基于Jaccard分析与LASSO特征选择的低计算复杂度位置指纹定位
机器学习
2017-11-22 v1 应用统计
摘要
我们提出一种方法，通过将感兴趣区域(RoI)分割为子区域、使用修正Jaccard指数进行子区域选择，以及基于随机化最小绝对收缩与选择算子(LASSO)的特征选择，来降低基于指纹的室内定位系统(FIPS)在线定位阶段的计算复杂度和数据存储需求。我们将这些步骤植入使用最大后验(MAP)原理的位置估计贝叶斯框架中。这些步骤的额外好处是，估计位置所需的时间和所需数据存储几乎与RoI的大小以及RoI内可用特征总数无关。因此所提步骤促进了FIPS在大型区域中的应用。使用在办公大楼中采集的真实数据(以Nexus 6P智能手机为用户设备，以全站仪提供位置真值)进行的实验分析结果表明了所提方法的预期性能。仅处理10个自动识别的特征而非所有可用特征，并将位置估计限制在10个自动识别的子区域而非整个RoI，所获得的定位精度等同于处理所有可用数据。在所选示例中，50%的误差小于1.8 m，90%小于5 m。然而，使用自动识别的数据子集的计算时间仅为处理整个数据集所需时间的约1%。
引用
@article{arxiv.1711.07812,
title = {Jaccard analysis and LASSO-based feature selection for location fingerprinting with limited computational complexity},
author = {Caifa Zhou and Andreas Wieser},
journal= {arXiv preprint arXiv:1711.07812},
year = {2017}
}
备注
16 pages, 4 figures, and 2 tables. Accepted to publish on LBS 2018, Zurich