İç mekan konumlandırma sistemleri, kapalı ortamlarda kişinin veya bir nesnenin yerini belirleme olanağı sunmaktadır. Havalimanları, alışveriş merkezleri, hastaneler ve üniversiteler gibi kapalı ortamlarda kişilerin veya bir nesnenin konumunun bulunabilmesi günümüzde birçok alanda gerek duyulmaktadır. Dış ortamlarda küresel uydu sistemleri aracılığı ile konum belirleme yaygın bir şekilde kullanılmaktadır. Ancak iç mekanlarda önemli bir etken olan doğruluk parametresi, sinyallerin rastgele dalgalanmalarından ve gürültülerden önemli derecede etkilendiğinden dolayı küresel uydu sistemleri iç ortamlarda başarılı olamamaktadır. Bu durum kapalı alanlarda başarılı olacak alternatif sistemlerin gerekliliğini ortaya çıkarmaktadır. Günlük hayatta mevcut olan sinyal kaynaklarını ek bir donanıma gerek kalmadan kullanan ve birçok kapalı alanda bulunan Wi-Fi erişim noktaları kapalı alan konum tahmininde yaygın olarak kullanılmaktadır. Bu çalışmada, derin öğrenme metotlarından biri olan yığınlanmış özdevinimli kodlayıcı (Stacked AutoEncoder, SAE) kullanılarak bina ve kat sınıflandırmak üzere yeni bir model tasarlanmıştır. Özdevinimli kodlayıcı doğru ve hassas bir sınıflandırma elde etmek için özellik alanını verimli bir şekilde azaltarak işlem yapmaktadır. Deneysel çalışmalar çok katlı binalardan oluşan literatürde bulunan en kapsamlı UJIIndoorLoc veri seti ile gerçekleştirilmiştir. Veri seti %70 eğitim %30 test olacak şekilde bölünerek deneysel çalışmada kullanılmıştır. Tasarlanan modele veri ön işleme adımı uygulanarak, sınıflandırma başarımına olan etkisi incelenmiştir. UJIIndoorLoc veri seti üzerinden elde edilen deneysel sonuçlar, önerilen SAE modelinin başarılı sonuç verdiğini göstermektedir.
Anahtar Kelimeler: İç mekân konumlandırma, derin sinir ağları, yığınlanmış özdevinimli kodlayıcı, Wi-Fi
|
