基于单输入多输出深度神经网络利用 Wi-Fi 指纹实现大规模室内定位的建筑/楼层分类与位置坐标回归混合方法
机器学习
2018-10-16 v1 机器学习
摘要
本文提出一种基于 Wi-Fi 指纹的大规模室内定位方法，利用单输入多输出（SIMO）深度神经网络（DNN）实现建筑/楼层分类与楼层平面二维位置坐标回归的混合估计。所提方案利用了建筑/楼层估计与楼层平面位置坐标估计的不同性质，借助 SIMO DNN 架构提供的专用输出与隐藏层，为每项任务使用不同的估计框架。我们利用芬兰坦佩雷理工大学（TUT）提供的覆盖一栋五层建筑的新 Wi-Fi 众包指纹数据集，对混合楼层分类与楼层平面二维位置坐标回归的性能进行了初步评估。实验结果表明，所提出的基于 SIMO-DNN 的混合分类/回归方案在楼层检测率和平均定位误差方面均优于现有方案。
引用
@article{arxiv.1810.05868,
title = {Hybrid Building/Floor Classification and Location Coordinates Regression Using A Single-Input and Multi-Output Deep Neural Network for Large-Scale Indoor Localization Based on Wi-Fi Fingerprinting},
author = {Kyeong Soo Kim},
journal= {arXiv preprint arXiv:1810.05868},
year = {2018}
}
备注
6 pages, 4 figures, 3rd International Workshop on GPU Computing and AI (GCA'18)