• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩角投模式: 一种基于域聚类的WIFI室内定位方法.pdf

    关 键 词:
    一种 基于 域聚类 WIFI 室内 定位 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611193478.6

    申请日:

    2016.12.21

    公开号:

    CN106793075A

    公开日:

    2017.05.31

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):H04W 64/00申请日:20161221|||公开
    IPC分类号: H04W64/00(2009.01)I; G01S11/06 主分类号: H04W64/00
    申请人: 武汉大学
    发明人: 张伟; 花向红; 邱卫宁; 贺小星; 刘少伟
    地址: 430072 湖北省武汉市武昌区珞珈山武汉大学
    优先权:
    专利代理机构: 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 代理人: 魏波
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611193478.6

    授权公告号:

    |||

    法律状态公告日:

    2017.06.23|||2017.05.31

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于域聚类的WiFi室内定位方法,首先在两种不同的室内环境中选取若干参考点作为校准点,采集校准点处的WiFi信号强度信息,将信号强度信息和校准点的位置信息关联起来组成位置指纹,得到位置指纹库;接着采集测试点的WiFi信号强度信息,将测试点的WiFi信号强度信息与位置指纹库进行预匹配,利用校准点与测试点的欧氏距离找到距测试点最近的K个邻近校准点;统计K个邻近校准点的边界值并求出中心点;然后采用WKNN或朴素贝叶斯分类器对测试点进行定位;若校准点与测试点共同观测到的AP总共有m个,则可获得m个测试点可能出现的位置;最后确定测试点的最终位置。根据不同室内环境下测试的定位结果证明了本发明具有更好的性能。

    权利要求书

    1.一种基于域聚类的WiFi室内定位方法,其特征在于,包括以下步骤:
    步骤1:在两种不同的室内环境中选取若干校准点,采集校准点处的WiFi信号强度信
    息,将信号强度信息和校准点的位置信息关联起来组成位置指纹,得到位置指纹库;
    步骤2:采集测试点(x,y)的WiFi信号强度信息,将测试点的WiFi信号强度信息与位置
    指纹库进行预匹配,利用校准点与测试点的欧氏距离找到距测试点最近的K个邻近校准点;
    统计K个邻近校准点的边界值并求出中心点;
    步骤3:采用WKNN或朴素贝叶斯分类器对测试点进行定位;若校准点与测试点共同观测
    到的AP总共有m个,则可获得m个测试点可能出现的位置;
    步骤4:确定测试点的最终位置
    2.根据权利要求1所述的基于域聚类的WiFi室内定位方法,其特征在于,步骤3中所述
    采用WKNN或朴素贝叶斯分类器对测试点进行定位,WKNN方法和朴素贝叶斯方法具体实现原
    理:
    选取k个AP用于位置估计,因此第j个校准点的RSS向量为:
    <mrow> <msub> <mi>RSS</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>RSS</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> <mn>1</mn> </msubsup> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>RSS</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> <mn>2</mn> </msubsup> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mrow> <msubsup> <mi>RSS</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> <mi>m</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
    校准点和定位点之间多维信号空间的距离可以采用欧氏距离表示为:
    <mrow> <msubsup> <mi>d</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> <mrow> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>RSS</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>RSS</mi> <mi>t</mi> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </msqrt> </mrow>
    其中,表示测试点的第i个AP的RSS观测值;
    选取距离最短的K个校准点用于估计测试点的位置,WKNN和朴素贝叶斯分类器的区别
    就在于权重计算;
    WKNN通常采用距离反比例加权:
    <mrow> <msub> <mi>w</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>/</mo> <msubsup> <mi>d</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> <mrow> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> </mrow> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mn>1</mn> <mo>/</mo> <msubsup> <mi>d</mi> <msub> <mi>c</mi> <mi>i</mi> </msub> <mrow> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> </mrow> </mfrac> <mo>;</mo> </mrow>
    因此测试点的位置可通过下式计算:
    <mrow> <mo>(</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>,</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>)</mo> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>w</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>&CenterDot;</mo> <mo>(</mo> <msub> <mi>x</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>,</mo> <msub> <mi>y</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> <mo>;</mo> </mrow>
    其中表示测试点的二维坐标估计值,表示是第j个校准点的坐标;
    假定测试点的RSS观测向量为并且表示第j个校准点的
    位置,那么朴素贝叶斯分类器利用后验概率测度测试点出现在第j个校准点的可
    能性;利用贝叶斯理论,后验概率可表达成如下的形式:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>L</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>|</mo> <msub> <mi>RSS</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>RSS</mi> <mi>t</mi> </msub> <mo>|</mo> <msub> <mi>L</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>L</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>RSS</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>;</mo> </mrow>
    其中表示RSSt的条件概率存,其在线下阶段存储在指纹库中,所有校准点的
    为相同的常量;
    类似WKNN,将看成第j个校准点的权重,因此测试点的朴素贝叶斯分类器位
    置估计公式如下:
    <mrow> <mo>(</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>,</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>)</mo> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>p</mi> <mo>(</mo> <msub> <mi>L</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>|</mo> <msub> <mi>RSS</mi> <mi>t</mi> </msub> <mo>)</mo> <mo>&CenterDot;</mo> <mo>(</mo> <msub> <mi>x</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>,</mo> <msub> <mi>y</mi> <msub> <mi>c</mi> <mi>j</mi> </msub> </msub> <mo>)</mo> <mo>.</mo> </mrow>
    3.根据权利要求1所述的基于域聚类的WiFi室内定位方法,其特征在于,步骤4中所述
    确定测试点的最终位置,其具体实现包括以下子步骤:
    步骤4.1:分别对m个测试点可能出现的位置的x坐标和y坐标排序;
    步骤4.2:将m个估计位置的x坐标利用分为两部分,其中表示测试
    点可能出现位置中最大的x坐标值;表示测试点可能出现位置中最小的x坐标值;
    步骤4.3:分别计算小于和大于的x坐标的个数,个数多的部分即x坐标最可能落
    入的区域,成为x域;
    步骤4.4:挑选出所有位于x域的x坐标估计值并利用下式计算测试点最终的x坐标
    <mrow> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>f</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>k</mi> <mi>x</mi> </msub> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>k</mi> <mi>x</mi> </msub> </munderover> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mo>;</mo> </mrow>
    式中kx表示位于x域的坐标的个数,表示属于x域的坐标估计;
    步骤4.5:利用步骤4.1-4.1的原理,计算测试点y坐标的最终估计值
    步骤4.5:获得测试点的最终位置
    4.根据权利要求1-3任意一项所述的基于域聚类的WiFi室内定位方法,其特征在于:测
    试点的真实位置(x,y)与估计位置的误差err计算如下:
    <mrow> <mi>e</mi> <mi>r</mi> <mi>r</mi> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>f</mi> </msub> <mo>-</mo> <mi>x</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mover> <mi>y</mi> <mo>^</mo> </mover> <mi>f</mi> </msub> <mo>-</mo> <mi>y</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>.</mo> </mrow>

    说明书

    一种基于域聚类的WiFi室内定位方法

    技术领域

    本发明属于室内定位技术领域,具体涉及一种新基于WIFi指纹的通过区域集群进
    行室内位置定位的方法。

    背景技术

    近二十年来,越来越多的室内环境的个性化基于位置服务刺激着各种各样的室内
    定位系统(IPS)的发展。一系列不同的定位技术被部署用于进行室内位置估计,例如GNSS,
    超声波,超宽带(UWB)和WiFi等。WiFi室内定位技术存在两个主要的挑战:多径效应和非视
    距(NLOS)的影响。因此,大多数WiFi室内定位系统使用指纹技术进行位置估计,其包含两个
    阶段:校准阶段(线下阶段)和定位阶段(线上阶段)。校准阶段通过关联附近APs的WiFi信号
    和校准点的物理坐标来构建定位区域的指纹。在定位阶段,通过比较测试点接收到的附近
    APs的信号强度和指纹库的校准点的信息来估计测试点的位置。通常采用WKNN和朴素贝叶
    斯分类器来估计位置,这两者方法的结果都受到AP选取算法影响。

    AP的选取通常为了实现两个目的:通过选取可用APs的AP子集减少计算负担,消除
    无用甚至对位置估计有害的APs?;贏P选取策略实施的阶段可以将AP选取算法区分为线
    下AP选取策略和线上AP选取策略。H.Zou等提出了一种基于互信息的线上AP选取策略,选取
    最佳集体判别能力最佳的APs用于位置近似计算。另一种基于标准差的线上AP选取算法选
    取标准差最小的N个APs作为最优AP子集。线上阶段的AP选取算法能够减少环境动态变化带
    来的影响,但是其忽略了校准点包含的大量信息,同时其建立在线上阶段测试点较长时间
    的持续采样的基础上。在线下阶段,位置信息增益可用于AP的选取,但是单个AP信息增益算
    法没有考虑AP间的相关性。本发明提出了一种基于域聚类的新的位置估计策略。

    总的来说AP选取算法的性能受到不同环境的影响,并且最优AP子集的个数定义往
    往是模糊的且对位置估计精度存在一定的影响。因此,为了保证和提高算法的定位精度,亟
    需提出了一种新的WiFi室内定位估计策略。

    发明内容

    本发明提出了一种新的WiFi室内定位估计的策略,称为域聚类定位(DCL)。该方法
    同时适用于两种经典的位置估计策略:WKNN方法和朴素贝叶斯分类器,同时由于其采用所
    有的AP分别进行位置估计因此不需要考虑AP选取问题。

    本发明所采用的技术方案是:一种基于域聚类的WiFi室内定位方法,其特征在于,
    包括以下步骤:

    步骤1:在两种不同的室内环境中选取若干校准点,采集校准点处的WiFi信号强度
    信息,将信号强度信息和校准点的位置信息关联起来组成位置指纹,得到位置指纹库;

    步骤2:采集测试点(x,y)的WiFi信号强度信息,将测试点的WiFi信号强度信息与
    位置指纹库进行预匹配,利用校准点与测试点的欧氏距离找到距测试点最近的K个邻近校
    准点;统计K个邻近校准点的边界值并求出中心点;

    步骤3:采用WKNN或朴素贝叶斯分类器对测试点进行定位;若校准点与测试点共同
    观测到的AP总共有m个,则可获得m个测试点可能出现的位置;

    步骤4:确定测试点的最终位置

    与现有技术相比,本发明具有的特点:

    (1)经典的WKNN方法或者朴素贝叶斯分类器需要选取AP子集从而提高IPS的性能。
    当AP子集的个数不同时,WKNN方法或者朴素贝叶斯分类器的结果也会不一致。新的定位策
    略采用所有可用AP单独进行测试点的位置估计,并且利用域聚类技术获取最终的位置。因
    此,新方法的结果不会受到AP子集的影响;

    (2)实验分析表明:新的位置估计策略具有更高的精度和可靠性。相比对应的经典
    算法WKNN-DCL和NBC-DCL的定位结果的误差均值都达到最小?;贒CL的定位策略误差在
    1.5m和3.5m的正确率相比经典的方法具有明显的优势;

    (3)由于新策略仅仅采用一个简单的域聚类技术对WiFi IPS进行了改进,因此在
    将来的工作中将会提出更加合理的域聚类技术,对于域聚类技术在WiFi指纹定位中的应用
    起到了借鉴作用。

    附图说明

    图1是本发明实施例的流程图;

    图2是本发明实施例的实验方案分布示意图;

    图3是本发明实施例的WKNN定位策略的累积分布函数(CDF)示意图;

    图4是本发明实施例的朴素贝叶斯定位策略的累积分布函数(CDF)示意图。

    具体实施方式

    为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发
    明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不
    用于限定本发明。

    请见图1,本发明提供的一种基于域聚类的WiFi室内定位方法,包括以下步骤:

    步骤1:在两种不同的室内环境中选取6个校准点(请见图2),采集校准点处的WiFi
    信号强度信息,持续时间为2min;将信号强度信息和校准点的位置信息关联起来组成位置
    指纹,得到位置指纹库;

    步骤2:采集测试点(x,y)的WiFi信号强度信息(9个测试点,点位详见图2),将测试
    点的WiFi信号强度信息与位置指纹库进行预匹配,利用校准点与测试点的欧氏距离找到距
    测试点最近的K个邻近校准点;统计K个邻近校准点的边界值并求出中心点;

    本实施例邻近校准点个数设置为4。同时四个邻近校准点的坐标边界值记录为
    and

    步骤3:采用WKNN或朴素贝叶斯分类器对测试点进行定位;若校准点与测试点共同
    观测到的AP总共有m个,则可获得m个测试点可能出现的位置;

    识别测试点的近似区域,可应用简单的AP可见性原则实现该目标。一般而言,房间
    级别子区域可见的AP集合是存在差异的,因此和测试点可共同观测的AP数目最多的区域便
    是测试点最可能出现的区域,即为近似区域。近似区域所有测试点和校准点可共同观测的
    AP记为AP1,AP2,...,APm。

    WKNN方法和朴素贝叶斯方法具体实现原理:

    选取k个AP用于位置估计,因此第j个校准点的RSS向量为:


    校准点和定位点之间多维信号空间的距离可以采用欧氏距离表示为:


    其中,表示测试点的第i个AP的RSS观测值;

    选取距离最短的K个校准点用于估计测试点的位置,WKNN和朴素贝叶斯分类器的
    区别就在于权重计算;

    WKNN通常采用距离反比例加权:


    因此测试点的位置可通过下式计算:


    其中表示测试点的二维坐标估计值,表示是第j个校准点的坐标;

    假定测试点的RSS观测向量为并且表示第j个校准
    点的位置,那么朴素贝叶斯分类器利用后验概率测度测试点出现在第j个校准点
    的可能性;利用贝叶斯理论,后验概率可表达成如下的形式:


    其中表示RSSt的条件概率存,其在线下阶段存储在指纹库中,所有校准
    点的为相同的常量;

    类似WKNN,将看成第j个校准点的权重,因此测试点的朴素贝叶斯分类
    器位置估计公式如下:


    步骤4:确定测试点的最终位置其具体实现包括以下子步骤:

    步骤4.1:分别对m个测试点可能出现的位置的x坐标和y坐标排序;

    步骤4.2:将m个估计位置的x坐标利用分为两部分,其中表示
    测试点可能出现位置中最大的x坐标值;表示测试点可能出现位置中最小的x坐标值;

    步骤4.3:分别计算小于和大于的x坐标的个数,个数多的部分即x坐标最可
    能落入的区域,成为x域;

    步骤4.4:挑选出所有位于x域的x坐标估计值并利用下式计算测试点最终的x坐标


    式中kx表示位于x域的坐标的个数,表示属于x域的坐标估计;

    步骤4.5:利用步骤4.1-4.1的原理,计算测试点y坐标的最终估计值

    步骤4.5:获得测试点的最终位置

    测试点的真实位置(x,y)与估计位置的误差err可计算如下:


    本实施例的实验结果如下,其中WKNN算法和WKNN-DCL算法精度比较结果请见表1,
    朴素贝叶斯算法和朴素贝叶斯-DCL算法精度比较结果请见表2,WKNN算法和WKNN-DCL算法
    型稳定性比较结果请见表3,朴素贝叶斯算法和朴素贝叶斯-DCL算法型稳定性比较结果请
    见表4:

    表1 WKNN算法和WKNN-DCL算法精度比较





    表2朴素贝叶斯算法和朴素贝叶斯-DCL算法精度比较



    表3 WKNN算法和WKNN-DCL算法型稳定性比较





    表4朴素贝叶斯算法和朴素贝叶斯-DCL算法型稳定性比较



    在两个房间的区域进行了实验用来评估提出的新方法的性能。房间1为一个计算
    机室并且存在人员的活动,大小约为72m2(10m×7.2m)。房间2为一个会议室且没有人员的
    走动,大小约为110m2(10m×11m)。总共采集了12个校准点和18个测试点。相邻点之间的空
    间间隔为2m。校准点和测试点的物理位置如图2所示。

    两种典型方法,WKNN和朴素贝叶斯分类器被选择用来与DCL进行对比分析。WKNN和
    朴素贝叶斯分类器的AP选取采用基于联合信息增益的智能AP选取策略,AP子集的个数分别
    设置为4-8个。分别实施基于WKNN的DCL方法(WKNN-DCL)和基于朴素贝叶斯分类器的DCL
    (NBC-DCL)。表1比较了WKNN和WKNN-DCL两种不同策略的位置估计误差的均值、标准差和最
    大误差。表2比较了朴素贝叶斯分类器和NBC-DCL两种不同策略的位置估计误差的均值、标
    准差和最大误差。从表1和表2可以看出,经典的WKNN方法和朴素贝叶斯分类器的定位结果
    都受到AP子集个数的影响,并且难以找出误差均值和最大误与AP子集个数的显示关系。因
    此,这两张方法需要谨慎的处理选取AP个数的问题。表1和表2中,WKNN-DCL的误差均值要小
    于不同AP个数的WKNN方法的均值,同样NBC-DCL的误差均值也要小于不同AP个数的朴素贝
    叶斯分类器。同时,NBC-DCL的最大误差也要远小于对应的其它朴素贝叶斯分类器计算的结
    果且其NBC-DCL的误差标准差也是最小的。然而,WKNN-DCL的比较存在一些异常,WKNN-DCL
    的误差标准差并非最小,并且其最大误差最大。

    图3和图4展示了不同定位策略的累积分布函数图(CDF)。如图3所示,当误差阈值
    在2m~4m时,WKNN-DCL的CDF曲线要高于经典的WKNN方法,即误差小于阈值的概率更高。这
    一现象在图4中更加明显,NBC-DCL的CDF曲线在整个误差范围内都要高于朴素贝叶斯分类
    器。表3和表4显示了正确率在1.5m,2.5m和3.5m内的统计百分比。WKNN-DCL小于1.5m的误差
    占61%远大于经典的WKNN方法。尽管WKNN-DCL正确率在2.5m的百分比要比部分WKNN方法
    差,但是WKNN-DCL正确率小于3.5m的百分比为89%比WKNN方法最好时还要高约6%。NBC-
    DCL的1.5m限差的正确率为44%且正确率为3.5m的百分比为83%,都要远好于朴素贝叶斯
    分类器。

    应当理解的是,本说明书未详细阐述的部分均属于现有技术。

    应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本
    发明专利?;し段У南拗?,本领域的普通技术人员在本发明的启示下,在不脱离本发明权
    利要求所?;さ姆段榭鱿?,还可以做出替换或变形,均落入本发明的?;し段е?,本发
    明的请求?;し段вσ运饺ɡ笪?。

    关于本文
    本文标题:一种基于域聚类的WIFI室内定位方法.pdf
    链接地址://www.4mum.com.cn/p-6021224.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • cba排名2018最新排名的 码报资料2017开奖记录 体育最赚钱 lv彩票平台是真的吗 乒乓球比赛表格 吃鸡游戏 信号枪 好运彩3官网 四川时时彩qq群 中国足协官网 六肖中特期期180期 电脑木刻雕花厂赚钱吗 阿里巴巴股票 香港高频彩 梦幻西游赚钱 广东好彩1开奖 二八杠打气筒