fa بهبود دقت تعیین موقعیت در مکان‌های سرپوشیده با استفاده از شبکه بی‌سیم با روش اثر مکانی محل ژئودزی و هیدروگرافی Geo&Hydro پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">امروزه سیستم‌های تعیین موقعیت جهانی، در مواقعی که دید مستقیم بین کاربر و ماهواره‌های آن‌ها وجود ندارد، در درون ساختمان‌ها و در ناحیه‌های شهری متراکم کارایی چندانی ندارند. از این‌ رو در سال‌های اخیر سیستم تعیین موقعیت داخلی به‌طور قابل‌توجهی مورداستفاده قرارگرفته است. هدف اصلی این تحقیق تعیین موقعیت در داخل ساختمان با شبکه بی‌سیم می‌باشد. الگوریتم تعیین موقعیت داخلی شبکه بی‌سیم می‌تواند به چند روش انجام شود که به‌طورمعمول از روش اثر مکانی استفاده می‌کنند. در این تحقیق سیستم تعیین موقعیت داخلی برپایه دو روش نزدیک‌ترین همسایه و شبکه عصبی مصنوعی در سه سناریو پیاده‌سازی شده است. به‌منظور افزایش دقت مکانی و کاهش زمان محاسبه، انتخاب فرستنده‌های مناسب و افزایش نقاط مرجع مورد توجه قرار گرفت. </span></span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">در روش نزدیک‌ترین همسایگی با افزایش نقاط به میزان دو برابر با روش درون‌یابی میانگین، میزان دقت هم به میزان تقریباً دو برابر بهبود یافته است که در محیط‌های مختلف با تعداد مختلف نقاط مرجع و پراکندگی مختلف این نتیجه حاصل شده است</span></span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">. در محیط‌هایی همانند سناریو 3 که نقاط مرجع به تعداد بالاتر و با پراکندگی یکسان‌تری پخش شده‌اند دقت تعیین موقعیت در روش نزدیک‌ترین همسایگی بهبود یافته بهتر از شبکه عصبی بهبود یافته است و این دقت برای نزدیک‌ترین همسایگی در 85 درصد موارد زیر 1 متر بوده که در شبکه عصبی در 75 درصد موارد زیر 1 متر می‌باشد؛ اما در محیط‌های که نقاط مرجع دارای تعداد کمتر می‌باشد و پراکندگی یکسانی ندارد روش شبکه عصبی بهبود یافته نتایج بهتری را نسبت به روش نزدیک‌ترین همسایگی خواهد داشت. به‌طوری که دقت نزدیک‌ترین همسایگی بهبود یافته در سناریو 2 در 72 درصد موارد زیر 2 متر بوده که در شبکه عصبی بهبود یافته در 84 درصد موارد زیر دقت 2 متر می‌باشد.</span></span></div> <div style="text-align: justify;">Indoors positioning requires methods that can accurately represent the user&#39;s position. Unfortunately, Global Positioning System (GPS) due to signal attenuation when there are not the direct lines of sight from a mobile phone to least three satellites, especially in dense urban areas and inside the building cannot be used effectively<span dir="RTL">.</span> Internal positioning is based on four methods: time of arrival (TOA), time difference of arrival signal (DTOA), signal angle of arrival (AOA) and signal strength (RSS).<br> Time of arrival, sometimes called <a href="https://en.wikipedia.org/wiki/Time_of_flight" title="Time of flight">time of flight</a> (ToF), is the travel time of a radio signal from a single transmitter to a remote single receiver. This method is used the absolute time of arrival at a certain <a href="https://en.wikipedia.org/wiki/Base_station" title="Base station">base station</a> rather than the measured time difference between departing from one and arriving at the other station. The distance can be directly calculated from the time of arrival as <a href="https://en.wikipedia.org/wiki/Signal_%28electronics%29" title="Signal (electronics)">signals</a> travel with a known <a href="https://en.wikipedia.org/wiki/Group_velocity" title="Group velocity">velocity</a>. Time of arrival data from two base stations will narrow a position to a <a href="https://en.wikipedia.org/wiki/Position_circle" title="Position circle">position circle</a>; data from a third base station is required to resolve the precise position to a single point. Many <a href="https://en.wikipedia.org/wiki/Radiolocation" title="Radiolocation">radiolocation</a> systems, including <a href="https://en.wikipedia.org/wiki/GPS" title="GPS">GPS</a>, use ToA. The time difference of arrival (TDOA) is based on trilateration and uses the time difference measured from two stations to define a hyperbolic curve as an estimation of the position of the mobile device. Using an extra station provides a new hyperbolic and the intersection of two hyperbolic curves give the position of the mobile device. The angle of arrival (AOA) method is based on triangulation and determines the position of a mobile device using intersection of directional lines between the mobile device and at least two base stations. The RSS (Received Signal Strength) sometimes referred as RSSI (Received signal strength indicator) is a measurement of the power present in a received radio signal. The nodes used by the accurate Wi-Fi location monitor and Bluetooth beacon Tracker&nbsp;are capable of measuring the RSS of nearby Wi-Fi and BLE devices.<br> One of the methods of determining the position based on the RSS method is the wireless network signal, which is now used extensively in a local area network. An internal positioning algorithm for a wireless network can be done in three ways: &nbsp;proximity algorithm, triangulation algorithms and sense analysis algorithms. Due to the multi-path effects and the effects of the signal propagation inside the internal environments and the lack of direct vision between the transmitter and the receiver, sense analysis algorithm is used, which is usually based on fingerprint location using signal strength. Fingerprint refers to the way adaptation some of the characteristics of the signal that is dependent on the location. There are at least 3 positioning algorithms based on the fingerprint that use the sense analysis method: probabilistic, nearest neighbor, neural networks. In this paper, the positioning system is implemented based on all three methods and their accuracy is compared with each other. In each of these methods, in order to improve the accuracy of location and time of calculation, the choice of suitable transmitters and the increase of reference points by different methods are compared and their accuracy is compared with the methods of determining position in the usual mode.</div> تعیین موقعیت داخلی, شبکه محلی بی سیم, اثرمکانی محل, تعیین موقعیت با وای فای, نزدیک ترین همسایه, شیکه عصبی مصنوعی Internal Positioning, Wireless Local Area Network, Fingerprint Location, Artificial Neural Network 101 116 http://jgst.issgeac.ir/browse.php?a_code=A-10-124-1&slc_lang=fa&sid=1 B. Voosoghi بهزاد وثوقی vosoghi@kntu.ac.ir 10031947532846005483 10031947532846005483 Yes دانشگاه صنعتی خواجه نصیرالدین طوسی A. Khosravi علی خسروی alikhosravi@mail.kntu.ac.ir 10031947532846005484 10031947532846005484 No دانشگاه صنعتی خواجه نصیرالدین طوسی M. R. Ghaffari Razin میر رضا غفاری رزین rghaffari@mail.kntu.ac.ir 10031947532846005485 10031947532846005485 No دانشگاه صنعتی خواجه نصیرالدین طوسی