fa بهبود مؤلفه‌های مؤثر در روش تعیین موقعیت PDR مبتنی بر تشخیص حالت حرکتی کاربر با استفاده از حسگرهای گوشی‌های همراه هوشمند سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">هدف از این مقاله ارزیابی و بهبود دقت تعیین موقعیت داخلی با استفاده از حسگرهای گوشی هوشمند مبتنی بر روش </span></span><span dir="LTR">Pedestrian Dead Reckoning (PDR)</span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">است. در بعضی شرایط خاص مانند آتش‌سوزی یا قطع برق که باعث ناتوانی روش‌های تعیین موقعیت مبتنی بر زیرساخت می‌شوند، بکارگیری روش </span></span><span dir="LTR">PDR</span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">مبتنی بر حسگرهای گوشی هوشمند که تعیین موقعیت را به صورت پیوسته انجام می‌دهد یک راه‌حل مناسب است.</span></span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">در این مقاله به ارزیابی مؤلفه&shy;های مؤثر روش تعیین موقعیت داخلی بر اساس تشخیص نوع حرکت کاربر پرداخته می&shy;شود. ابتدا نمونه‌های حرکتی با استفاده از بردارهای ویژگی حاصل از داده‌های حسگرها و سه الگوریتم‌ طبقه‌بندی درخت تصمیم‌گیری، ماشین بردار پشتیبان و </span></span><span dir="LTR">K</span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">نزدیک‌ترین همسایه ارزیابی می‌شوند. بردارهای ویژگی پیشنهادی به طور قابل توجهی در مقایسه با ویژگی‌های تحقیقات پیشین در سه الگوریتم طبقه‌بندی بهبود حاصل می‌کنند. از منظر الگوریتم طبقه‌بندی، ماشین بردار پشتیبان با صرف بیشترین زمان پردازش بهترین عملکرد را با دقت 3/99% ارائه می‌دهد. در مرحله‌ی دوم به منظور محلی‌سازی، تشخیص گام بر اساس تعریف دو حدآستانه‌ی بالا و پایین و حدآستانه‌ی زمانی بر مقادیر نٌرم شتاب انجام می‌شود. مولفه‌ جهت نیز از ترکیب داده‌های شتاب‌سنج، مغناطیس‌سنج و ژیروسکوپ بدست می‌آید. آزمایشات محلی‌سازی در حالی که کاربر گوشی را روبه‌روی خود نگه داشته برای دو حالت پیاده‌روی و دویدن در سه مسیر (مربع، دایره‌، مستطیل) انجام ‌می‌شوند. </span></span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">میانگین دقت نهایی حاصل از پیاده‌روی برای سه مسیر به ترتیب برابر با 55/1، 82/1 و 34/2 بدست آمدند. دقت نهایی برای دویدن نیز برای سه مسیر به ترتیب برابر با 7/2، 6/2 و 53/3 حاصل شد</span></span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">.</span></span><br> &nbsp;</div> <div style="text-align: justify;">The purpose of this paper is to evaluate and improve the accuracy of indoor positioning using smartphone sensors based on Pedestrian Dead Reckoning (PDR) method. In some specific situations, such as fires or power outages that disable infrastructure-based positioning techniques, using PDR method based on smartphone sensors that perform positioning continuously is a good solution.This paper focuses on determination of the user&rsquo;s movement type to evaluate effective components of indoor positioning method. First, movement samples are evaluated with the feature-vectors of data from sensors and three classification algorithms (Decision Trees (DT), Support Vector Machine (SVM), and K-Nearest Neighbor (K-NN)). From the perspective of feature-vectors, the proposed features significantly improve the performance of three classification algorithms compared to previous research features. From the perspective of classification algorithm also Support Vector Machine had best performance with %99.3 accuracy, while spending the most time.&nbsp; In the second phase, step detection is performed for norm acceleration values based on the definition of the upper and lower threshold and the time threshold. The directional component is also obtained by combining accelerometers, magnetometer and gyroscope sensors. Localization tests were performed while the user holding the phone in front of him with two states (normal walking, running) in three paths of different geometry (squares, circles and rectangles). The final accuracy obtained from normal walking test for three paths of square, circular and rectangular shapes was %4.8, %3.6, and %2, respectively. The final accuracy of the running mode was also obtained for three paths of square, circular and rectangular shapes equal to %8.4, %5.7, and %4, respectively.</div> تعیین موقعیت داخل ساختمان, تشخیص حالت حرکتی کاربر, Pedestrian Dead Reckoning, حسگرهای گوشی همراه‌ هوشمند Indoor Positioning, Detecting The User’s Movement Mode, Pedestrian Dead Reckoning, Smartphone Sensors 125 144 http://jgst.issgeac.ir/browse.php?a_code=A-10-831-1&slc_lang=fa&sid=1 E. Saadatzadeh اسماعیل سعادت‌زاده es.saadatzadeh@ut.ac.ir 10031947532846006530 10031947532846006530 Yes School of Surveying and Geospatial ٍEngineering University of Tehran دانشکده‌ی نقشه‌برداری دانشگاه تهران R. Aliabbaspour رحیم علی‌عباسپور abaspour@ut.ac.ir 10031947532846006531 10031947532846006531 No Geospatial Information Systems University of Tehran دانشکده‌ی نقشه‌برداری دانشگاه تهران A. R. Chehreghan علیرضا چهرقان chehreghan@sut.ac.ir 10031947532846006532 10031947532846006532 No Faculty of Mining Engineering Sahand University of Technology دانشکده مهندسی معدن دانشگاه صنعتی سهند