基于局部机器学习的指纹室内定位方法
信号处理
2023-02-22 v1
摘要
近年来,由于定位精度高且实现成本低,室内定位问题的机器学习(ML)解决方案变得流行。本文提出一种新颖的局部非参数方法,用于从高维接收信号强度指示(RSSI)值求解定位。我们的方法由一系列分类算法组成,依次将定位解的可能空间缩小到更小的邻域。该序贯分类方法的思想类似于决策树算法,但关键区别在于我们在每个节点上对数据集的划分不是基于输入特征(即 RSSI 值),而是基于由输出变量(即三维真实世界坐标)生成的某些离散值变量。通过适当选择如何将定位空间序贯划分为更小邻域,我们的定位解的鲁棒性可针对问题 specifics 进行调节。使用公开可用的室内定位数据集 UJIIndoorLoc,我们评估了所提方法与该数据集的全局 ML 算法。本文的主要贡献是引入一种用于室内定位问题的新颖局部 ML 解决方案。
引用
@article{arxiv.2302.10810,
title = {A Local Machine Learning Approach for Fingerprint-based Indoor Localization},
author = {Nora Agah and Brian Evans and Xiao Meng and Haiqing Xu},
journal= {arXiv preprint arXiv:2302.10810},
year = {2023}
}
备注
To be published in IEEE SoutheastCon 2023 conference proceedings