Wi-fi tabanlı parmak izi yöntemi kullanarak iç ortam konumlandırma

Abstract

Günümüzde dış ortamlarda kullanıcıyı yönlendirmek amacıyla geliştirilmiş konumlandırma sistemleri, havaalanları, alışveriş merkezleri, hastaneler gibi kapalı ortamlarda da giderek yaygınlaşmaktadır. Dış ortamda GPS gibi küresel navigasyon teknolojileri büyük önem arzederken, uydu bağlantılarının yokluğu sebebiyle bu teknoloji iç ortamlarda yeterli performansı gösterememektedir. Bu yüzden iç ortam konumlandırma için birçok yöntem geliştirilerek en az maliyette en yüksek doğruluk sağlanmaya çalışılmaktadır. Bu yöntemlerden parmak izi yöntemi, varolan sinyal kaynaklarını kullanabildiği ve cep telefonu gibi yaygın kullanılan cihazlar aracılığıyla uygulanabildiği için diğer iç ortam konumlandırma yöntemlerine göre öne çıkmaktadır. Bu tez çalışmasında, parmak izi yönteminde kullanılan yedi adet sınıflandırma yöntemi (k-en yakın komşu, Näive Bayes, Rastgele Orman, Geri Yayılım, Destek Vektör Makineleri, Redpin, WASP), iki farklı ortamdan (ev ve işyeri) elde edilen iki farklı veri setine uygulanmıştır. Oluşturulan veri seti ve literatürde yer alan WASP yöntemi için hazırlanan veri seti; sınıflandırma yöntemleri aracılığıyla karşılaştırılmıştır. Bu yöntemlerin doğruluk yüzdeleri, farklı parametreler ile incelenmiş ve her iki veri setinde de birbirleri ile doğru orantılı grafikler elde edilmiştir. Rastgele Orman yöntemi iki veri setinde de oda seviyesinde %87 (iş yeri) ve %72 (ev) doğruluk oranları ile en iyi sonucu vermiştir. Elde edilen doğruluk yüzdeleri arasındaki farkın nedeni incelenmiştir

Nowadays, localization systems developed in order to guide the user in outdoors are increasingly used in indoors such as airports, shopping malls, hospitals etc. While global navigation technologies such as GPS are effective in outdoors, due to lack of satellite links this tehcnology can not perform adequately in indoor environments. Therefore many methods are developed for indoor localization targeting to provide the highest accuracy at least cost. Among these methods, fingerprinting method surpasses the others because it uses the existing signals in the environment and it can be applied via common used devices such as mobile phones. In this thesis, seven classification methods (k Nearest Neighbor, Näive Bayes, Random Forest, Backpropagation, Support Vector Machine, Redpin, WASP ) used in fingerprinting method were applied to two different datasets obtained from two different environments (home and business). Generated data set and WASP data set in literature were compared by classification methods. The accuracy percentages of these methods were examined with different parameters and proportional graphs were obtained in both datasets. In both datasets, Random Forest method gave the best results with 87% (business) and 72% (home) accuracy rate in room level. The cause of the difference in the accuracy percentages obtained from two datasets was examined.