دانشگاه آزاد اسلامی سبزوار - جستجو در پایان‌نامه‌ها

پایان‌نامه‌ی کارشناسی ارشد: امیر فیض ابادی، ۱۴۰۰

استفاده از یادگیری تقویتی عمیق نیمه نظارتی جهت سرویس های شهر هوشمند دراینترنت اشیاء

چکیده شبکه¬های اینترنت اشیا دسته¬ای از شبکه¬های کامپیوتری پیکربندی پویا به شمار می¬روند که می¬تواند بدون نیاز به زیرساختهای خاص ارتباطی در یک محدوده وسیع جغرافیایی و در بستر اینترنت ایجاد شوند. مکان¬یابی دقیق گره¬ها یکی از چالش¬های مهم این نوع شبکه¬ها به شمار می¬رود به گونه¬ای که بسیاری از پروتکلها وابسته به مکان¬یابی دقیق گره¬های شبکه است. روش¬های مختلفی برای مکان¬یابی گره¬در این نوع از شبکه ها و شبکه های دیگر نظیر اینترنت اشیا ارایه شده است که در بیشتر آنها برای مکان¬یابی دقیق نیاز به تجهیزات ویژه مانند آنتن¬های جهت¬دار است که هزینه پیاده¬سازی شبکه را افزایش می¬دهد. در این پژوهش برای تخمین مناسب موقعیت گره¬های حسگر یک روش جدید مبتنی بر یادگیری عمیق و روش هندسی ارایه شده است تا به کمک اطلاعات شبکه موقعیت گره¬ تخمین زده شود. ویژگی مهم روش پیشنهادی استفاده از اطلاعات توپولوژی شبکه و عدم استفاده از تجهیزات اضافی در بهبود مکان¬یابی است. در روش پیشنهادی تعداد گام بین گره¬های شبکه توسط شبکه یادگیرنده عمیق برای سنجش فاصله گره¬ از یک گره به عنوان سرخوشه یا ناظر ¬مورد استفاده قرار گرفته و به کمک روش هندسی و با استفاده از فاصله¬های تخمینی بین گره¬ها و ناظر موقعیت و مکان گره¬ها تخمین زده می¬شوند. پیاده¬سازی روش پیشنهادی در محیط متلب بر روی مجموعه¬ای از شبکه¬ها با شاخص ارزیابی متوسط خطای مکان¬یابی نشان می¬دهد روش پیشنهادی با سه مرجع با خطای کمتری در حدود 0.81 نسبت به روش چند مرجع موقعیت گره¬ را محاسبه می¬نماید.

کلیدواژه‌ها: شبکه اینترنت اشیا، مکان‌یابی، یادگیری عمیق، مکان‌یابی مبتنی بر هندسه

M.A. Thesis:

emi-supervised Deep Reinforcement Learning in Support of IoT and Smart City Services

IoT networks are a class of dynamically configured computer networks that can be created over a wide geographical area without the need for special communication infrastructure. Accurate node location is one of the major challenges of this type of network, as many protocols depend on the exact location of network nodes. Various methods for locating the node have been proposed in this type of network and other networks such as the Internet of Things. Increases network building. In this research, for proper estimation of the position of sensor nodes, a new method based on deep learning and geometric method has been presented to estimate the node position with the help of network information. An important feature of the proposed method is the use of network topology information and the absence of additional equipment in improving location. In the proposed method, the number of steps between the nodes of the network is used by the deep learning network to measure the distance of the node from a node as a header or observer and using the geometric method and using the estimated distances between nodes and The position and location of the nodes are estimated. Implementation of the proposed method in MATLAB environment on a set of networks with the average evaluation error of the location error shows that the proposed method with three references calculates the node position with a less error of about 0.81 than the multi-reference method.

Keywords: IoT network, location, deep learning, geometry based location