AI Summary & Key Takeaways
AI InsightÇalışma sonucunda ESA ile uygulanan derin öğrenmenin veri sayısı fazla ve etiket sayısı az olan veri kümelerinde daha iyi performans gösterdiği gözlemlenmiştir.
📌 3 Key Takeaways
Özet
Kablosuz iletişim teknolojisi ve akıllı cep telefonlarının gelişimi ile Wi-Fi ve cep telefonlarına dayalı konumlandırma hizmetlerine talep gün geçtikçe artmaktadır. Dış ortamlarda insanların veya nesnelerin konumlandırılması için GPS gibi küresel konumlandırma sistemleri kullanılırken iç ortamlarda duvar, kapı gibi engellerden dolayı uydu bağlantısı yeterli olmadığı için iç ortam konumlandırma yöntemleri tercih edilmektedir. İç ortam konumlandırma için önerilen birçok yöntem içerisinden parmak izi yöntemi günlük hayatta mevcut olan sinyal kaynaklarını kullanabildiğinden ve bu sinyalleri ekstra bir donanıma gerek duymadan cep telefonları ile elde edilebildiğinden diğer yöntemlere göre daha avantajlı bir hale gelmektedir. Bu çalışmada odaları birbirinden ayırt etmek amacı ile ev ortamında 6 farklı odadan alınan Wi-Fi sinyalleri ile oluşturulan veri kümesi, klasik bazı makine öğrenmesi yöntemleri ve derin öğrenme yaklaşımı uygulanarak oda seviyesinde sınıflandırılmıştır. Derin öğrenme uygulanması sonucunda makine öğrenmesi yöntemlerinden en yüksek sınıflandırma doğruluğuna sahip olan Rastgele Orman’ a göre %8 daha yüksek doğruluk oranı elde edilmiştir. Kendi veri kümemizin yanı sıra farklı sayıda veri ve özniteliklere sahip veri kümelerinde (WASP ve WILDS) de makine öğrenmesi yöntemleri ile derin öğrenmenin bir yöntemi olan Evrişimsel Sinir Ağı (ESA) karşılaştırılmış ve ESA’ nın %98 doğruluğa ulaştığı görülmüştür. Çalışma sonucunda ESA ile uygulanan derin öğrenmenin veri sayısı fazla ve etiket sayısı az olan veri kümelerinde daha iyi performans gösterdiği gözlemlenmiştir.