Тема выпускной квалификационной работы: «Разработка технологии позиционирования по сигналам WiFi внутри зданий». Целью работы является исследование точности определения местоположения объекта разрабатываемой технологии. Проведён анализ методов позиционирования внутри зданий, алгоритмов позиционирования по сигналам WiFi и применения машинного обучения для позиционирования. Описана подготовка данных и проведено сравнение нескольких методов машинного обучения на практике. Для определения оптимального количества скрытых слоёв и нейронов были проведены исследования зависимости точности от этих параметров. Проведены экспериментальные исследования по оценке выбранного алгоритма: случай пустой комнаты при использовании полной принятой мощности, влияние удаления точек из обучающего набора данных, добавление дополнительной информации, исследование зависимости точности определения местоположения от объёма данных для обучения, случай комнаты с препятствиями и использование данных со всех трёх передатчиков. Данные результаты отражены в работе. При условии ухудшения итоговой точности на 1-2 м для обучения нейронной сети можно использовать 80% от полного обучающего набора данных. Для улучшения точности в датасет был добавлен новый признак – номер подкомнаты, в которой находится точка. В результате лучшую точность удалось получить при обучении нейронной сети на мощности и AOD: x_mae = 1.8 м, y_mae = 1.4 м.

The topic of the final qualifying work: "Development of positioning technology based on WiFi signals inside buildings". The purpose of the work is to study the accuracy of determining the location of the object of the technology being developed. The analysis of positioning methods inside buildings, positioning algorithms based on WiFi signals and the use of machine learning for positioning is carried out. Data preparation is described and several machine learning methods are compared in practice. To determine the optimal number of hidden layers and neurons, studies were conducted on the dependence of accuracy on these parameters. Experimental studies have been conducted to evaluate the chosen algorithm: the case of an empty room when using the full received power, the effect of removing points from the training dataset, adding additional information, investigating the dependence of location accuracy on the amount of training data, the case of a room with obstacles and the use of data from all three transmitters. These results are reflected in the work. If the final accuracy deteriorates by 1-2 m, 80% of the complete training data set can be used to train a neural network. To improve accuracy, a new feature has been added to the dataset – the number of the substate in which the point is located. As a result, the best accuracy was obtained when training the neural network on power and AOD: x_mae = 1.8 m, y_mae = 1.4 m.