Анализ возможностей определения местоположения в сети Wi-Fi с использованием алгоритмов нейронных сетей

Позиционирование внутри помещений в сети Wi-Fi относится к классу задач, в которых зависимость выходных характеристик от входных переменных подвержена влиянию многих параметров и внешних факторов. При решении таких задач необходимо учитывать, что в определении местоположения существенный интерес представляет не только определение статических координат объекта, но и прогнозирование вектора его перемещений. В случае, когда местоположение объекта определяется только по уровню мощности сигнала, принимаемого от нескольких точек доступа в сети Wi-Fi, использование моделей затухания сигнала, учитывающих условия распространения радиоволн внутри помещений, затруднено из-за необходимости в достоверных сведениях о материале перекрытий, пола и потолка, наличии фиксированных и мобильных затеняющих объектов и т.д. Поскольку электромагнитная обстановка внутри помещения меняется в зависимости от многих факторов, вышеупомянутые модели приходится подстраивать под эти изменения. Так как нахождение закономерностей в большом объёме данных требует нестандартных алгоритмов, для решения задачи позиционирования можно использовать искусственные нейронные сети. Важно выбрать архитектуру нейронной сети, способную учитывать изменения уровня сигнала, принимаемого мобильным устройством от точек доступа сети Wi-Fi. Перед обучением нейронной сети проводится предобработка статистических данных. Например, из набора данных для машинного обучения исключаются аномальные случаи, когда в одной измерительной точке устройство фиксирует сигнал менее чем от трех точек доступа. В результате анализа статистических данных было установлено, что одинаковое расстояние между измерительными точками приводит к тому, что нейронная сеть неверно определяет местоположение объекта. В работе показано, что в целях повышения точности позиционирования местоположения в условиях сложной радиообстановки при составлении радиокарт необходимо определить оптимальные варьирующиеся расстояния между измерительными точками. Проведённые экспериментальные исследования с учётом предложенного подхода к оптимизации расстояний между измерительными точками доказывают, что точность определения местоположения в подавляющем большинстве измерительных точек достигает 100%.

Wi-Fi, позиционирование, измерительная точка, RSSI, нейронная сеть, мощность сигнала, скрытый слой, машинное обучение, обучающая выборка, набор обучающих данных