7‬‬
‫‪Sample‬‬
‫‪in dataset‬‬
‫‪8‬‬
‫‪10‬‬
‫‪6‬‬
‫‪6‬‬
‫‪3‬‬
‫‪5‬‬
‫‪4‬‬
‫‪Neurons‬‬
‫‪5‬‬
‫‪7Spread=3‬‬
‫‪9‬‬
‫‪11‬‬
‫‪13 Spread=7‬‬
‫‪15‬‬
‫‪Neuron=10,‬‬
‫‪Neuron=11,‬‬
‫‪Neuron=6, Spread=11Spread‬‬
‫‪Spread=3‬‬
‫‪Spread=7‬‬
‫‪Spread=13‬‬
‫‪Neuron=12‬‬
‫‪Neuron=10‬‬
‫‪Neuron=7‬‬
‫آموزشيشبکه عصبي‬
‫نرون هاي‬
‫تعداد‬
‫گسترش‬
‫سطح‬
‫اندازه‬
‫مجموعه‬
‫اندازه‬
‫‪3‬‬
‫رگرسیون با انتخاب مجموعه آموزشي بر حسب‬
‫مقایسه سیگنال (تعیین پارامترهاي بهینه براي شبکه‬
)‫مدار شعاعي مختلف‬
3.5
MeanError(m)
3
2.5
2
1.5
1
0.5
0
8
10
12
Neurons
Spread=2
Spread=3
Spread=4
3.5
MeanError(m)
3
2.5
2
1.5
1
0.5
0
2
3
4
Spre a d
Neurons=8
Neurons=10
Neurons=12
Goal=0 , Spread=3,Number of RBF
functions=10,Number of data set=10
‫رگرسیون با انتخاب مجموعه آموزشي بر حسب‬
‫مقایسه سیگنال(حصول نتیجه از شبکه بهینه )‬
‫‪8‬‬
‫‪7‬‬
‫‪6‬‬
‫‪4‬‬
‫‪3‬‬
‫‪meanerror‬‬
‫‪5‬‬
‫‪2‬‬
‫‪1‬‬
‫‪0‬‬
‫‪99‬‬
‫‪93‬‬
‫‪87‬‬
‫‪82‬‬
‫‪76‬‬
‫‪70‬‬
‫‪64‬‬
‫‪58‬‬
‫‪52‬‬
‫‪47‬‬
‫‪41‬‬
‫‪35‬‬
‫‪29‬‬
‫‪23‬‬
‫‪17‬‬
‫‪12‬‬
‫‪6‬‬
‫‪0‬‬
‫‪percent of sample‬‬
‫‪‬ميزان خطاي متوسط برابر ‪ 868/1‬متر مي باشد‪.‬‬
‫‪ ‬همانطور که مشاهده مي شود ميزان خطاي متوسط براي ‪ %50‬از نمونه ها زير ‪ 8/1‬متر‬
‫است‬
‫‪‬عالوه بر آن کمتر از ‪ %15‬از نمونه ها خطايي باالتر از ‪ 3‬متر دارند‪.‬‬
‫ارزیابي نتایج رگرسیون‬
‫روش نزدیکترین همسایه‬
K=13
‫ همسایه نزدیک‬k ‫روش‬
‫ با انتخاب تصادفی مجموعه آموزشی‬RBF ‫روش‬
‫ با انتخاب مجموعه آموزشی بر حسب سیگنال‬RBF ‫روش‬
‫روش بیسیان‬
‫شبکه عصبی پرسپترون‬
‫روش یادگیری آماری‬
‫ همسایه نزدیک‬K ‫روش وزن دار‬
6
4
3
Samples
Neighbors=13
250
Neighbors=9
77
Neighbors=97
70
48
40
nnnNeighbors=73
62
Neighbors=17
33
225
Percent of sample
RBF random dataset
RBF nearest dataset
Nearest Neighbor
K Nearest Neighbor
92
200
85
175
55
150
25
18
11
9 2
8
7 1
6
5 0
4
125
3
2
1Neighbors=5
0
neighbors=45
3
MeanError(m)
Error
5








‫مقایسه نتایج برای روش رگرسیون‬
‫گروه بندی‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫گروه بندي بر مبناي اطالعات حاصل از رگرسیون‬
‫گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي‬
‫گروه بندي باانتخاب نزدیكترین نمونه ها از نظر سیگنال در‬
‫مجموعه آموزشي‬
‫گروه بندي با طراحي شبکه عصبي براي هر گروه‬
‫گروه بندي بر مبناي اطالعات حاصل از رگرسیون‬
‫نتايج حاصل از رگرسيون با انتخاب‬
‫تصادفی مجموعه آموزشی‬
‫نتايج حاصل از رگرسيون با انتخاب مجموعه‬
‫آموزشی بر اساس نزديکترين سيگنال‬
‫گروه بندي با انتخاب مجموعه آموزشي بصورت‬
‫تصادفي‬
Number of Error
Number of Error
200
60
80
150
Number of Error
70
50
100
60
50
40
30
20
10
0
50
40
30
0 20
50
80
110
10
140
170
200
230
Numbe r Of Sa mple
0
50
Neuron=50,Spread=30
30
70
40
90
Neuron=70,Spread=40
Neuron=50,Spread=50
50
110
60130
Spread
Ne urons
Neurons=50
Spread=30
Neurons=90
Spread=40
Neurons=110
Spread=60
‫شبکه عصبي‬
‫آموزشي‬
‫هاي‬
‫نرون‬
‫مجموعه‬
‫اندازهتعداد‬
‫گسترش‬
‫سطح‬
‫اندازه‬
‫گروه بندي با انتخاب مجموعه آموزشي بصورت‬
‫تصادفي‬
Number of Error
30
25
20
15
10
5
0
45
50
55
Ne urons
Spread=25
Spread=30
Spread=35
Number of Error
30
25
20
15
10
5
0
25
30
35
Spre a d
Neurons=60
Neurons=55
Neurons=50
Spread=30,Number of RBF function=50,Number of data set=200
‫گروه بندی مجزا برای هر گروه‬
Open Space
25
25
20
20
Spread=5
15
Error
Error number
Open Space
10
5
15
Spread=21
10
Spread=13
Spread=37
5
0
5
13
21
29
37
0
Spread
Nerons=10
10
Nerons=70
30
50
70
90
110
130
Nerons
Nerons=130
Enterance
Enterance
14
Error
12
Spread=5
10
Spread=21
8
6
Spread=13
Spread=37
4
2
5
13
21
29
0
37
10
Sample
30
50
70
90
110
130
Nerons
Nerons=10
Nerons=70
Nerons=130
Multimedia Room
Multimedia Room
12
12
Spread=5
8
Spread=21
6
Spread=13
4
Spread=37
Error Number
10
10
Error
Error number
16
16
14
12
10
8
6
4
2
0
8
Nerons=10
6
Nerons=70
4
Nerons=130
2
2
0
0
10
30
50
70
Nerons
90
110
130
5
13
21
29
Spread
37
‫نقاط واقعی‬
‫گروه بندی برای هر گروه=‪16‬‬
‫نتایج گروه بندی‬
‫رگرسیون تزدیکترین سیگنال =‪25‬‬
‫گروه بندی تصادفی=‪20‬‬
‫رگرسیون تصادفی=‪29‬‬
‫گروه بندی تزدیکترین سیگنال =‪17‬‬
‫نتایج گروه بندی‬
‫نتایج گروه بندی‬
‫بررسي تاثير گرانوليتي بر روي خطاي مشاهده‬
‫شده در حالت رگرسيون‬
Number of error samples
‫بررسي تاثير گرانوليتي بر روي خطاي مشاهده‬
‫شده در حالت گروه بندي‬
160
140
120
100
80
60
40
20
0
1.52
3.16
4.906
Mean distance from 8 nearest around sam ples
Number of error samples
6.867
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫برنامه های کاربردی تجارت الکترونیک سیار‬
‫تجارت الکترونیک‬
‫تجارت الکترونیک سیار‬
‫مدیریت روابط با مشتری‬
‫‪ ‬اداره سیار‬
‫مدیریت کامپیوتری تولید و استفاده از‬
‫‪ ‬تراکنش های مالی‬
‫سیستم های هوش تجاری‬
‫‪ ‬برنامه های مربوط به چرخه تولید مدیریت توزیع‬
‫عرضه سرگرمی های مختلف‬
‫‪ ‬انتقال اطالعات دیجیتال‬
‫مدیریت محصوالت زنجیره تولید‬
‫‪Mobile‬‬
‫‪user‬‬
‫‪Wireless services‬‬
‫‪producers‬‬
‫‪Mobile banking‬‬
‫‪Mobile buying‬‬
‫‪Mobile Micro Payment‬‬
‫عرضه سرویسهای اضطراری‬
‫جست وجوی خدمات خاص‬
‫تبلیغات سیار‬
‫‪Mobile to Mobile Money‬‬
‫‪transfer‬‬
‫تعیین موقعیت در برنامه های کاربردی تجارت‬
‫الکترونیک سیار‬
‫‪ ‬برنامه های مربوط به چرخه تولید‬
‫مديريت روابط با مشتری‬
‫مديريت توزيع‬
‫مديريت محصوالت زنجيره توليد‬
‫عرضه سرویسهای اضطراری‬
‫‪ ‬انتقال اطالعات دیجیتال‬
‫جست وجوی خدمات خاص‬
‫تبلیغات سیار‬
‫پارامترهای تعیین موقعیت در برنامه های کاربردی‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫هزینه‬
‫پیچیدگی‬
‫دقت‬
‫مقیاس پذیری‬
‫امنیت‬
‫پوشش‬
‫پایین‬
‫‪ -1‬سیستم های راهنما برای‬
‫کم‬
‫نمایشگاه ها‪ ،‬موزه ها‬
‫سیستم جست وجوی‬
‫در حدود ‪2‬متر‪ %10،‬از‪-2‬نمونه ها‬
‫محصوالت خاص‬
‫باشدآگاه از‬
‫سیار‬
‫در محدوده ای که اندازه ‪-3‬‬
‫تبلیغاتداشته‬
‫گیری وجود‬
‫موقعیت‬
‫بسته به مکانیزم مورد استفاده دارد‬
‫در حدود محدوده شبکه بی سیم‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫تبلیغات سیار‬
Mobile advertisement
Location Based
Non Location
Based
Outdoor (GOS, general mobile
infrastructure, etc)
push
Pull
Indoor (Sensor technique, location
fingerprinting, etc )
Offline
Online
push
Pull
‫روند تعیین موقعیت‬
‫‪ -5‬محاسبه موقعیت‬
‫‪-4‬ارسال سيگنال دريافتی با پيام‬
‫های کنترلی‬
‫‪Location server‬‬
‫‪-3‬ارسال سیگنال با پیام های کنترلی‬
‫‪Wireless‬‬
‫‪Network‬‬
‫‪User Mobile‬‬
‫‪device‬‬
‫‪-2‬ارسال پيامهای کنترلی با تقاضای دريافت سيگنال‬
‫‪ -1‬اندازه گيری قدرت سيگنال‬
‫تبلیغات در حالت ”دریافت“‬
‫‪Advertising‬‬
‫‪And Pricing‬‬
‫‪User Preference‬‬
‫‪Database‬‬
‫سرور مديريت تبليغات‪ ،‬تقاضاي دريافت‬
‫عالقه هاي شخصي کاربر را از سرور‬
‫مربوطه مي کند‪.‬‬
‫‪Ad‬‬
‫‪Server‬‬
‫‪Location‬‬
‫‪Server‬‬
‫کاربر تقاضاي دريافت تبليغات آگاه از موقعيت‬
‫را مي کند‬
‫سرور مديريت تبليغات‪ ،‬تقاضاي دريافت‬
‫موقعيت محل را از سرور موقعيت مي کند‪.‬‬
‫سرور مديريت تبليغات با ارسال اين موقعيت و عالقه هاي‬
‫فردي کاربر‪ ،‬با دسترسي به بانک اطالعاتي تبليغات‪ ،‬بهسرور مديريت تبليغات با پيگيري رفتار‬
‫اطالعات مطابق با عالئق و موقعيت کاربردسترسي پيداکاربر ‪ ،‬به تصحيح بانک اطالعات‬
‫مي کند‬
‫شخصي کاربر می پردازد ‪.‬‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫نتیجه گیری‬
‫‪100‬‬
‫‪90‬‬
‫‪80‬‬
‫‪SVM‬‬
‫‪BAY‬‬
‫‪‬‬
‫‪‬‬
‫‪MLP‬‬
‫‪Number‬‬
‫‪70‬‬
‫‪60‬‬
‫تعیین موقعیت دستگاهاي سیار فضاي بسته‬
‫این مقاله به ارائه یک روش تخمین موقعیت براي محیط هاي‬
‫بسته با زیر ساختار شبکه بي سیم محلي با استفاده از شبکه‬
‫عصبي شعاع مداري پرداخته است‪.‬‬
‫رگرسیون با روش انتخاب مجموعه آموزشي بطور تصادفي‬
‫رگرسیون با انتخاب مجموعه آموزشي بر حسب مقایسه‬
‫سیگنال‬
‫‪50‬‬
‫‪RBF‬‬
‫‪40‬‬
‫‪30‬‬
‫)‪RBF (nearest signal‬‬
‫‪K nearest neighbors‬‬
‫‪20‬‬
‫‪10‬‬
‫‪0‬‬
‫‪10 11 13‬‬
‫‪9‬‬
‫‪7‬‬
‫‪8‬‬
‫‪6‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫)‪Error(meter‬‬
‫‪92‬‬
‫‪85‬‬
‫‪77‬‬
‫‪70‬‬
‫‪62‬‬
‫‪55‬‬
‫‪48‬‬
‫‪40‬‬
‫‪33‬‬
‫‪25‬‬
‫‪18‬‬
‫‪K Nearest Neighbor‬‬
‫‪Nearest Neighbor‬‬
‫‪11‬‬
‫‪RBF nearest dataset‬‬
‫‪dataset‬‬
‫‪RBF random‬‬
‫‪3‬‬
‫‪Pe rce nt of sa mple‬‬
‫)‪MeanError(m‬‬
‫‪‬‬
‫‪‬‬
‫‪9‬‬
‫‪8‬‬
‫‪7‬‬
‫‪6‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫‪0‬‬
‫نقاط واقعی‬
‫نتیجه گیری‬
‫رگرسیون تزدیکترین سیگنال =‪25‬‬
‫رگرسیون تصادفی=‪29‬‬
‫‪ ‬نتایج در حالت گروه بندي با اعمال روشهاي ذیل براي گروه بندي‬
‫بدست آمد‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫گروه بندي بر مبناي اطالعات حاصل از رگرسیون‬
‫گروه بندي با انتخاب مجموعه آموزشي بصورت تصادفي‬
‫گروه بندي باانتخاب نزدیكترین نمونه ها از نظر سیگنال در مجموعه آموزشي‬
‫گروه بندي با طراحي شبکه عصبي براي هر گروه‬
‫‪ ‬نتایج مربوطه نشان داد که در بدترین حالت میزان خطا برابر ‪29‬‬
‫نمونه ودر بهترین حالت میزان خطا برابر ‪ 16‬نمونه مي باشد و با‬
‫توجه به آنکه ‪ 257‬نمونه براي آزمایش وجود داشت سیستم داراي‬
‫قدرت تشخیص ‪ %90‬نمونه ها را دارا است‬
‫گروه بندی برای هر گروه=‪16‬‬
‫گروه بندی تصادفی=‪20‬‬
‫گروه بندی تزدیکترین سیگنال =‪17‬‬
‫نتیجه گیری‬
‫‪ ‬چگونگي ساختار نقاط تشکیل دهنده نقشه رادیویي و بالتبع مجموعه‬
‫آموزشي و تاثیر گرانولیتي این نقاط (فاصله طولي و عرضي نقاط بر‬
‫حسب متر) بر میزان دقت ارائه شده توسط سیستم مورد بررسي قرار‬
‫گرفت و این نتیجه بدست آمد که مي توان با کاهش فاصله بین نقاط‬
‫مجموعه آموزش‪ ،‬دقت سیستم را افزایش داد که چگونگي آن نیاز به‬
‫بررسي بیشتر دارد که مي تواند در آینده مورد بررسي قرار بگیرد‪.‬‬
‫‪ ‬زمان پاسخگویی سیستم در در حالت انتخاب مجموعه آموزشی بر‬
‫حسب نزدیکترین سیگنال بسیار کاش می یابد‬
‫‪ ‬سیستم با پیچیدگی کم جواب های خوبی ارائه می دهد‪.‬‬
‫نیاز به بررسی های بیشتر در آینده‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫تاثیر گرانولیتی نقاط در پارامترهای مورد ارزیابی‬
‫در ساخت مجموعه آموزشي موقعیت هاي دو بعدي(‪ )x,y‬مورد بررسي قرار داده‬
‫شد و لکن بسیاري از فضاهاي دروني شامل ساختمانهاي چندین طبقه هستند و لذا‬
‫بررسي روش با استفاده از سه موقعیت(‪ ) x,y,z‬میتواند در آینده مناسب باشد‪.‬‬
‫اثر حرکت کاربر و چگونگي تطابق برنامه با آن هم مي تواند در دستور کار قرار‬
‫بگیرد‪.‬‬
‫بررسي داشتن اندازه گیري هاي فراوان در هر نقطه به نحوي که بتوان در هر‬
‫موقعیت چگالي تابع سیگنال را بدست اورد و بررسي این مورد در تعیین موقعیت‬
‫مي تواند دنبال داشت‪.‬‬
‫نیز‬
‫تاثیر موقعیت چگونگي ایستگاه هاي پایه نیز مي تواند یکي از موضوغات جالب‬
‫در تحقیقات آتي مي باشد‪.‬‬
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫مراجع‬
[1] Harter. A, Hopper. A, Steggles. P, Ward. A, and Webster. B, The anatomy of a context-aware application, In 5th Annual ACM/IEEE
International
Conference on Mobile Computing and Networking (Mobicom 99), (1999).
[2] Moran. T. P, and Dourish. P, Introduction to this special issue on context-aware com-puting, Human-Computer Interaction, vol. 16, no.
2,3,& 4, pp. 87-95, (2001).
[3 Battiti. R, Brunato. M, andVillani. A, Statistical learning theory for location
fingerprinting in wireless lans, Technical Report, Oct. (2002).
[Online]. Available: http://rtm.science.unitn.it/battiti/archive/86.pdf
[4] Battiti. R, Le Nhat. T, and Villani. A, Location–aware computing: a neural network model for determining location in wireless LANs,
Technical Report 5, Dipartimento di Informaticae Telecomunicazioni, Unversita’ di Trento, (Feb 2002).
[5] Bulusu. N, Heidemann. J, and Estrin. D, GPSless Low Cost Outdoor Localization For Very Small Devices, Tech. Rep. 00-729, Computer
Science Department, University of Southern California, (Apr. 2000).
[6] Want. R, Hopper. A, Falco. V, and.Gibbons. J, The Active Badge Location System. ACM Transactions on Information Systems,
10(1):91- 102, (January 1992).
[7] Azuma. R, Tracking Requirements for Augmented Reality, Communications of the ACM, Vol. 36, No. 7, pp: 50-51, (July 1993).
[8] Harter. A, Hopper. A, Steggles. P, Ward, and Webster. P, The anatomy of a context-aware application, in Proc. ACM International
Conference on Mobile Computing and Networking (MOBICOM'99), Seattle, WA, (Aug. 1999).
[9] Priyantha. N. B, Chakraborty. A, and Balakrishnan. H, The cricket location-support system, in Proc. ACM International Conference on Mobile
Computing and Networking(MOBICOM'00), Boston, MA, pp. 32-43, (Aug. 2000).
[10] Pahlavan. K, Li. Xi, and Makela. J. P, Indoor geolocation science and technology,
IEEE Commun. Mag., vol. 40, no. 2, pp. 112-118, (Feb. 2002).
[11] Bahl. P, and Padmanabhan. V. N, RADAR: an in-building RF-based user location and tracking system, in Proc. IEEE Nineteenth Annual
Joint Conference of the IEEE Computer and Communications Societies (INFOCOM'00), Tel Aviv, Israel, (Mar. 2000).
[12] Ekahau, Positioning Engine 2.1. User Guide, Ekahau, Inc., (2003). [Online]. Available: http://www.ekahau.com
[13] Prasithsangaree. P, Krishnamurthy. P, and Chrysanthis. P. K, On indoor position
location with wireless LANs, in Proc. IEEE International Symposium on Personal,
Indoor, and Mobile Radio Communications (PIMRC'02), Lisbon, Portugal, (Sept. 2002).
‫مضمون‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫بافت چیست؟‬
‫تقسیم بندی های مختلف تعیین موقعیت و روشهای اصلی مطرح برای آن‬
‫روش ها و سیستم های مطرح شده بر اساس انگشت نگاری محلی‬
‫روش پیشنهادی‬
‫ارزیابی روش پیشنهادی‬
‫آشنایی با برنامه های مختلف تجارت سیار و جایگاه تعیین موقعیت در آنها‬
‫تبلیغات سیار‬
‫نتیجه گیری‬
‫مراجع‬
‫ارسال مقاالت‬
‫ارسال مقاالت‬
‫ کنفرانس مهندسی برق‬
 Special Issue JTAER 2007
 EDAS Publication(Europa-2007)