Fingerprint based positioning methods have been widely used in location positioning systems. In fingerprinting, a database is created using the received signal strength values in the area of interest. The position prediction is performed by finding the best match between the online measured RSS value and the existing RSS values in the database. In this position estimation process, many machine learning algorithms have been used. With location positioning being increasingly important for places with large areas such as malls and airports, the fingerprinting databases will become larger, making it computationally more difficult to position targets in real time. On the other hand, with increasing dominance of real-time applications such as Augmented Reality (AR), we need to be able to position a target in almost real time. Therefore, in this thesis, we propose to use feature selection algorithms with the K-nearest neighbors (KNN) and Support Vector Machine (SVM) algorithms to create a simple and swift system in location positioning. We have evaluated various feature selection algorithms . Our results showed that with the proper feature selection algorithms, computational overhead could be reduced by more than %60.

Konum belirleme sistemlerinde parmak izi tabanlı konumlandırma yöntemleri yaygın olarak kullanılmaktadır. Parmak izinde, ilgili alanda alınan sinyal gücü değerleri kullanılarak bir veritabanı oluşturulur. Konum tahmini, çevrimiçi ölçülen RSS değeri ile veritabanındaki mevcut RSS değerleri arasındaki en iyi eşleşmeyi bularak gerçekleştirilir. Bu pozisyon belirleme sürecinde, pek çok makine öğrenme algoritması kullanılmıştır. Alışveriş merkezleri ve havaalanları gibi geniş alanlara sahip yerler için konumlandırma giderek daha önemli hale geldiği için, parmak izi veritabanları daha büyük olacak ve hedeflerin gerçek zamanlı olarak konumlandırılmasını hesaplamak daha zor hale gelecektir. Öte yandan, Artırılmış Gerçeklik (AR) gibi gerçek zamanlı uygulamaların hâkimiyetinin artmasıyla, bir hedefi neredeyse gerçek zamanlı olarak konumlandırabilmemiz gerekir. Bu nedenle, bu tezde, konumlandırmada basit ve hızlı bir sistem oluşturmak için en yakın K (komşu) (KNN) ve Destek Vektör Makinesi (SVM) algoritmalarıyla özellik seçim algoritmaları kullanmayı öneriyoruz. Çeşitli özellik seçim algoritmalarını değerlendirdik. Sonuçlarımız, özellik seçim algoritmalarıyla birlikte hesaplama ek yükünün %60'tan fazla azaltılabileceğini göstermiştir.