一种新颖的室内定位系统在物联网中使用内核当地判别分析

文摘

基于WLAN的定位是一个关键技术,基于位置的服务(LBS)在室内。然而,室内环境复杂;接收信号强度(RSS)是高度不确定,多通道和非线性。传统的位置估计方法不能提供公平的说环境下估计精度。我们提出了一个新颖的室内定位系统,考虑使用内核的非线性区别的特征提取RSS当地Fisher判别分析(KLFDA)。在保存完好的kernelized空间KLFDA提取位置特性。在新内核的特色空间,非线性RSS功能是有效的特点。随着处理非线性,KLFDA也处理的多峰性RSS数据。通过执行KLFDA,辨别信息包含在RSS是重组和最大限度地提取。在特征提取之前,我们对RSS数据进行了异常值检测来删除任何异常出现在数据。 Experimental results show that the proposed approach obtains higher positioning accuracy by extracting maximal discriminate location features and discarding outlying information present in the RSS data.

1。介绍

在基于物联网的应用程序中优秀的进步引起了定位系统的使用(磅)使移动设备能够提供大量的个人和商业服务,包括但不限于,对象跟踪1),管理和安全、医疗监控、个人导航、和上下文感知(2]。然而,由于复杂的室内环境与多元化的需求,尽管十多年的研究成果,广泛部署的室内定位系统还没有意识到,这使得室内定位一个开放的研究问题。几个候选人技术研究解决室内定位问题包括无线电频率(RF) (3[],ultrawide乐队(UWB)4)、超声波和声音(5],可见光[6]。大多数这些技术提供相对准确的定位。然而,这些技术需要专门的硬件部署。的一些技术也需要视线(LOS)工作,这是很难意识到室内。基于对象准确定位越来越重要的wi - fi设备由于使用了增强现实技术,增加社交网络、医疗监控、个人跟踪,和其他室内位置感知应用程序。

wi - fi网络接口卡的受欢迎程度和低价格是一个有吸引力的激励使用wi - fi作为定位系统的基础。无线局域网或无线定位技术定位的位置几乎所有兼容wi - fi设备影响不需要安装额外的软件或硬件。wi - fi尚未用于定位和位置可以估计利用RSS值在任何装备WLAN设备不使用任何专门的硬件。认真的优势基于无线室内定位在其他室内无线技术在于其低廉的成本和广泛的部署。设备是相对便宜,而无线网络基础设施的广泛部署通信基础设施新安装节省时间和金钱。

基于WLAN的定位技术分为以下几点:到达时间(ToA)或到达时差(辐射源脉冲)7),到达角(AoA) [8,基于指纹识别技术(9]。基于ToA和AoA定位技术很难实现在室内,因为这些技术要求洛杉矶测量工作。Fingerprinting-based定位另一方面不需要任何专门的硬件和利用广泛部署无线局域网基础设施。指纹定位系统是基于信号传播的行为和信息的几何建筑将RSS值转化为距离值。这是一个具有挑战性的任务,在一个室内环境中,RSS价值观受到墙壁和障碍物的影响可能反映和传播信号,提供RSS值之间的非线性变换和物理位置。因此,WLAN fingerprinting-based定位应该是建模为一个非线性、非高斯动态系统。在这种情况下,非线性分类器和特征提取方法者优先。

提高定位精度通过最小化上述描述的影响,大量的访问点(APs)通常部署。APs数量的增加可以帮助区分更多不同的地方。然而,从都见过收集RSS APs可以创建太多的数据维度和维度问题的诅咒。诅咒的维度,从高维数据中提取有用的信息成为限制在有限的训练数据的情况下导致不准确的估计位置。记住,由于改变室内的特点和劳动强度,收集RSS训练数据总是有限的。维度的诅咒可以处理高维数据映射到低维数据空间保持固有的信息。维度的解决方案可以分为两类:美联社选择(10和特征提取11]。最重要的APs在美联社选择方法,也就是说,所有APs的子集,选择。美联社选择方法不太复杂的稳定APs通过RSS值。然而,这种方法限制了分类性能与几个不同的RSS值。在特征提取与降维方法线性判别分析(LDA) (12)和主成分分析(PCA) (13所有看到APs)、RSS数据被用来提高定位精度。在PCA、RSS值转换成主成分。它搜索方向数据的最大方差和随后项目数据到它。主成分分析可以提高性能,降低噪音水平。但是,它主要是降低数据的维数没有减少的数据变化,这也使得它成为一个不恰当的方法分类。LDA,另一方面,为分类提供更多不同的嵌入。LDA选择一个新的维度,使最大投影类的分离方法和最小方差在每个投影类。Fisher判别分析(FDA), LDA的变种,歧视的位置特性通过最大化类间信号散射和最小化在类散射信号。然而,像PCA特征提取方法和FDA工作只有单峰和线性数据和不考虑多通道和非线性RSS数据。当地的食品药品监督管理局(LFDA) [14)可以处理多峰性,最大限度地保留数据的局部结构。然而,如果数据多通道和非线性,信号数据直接映射到物理位置导致非常不准确的估计位置。内核的方法(15,16)是用于扩展到等效非线性空间的线性算法。因此,我们应用LFDA内核方法将非线性空间转化为内核空间,歧视从数据中提取位置特性。

在这项工作中,我们使用KLFDA应对的多峰性和非线性RSS指纹数据。KLFDA保留的多通道结构非线性数据并提供比LFDA单独的嵌入。KLFDA的优于其他基于内核的方法在于其计算简单。

除了非线性和多峰性,我们也处理的错误称为RSS数据中的异常值。由于室内环境干扰,RSS数据容易频繁的离群值。使用这些偏远位置估计RSS数据会导致巨大的位置错误。尽管它对定位精度的影响巨大,一直关注这个问题。我们使用最大似然异常值检测(MLOD)作为异常值检测算法,这是一个inlier-based孤立点检测算法。

在拟议的系统中,我们第一次执行异常值检测来删除任何异常出现在RSS数据。然后,为特征提取,我们原始RSS向量映射到内核功能空间应用KLFDA (KLFDA转换)。位置估计通过测量之间的欧几里得距离kernelized离线和在线RSS数据功能。通过实验结果,我们见证提出系统的定位精度越高。

剩下的纸是组织如下:部分2描述了室内定位的背景研究。该内核本地化FDA在部分说明3。节4评估并提供结果。最后,结论部分给出了5。

2。背景研究

WLAN指纹定位包含两个阶段:离线和在线阶段。在离线阶段,从多个APs收集RSS值在不同的参考点(RPs),也就是说,指纹创建电台地图。此外,根据收集到的指纹,定位模型训练构建RSS信号和物理位置之间的关系。在线阶段,用户的位置估计通过应用实时RSS样本的学习模型。使用大型RSS样本特性可以帮助创造更多不同的位置。然而,由于数据的维数也增加,从而导致误导特性分类。降维技术FDA工作通过限制RSS数据对某些低维度。然而,FDA仅适用于单峰和线性数据。室内环境是复杂的,由于影响多路径传播,RSS数据成为非线性和多通道。当FDA应用于多通道和非线性数据,它将形成几个不同的集群从一个多通道样品。 It is difficult for FDA to keep within-class scatter to a certain level. For dimensionality reduction of multimodal data, the local structure of data needs to be preserved. LFDA does not require multimodal samples to fall into a single cluster. As a result, more degree of freedom is left for increasing separability. LFDA can preserve multimodal structure of the data better than FDA. However, LFDA also works on linear data structures only.

处理数据的多峰性,Sugiyama [14)提出了一种降维方法被称为增强型本地Fisher判别分析(ELFDA)是FDA的本地化版本。它考虑了数据的局部结构,多通道数据可以适当的嵌入。ELFDA可以保存多通道结构的数据比FDA并提供比FDA更独立的嵌入。然而,ELFDA只适用在线性数据结构。邓和孟(16)使用内核Fisher判别分析(KFDA)室内定位。KFDA是用于分类离线与在线RSS RSS测量测量。然而,这项工作并不考虑任何FDA考虑多通道数据的局部变量。在[17),基于LFDA室内定位。工作考虑的多峰性数据和使用LFDA来应对这个问题。基于集群的方法是用来减少搜索空间到一个特定的集群。然而,这种方法不考虑任何RSS数据中出现的非线性。研究[17]LFDA用来应付多峰性的数据。LFDA用于提取从RSS数据区别的特征。这些区别的特征提取方式增加类间可分性,同时保留在课堂RSS空间的局部结构。LFDA的泛化能力是进一步提高使用信号扰动,产生更高的训练样本数量的代表。

在Hayashi et al。18),健壮fingerprinting-based无线室内定位方法对时间和空间的不稳定波动wi - fi信号。空间变化是应对环境利益分割到几个领域和裁剪一些弱估计每个区域,这样他们就可以准确地估计在特定区域用户的位置。他们应对时间变化的wi - fi信号通过使用随机子集的APs弱估计。郑等人在19考虑两个问题通常存在于RSS数据:不稳定的定位指纹特征和维度的诅咒。他们设计了一个定位指纹特征使用wi - fi接入点的分段相似性通过考虑接收信号强度值和wi - fi接入点。基于此设计的指纹特征,提出了一种两级室内fingerprint-based定位算法定位。锅等人在20.)考虑不确定性和非线性信号映射信号和物理空间使用多维向量回归和内核的方法。特征提取,内核执行典型分析最大关联成对相似性在信号和物理空间。

在Khalamehrabadi et al。21),提出了基于WLAN的本地化计划,由异常检测和radio-map插值方案。异常检测是映射增强优化问题。GS-based定位系统是新配方处理离群值只在网上阶段。工作(22)提出了一种基于联合WLAN的本地化和孤立点检测的方案。方案包括三个阶段的课程定位、AP的选择,和细定位使用稀疏恢复算法。工作区域聚集到ROI内用户位置在哪里搜索ROI。异常值检测执行在线阶段使用修改的稀疏恢复算法。

陈和Juang (23)提出了一个孤立点检测的框架来应对异常值在数据本地化。该计划并没有消除异常值,而维修异常值与异常值保存包含有用的信息。每一块的异常数据给出一个信心值基于MAD-scale分数介绍显示数据的有效性。提出了基于孤立点检测的方案应用于RSS数据收集和位置跟踪阶段。孟等人在24)开发出一种安全的、健壮的室内定位方案解决RSS数据中的异常值由于偶然的环境变化和访问点攻击。概率提出指纹识别方法提出了减少离群值的效果,提高定位精度。一个三步位置传感算法。

提出了定位系统的多峰性和非线性工作RSS数据。在数据处理本地化FDA多峰性,而内核方法用于处理RSS指纹数据中的非线性。此外,MLOD基于孤立点检测的执行删除任何RSS数据异常(也称为噪声)。我们经验丰富的孤立点检测算法在特征提取之前使用,便于更准确的分类区分位置特性。实验结果表明改进的位置估计精度与LDA的其他特征提取方法12),主成分分析(13],ELFDA [14]。

3所示。提出KLFDA定位算法

本节描述该KLFDA基础定位算法。我们首先解释RSS数据收集和radio-map生成步骤。然后,概述KLFDA提出随着非线性特征提取数据。之后,在新功能空间RSS向量的距离计算描述估计用户的最终位置。选择内核的选择是后来解释说。最后,给出了异常值检测使用MLOD删除任何异常出现在RSS数据使KLFDA基础定位更有效率。

3.1。概述KLFDA

在拟议的KLFDA离线阶段,跟随以下一系列步骤:首先,路线图是建立通过收集RSS样本在不同的参考点。然后,执行MLOD删除任何数据中出现的异常。这之后,对特征提取,我们首先原始RSS向量映射到内核通过应用KLFDA特征空间。这个过程被称为KLFDA转换。

在线阶段的提议KLFDA,跟随以下一系列步骤:收集实时RSS样本后,异常值检测和KLFDA转换应用相同的方式应用于离线数据。然后,位置估计通过测量之间的欧几里得距离kernelized离线和在线RSS数据功能。图1显示了提出了室内定位框架,解决多通道和非线性RSS数据。

RSS数据多通道、非高斯、非线性性质。内核方法隐式线性数据映射到高维非线性特征空间。KLFDA可以保留的多通道结构非线性数据并提供比其单独的嵌入nonkernel变体。

3.2。功能一代

FDA发现功能特征的线性组合或分离对象或事件的两个或多个类。我们使用本地化FDA (LFDA)照顾的多峰性,然后应用内核方法在RSS LFDA处理非线性数据(KLFDA)。LFDA最大限度保留本地RSS类数据结构比简单的FDA对多通道数据导致更好的分离。由此产生的组合作为线性分类器或更常见的降维。提取位置特性来降低数据维数,RSS数据通过FDA进行建模。让 是维RSS样本和 相关类标签,在哪里样品和数量吗类的数量。让在课堂上是样本的数量 : 让所有样品的矩阵: 让 的低维表示 ,在哪里是降低维度。令人信服地,我们认为大,小,但不限于此类案件。线性降维,嵌入的样本给出了作为 在哪里表示RSS矩阵的转置。LFDA的目标是找到一个线性变换,最大化减少维空间类可分性。让我们类间散射和在类散射。制定RSS数据库,RSS向量表示为

在哪里 , 表示接收到的信号强度点从 。RSS向量 与FDA制定以这样一种方式来最大化 在哪里 类质心而 是全球重心。 ,代表的总和 ,也就是说, 样本的均值在类吗 ,和是所有样本的均值。FDA的变换矩阵最大化类间散,虽然它最小化在类散射,FDA转换定义如下: 对多通道数据进行分类时,FDA限制在课堂散射很小可能导致结合多通道数据到一个集群。小在类距离可以限制特性可分性的增加可能导致退化的FDA分类能力。当地食品药品监督管理局,另一方面,在本地工作,并不强加的限制RSS样本接近,使类间距离的增加,导致更多的歧视的位置特征的提取。符号列表中列出本文中使用符号。

3.2.1之上。内核当地Fisher判别分析

LFDA应对多通道线性RSS数据非常有效。然而,RSS数据通常表现出非线性行为,特别是在点的突然转变。内核方法证明以及处理非线性数据的时候。来扩展LFDA kernelized LFDA非线性映射,RSS数据可以被映射到新的内核功能空间使用函数 。我们想最大化函数 在目前 和和受尊敬的矩阵呢这是表示为 得到最优判别基向量通过求解特征值问题 在(7)。相应的内核特性表示RSS样本可以被内核的投影表示收集到最优判别基向量 。的最优值最大化可以通过十字路口空间的零空间和非零空间的 ,在非零空间可以通过保持获得特征向量 与最大特征值 。较小的特征值向量被看作是噪声向量包含小区别的信息。

3.3。选择的内核

在室内定位,内核方法流行的隐式线性数据映射到高维非线性特征空间。对于给定的核函数,确定相应的潜在的非线性变换函数定义从原始数据空间映射到内核空间诱导特性。因此,可以说,核函数的形式在内核方法起着非常重要的作用。在这个工作中,内核的选择主要依赖于RSS的非线性和不确定性特性。通过这一过程被称为generalized-cross-validation内核参数调整。我们感兴趣的内核RSS的例子和在一个输入特征空间作为 在∅非线性映射线性输入空间成线性特征空间 。一般来说,内核分为固定,局部平稳和非平稳的内核。静止的内核,有时被称为各向异性静止的内核,取决于滞后向量将RSS的例子和 。在一个固定的位置,RSS据美联社可能会有所不同从一个高达10 dB,总是显示高斯或semi-Gaussian分布。众多,高斯内核在基于RSS的本地化之所以流行,是因为他们的良好的定位和平滑能力。此外,高斯内核擅长描述不确定性的RSS和缓解捕捉非线性高斯内核诱导空间RSS模式。因此,我们选择高斯非线性映射内核,和一个2 d高斯内核被定义为 在哪里和是两个RSS向量和决定了内核的宽度。是两个RSS向量样本之间的相似性度量。也,它可以极大地影响kernelized的形状特征空间通过控制内核的敏感性变化。在这个工作我们从[使用方法15内核宽度)来确定。

3.4。异常值检测

由于变化的测量数据集,可以观察,不同于其他观测数据中。这些不同的观察称为离群值。离群值的数据集存在由于多种原因像阴影和多路径传输功率和可变性的APs管理网络流量;如果在离线和在线数据收集交通负荷不同,那么RSS阅读肯定会是不同的。同时,由于无常的影响在任何美联社,RSS数据可能不可用的离线或在线阶段。现象描述生成RSS数据中的异常值,在离线和在线RSS不同测量结果。这种差异可以显著影响的位置估计精度。在本文中,我们采用最大似然异常值检测,这是一个inlier-based异常检测算法,适用于检测异常值基于一些示例数据模型的数据集。样本数据集(评价集)是组织根据程度的概括。outlyingness的程度来衡量 比估计的密度比估算方法KL重要性估计过程(KLIEP)。通过基本功能KLIEP估计的性能(19]。在这种情况下,使用高斯核是首选表示如下: 在哪里 代表高斯内核。选择大的通过使用所有需要高斯中心被选中样本,计算昂贵。通过使用的子集可以解决这个问题高斯中心,表示如下: 在哪里是一个随机选择的模板和代表一个前缀号码。KLFDA将原始RSS数据转换为高维内核空间,它包含增强非线性歧视位置信息。,此外,它还坚持费舍尔准则最大化类间散布在最小化在类分散在同一时间。之间的距离计算离线和在线RSS数据然后申请位置估计。它是通过匹配最近的RSS向量通过KLFDA距离测量。

4所示。评价

4.1。实验装置

我们使用开船RSS数据集训练和验证我们的定位系统。收集wi - fi RSS数据通过广泛的测量在开船研究中心,塞浦路斯(25]。面积由560典型的办公环境,包括会议室,几个开放的隔间和私人办公室,实验室,和走廊。总9稳定APs完全覆盖被发现在地板上收集RSS数据。此外,不同数量的不稳定APs被发现在不同的点在走廊RSS数据收集。五个不同的设备被用来收集RSS数据在不同的点。移动设备用于RSS数据收集是一个华硕电脑T101MT笔记本运行Windows 9,一个惠普iPAQ hw6915 PDA与Windows mobile, HTC的Android平板电脑传单,HTC欲望,三星Nexus s面积分为201参考点。201参考点,2100 RSS阅读105参考点是用来训练20 RSS阅读/参考点的模型,而960 RSS阅读96年10阅读/参考点是用来测试模型。图2显示了实验装置的示意图。该方法与主成分分析(12],LDA [11],ELFDA [13]。整个训练集广播地图分为5个部分:四个部分为初步构建模型,而剩下的一个是一套验证评估定位性能。每个部分是选为一组验证,验证性能是五倍的平均结果。真正的模型设定的参数值与发现表现最好的验证。相比其他算法的参数都设置为通过这种方法找到最优值。

4.2。分析仿真结果

最大限度地提取位置特性可以更好的个别位置进行分类。为精确位置估计,重要的是要充分提取RSS数据区别的特征。这种歧视数量的累积百分比提取得到的特征值与其余的特征向量 。图3比较不同的特征生成方法的准确性。图中所示,当位置误差是最低的= 7,这显示,97.0%保留非线性信息。剩下的3.0%被认为是噪声即丢弃。我们看到在类散射均位置误差减少到7,和之后的平均误差开始增加。特征值较大的特征向量被丢弃,因为这些较大的值增加了在类分散从而导致退化的定位精度。该方法可以最大限度地提取非线性特性截然不同的位置。增加在类的信息分散或减少类间散射被认为是噪音。虽然非常大的类间散射可以导致不确定性,然而,略微高类间散保留更多的位置信息。图4给出了特征值的累积百分比与功能维度。该方法是与ELFDA相比,LDA和主成分分析。PCA能最大化的方差提取特征,而ELFDA和LDA最大化类间分离性。然而,图中我们看到,该KLFDA保存当地在课堂结构不影响非线性RSS数据。前三个维度KLFDA已经累积百分比超过90%,与ELFDA相比,LDA和主成分分析表明其强烈的辨别力。图5指出累计显示平均测试定位精度,定位误差分布。准确性也在PCA相比,LDA, ELFDA KLFDA,并提议。误差距离之间的欧几里得距离是真的,估计位置坐标。错误的累积概率分布距离是用作定位精度。从图我们可以看到,在误差2米的距离,提出KLFDA的准确性为80%,虽然ELFDA精度,LDA,和PCA是70%,62%,和60%,分别。

kernelized的形状特征空间主要是定义的这是一个内核参数克制宽度。确定的参数是一项复杂的任务。图6显示了不同的内核宽度的平均位置误差,因为面临的约束计算和方差之间的离线和在线测量。算法内核宽度为测试数据,验证数据中观察到鼓励督促有效验证数据参数调优。在值2,验证和测试数据之间的较大差距是因为更大的方差之间的离线和在线测量。

而计算距离,基于系统的计算复杂性增加。小测试样品在离线阶段导致更少的校准时间。图7显示了距离误差的训练样本数量的影响。比较著名的直方图之间定位方法(26),该方案。直方图是一种流行的技术在非参数方法估计PDF。该图显示了所收集的样本的数量在每个参考点。我们看到,直方图方法显示了较大的方差和样本的数量。这是因为大量的样品需要在每一个训练位置在基于直方图的方法产生令人满意的结果。该方法另一方面显示了样本数量的增加几乎一致的结果,显示该方案的不变性与样本的数量。我们也看到,这两个系统显示最高精度和近90个训练样本。图8显示了平均位置误差观测与越来越多的离群值。图中所示,KLFDA与孤立点检测的平均位置误差低于KLFDA没有异常值检测。的结果图8承认孤立点检测的有效性,提出方案。

5。结论和未来的工作

fingerprinting-based定位精度较高的增加数量的收集无线局域网信号。由于复杂环境,收集RSS值是高度不确定,多通道,在本质上和非线性,使定位系统执行不准确。我们进行了非线性区别的特征提取RSS使用KLFDA在内核空间中提取位置特性的非线性RSS功能特征和捕获。随着处理非线性数据,KLFDA处理RSS数据的多峰性。通过执行KLFDA,歧视的信息包含在RSS是重组和最大限度地提取。孤立点检测在RSS数据删除异常数据使得KLFDA定位系统有效地执行位置估计。拟议的方法获得更高的准确性,最大限度地提取歧视在非线性空间特性。我们的目标是扩大这项工作通过执行广泛的实验进一步深入分析区别的特性和孤立点检测特征提取效率的影响。

符号

:	维RSS样本
:	类标签
:	数量的样品
:	类的数量
:	在课堂上的样本数量
:	矩阵的所有样品
:	的低维表示
:	降低维数
:	类间散
:	类间散在kernelized功能空间
:	在类散射
:	在类分散在kernelized功能空间
:	FDA变换矩阵
:	内核功能空间
ɸ:	函数将RSS向量映射到新的内核功能空间
:	样品/评估数据集
:	模型的数据集。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(NRF - 2015 r1d1a1a01059049)。

引用

1. 美国伊姆兰和Y.-B。Ko,”连续对象边界检测和跟踪计划破产的传感器网络,”传感器,17卷,不。2、2017。视图:出版商的网站|谷歌学术搜索
2. 分和h . Cha“LifeMap:分享服务上下文提供者基于位置的服务,“IEEE普适计算,10卷,不。2,58 - 67、2011页。视图:出版商的网站|谷歌学术搜索
3. 他和s . g . Chan“wi - fi fingerprint-based室内定位:最新进展和比较,”IEEE通信调查和教程,18卷,不。1,第490 - 466页,2016。视图:出版商的网站|谷歌学术搜索
4. s . Gezici z, g . b . Giannakis et al .,“本地化通过超宽带无线电:一看未来传感器网络的定位方面,“IEEE信号处理杂志,22卷,不。4、70 - 84年,2005页。视图:出版商的网站|谷歌学术搜索
5. f . Ijaz h·k·杨,a·w·艾哈迈德·c·李,“室内定位:回顾室内超声波定位系统,”学报》第15届国际会议上先进通信技术:与物联网智能服务!ICACT 2013,第1150 - 1146页,2013年。视图:谷歌学术搜索
6. j . z, z . Wang, c .黄,张问:“这套买得起:轻量级的室内定位与可见光,”第13届国际会议的程序,页317 - 330,佛罗伦萨,意大利,2015年。视图:出版商的网站|谷歌学术搜索
7. y气、h .小林和h .须“分析无线定位在视线外环境中,“IEEE无线通信,5卷,不。2、672 - 681年,2006页。视图:出版商的网站|谷歌学术搜索
8. r . c . Wong Klukas, g .混乱”的着陆角度室内用户位置,使用无线局域网基础设施”职业训练局学报68半年度IEEE车辆技术(08年),页1 - 5,IEEE 2008。视图:出版商的网站|谷歌学术搜索
9. 陈和g .孙”,室内定位基于使用wi - fi的指纹和三边测量工艺对于LBS应用程序,”ISPRS -国际档案的摄影测量、遥感和空间信息科学卷,XXXVIII-4 / C26 1 - 5, 2012页。视图:出版商的网站|谷歌学术搜索
10. l . j . h .苗族z Wang Wang,和l . Zhengfeng”小说访问点选择策略对于wi - fi的室内位置,”学报》第26届中国控制与决策会议,CCDC) 2014长沙,页5260 - 5265年,中国,2014。视图:出版商的网站|谷歌学术搜索
11. Z.-A。邓,Y.-B。徐,l·马”室内定位通过非线性区别的特征提取在无线局域网,“计算机通信,35卷,不。6,738 - 747年,2012页。视图:出版商的网站|谷歌学术搜索
12. c . h .公园和h .公园”,广义线性判别分析算法的比较,“模式识别第41卷。。3、1083 - 1097年,2008页。视图:出版商的网站|谷歌学术搜索
13. 工程学系。方和t .林”,主成分定位在室内无线局域网环境中,“IEEE移动计算,11卷,不。1,第110 - 100页,2012。视图:出版商的网站|谷歌学术搜索
14. m . Sugiyama“当地fisher判别分析监督降维”学报》第23届国际会议上机器学习(ICML 06年)ACM, 912,页905 - 2006。视图:出版商的网站|谷歌学术搜索
15. a . Kushki k . n . Plataniotis Venetsanopoulos传来,“无线局域网中基于位置”IEEE移动计算》第六卷,没有。6,689 - 705年,2007页。视图:出版商的网站|谷歌学术搜索
16. 邓y, z和w·孟,“室内定位算法与核直接判别分析,”学报》第53 IEEE全球通信会议(GLOBECOM 10)美国佛罗里达州,页1 - 5,迈阿密,2010年12月。视图:出版商的网站|谷歌学术搜索
17. Z.-A。邓、y徐和l .陈”,局部地方fisher判别分析室内定位在无线局域网,”学报2013年IEEE无线通信和网络会议,WCNC 2013,第4799 - 4795页,上海,中国,2013。视图:出版商的网站|谷歌学术搜索
18. t . Hayashi d . Taniuchi j . Korpela和t .前川,“时空自适应室内定位使用一个方法,”普及和移动计算41卷,第332 - 319页,2017年。视图:出版商的网站|谷歌学术搜索
19. 陈y, z郑t .他l .太阳和d·陈,“功能学习fingerprint-based定位在室内环境中,“国际期刊的分布式传感器网络文章ID 452590卷,2015年,2015年。视图:出版商的网站|谷歌学术搜索
20. j·j·潘,j·t·郭问:杨,和y陈,“多维向量回归在普适计算准确、低成本的位置估计,“IEEE工程知识和数据,18卷,不。9日,第1193 - 1181页,2006年。视图:出版商的网站|谷歌学术搜索
21. a . Khalajmehrabadi n Gatsis, d . Akopian“结构化稀疏:一种新颖的室内无线局域网定位、异常值检测,和电台地图插值方案,“IEEE车辆技术,卷66,不。7,6498 - 6510年,2017页。视图:出版商的网站|谷歌学术搜索
22. A . Khalajmehrabadi n . Gatsis d . j .包和d . Akopian”联合室内WLAN本地化和异常值检测使用套索和Elastic-Net优化技术方案,“IEEE移动计算,16卷,不。8,2079 - 2092年,2017页。视图:出版商的网站|谷歌学术搜索
23. 研究。陈和J.-C。Juang”Outlier-detection-based无线传感器网络室内定位系统,”国际期刊的导航和观察文章ID 961785卷,2012年,2012年。视图:出版商的网站|谷歌学术搜索
24. w·孟w·肖,w .倪和l .谢“安全、健壮的wi - fi指纹室内定位,”学报》国际会议室内定位和室内导航(IPIN 11)IEEE,页1 - 7,吉马良斯,2011年葡萄牙。视图:出版商的网站|谷歌学术搜索
25. c·g·p·克里斯托Laoudias和r . Piche开船WiFi RSS数据集,https://www.researchgate.net/publication/256482916_KIOS_WiFi_RSS_dataset。
26. t·鲁斯·Myllymaki h .以来,p . Misikangas和j . Sievanen”概率WLAN用户位置估计方法,”国际期刊的无线信息网络,9卷,不。3、155 - 164年,2002页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018萨吉达伊姆兰和Young-Bae Ko。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。