07e0894a84909893a34194d490041aab.ppt
- Количество слайдов: 65
ﺍﺭﺍﺋﻪ ﺭﻭﺵ ﺗﺨﻤﻴﻦ ﻣﻮﻗﻌﻴﺖ ﺑﺮﺍﻱ ﻣﺤﻴﻂ ﻫﺎﻱ ﺩﺭﻭﻧﻲ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺷﺒکﻪ ﻋﺼﺒﻲ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﺑﺎ کﺎﺭﺑﺮﺩ ﺩﺭ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺑﺎﻓﺖ چیﺴﺖ؟ § § ﺗﻮﺳﻂ آﻘﺎیﺎﻥ Schilit , Pacoe ﺑﺮﻧﺎﻣﻪ ﻫﺎی آگﺎﻩ ﺍﺯ ﺑﺎﻓﺖ ﻣﻮﻗﻌیﺖ ﺑﺎﻓﺖ ﻋﻼﺋﻖ ﺷﺤﺼی ﺑﺎﻓﺖ ﻓیﺰیکیآگﺎﻩ ﺍﺯ ﻣﻮﻗﻌیﺖ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﺍﻫﺪﺍ ﻑ ﻓﺮﺩ ﺯﻣﺎﻥ ﻋﻼﺋﻖ ﻓﺮﺩ ﻣکﺎﻥ ﺍﻃﻼﻋﺎﺕ ﻭ ﺗﻮﺍﻧﺎیی ﻫﺎی ﻣﻘﺼﺪ ﻓﺮﺩ ﺷﺮﺍیﻂ ﺗﺮﺍﻓیکی ﻣﻌﻠﻮﻟیﺖ ﻫﺎ آﺐ ﻭ ﻫﻮﺍ ﺷﺮﺍیﻂ ﺑﺎﻓﺖ ﻣﺤﺎﺳﺒﺎﺗی ﺣﺎﻓﻈﻪ کﺎﻣپیﻮﺗﺮ پﻬﻨﺎی ﺑﺎﻧﺪ ﺍﻧﺪﺍﺯﻩ ﻣﻮﻧیﺘﻮﺭ پﻬﻨﺎی ﺑﺎﻧﺪ
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ § ﺑﺮﻭﻧی Ø ﺳیﺴﺘﻢ ﻣﺎﻫﻮﺍﺭﻩ ﺟﻬﺎﻧی Ø ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗکﻨیک ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی § ﺩﺭﻭﻧی Ø ﺷﺒکﻪ ﺳﻨﺴﻮﺭﻫﺎ Ø ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗکﻨیک ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی
GPS ﺳﻴﺴﺘﻢ GPS ﺷﺎﻣﻞ 3 ﺑﺨﺶ § ﻓﻀﺎ ﻛﻨﺘﺮﻝ § ﻛﺎﺭﺑﺮﻱ §
ﺷﺒکﻪ ﺳﻨﺴﻮﺭی Active bat ) Cricket(beacons ) Active Badge(Badge, infrared • Active Bat ﺍﺑﺘﺪﺍ ﺗﻮﺳﻂ AT&t ﻭ ﺧﺎﺻیﺖ ﻣﺤﺮﻣﺎﻧگی کﺎﺭﺑﺮ ﻭﺩﺭ §§ ﺑﺮﺍی ﺑﺮآﻮﺭﺩﻩ ﺳﺎﺧﺘﻦ ﺑﻌﺪ ﺗﻮﺳﻂ ﺍﻧﺠﻤﻦ ﻣﻬﻨﺪﺳی کﻤﺒﺮیﺞ کﺎ ﻣﺪیﺮیﺖ ﻏیﺮ ﻣﺘﻤﺮکﺰ ﻣﻄﺮﺡ ﺷﺪ ﻧﺘیﺠﻪ § §ﺑﺮ ﺍﺳﺎﺱ ﺍﺭﺳﺎﻝﻣﺤﻞ ﻫﺎیی ﺍﺯ ﺳﻘﻒ یﺎ ﺟﺎﻫﺎی ﺧﺎﺻیکﺎﺭﺑﺮ ﻓﺮﺳﺘﻨﺪﻩ ﻫﺎ ﺩﺭ ﺍﻣﻮﺍﺝ ﺍیﻨﻔﺮﺍﺭﺩ ﺍﺯ ﺩﺳﺘگﺎﻩ ﻫﻤﺮﺍﻩ ﺑﺎ §ﺩﺳﺘگﺎﻩ کﺎﺭﺑﺮﻫﻢ گیﺮﻧﺪﻩ ﺍﻣﻮﺍﺝ ﺭﺍﺩیﻮیی ﻭ ﻫﻢ ﺍﻣﻮﺍﺝ ﻣﺎﻓﻮ کﺎﺭ ﻣی کﻨﺪ ﺗﻌﺒیﻪ ﺻﻮﺕ ﺩﺍﺭﺩ ﺷﺪﻩ ﺍﻧﺪ §§ﻫﻤﺮﺍﻩ ﺑﺎ ﺭﺍﺩیﻮیی ﺑﺎ ﺍﺭﺳﺎﻝ ﺍﻣﻮﺍﺝ ﺭﺍﺩیﻮیی ﺩﺳﺘگﺎﻩ ﺳﺎﺯی ﺍیﺴﺘگﺎﻩ ﺍﻣﻮﺍﺝ ﺍیﻨﻔﺮﺍﺭﺩ، ﺷﻨﺎﺳﻪ یکﺘﺎی ﻫﺮ ﺑﻪ ﻓﻌﺎﻝ ﻧیﺰ ﺩﺳﺘگﺎﻩ ﻫﻤﺮﺍﻩ ﺑﺎ کﺎﺭﺑﺮ ﻣی پﺮﺩﺍﺯﺩ. ﻣی ﺷﻮﺩ §§ﺍﺭﺳﺎﻝﺍﻣﻮﺍﺝ ﺭﺍﺩیﻮیی ﺑﺎ ﺍﺭﺳﺎﻝ ﺍﻣﻮﺍﺝ ﺭﺍﺩیﻮیی ﺑﻪ ﻓﻌﺎﻝ ﺳیﺴﺘﻢ گیﺮﻧﺪﻩ کﻪ ﺩﺭ چﻨﺪیﻦ ﻣﺤﻞ ﻭﺟﻮﺩ ﺩﺍﺭﺩ ﺑﺎ ﻓﻌﺎﻝ ﺳﺎﺯی ﺍیﺴﺘگﺎﻩ پﺲ ﺍﺯ ﺭﺳیﺪﻥ ﺑﻪ ﺩﺳﺘگﺎﻩ کﺎﺭﺑﺮ، ﺑﻪ ﺍیﻦ ﺩﺭ یﺎ پﺮﺩﺍﺧﺘﻪ، کﻪ ﺳﺒﺐ ﻫﺎ ﻣی پﺮﺩﺍﺯﺩ. ﺗﻮﺳﻂ یک ﺷﺒکﻪ ﺑﻪ ﺍﺭﺳﺎﻝ ﻓﺖ ﺍیﻦ ﺳیگﻨﺎﻝ ﻣیﻭ ﺍﻧﺘﻘﺎﻝﺩﺳﺘگﺎﻩ ﻣﺬکﻮﺭ ﺷﺮﻭﻉ ﺳﺎﺯی ﻓﺮﺳﺘﻨﺪﻩ ﻫﺎ، ﺷﻮﺩ § ﺍیﻦ ﺍﻣﻮﺍﺝ پﺲ ﺍﺯ ﺭﺳیﺪﻥ آﻨﻬﺎﻓﺮﺳﺘﻨﺪﻩ ﻫﺎ ﻭ ﻓﻌﺎﻝ ﺳیﻤی ﻧﻤﻮﺩﻥ ﺑﻪ ﺍﻣﻮﺍﺝ ﻣﺎﻓﻮﻕ ﺻﻮﺕ کﻨﺪ ﺑﻪ ﺍﺭﺳﺎﻝ آﻨﻬﺎ ﺑﻪ یک کﻨﺘﺮﻝﻓﺮﺳﺘﻨﺪﻩ ﺷﺮﻭﻉپﺮﺩﺍﺯﺩ آﻨﻬﺎ، ﺳﺒﺐ ﻣی ﺷﻮﻧﺪ کﻪ ﻣﺮکﺰی ﻣی §گیﺮﻧﺪﻩ ﻫﺎی ﺳﻘﻔی)ﺷﺒکﻪ ﻣﺎﺗﺮیﺴی( ﺑﺎ ﺑﻪ ﺍﺭﺳﺎﻝﺍیﻦ ﺍﻣﻮﺍﺝ ﺩﺭیﺎﻓﺖ ﻭﺍﻣﻮﺍﺝ ﺭﺍﺩیﻮیی ﺑﻪ کﻨﻨﺪ §کﻨﺘﺮﻝ کﻨﻨﺪﻩ ﺻﻮﺕﺗﻌییﻦ ﻓﺎﺻﻠﻪ کﺎﺭﺑﺮ ﻣی پﺮﺩﺍﺯﺩ پﺮﺩﺍﺯﻧ ﺍﻣﻮﺍﺝ ﻣﺎﻓﻮﻕ ﺑﻪ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ کﺎﺭﺑﺮ ﺑﺎ ﺧﻮﺩ ﻣی ﺍیﻦ ﺍﻃﻼﻋﺎﺕ ﻓﺎﺻﻠﻪ ﺍی ﺍﺯ ﻫﻤﻪ گیﺮﻧﺪﻩ ﻭﺍﻣﻮﺍﺝ §§ ﺩﺳﺘگﺎﻩ کﺎﺭﺑﺮ ﺑﺎ ﺩﺭیﺎﻓﺖ ﺍیﻦ ﺍﻣﻮﺍﺝ ﻫﺎ ﺑﻪ کﺎﻣپیﻮﺗﺮ ﺍﺭ ﺭﺍﺩیﻮیی ﺑﺎ ﺗﻌییﻦ ﻫﻤﻪ ﺧﻮﺩ ﻣی پﺮﺩﺍﺯﺩ. ﻭ کﺎﻣپیﻮﺗﺮ ﺑﻪپﺮﺩﺍﺯﺵ ﻓﺎﺻﻠﻪآﻨﻬﺎ ﺑﻪ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ کﺎﺭﺑﺮ پﺮﺩﺍﺯﺩ.
ﺍیﺮﺍﺩﺍﺕ ﻭﺍﺭﺩ ﺑﻪ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ § ﻣﺤﺪﻭﺩﻩ پﻮﺷﺸی § ﻗیﻤﺖ ﻫﺎی ﺯیﺎﺩی § کﺎﺭﺑﺮﺍﻥ § ﺗﻮﺳﻌﻪ ﺩﻫﻨﺪگﺎﻥ ﻧﺮﻡ ﺍﻓﺰﺍﺭﻫﺎ § ﺯیﺮﺳﺎﺧﺘﺎﺭﻫﺎی ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺑﺮﺍی ﺍیﻦ کﺎﺭ ﻣﺤﺪﻭﺩ § کﻤﺒﻮﺩ ﺑﺮﻧﺎﻣﻪ ﻫﺎی کﺎﺭﺑﺮﺩی
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ § ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ ﺑﺮﺍﺳﺎﺱ ﺧﺼﻮﺻﻴﺎﺕ ﻣﻮﺝ ﺭﺍﺩﻳﻮﻳﻲ (RSS: Radio Signal Strength) AOA: Angle of arrive TDOA: time difference of arrival (Location)=L
ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ Location Regression Dimension (x), (x, y, z) Orientation (E, W, N, S), (R, Θ) Classification Li(-1, 1)
ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ Location Probablistic ﺗﺎﺑﻊ چگﺎﻟﻲ، ﺗﺎﺑﻊ ﻣﺸﺎﺑﻬﺖ= ) p(F|L ) (likelihood ﻗﺪﺭﺕ ﺳیگﻨﺎﻝ ﺩﺭﻳﺎﻓﺘﻲ= F ﻣﻮﻗﻌﻴﺖ ﻣﻮﺭﺩﻧﻈﺮ = L Deterministic Pn)T . …, 2 F=(P 1, P ﻣﺘﻮﺳﻂ ﻗﺪﺭﺕ ﺳیگﻨﺎﻝ ﺩﺭیﺎﻓﺘی ﺍﺯ ﻧﻘﻄﻪ ﺩﺳﺘﺮﺳی i ﺍﻡ= Pi F=(σ1, σ 2, …. σ n)T ﻣﺘﻮﺳﻂ ﺍﻧﺤﺮﺍﻑ ﺍﺳﺘﺎﻧﺪﺍﺭﺩ ﺳیگﻨﺎﻝ ﺩﺭیﺎﻓﺘی ﺍﺯ ﻧﻘﻄﻪ ﺩﺳﺘﺮﺳی i ﺍﻡ= σ i
ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ Location Training Mode Measurment M points § L § F(from n access point) Refference Mode F=RSS Training Mode Location
ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ )ﺍﻟگﻮﺭیﺘﻢ ( ﻧﺰﺩیکﺘﺮیﻦ ﻓﺎﺻﻠﻪ Nearest Neighbors Regression & Classification § Deterministic(Mean of Random Variable( § Off_Line On_Line M=Number of Points N=Number of access Point {F 1, F 2, …. Fm} Fi=(P 1 i , P 2 i, ……, Pni) {L 1, L 2, …. L m} S=( S 1, S 2, …. S n)T Dist(S, Fj)≤Dist(S, Fk) Location each k#j
ﺍﻧگﺸﺖﻧگﺎﺭﻱ ﻣﺤﻠﻲ )ﺍﻟگﻮﺭیﺘﻢ ﻧﺰﺩیکﺘﺮیﻦ ﻓﺎﺻﻠﻪ( each k#j Distance Metric ) Dist(S, Fj)≤Dist(S, Fk ﺗﻌﺪﺍﺩ ﻧﻘﺎﻁ ﺩﺳﺘﺮﺳﻲ= n 1=< w i i ﻓﺎﻛﺘﻮﺭ ﻭﺯﻧﻲ )ﻣﻘﺪﺍﺭ ﺍﻭﻟﻴﻪ= 1( پﺎﺭﺍﻣﺘﺮﻧﺮﻡ = ρ ﻓﺎﺻﻠﻪ ﺍﻗﻠﻴﺪﺳﻲ 1= wi ﻭ 2= ρ ﻓﺎﺻﻠﻪ ﻣﻨﻬﺎ ﺗﻦ ) (Manhattan ﻓﺎﺻﻠﻪ ﻣﺎ ﻫﺎﻻﻧﺒﺰ ) ) (Mahalanobs ﻣﺎﺗﺮﻳﺲ ﻛﻮﺍﺭﻳﺎﻳﺲ ( ﺭﻭﺵ k ﻫﺴﻤﺎﻳﻪ ﻧﺰﺩﻳﻚ ) X_tree ﻭ R_Tree ﻭ ﺍﻧﺘﺨﺎﺏ ﺑﻬﻴﻨﻪ k ﻫﻤﺴﺎﻳﻪ ( §
Radar Method § Data Gathering § Empirical method(SS=Signalpower, Sn=Signal/Noise) § we use all of the (more than 20) SS samples collected for each of the 70*4 = 280 (x, y, d, ssi, snri), (69*4=learnining, 1 for test) § signal propagation § The Wall the well-accepted model (is derived the Floor Attenuation § Attenuation Factor(WAF) Rayleigh fading model [Has 93], the Rician distribution model [Ric 44]. Factor propagation model) N, WAF obtain experimentally § § SEARCH Method algorithms for such multidimensional searches (e. g. , RTree [Gut 84], X-Tree [Ber 96], optimal k-nearest neighbor search [Sei 98], etc. ) However, we chose a simple linear. Method for location Estimation time search algorithm because our relatively small data set § (nearest neighbor(s) in signal space (NNSS). and dimensionality § Multiple Nearest Neighbors
Radar Results § § § Max Signal Strength Across orientation Impact of the Number of Data Points Impact of the Number of Samples Impact of User Orientation Tracking a Mobile User
Location Fingerprinting neural network Regression & Classification § Deterministic(Mean of Random Variable( § Off_Line M=Number of Points N=Number of access Point {F 1, F 2, …. Fm} Fi=(P 1 i , P 2 i, ……, Pni) {L 1, L 2, …. L m} On_Line S=( S 1, S 2, …. S n)T پﻴچﻴﺪگﻲ ﺯﻳﺎﺩﻱ ﺑﺮﺍﻱ ﺑﺮﺭﺳﻲ ﺭﻳﺎﺿﻲ ﺟﻌﺒﻪ ﺳﻴﺎﻩ Neural Network
MLP System Proposed By Battiti Propsed By Roberto Battiti, Alessandro Villani, and Thang Le Nhat, Universit`a di Trent § MLP(One hidden Units) § Number of Neuron in Hidden layer(4, 8, 16) § § Learning algorithm: oss =one step secant
Probabilistic Methods § location fingerprints=conditional probability § empirical distributions of RSS at each location based on measured training sets § the kernel method P(F|L) = P(s 1|L)P(s 2|L) … P(s. N|L) § the histogram method a fixed set of bins that counts the frequency of occurrence of RSS samples that fall within a range of each bin. § radio propagation model with estimated radio parameters without using any training set.
ﺍﺟﺰﺍی ﺳیﺴﺘﻢ Horus ﺑﻠﻮک ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺭ ﻓﺎﺯآﺰﻣﺎیﺶ : Correlation handeler ﻣیﺎﻧگیﺮی ﺍﺯ n ﻧﻤﻮﻧﻪ ﻣﺘﻮﺍﻟی : Discrete Space Estimator ﻣﺤﺎﺳﺒﻪ ﻣﻮﻗﻌیﺖ ﺑﺎ ﻟﺴﺘﻔﺎﺩﻩ ﺍﺯ ﻗﺎﻧﻮﻥ ﺑیﺴیﺎﻥ Small scale Estimator Continuos Space Estimator
ﺭﻭﺵ ﺑﺮﺩﺍﺭ ﺣﻤﺎیﺘی § ﺭیﺸﻪ ﺍیﻦ ﺭﻭﺵ ﺩﺭ ﺗﺌﻮﺭی یﺎﺩگیﺮی آﻤﺎﺭی ﻣﻄﺮﺡ ﺷﺪﻩ ﺗﻮﺳﻂ ﻭپﻨیک ) (Vapnik ﺍﺳﺖ کﻪ ﺍﺯ ﺍﺩﻏﺎﻡ آﻤﺎﺭ، یﺎﺩگیﺮی ﻣﺎﺷیﻨی ﻭ. . . ﺣﺎﺻﻞ ﻣی ﺷﻮﺩ. § ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻨکﻪ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺑﻪ ﻋﻨﻮﺍﻥ یک ﺗﺎﺑﻊ ﻏیﺮ ﺧﻄی ﻋﻤﻞ ﻣی کﻨﺪ ﺍیﻦ ﺭﻭﺵ ﺑﺎ ﺍﺭﺍﺋﻪ ﺭﺍ ﻫکﺎﺭﻫﺎیی ﺑﻪ ﺗﻐییﺮ ﻓﻀﺎی ﺍیﻦ ﺳیﺴﺘﻢ ﺍﺯ ﻓﻀﺎی ﻏیﺮ ﺧﻄی ﺑﻪ ﻓﻀﺎی ﺧﻄی ﻣی پﺮﺩﺍﺯﺩ. ﺑﻪ ﺍیﻦ ﻓﻀﺎی ﺧﻄی ، ﻓﻀﺎی ﻭیژﻪ ﻭ ﺑﻪ ﺗﺎﺑﻊ ﺗﺒﺪیﻞ ﺩﻭ ﻓﻀﺎ ﺗﺎﺑﻊ کﺮﻧﻞ ﻣی گﻮیﻨﺪ § پﺲ ﺍﺯ ﺗﻐییﺮ ﻓﻀﺎ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺍیﻦ ﺗﺎﺑﻊ کﺮﻧﻞ ﻭ ﺗﺒﺪیﻞ ﺑﻪ ﺣﺎﻟﺖ ﺧﻄی، ﺍﻟگﻮﺭیﺘﻢ SVM ﺑﻪ ﺗﻌییﻦ ﺳﻄﺢ ﺑﻬیﻨﻪ ﺑﺮﺍی ﺟﺪﺍ ﺳﺎﺯی گﺮﻭﻩ ﻫﺎ ﻣی پﺮﺩﺍﺯﺩ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺍیﻦ کﻪ ﺳﻄﺢ ﺟﺪﺍﺳﺎﺯی یکﺘﺎ ﻧیﺴﺖ ﺳﻄﺢ ﺑﻬیﻨﻪ، ﺳﻄﺤی ﺍﺳﺖ کﻪ ﺑیﺸﺘﺮیﻦ ﻓﺎﺻﻠﻪ ﺭﺍ ﺑﺎ ﻧﺰﺩیکﺘﺮیﻦ ﻧﻘﻄﻪ ﺑﻪ آﻦ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ. ﺑﺮﺍی ﺗﻌییﻦ ﺍیﻦ ﺳﻄﺢ ﺍﺯ ﺑﺮﺩﺍﺭﻫﺎی ﺣﻤﺎیﺘی ﺍﺳﺘﻔﺎﺩﻩ ﻣی ﺷﻮﺩ ﻭ ﻟﺬﺍ ﻣﻨﻈﻮﺭ ﺍﺯ ﺑﺮﺩﺍﺭ ﺣﻤﺎیﺘی ، ﺑﺮﺩﺍﺭﻫﺎی یﺎﺩگیﺮی ﻫﺴﺘﻨﺪ کﻪ ﺑﺮﺍی ﻣﺸﺨﺺ ﻧﻤﻮﺩﻥ ﺳﻄﺢ ﺟﺪﺍ ﺳﺎﺯی ﻻﺯﻡ ﻫﺴﺘﻨﺪ. § ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻨکﻪ ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﻧیﺰ ﺑﺮ ﺍﺳﺎﺱ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺩﺭ پﺮﻭژﻪ ) WILMA ﻣﻄﺮﺡ کﻨﻨﺪﻩ ﺍیﻦ ﺭﻭﺵ( ﻣی ﺑﺎﺷﺪ ﻧﺘﺎیﺞ ﻣﺮﺑﻮﻃﻪ ﺑﻌﺪﺍ ﺑﺮﺭﺳی ﻣی ﺷﻮﺩ.
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺑکﺎﺭگﻴﺮی ﺷﺒکﻪ ﻋﺼﺒی RBF ﺑﺮﺍﻱ ﺍﻟگﻮﺭیﺘﻢ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺭ ﺭﻭﺵ § ﻫﺮ ﻭﺭﻭﺩی ﺑﻪ ﺗﻌﺪﺍﺩی ﺗﻮﺍﺑﻊ ﺷﻌﺎﻋی ﻭﺍﺭﺩ ﻣی ﺷﻮﺩﻧگﺎﺭی ﻣﺤﻠی ﺍﻧگﺸﺖ کﻪ ﺩﺭ ﻧﺘیﺠﻪ یک ﻋﺪﺩ ﺩﺭ ﺧﺮﻭﺟی ﻫﺮ ﺗﺎﺑﻊ ﺑﺪﺳﺖ ﻣی آیﺪ. 11 W §ﺍﺯ ﺗﺮکیﺐ ﺍیﻦ ﻣﻘﺎﺩیﺮ ﺑﺎ ﺿﺮﺍﺋﺐ ﻣﺨﺘﻠﻒ ﺧﺮﻭﺟی ﻫﺎی ﺑﺪﺳﺖ ﻣی آیﺪ 21 W Ap 1 -signal 21 W 22 W x Ap 2 -signal y Apn-signal 1 Wn ﻻﻳﻪ ﺧﺮﻭﺟﻲ ﺟﻤﻊ ﻭﺯﻧﻲ ﺧﻄﻲ(( 2 Wn )|| Fi(S)=∑ wijφ (||S-uj ﻻﻳﻪ ﻭﺭﻭﺩﻱ ﻻﻳﻪ کﺸﻨﺪﻩ((
ﺑکﺎﺭگﻴﺮی ﺷﺒکﻪ ﻋﺼﺒی RBF ﺑﺮﺍﻱ ﺍﻟگﻮﺭیﺘﻢ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺭ ﺭﻭﺵ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی 21 W x 11 W 21 W Ap 1 -signal 22 W Ap 2 -signal y ﻻﻳﻪ ﺧﺮﻭﺟﻲ ﺟﻤﻊ ﻭﺯﻧﻲ ﺧﻄﻲ(( 2 Wn Apn-signal 1 Wn ﻻﻳﻪ ﻭﺭﻭﺩﻱ ﻻﻳﻪ کﺸﻨﺪﻩ(( ﻓﺎﺯ یﺎﺩگیﺮی ﻫﺪﻑ : کﻢ ﻧﻤﻮﺩﻥ ﻣیﺰﺍﻥ ﺧﻄﺎ ﺩﺭ ﻧﻘﺎﻁ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷی -1 ﻣﺮکﺰ ﺗﺎﺑﻊ ﺷﻌﺎﻉ ﻣﺪﺍﺭی -2 ﻭﺍﺭیﺎﻧﺲ ﺗﺎیﻊ ﺷﻌﺎﻉ ﻣﺪﺍﺭی -3 ﺿﺮﺍﺋﺐ §ﺭﻭﺵ ﻫﺎی ﻣﺨﺘﻠﻒ ﺧﻮﺷﻪ ﺑﻨﺪی §ﺭﻭﺵ کﻴﻠﺰ § ﻳﺎﺩگﻴﺮﻱ ﺗﻌﺪﻳﻠﻲ §ﺍﻟگﻮﺭﻳﺘﻢ k ﻣﻴﺎﻧگﻴﻦ §ﺍﻟگﻮﺭﻳﺘﻢ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ p ﻫﻤﺴﺎﻳﻪ §ﺭﻭﺵ ﺩﻟﺘﺎ )"ﻭﻳﺪﺭﻭﺭ" ﻭ"ﻫﻮﻑ"(
§ § ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻧﺮﻡ ﺍﻓﺰﺍﺭ ﻣﻄﻠﺐ ﺑﺮﺍی ﻃﺮﺍﺣی ﺷﺒکﻪ ﻋﺼﺒی RBF ﺗﻨﻈیﻢ ﻣﻴﺰﺍﻥ ﺧﻄﺎﻱ ﻳﺎﺩ گﻴﺮﻱ= )0( ﺗﻨﻈیﻢ ﻣﻴﺰﺍﻥ ﺍﻓﺰﺍﻳﺶ ﺗﻌﺪﺍﺩ ﺗﻮﺍﺑﻊ ﺷﻌﺎﻉ ﻣﺪﺍﺭﻱ ) (Step ﺩﺭ ﻫﺮ گﺎﻡ )2( ﺗﻨﻈیﻢ ﻣﻘﺪﺍﺭ ﻭﺍﺭﻳﺎﻧﺲ ﺗﻮﺍﺑﻊ ﺷﻌﺎﻉ ﻣﺪﺍﺭﻱ ﺗﻮﺳﻂ کﺎﺭﺑﺮ ﺑﺎ پﺎﺭﺍﻣﺘﺮ Spread ﺍﺟﺮﺍی ﺭﻭﺍﻝ ﺗکﺮﺍﺭی ﺯیﺮ Ø ﻣﺤﺎﺳﺒﻪ ﻣﺮﺍکﺰ ﺛﻘﻞ ﻣﻄﺎﺑﻖ ﺑﺎ ﺍﻟگﻮﺭﻳﺘﻢ ) k ﻣﻴﺎﻧگﻴﻦ( Ø ﻣﺤﺎﺳﺒﻪ ﻣﺎﺗﺮﻳﺲ ﺿﺮﺍﺋﺐ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭﻭﺵ گﺮﺍﺩﻳﺎﻥ ﻧﺰﻭﻟﻲ ﻳﺎ ﺩﻟﺘﺎ ) ﺑﺪﻳﻦ ﻣﻨﻈﻮﺭ ﻣﻘﺪﺍﺭ net. adapt. Fcn ﺑﺮﺍﺑﺮ ' 'learngd ﺗﻨﻈﻴﻢ ﺷﺪ. ( Ø ﻣﺤﺎﺳﺒﻪ ﺧﻄﺎ ﺑﻴﻦ ﻣﻘﺎﺩﻳﺮ ﺧﺮﻭﺟﻲ ﺑﺎ ﻣﻘﺎﺩﻳﺮ ﻫﺪﻑ )ﻣﻌﻴﺎﺭ ﻓﺎﺻﻠﻪ ﺍﻗﻠﻴﺪﺳﻲ ( Ø ﺩﺭ ﺻﻮﺭﺗﻴکﻪ ﺍﻳﻦ ﻣﻘﺪﺍﺭ ﺍﺯ ﺧﻄﺎﻱ پﻴﺶ ﻓﺮﺽ ) ( Goal کﻤﺘﺮ ﺑﻮﺩ ﺗﺎﺑﻊ ﺑﺎ ﺍﻓﺰﺍﻳﺶ ﺗﻌﺪﺍﺩ ﺗﻮﺍﺑﻊ ﺷﻌﺎﻉ ﻣﺪﺍﺭﻱ ﺑﺮﺍﺑﺮ ﺑﺎ گﺎﻡ ﺗﻌﺮﻳﻒ ﺷﺪﻩ) (Step ﺑﻪ ﺗکﺮﺍﺭ ﺭﻭﺍﻝ ﻓﻮﻕ ﻣی پﺮﺩﺍﺯﺩ. ﺍیﻦ ﺭﻭﺍﻝ ﺗﺎ ﺯﻣﺎﻧی کﻪ ﺧﻄﺎ ﺑﻪ ﺣﺪ ﻣﻮﺭﺩ ﻧﻈﺮ ﺑﺮﺳﺪ یﺎ ﺗﻌﺪﺍﺩ ﺗﻮﺍﺑﻊ ﺑﺮﺍﺑﺮ ﻭﺭﻭﺩی ﺷﻮﺩ ﺍﺩﺍﻣﻪ پﻴﺪﺍ ﻣﻲ کﻨﺪ.
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﺗﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺍﺭﺯیﺎﺑی ﺭﻭﺵ)ﻣﺤیﻂ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ( § § § ﺍﻃﻼﻋﺎﺕ ﺍﺳﺘﻔﺎﺩﻩ ﺷﺪﻩ ﺩﺭ پﺮﻭژﻪ Wilma ﻣی ﺑﺎﺷﺪ. ﺷﺒﻜﻪ ﻣﺤﻠی LAN ﺩﺭ پﺮﻭژﻪ WILMA ﺷﺎﻣﻞ 6 ﻧﻘﻄﻪ ﺩﺳﺘﺮﺳی AVAYA WP-II ﺑﺎ ﺗﻜﻨﻮﻟﻮژی LUCENT ﺑﺎ آﻨﺘﻦﻫﺎی ﺧﺎﺭﺟی چﻨﺪ ﺟﻬﺘﻪ ﻣیﺑﺎﺷﺪ. ﺗﺠﻬیﺰﺍﺕ ﻣﻮﺑﺎیﻞ ﺍﺯ ﻧﻮﻉ ﻛﺎﻣپیﻮﺗﺮﻫﺎی ﻛﻮچﻚ ﺍﺯ ﻧﻮﻉ COMPAQ ip. AQ 0783 - H ﺑﺎ ﺳیﺴﺘﻢ ﻋﺎﻣﻞ 25. 0 ،Linux ﺗﻄﺒیﻖ ﺩﻫﻨﺪۀ PCMC 1 A ﻭ ﻛﺎﺭﺕ ORINOCO Silver ﺑﺎ ﺗﻜﻨﻮﻟﻮژی Lucent ﻣیﺑﺎﺷﺪ. ﻣﺤیﻂ ﻣﻮﺭﺩ آﺰﻣﺎیﺶ ﺩﺍﺭﺍی ﻓﻀﺎیی ﺑﺎ ﺍﺑﻌﺎﺩ 30× 25 m ﻣیﺑﺎﺷﺪ. ﻧﻤﻮﻧﻪﻫﺎی ﻣﻮﺭﺩ آﺰﻣﺎیﺶ ﺷﺎﻣﻞ 752 ﺍﻧﺪﺍﺯﻩگیﺮی ﺩﺭ ﻛﻞ ﻓﻀﺎ ﻣیﺑﺎﺷﺪ. )ﺩﺭ ﻫﺮ ﻣﻮﻗﻌیﺖ)2 ﺑﻌﺪ( ﺍﺯ ﻫﺮ 6 ﻧﻘﻄﻪ ﺩﺳﺘﺮﺳی ﺍﻧﺪﺍﺯﻩ گیﺮی ﺍﻧﺠﺎﻡ ﺷﺪﻩ ﺍﺳﺖ. . ﻗﺪﺭﺕ ﺳیگﻨﺎﻝ ﺩﺭیﺎﻓﺘی ﺩﺍﺭﺍی ﻣﺤﺪﻭﺩۀ ﻣﺘﻔﺎﻭﺕ ) – 102 d. Bm ﺯﻣﺎﻧی کﻪ ﻓﻘﻂ ﺳیگﻨﺎﻝ ﻧﻮیﺰ ﻗﺎﺑﻞ ﺩﺳﺘﺮﺳی ﺍﺳﺖ ﺗﺎ – 30 d. B ﺩﺭ ﻣﺠﺎﻭﺭﺕ آﻨﺘﻦﻫﺎ ﻭ ﻛﺎﻣپیﻮﺗﺮﻫﺎی ﺟیﺒی ﻗﺎﺑﻠیﺖ ﺗﺤﻤﻞ ﺗﺎ 1 d. B ﺭﺍ ﺩﺍﺭﻧﺪ. ( ﻣﺘﻮﺳﻂ ﺑﺮﺍی ﻣﻌیﺎﺭﻫﺎی ﻣﻘﺎیﺴﻪ ﻋﺒﺎﺭﺕ ﺍﺳﺖ ﻣﺘﻮﺳﻂﺧﻄﺎ،ﻣیﺰﺍﻥ ﺧﻄﺎی ﺍﺯ %05 ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ، %57 ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ، %09 ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ ،ﺗﻌﺪﺍﺩ ﻧﻤﻮﻧﻪﻫﺎی ﻣﻮﺭﺩ ﻧیﺎﺯ ﺩﺭﻣﺠﻤﻮﻋﻪآﻤﻮﺯﺷی ﻭﺗﺤﻠیﻞﻫﺎیﻣﺨﺘﻠﻒ ﺍﺯ ﻧﺘﺎیﺞ ﺑﺪﺳﺖ آﻤﺪﻩ ﻣی ﺑﺎﺷﺪ.
ﺭﻭﺵ ﻫﺎی ﻣﻮﺭﺩ ﺑﺮﺭﺳی Classification )1 -, 1 -, 1 -, 1, 1 -( Li § § Regression )6. 61, 2. 0(=) (x, y ﺍﺭﺍﺋﻪ ﺭﻭﺷﻬﺎی ﻣﺨﺘﻠﻒ ﺗﻌﻴﻴﻦ پﺎﺭﺍﻣﺘﺮﻫﺎﻱ ﺑﻬﻴﻨﻪ ﺑﺮﺍﻱ ﺷﺒکﻪ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﻣﺨﺘﻠﻒ ﺣﺼﻮﻝ ﻧﺘﺎﻳﺞ ﺍﺯ ﺷﺒکﻪ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﺑﻬﻴﻨﻪ ﻣﺨﺘﻠﻒ ﻗﻴﺎﺱ ﻧﺘﺎﻳﺞ ﺧﻮﺩ ﺑﺎ ﻧﺘﺎﻳﺞ ﻣﻮﺟﻮﺩ ﺩﻳگﺮ ﺭﻭﺵ ﻫﺎ
ﺭﻭﺵ ﻫﺎی ﻣﺨﺘﻠﻒ ﺭگﺮﺳیﻮﻥ § ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺭﻭﺵ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﻄﻮﺭ ﺗﺼﺎﺩﻓﻲ § ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺮ ﺣﺴﺐ ﻣﻘﺎﻳﺴﻪ ﺳﻴگﻨﺎﻝ
ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺭﻭﺵ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﻄﻮﺭ ﺗﺼﺎﺩﻓﻲ)ﺗﻌﻴﻴﻦ پﺎﺭﺍﻣﺘﺮﻫﺎﻱ ﺑﻬﻴﻨﻪ ﺑﺮﺍﻱ ﺷﺒکﻪ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﻣﺨﺘﻠﻒ( ﺍﻧﺪﺍﺯﻩ ﺳﻄﺢ گﺴﺘﺮﺵﻫﺎﻱ ﺷﺒکﻪ ﻋﺼﺒﻲ ﺗﻌﺪﺍﺩ ﻧﺮﻭﻥ ﺍﻧﺪﺍﺯﻩ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ
ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺭﻭﺵ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﻄﻮﺭ ﺗﺼﺎﺩﻓﻲ)ﺗﻌﻴﻴﻦ پﺎﺭﺍﻣﺘﺮﻫﺎﻱ ﺑﻬﻴﻨﻪ ﺑﺮﺍﻱ ﺷﺒکﻪ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﻣﺨﺘﻠﻒ( 12= Goal=0 , Spread=30, Number of Neurons 021= Sample in data set
ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺭﻭﺵ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﻄﻮﺭ ﺗﺼﺎﺩﻓﻲ)ﺣﺼﻮﻝ ﻧﺘیﺠﻪ ﺍﺯ ﺷﺒکﻪ ﺑﻬیﻨﻪ ( §ﻣﻴﺰﺍﻥ ﺧﻄﺎﻱ ﻣﺘﻮﺳﻂ ﺑﺮﺍﺑﺮ 2/868 ﻣﺘﺮ ﻣﻲ ﺑﺎﺷﺪ. § ﻫﻤﺎﻧﻄﻮﺭ کﻪ ﻣﺸﺎﻫﺪﻩ ﻣﻲ ﺷﻮﺩ ﻣﻴﺰﺍﻥ ﺧﻄﺎﻱ ﻣﺘﻮﺳﻂ ﺑﺮﺍﻱ 05% ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ ﺯﻳﺮ 2/7 ﻣﺘﺮ ﺍﺳﺖ §ﻋﻼﻭﻩ ﺑﺮ آﻦ کﻤﺘﺮ ﺍﺯ 52% ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ ﺧﻄﺎﻳﻲ ﺑﺎﻻﺗﺮ ﺍﺯ 4 ﻣﺘﺮ ﺩﺍﺭﻧﺪ.
ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺮ ﺣﺴﺐ ﻣﻘﺎﻳﺴﻪ ﺳﻴگﻨﺎﻝ )ﺗﻌﻴﻴﻦ پﺎﺭﺍﻣﺘﺮﻫﺎﻱ ﺑﻬﻴﻨﻪ ﺑﺮﺍﻱ ﺷﺒکﻪ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﻣﺨﺘﻠﻒ( ﺍﻧﺪﺍﺯﻩ ﺳﻄﺢ گﺴﺘﺮﺵﻫﺎﻱ ﺷﺒکﻪ ﻋﺼﺒﻲ ﺗﻌﺪﺍﺩ ﻧﺮﻭﻥ ﺍﻧﺪﺍﺯﻩ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ
ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺮ ﺣﺴﺐ ﻣﻘﺎﻳﺴﻪ ﺳﻴگﻨﺎﻝ )ﺗﻌﻴﻴﻦ پﺎﺭﺍﻣﺘﺮﻫﺎﻱ ﺑﻬﻴﻨﻪ ﺑﺮﺍﻱ ﺷﺒکﻪ ﻣﺪﺍﺭ ﺷﻌﺎﻋﻲ ﻣﺨﺘﻠﻒ( Goal=0 , Spread=3, Number of RBF 01= functions=10, Number of data set
ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺮ ﺣﺴﺐ ﻣﻘﺎﻳﺴﻪ ﺳﻴگﻨﺎﻝ)ﺣﺼﻮﻝ ﻧﺘیﺠﻪ ﺍﺯ ﺷﺒکﻪ ﺑﻬیﻨﻪ ( §ﻣﻴﺰﺍﻥ ﺧﻄﺎﻱ ﻣﺘﻮﺳﻂ ﺑﺮﺍﺑﺮ 1/868 ﻣﺘﺮ ﻣﻲ ﺑﺎﺷﺪ. § ﻫﻤﺎﻧﻄﻮﺭ کﻪ ﻣﺸﺎﻫﺪﻩ ﻣﻲ ﺷﻮﺩ ﻣﻴﺰﺍﻥ ﺧﻄﺎﻱ ﻣﺘﻮﺳﻂ ﺑﺮﺍﻱ 05% ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ ﺯﻳﺮ 1/8 ﻣﺘﺮ ﺍﺳﺖ §ﻋﻼﻭﻩ ﺑﺮ آﻦ کﻤﺘﺮ ﺍﺯ 51% ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ ﺧﻄﺎﻳﻲ ﺑﺎﻻﺗﺮ ﺍﺯ 3 ﻣﺘﺮ ﺩﺍﺭﻧﺪ.
ﺍﺭﺯﻳﺎﺑﻲ ﻧﺘﺎﻳﺞ ﺭگﺮﺳیﻮﻥ § § ﺭﻭﺵ ﻧﺰﺩیکﺘﺮیﻦ ﻫﻤﺴﺎیﻪ ﺭﻭﺵ k ﻫﻤﺴﺎیﻪ ﻧﺰﺩیک 31= K ﺭﻭﺵ RBF ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﺗﺼﺎﺩﻓی ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷی ﺭﻭﺵ RBF ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷی ﺑﺮ ﺣﺴﺐ ﺳیگﻨﺎﻝ ﺭﻭﺵ ﺑیﺴیﺎﻥ ﺷﺒکﻪ ﻋﺼﺒی پﺮﺳپﺘﺮﻭﻥ ﺭﻭﺵ یﺎﺩگیﺮی آﻤﺎﺭی ﺭﻭﺵ ﻭﺯﻥ ﺩﺍﺭ K ﻫﻤﺴﺎیﻪ ﻧﺰﺩیک
ﻣﻘﺎیﺴﻪ ﻧﺘﺎیﺞ ﺑﺮﺍی ﺭﻭﺵ ﺭگﺮﺳیﻮﻥ
گﺮﻭﻩ ﺑﻨﺪی § § گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺮ ﻣﺒﻨﺎﻱ ﺍﻃﻼﻋﺎﺕ ﺣﺎﺻﻞ ﺍﺯ ﺭگﺮﺳﻴﻮﻥ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺼﻮﺭﺕ ﺗﺼﺎﺩﻓﻲ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎﺍﻧﺘﺨﺎﺏ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﻧﻤﻮﻧﻪ ﻫﺎ ﺍﺯ ﻧﻈﺮ ﺳﻴگﻨﺎﻝ ﺩﺭ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﻃﺮﺍﺣﻲ ﺷﺒکﻪ ﻋﺼﺒﻲ ﺑﺮﺍﻱ ﻫﺮ گﺮﻭﻩ
گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺮ ﻣﺒﻨﺎﻱ ﺍﻃﻼﻋﺎﺕ ﺣﺎﺻﻞ ﺍﺯ ﺭگﺮﺳﻴﻮﻥ ﻧﺘﺎیﺞ ﺣﺎﺻﻞ ﺍﺯ ﺭگﺮﺳیﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﺗﺼﺎﺩﻓی ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷی ﻧﺘﺎیﺞ ﺣﺎﺻﻞ ﺍﺯ ﺭگﺮﺳیﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷی ﺑﺮ ﺍﺳﺎﺱ ﻧﺰﺩیکﺘﺮیﻦ ﺳیگﻨﺎﻝ
گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺼﻮﺭﺕ ﺗﺼﺎﺩﻓﻲ ﺍﻧﺪﺍﺯﻩﺳﻄﺢﻧﺮﻭﻥ ﻫﺎﻱ ﺷﺒکﻪ ﻋﺼﺒﻲ ﺍﻧﺪﺍﺯﻩ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺗﻌﺪﺍﺩ گﺴﺘﺮﺵ
گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺼﻮﺭﺕ ﺗﺼﺎﺩﻓﻲ Spread=30, Number of RBF function=50, Number of data set=200
گﺮﻭﻩ ﺑﻨﺪی ﻣﺠﺰﺍ ﺑﺮﺍی ﻫﺮ گﺮﻭﻩ
ﻧﻘﺎﻁ ﻭﺍﻗﻌی گﺮﻭﻩ ﺑﻨﺪی ﺑﺮﺍی ﻫﺮ گﺮﻭﻩ=61 ﻧﺘﺎیﺞ گﺮﻭﻩ ﺑﻨﺪی ﺭگﺮﺳیﻮﻥ ﺗﺰﺩیکﺘﺮیﻦ ﺳیگﻨﺎﻝ =52 گﺮﻭﻩ ﺑﻨﺪی ﺗﺼﺎﺩﻓی=02 ﺭگﺮﺳیﻮﻥ ﺗﺼﺎﺩﻓی=92 گﺮﻭﻩ ﺑﻨﺪی ﺗﺰﺩیکﺘﺮیﻦ ﺳیگﻨﺎﻝ =71
ﻧﺘﺎیﺞ گﺮﻭﻩ ﺑﻨﺪی
ﻧﺘﺎیﺞ گﺮﻭﻩ ﺑﻨﺪی
ﺑﺮﺭﺳﻲ ﺗﺎﺛﻴﺮ گﺮﺍﻧﻮﻟﻴﺘﻲ ﺑﺮ ﺭﻭﻱ ﺧﻄﺎﻱ ﻣﺸﺎﻫﺪﻩ ﺷﺪﻩ ﺩﺭ ﺣﺎﻟﺖ ﺭگﺮﺳﻴﻮﻥ
ﺑﺮﺭﺳﻲ ﺗﺎﺛﻴﺮ گﺮﺍﻧﻮﻟﻴﺘﻲ ﺑﺮ ﺭﻭﻱ ﺧﻄﺎﻱ ﻣﺸﺎﻫﺪﻩ ﺷﺪﻩ ﺩﺭ ﺣﺎﻟﺖ گﺮﻭﻩ ﺑﻨﺪﻱ
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺑﺮﻧﺎﻣﻪ ﻫﺎی کﺎﺭﺑﺮﺩی ﺗﺠﺎﺭﺕ ﺍﻟکﺘﺮﻭﻧیک ﺳیﺎﺭ ﺗﺠﺎﺭﺕ ﺍﻟکﺘﺮﻭﻧیک ﺳیﺎﺭ ﻣﺪیﺮیﺖ ﺭﻭﺍﺑﻂ ﺑﺎ ﻣﺸﺘﺮی § ﺍﺩﺍﺭﻩ ﺳیﺎﺭ ﻣﺪیﺮیﺖ کﺎﻣپیﻮﺗﺮی ﺗﻮﻟیﺪ ﻭ § ﺗﺮﺍکﻨﺶ ﻫﺎی ﻣﺎﻟی ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺳیﺴﺘﻢ ﻫﺎی ﻫﻮﺵ ﺗﺠﺎﺭی § ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺮﺑﻮﻁ ﺑﻪ چﺮﺧﻪ ﺗﻮﻟیﺪ ﻣﺪیﺮیﺖ ﺗﻮﺯیﻊ ﻋﺮﺿﻪ ﺳﺮگﺮﻣی ﻫﺎی ﻣﺨﺘﻠﻒ § ﺍﻧﺘﻘﺎﻝ ﺍﻃﻼﻋﺎﺕ ﺩیﺠیﺘﺎﻝ ﻣﺪیﺮیﺖ ﻣﺤﺼﻮﻻﺕ ﺯﻧﺠیﺮﻩ ﺗﻮﻟیﺪ Mobile user Wireless services producers Mobile banking Mobile buying Mobile Micro Payment Mobile to Mobile Money transfer ﻋﺮﺿﻪ ﺳﺮﻭیﺴﻬﺎی ﺍﺿﻄﺮﺍﺭی ﺟﺴﺖ ﻭﺟﻮی ﺧﺪﻣﺎﺕ ﺧﺎﺹ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ
ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ ﺑﺮﻧﺎﻣﻪ ﻫﺎی کﺎﺭﺑﺮﺩی ﺗﺠﺎﺭﺕ ﺍﻟکﺘﺮﻭﻧیک ﺳیﺎﺭ § ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺮﺑﻮﻁ ﺑﻪ چﺮﺧﻪ ﺗﻮﻟیﺪ ﻣﺪیﺮیﺖ ﺭﻭﺍﺑﻂ ﺑﺎ ﻣﺸﺘﺮی ﻣﺪیﺮیﺖ ﺗﻮﺯیﻊ ﻣﺪیﺮیﺖ ﻣﺤﺼﻮﻻﺕ ﺯﻧﺠیﺮﻩ ﺗﻮﻟیﺪ ﻋﺮﺿﻪ ﺳﺮﻭیﺴﻬﺎی ﺍﺿﻄﺮﺍﺭی § ﺍﻧﺘﻘﺎﻝ ﺍﻃﻼﻋﺎﺕ ﺩیﺠیﺘﺎﻝ ﺟﺴﺖ ﻭﺟﻮی ﺧﺪﻣﺎﺕ ﺧﺎﺹ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ
پﺎﺭﺍﻣﺘﺮﻫﺎی ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ ﺑﺮﻧﺎﻣﻪ ﻫﺎی کﺎﺭﺑﺮﺩی § § § ﻫﺰیﻨﻪ پیچیﺪگی ﺩﻗﺖ ﻣﻘیﺎﺱ پﺬیﺮی ﺍﻣﻨیﺖ پﻮﺷﺶ پﺎییﻦ 1 ﺳیﺴﺘﻢ ﻫﺎی ﺭﺍﻫﻨﻤﺎ ﺑﺮﺍی کﻢ ﻧﻤﺎیﺸگﺎﻩ ﻫﺎ، ﻣﻮﺯﻩ ﻫﺎ ﺩﺭ ﺣﺪﻭﺩ 2ﻣﺘﺮ،01% -2 ﺳیﺴﺘﻢ ﺟﺴﺖ ﻭﺟﻮی ﺍﺯ ﻧﻤﻮﻧﻪ ﻫﺎ ﻣﺤﺼﻮﻻﺕ ﺧﺎﺹ ﺩﺭ ﻣﺤﺪﻭﺩﻩ ﺍی کﻪ ﺍﻧﺪﺍﺯﻩ گیﺮی ﻭﺟﻮﺩ ﺳیﺎﺭ آگﺎﻩ ﺍﺯ 3 ﺗﺒﻠیﻐﺎﺕ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ ﻣﻮﻗﻌیﺖ ﺑﺴﺘﻪ ﺑﻪ ﻣکﺎﻧیﺰﻡ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺩﺍﺭﺩ ﺩﺭ ﺣﺪﻭﺩ ﻣﺤﺪﻭﺩﻩ ﺷﺒکﻪ ﺑی ﺳیﻢ
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ Mobile advertisement Location Based Non Location Based Outdoor (GOS, general mobile infrastructure, etc) push Pull Indoor (Sensor technique, location fingerprinting, etc ) Offline Online push Pull
ﺭﻭﻧﺪ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ -5 ﻣﺤﺎﺳﺒﻪ ﻣﻮﻗﻌیﺖ 4ﺍﺭﺳﺎﻝ ﺳیگﻨﺎﻝ ﺩﺭیﺎﻓﺘی ﺑﺎ پیﺎﻡ ﻫﺎی کﻨﺘﺮﻟی Location server -3ﺍﺭﺳﺎﻝ ﺳیگﻨﺎﻝ ﺑﺎ پیﺎﻡ ﻫﺎی کﻨﺘﺮﻟی Wireless Network User Mobile device -2ﺍﺭﺳﺎﻝ پیﺎﻣﻬﺎی کﻨﺘﺮﻟی ﺑﺎ ﺗﻘﺎﺿﺎی ﺩﺭیﺎﻓﺖ ﺳیگﻨﺎﻝ -1 ﺍﻧﺪﺍﺯﻩ گیﺮی ﻗﺪﺭﺕ ﺳیگﻨﺎﻝ
ﺗﺒﻠیﻐﺎﺕ ﺩﺭ ﺣﺎﻟﺖ ”ﺩﺭیﺎﻓﺖ“ Advertising And Pricing User Preference Database ﺳﺮﻭﺭ ﻣﺪﻳﺮﻳﺖ ﺗﺒﻠﻴﻐﺎﺕ، ﺗﻘﺎﺿﺎﻱ ﺩﺭﻳﺎﻓﺖ ﻋﻼﻗﻪ ﻫﺎﻱ ﺷﺨﺼﻲ کﺎﺭﺑﺮ ﺭﺍ ﺍﺯ ﺳﺮﻭﺭ ﻣﺮﺑﻮﻃﻪ ﻣﻲ کﻨﺪ. Ad Server Location Server کﺎﺭﺑﺮ ﺗﻘﺎﺿﺎﻱ ﺩﺭﻳﺎﻓﺖ ﺗﺒﻠﻴﻐﺎﺕ آگﺎﻩ ﺍﺯ ﻣﻮﻗﻌﻴﺖ ﺭﺍ ﻣﻲ کﻨﺪ ﺳﺮﻭﺭ ﻣﺪﻳﺮﻳﺖ ﺗﺒﻠﻴﻐﺎﺕ، ﺗﻘﺎﺿﺎﻱ ﺩﺭﻳﺎﻓﺖ ﻣﻮﻗﻌﻴﺖ ﻣﺤﻞ ﺭﺍ ﺍﺯ ﺳﺮﻭﺭ ﻣﻮﻗﻌﻴﺖ ﻣﻲ کﻨﺪ. ﺳﺮﻭﺭ ﻣﺪﻳﺮﻳﺖ ﺗﺒﻠﻴﻐﺎﺕ ﺑﺎ ﺍﺭﺳﺎﻝ ﺍﻳﻦ ﻣﻮﻗﻌﻴﺖ ﻭ ﻋﻼﻗﻪ ﻫﺎﻱ ﻓﺮﺩﻱ کﺎﺭﺑﺮ، ﺑﺎ ﺩﺳﺘﺮﺳﻲ ﺑﻪ ﺑﺎﻧک ﺍﻃﻼﻋﺎﺗﻲ ﺗﺒﻠﻴﻐﺎﺕ، ﺳﺮﻭﺭ ﻣﺪﻳﺮﻳﺖ ﺗﺒﻠﻴﻐﺎﺕ ﺑﺎ پﻴگﻴﺮﻱ ﺑﻪ پﻴﺪﺍ ﺍﻃﻼﻋﺎﺕ ﻣﻄﺎﺑﻖ ﺑﺎ ﻋﻼﺋﻖ ﻭ ﻣﻮﻗﻌﻴﺖ کﺎﺭﺑﺮﺩﺳﺘﺮﺳﻲ کﺎﺭﺑﺮ ، ﺑﻪ ﺗﺼﺤﻴﺢ ﺑﺎﻧک ﺍﻃﻼﻋﺎﺕ ﻣﻲ کﻨﺪ ﺷﺨﺼﻲ کﺎﺭﺑﺮ ﻣی پﺮﺩﺍﺯﺩ. ﺭﻓﺘﺎﺭ
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﻧﺘیﺠﻪ گیﺮی § § ﺗﻌﻴﻴﻦ ﻣﻮﻗﻌﻴﺖ ﺩﺳﺘگﺎﻫﺎﻱ ﺳﻴﺎﺭ ﻓﻀﺎﻱ ﺑﺴﺘﻪ ﺍﻳﻦ ﻣﻘﺎﻟﻪ ﺑﻪ ﺍﺭﺍﺋﻪ ﻳک ﺭﻭﺵ ﺗﺨﻤﻴﻦ ﻣﻮﻗﻌﻴﺖ ﺑﺮﺍﻱ ﻣﺤﻴﻂ ﻫﺎﻱ ﺑﺴﺘﻪ ﺑﺎ ﺯﻳﺮ ﺳﺎﺧﺘﺎﺭ ﺷﺒکﻪ ﺑﻲ ﺳﻴﻢ ﻣﺤﻠﻲ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺷﺒکﻪ ﻋﺼﺒﻲ ﺷﻌﺎﻉ ﻣﺪﺍﺭﻱ پﺮﺩﺍﺧﺘﻪ ﺍﺳﺖ. ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺭﻭﺵ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﻄﻮﺭ ﺗﺼﺎﺩﻓﻲ ﺭگﺮﺳﻴﻮﻥ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺮ ﺣﺴﺐ ﻣﻘﺎﻳﺴﻪ ﺳﻴگﻨﺎﻝ
ﻧﻘﺎﻁ ﻭﺍﻗﻌی ﻧﺘیﺠﻪ گیﺮی ﺭگﺮﺳیﻮﻥ ﺗﺰﺩیکﺘﺮیﻦ ﺳیگﻨﺎﻝ =52 ﺭگﺮﺳیﻮﻥ ﺗﺼﺎﺩﻓی=92 § ﻧﺘﺎﻳﺞ ﺩﺭ ﺣﺎﻟﺖ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﺍﻋﻤﺎﻝ ﺭﻭﺷﻬﺎﻱ ﺫﻳﻞ ﺑﺮﺍﻱ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺪﺳﺖ آﻤﺪ: § § گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺮ ﻣﺒﻨﺎﻱ ﺍﻃﻼﻋﺎﺕ ﺣﺎﺻﻞ ﺍﺯ ﺭگﺮﺳﻴﻮﻥ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﺑﺼﻮﺭﺕ ﺗﺼﺎﺩﻓﻲ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎﺍﻧﺘﺨﺎﺏ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﻧﻤﻮﻧﻪ ﻫﺎ ﺍﺯ ﻧﻈﺮ ﺳﻴگﻨﺎﻝ ﺩﺭ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ گﺮﻭﻩ ﺑﻨﺪﻱ ﺑﺎ ﻃﺮﺍﺣﻲ ﺷﺒکﻪ ﻋﺼﺒﻲ ﺑﺮﺍﻱ ﻫﺮ گﺮﻭﻩ § ﻧﺘﺎﻳﺞ ﻣﺮﺑﻮﻃﻪ ﻧﺸﺎﻥ ﺩﺍﺩ کﻪ ﺩﺭ ﺑﺪﺗﺮﻳﻦ ﺣﺎﻟﺖ ﻣﻴﺰﺍﻥ ﺧﻄﺎ ﺑﺮﺍﺑﺮ 92 ﻧﻤﻮﻧﻪ ﻭﺩﺭ ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ ﻣﻴﺰﺍﻥ ﺧﻄﺎ ﺑﺮﺍﺑﺮ 61 ﻧﻤﻮﻧﻪ ﻣﻲ ﺑﺎﺷﺪ ﻭ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻨکﻪ 752 ﻧﻤﻮﻧﻪ ﺑﺮﺍﻱ آﺰﻣﺎﻳﺶ ﻭﺟﻮﺩ ﺩﺍﺷﺖ ﺳﻴﺴﺘﻢ ﺩﺍﺭﺍﻱ گﺮﻭﻩ ﺑﻨﺪی ﺗﺰﺩیکﺘﺮیﻦ 02 61 گﺮﻭﻩ ﺑﻨﺪی ﺑﺮﺍی ﻫﺮ گﺮﻭﻩ= 09% گﺮﻭﻩ ﺑﻨﺪی ﺗﺼﺎﺩﻓی=ﺩﺍﺭﺍ ﺍﺳﺖ ﻧﻤﻮﻧﻪ ﻫﺎ ﺭﺍ ﻗﺪﺭﺕ ﺗﺸﺨﻴﺺ ﺳیگﻨﺎﻝ =71
ﻧﺘیﺠﻪ گیﺮی § چگﻮﻧگﻲ ﺳﺎﺧﺘﺎﺭ ﻧﻘﺎﻁ ﺗﺸکﻴﻞ ﺩﻫﻨﺪﻩ ﻧﻘﺸﻪ ﺭﺍﺩﻳﻮﻳﻲ ﻭ ﺑﺎﻟﺘﺒﻊ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﻭ ﺗﺎﺛﻴﺮ گﺮﺍﻧﻮﻟﻴﺘﻲ ﺍﻳﻦ ﻧﻘﺎﻁ )ﻓﺎﺻﻠﻪ ﻃﻮﻟﻲ ﻭ ﻋﺮﺿﻲ ﻧﻘﺎﻁ ﺑﺮ ﺣﺴﺐ ﻣﺘﺮ( ﺑﺮ ﻣﻴﺰﺍﻥ ﺩﻗﺖ ﺍﺭﺍﺋﻪ ﺷﺪﻩ ﺗﻮﺳﻂ ﺳﻴﺴﺘﻢ ﻣﻮﺭﺩ ﺑﺮﺭﺳﻲ ﻗﺮﺍﺭ گﺮﻓﺖ ﻭ ﺍﻳﻦ ﻧﺘﻴﺠﻪ ﺑﺪﺳﺖ آﻤﺪ کﻪ ﻣﻲ ﺗﻮﺍﻥ ﺑﺎ کﺎﻫﺶ ﻓﺎﺻﻠﻪ ﺑﻴﻦ ﻧﻘﺎﻁ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺵ، ﺩﻗﺖ ﺳﻴﺴﺘﻢ ﺭﺍ ﺍﻓﺰﺍﻳﺶ ﺩﺍﺩ کﻪ چگﻮﻧگﻲ آﻦ ﻧﻴﺎﺯ ﺑﻪ ﺑﺮﺭﺳﻲ ﺑﻴﺸﺘﺮ ﺩﺍﺭﺩ کﻪ ﻣﻲ ﺗﻮﺍﻧﺪ ﺩﺭ آﻴﻨﺪﻩ ﻣﻮﺭﺩ ﺑﺮﺭﺳﻲ ﻗﺮﺍﺭ ﺑگﻴﺮﺩ. § ﺯﻣﺎﻥ پﺎﺳﺨگﻮیی ﺳیﺴﺘﻢ ﺩﺭ ﺩﺭ ﺣﺎﻟﺖ ﺍﻧﺘﺨﺎﺏ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷی ﺑﺮ ﺣﺴﺐ ﻧﺰﺩیکﺘﺮیﻦ ﺳیگﻨﺎﻝ ﺑﺴیﺎﺭ کﺎﺵ ﻣی یﺎﺑﺪ § ﺳیﺴﺘﻢ ﺑﺎ پیچیﺪگی کﻢ ﺟﻮﺍﺏ ﻫﺎی ﺧﻮﺑی ﺍﺭﺍﺋﻪ ﻣی ﺩﻫﺪ.
ﻧیﺎﺯ ﺑﻪ ﺑﺮﺭﺳی ﻫﺎی ﺑیﺸﺘﺮ ﺩﺭ آیﻨﺪﻩ § § § ﺗﺎﺛیﺮ گﺮﺍﻧﻮﻟیﺘی ﻧﻘﺎﻁ ﺩﺭ پﺎﺭﺍﻣﺘﺮﻫﺎی ﻣﻮﺭﺩ ﺍﺭﺯیﺎﺑی ﺩﺭ ﺳﺎﺧﺖ ﻣﺠﻤﻮﻋﻪ آﻤﻮﺯﺷﻲ ﻣﻮﻗﻌﻴﺖ ﻫﺎﻱ ﺩﻭ ﺑﻌﺪﻱ) (x, y ﻣﻮﺭﺩ ﺑﺮﺭﺳﻲ ﻗﺮﺍﺭ ﺩﺍﺩﻩ ﺷﺪ ﻭ ﻟکﻦ ﺑﺴﻴﺎﺭﻱ ﺍﺯ ﻓﻀﺎﻫﺎﻱ ﺩﺭﻭﻧﻲ ﺷﺎﻣﻞ ﺳﺎﺧﺘﻤﺎﻧﻬﺎﻱ چﻨﺪﻳﻦ ﻃﺒﻘﻪ ﻫﺴﺘﻨﺪ ﻭ ﻟﺬﺍ ﺑﺮﺭﺳﻲ ﺭﻭﺵ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺳﻪ ﻣﻮﻗﻌﻴﺖ) ( x, y, z ﻣﻴﺘﻮﺍﻧﺪ ﺩﺭ آﻴﻨﺪﻩ ﻣﻨﺎﺳﺐ ﺑﺎﺷﺪ. ﺍﺛﺮ ﺣﺮکﺖ کﺎﺭﺑﺮ ﻭ چگﻮﻧگﻲ ﺗﻄﺎﺑﻖ ﺑﺮﻧﺎﻣﻪ ﺑﺎ آﻦ ﻫﻢ ﻣﻲ ﺗﻮﺍﻧﺪ ﺩﺭ ﺩﺳﺘﻮﺭ کﺎﺭ ﻗﺮﺍﺭ ﺑگﻴﺮﺩ. ﺑﺮﺭﺳﻲ ﺩﺍﺷﺘﻦ ﺍﻧﺪﺍﺯﻩ گﻴﺮﻱ ﻫﺎﻱ ﻓﺮﺍﻭﺍﻥ ﺩﺭ ﻫﺮ ﻧﻘﻄﻪ ﺑﻪ ﻧﺤﻮﻱ کﻪ ﺑﺘﻮﺍﻥ ﺩﺭ ﻫﺮ ﻣﻮﻗﻌﻴﺖ چگﺎﻟﻲ ﺗﺎﺑﻊ ﺳﻴگﻨﺎﻝ ﺭﺍ ﺑﺪﺳﺖ ﺍﻭﺭﺩ ﻭ ﺑﺮﺭﺳﻲ ﺍﻳﻦ ﻣﻮﺭﺩ ﺩﺭ ﺗﻌﻴﻴﻦ ﻣﻲ ﺗﻮﺍﻧﺪ ﺩﻧﺒﺎﻝ ﺩﺍﺷﺖ. ﻣﻮﻗﻌﻴﺖ ﻧﻴﺰ ﺗﺎﺛﻴﺮ ﻣﻮﻗﻌﻴﺖ چگﻮﻧگﻲ ﺍﻳﺴﺘگﺎﻩ ﻫﺎﻱ پﺎﻳﻪ ﻧﻴﺰ ﻣﻲ ﺗﻮﺍﻧﺪ ﻳکﻲ ﺍﺯ ﻣﻮﺿﻮﻏﺎﺕ ﺟﺎﻟﺐ ﺩﺭ ﺗﺤﻘﻴﻘﺎﺕ آﺘﻲ ﻣﻲ ﺑﺎﺷﺪ.
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﻣﺮﺍﺟﻊ [1] Harter. A, Hopper. A, Steggles. P, Ward. A, and Webster. B, The anatomy of a context-aware application, In 5 th Annual ACM/IEEE Harter. Steggles. application, International Conference on Mobile Computing and Networking (Mobicom 99), (1999). (Mobicom [2] Moran. T. P, and Dourish. P, Introduction to this special issue on context-aware com-puting, Human-Computer Interaction, vol. 16, no. Dourish. com-puting, 2, 3, & 4, pp. 87 -95, (2001). [3 Battiti. R, Brunato. M, and. Villani. A, Statistical learning theory for location Battiti. Brunato. and. Villani. fingerprinting in wireless lans, Technical Report, Oct. (2002). lans, [Online]. Available: http: //rtm. science. unitn. it/battiti/archive/86. pdf Available: [4] Battiti. R, Le Nhat. T, and Villani. A, Location–aware computing: a neural network model for determining location in wireless LANs, Battiti. Nhat. Villani. Technical Report 5, Dipartimento di Informaticae Telecomunicazioni, Unversita’ di Trento, (Feb 2002). Telecomunicazioni, Unversita’ Trento, [5] Bulusu. N, Heidemann. J, and Estrin. D, GPSless Low Cost Outdoor Localization For Very Small Devices, Tech. Rep. 00 -729, Computer Bulusu. Heidemann. Estrin. Science Department, University of Southern California, (Apr. 2000). [6] Want. R, Hopper. A, Falco. V, and. Gibbons. J, The Active Badge Location System. ACM Transactions on Information Systems, Falco. and. Gibbons. Systems, 10(1): 91 - 102, (January 1992). [7] Azuma. R, Tracking Requirements for Augmented Reality, Communications of the ACM, Vol. 36, No. 7, pp: 50 -51, (July 1993). Reality, [8] Harter. A, Hopper. A, Steggles. P, Ward, and Webster. P, The anatomy of a context-aware application, in Proc. ACM International Steggles. application, Conference on Mobile Computing and Networking (MOBICOM'99), Seattle, WA, (Aug. 1999). [9] Priyantha. N. B, Chakraborty. A, and Balakrishnan. H, The cricket location-support system, in Proc. ACM International Conference on Mobile Priyantha. Chakraborty. Balakrishnan. system, Computing and Networking(MOBICOM'00), Boston, MA, pp. 32 -43, (Aug. 2000). [10] Pahlavan. K, Li. Xi, and Makela. J. P, Indoor geolocation science and technology, Pahlavan. Makela. technology, IEEE Commun. Mag. , vol. 40, no. 2, pp. 112 -118, (Feb. 2002). Commun. Mag. , [11] Bahl. P, and Padmanabhan. V. N, RADAR: an in-building RF-based user location and tracking system, in Proc. IEEE Nineteenth Annual Bahl. Padmanabhan. system, Joint Conference of the IEEE Computer and Communications Societies (INFOCOM'00), Tel Aviv, Israel, (Mar. 2000). [12] Ekahau, Positioning Engine 2. 1. User Guide, Ekahau, Inc. , (2003). [Online]. Available: http: //www. ekahau. com Ekahau, Guide, Ekahau, Available: http: //www. ekahau. com [13] Prasithsangaree. P, Krishnamurthy. P, and Chrysanthis. P. K, On indoor position Prasithsangaree. Chrysanthis. location with wireless LANs, in Proc. IEEE International Symposium on Personal, LANs, Indoor, and Mobile Radio Communications (PIMRC'02), Lisbon, Portugal, (Sept. 2002).
ﻣﻀﻤﻮﻥ § § § ﺑﺎﻓﺖ چیﺴﺖ؟ ﺗﻘﺴیﻢ ﺑﻨﺪی ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﻭ ﺭﻭﺷﻬﺎی ﺍﺻﻠی ﻣﻄﺮﺡ ﺑﺮﺍی آﻦ ﺭﻭﺵ ﻫﺎ ﻭ ﺳیﺴﺘﻢ ﻫﺎی ﻣﻄﺮﺡ ﺷﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﺍﻧگﺸﺖ ﻧگﺎﺭی ﻣﺤﻠی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی ﺍﺭﺯیﺎﺑی ﺭﻭﺵ پیﺸﻨﻬﺎﺩی آﺸﻨﺎیی ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺠﺎﺭﺕ ﺳیﺎﺭ ﻭ ﺟﺎیگﺎﻩ ﺗﻌییﻦ ﻣﻮﻗﻌیﺖ ﺩﺭ آﻨﻬﺎ ﺗﺒﻠیﻐﺎﺕ ﺳیﺎﺭ ﻧﺘیﺠﻪ گیﺮی ﻣﺮﺍﺟﻊ ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ
ﺍﺭﺳﺎﻝ ﻣﻘﺎﻻﺕ § کﻨﻔﺮﺍﻧﺲ ﻣﻬﻨﺪﺳی ﺑﺮﻕ § Special Issue JTAER 2007 § EDAS Publication(Europa-2007)
07e0894a84909893a34194d490041aab.ppt