Comparison of Indoor Location Determination Methods That Use Wi-Fi Fingerprinting

Muhammed Fahri Ünlerşen; Mustafa Yağcı

Makale detayları

Comparison of Indoor Location Determination Methods That Use Wi-Fi Fingerprinting

Yazarlar:

Muhammed Fahri Ünlerşen | Mustafa Yağcı

Yayıncı:

Necmettin Erbakan University

Ana Başlıklar:

Nöral Ağlar | Makine Öğrenme (Diğer) | Mühendislik Elektromanyetiği | Elektronik Algılayıcılar | Gömülü Sistemler | Radyo Frekansı Mühendisliği | Sinyal İşleme

Dergi:

Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.6 Issue 3, pp.444-456

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001326730

pISSN:

2667-7989

Anahtar kelimeler:

Özet:

 Navigation systems have become an indispensable part of our daily lives. In order for this to be achieved, it is necessary to determine the local location. The most commonly used location determination method is the Global Positioning System GPS. GPS signals often cannot penetrate closed areas. For this reason, using GPS for navigation in closed areas is not efficient. For this reason, different methods have been developed for position determination for navigation in closed areas. The primary method of these is position estimation via Wi-Fi fingerprint. There are many studies done on this subject. In this article, the performance of different machine learning methods in indoor location estimation based on wireless network signal strength is examined. Using a dataset, methods such as artificial neural networks, k-NN, linear regression, support vector machines, decision trees, and random forests were applied, and the results were compared. The database used is explained in detail. It is explained how this database is applied to machine learning algorithms. In the results, the most successful method and the factors affecting success were evaluated.

 Navigation systems have become an indispensable part of our daily lives. In order for this to be achieved, it is necessary to determine the local location. The most commonly used location determination method is the Global Positioning System GPS. GPS signals often cannot penetrate closed areas. For this reason, using GPS for navigation in closed areas is not efficient. For this reason, different methods have been developed for position determination for navigation in closed areas. The primary method of these is position estimation via Wi-Fi fingerprint. There are many studies done on this subject. In this article, the performance of different machine learning methods in indoor location estimation based on wireless network signal strength is examined. Using a dataset, methods such as artificial neural networks, k-NN, linear regression, support vector machines, decision trees, and random forests were applied, and the results were compared. The database used is explained in detail. It is explained how this database is applied to machine learning algorithms. In the results, the most successful method and the factors affecting success were evaluated.

 Navigation systems have become an indispensable part of our daily lives. In order for this to be achieved, it is necessary to determine the local location. The most commonly used location determination method is the Global Positioning System GPS. GPS signals often cannot penetrate closed areas. For this reason, using GPS for navigation in closed areas is not efficient. For this reason, different methods have been developed for position determination for navigation in closed areas. The primary method of these is position estimation via Wi-Fi fingerprint. There are many studies done on this subject. In this article, the performance of different machine learning methods in indoor location estimation based on wireless network signal strength is examined. Using a dataset, methods such as artificial neural networks, k-NN, linear regression, support vector machines, decision trees, and random forests were applied, and the results were compared. The database used is explained in detail. It is explained how this database is applied to machine learning algorithms. In the results, the most successful method and the factors affecting success were evaluated.

 Navigasyon sistemleri günlük hayatımızın vazgeçilmez bir parçası haline gelmiştir. Bunun gerçekleştirile bilinmesi için ise yerel konumun tespiti gereklidir. En yaygın kullanılan konum tespit metodu Global Konumlama Sistemidir GPS. GPS sinyalleri kapalı alanlara çoğu zaman giremez. Bu sebeple kapalı alanlarda navigasyon için GPS kullanımı verimli değildir. Bu sebeple kapalı alanlarda navigasyon için konum belirleme işlemi için farklı metotlar geliştirilmiştir. Bunların başta gelen metodu Wi-Fi parmak izi ile pozisyon tahminidir. Bu konuda yapılmış birçok çalışma mevcuttur. Bu makalede, kablosuz ağ sinyal gücüne dayalı iç mekân konum tahmininde farklı makine öğrenimi yöntemlerinin performansı incelenmiştir. Bir veri kümesi kullanılarak yapay sinir ağları, k-NN, doğrusal regresyon, destek vektör makineleri, karar ağacı ve rastgele orman gibi yöntemlerin uygulanması ve sonuçların karşılaştırılması yapılmıştır. Kullanılan veri tabanı detaylı olarak açıklanmıştır. Bu veri tabanının makine öğrenme algoritmalarına nasıl uygulandığı izah edilmektedir. Sonuçlarda en başarılı metot ve başarıya etki eden faktörler değerlendirilmiştir.

Makale detayları

Comparison of Indoor Location Determination Methods That Use Wi-Fi Fingerprinting

Yazarlar:

Muhammed Fahri Ünlerşen | Mustafa Yağcı

Yayıncı:

Necmettin Erbakan University

Ana Başlıklar:

Nöral Ağlar | Makine Öğrenme (Diğer) | Mühendislik Elektromanyetiği | Elektronik Algılayıcılar | Gömülü Sistemler | Radyo Frekansı Mühendisliği | Sinyal İşleme

Dergi:

Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.6 Issue 3, pp.444-456

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001326730

pISSN:

2667-7989

Wi-Fi fingerprint

Indoor location estimation

Artificial intelligence

Neural networkWi-Fi parmak izi

Kapalı alan konum kestirimi

Yapay zekâ

Sinir ağları

Sayı

Makale detayları

Yazarlar: Muhammed Fahri Ünlerşen | Mustafa Yağcı

Yayıncı: Necmettin Erbakan University

Ana Başlıklar: Nöral Ağlar | Makine Öğrenme (Diğer) | Mühendislik Elektromanyetiği | Elektronik Algılayıcılar | Gömülü Sistemler | Radyo Frekansı Mühendisliği | Sinyal İşleme

Dergi: Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.6 Issue 3, pp.444-456

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001326730

pISSN: 2667-7989

Sayı

Yazarlar:

Muhammed Fahri Ünlerşen | Mustafa Yağcı

Yayıncı:

Necmettin Erbakan University

Ana Başlıklar:

Nöral Ağlar | Makine Öğrenme (Diğer) | Mühendislik Elektromanyetiği | Elektronik Algılayıcılar | Gömülü Sistemler | Radyo Frekansı Mühendisliği | Sinyal İşleme

Dergi:

Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.6 Issue 3, pp.444-456

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001326730

pISSN:

2667-7989