用于多建筑多楼层分类的轻量级 CNN-ELM 混合模型
信号处理
2022-07-19 v1 机器学习
摘要
鉴于机器学习模型能从环境中提取有意义信息的高能力，其已成为当前室内定位解决方案中不可或缺的工具。卷积神经网络（CNNs）是最常用的神经网络（NNs）之一，因其能从输入数据学习复杂模式。另一用于室内定位方案的模型是极限学习机（ELM），其提供可接受的泛化性能以及快速的学习速度。本文给出一种 CNN 与 ELM 的轻量级组合，可对建筑与楼层进行快速而准确的分类，适用于功耗与资源受限的设备。结果表明，所提模型比基准快 58%，且分类准确率略有提升（不到 1%）。
引用
@article{arxiv.2204.10418,
title = {Lightweight Hybrid CNN-ELM Model for Multi-building and Multi-floor Classification},
author = {Darwin Quezada-Gaibor and Joaquín Torres-Sospedra and Jari Nurmi and Yevgeni Koucheryavy and Joaquín Huerta},
journal= {arXiv preprint arXiv:2204.10418},
year = {2022}
}
备注
to appear in 2022 International Conference on Localization and GNSS (ICL-GNSS), 7-9 June 2022, Tampere, Finland