利用地标挖掘实验中得到 的有效地标，分别测算各个 探测源到各个地标的时延和 距离关系，构建各个探测源 的时延-距离模型。给出代码和完整步骤

在地标挖掘实验中，我们通常会处理传感器或其他探测源收集的数据，通过这些数据我们可以确定地标的位置以及信号传播的时间延迟。以下是构建探测源时延-距离模型的一个基本步骤及示例代码：

1. **数据预处理**：
- 首先，对收集到的原始信号数据进行清洗，去除噪声和异常值。

   import pandas as pd
   data = pd.read_csv('signal_data.csv')  # 假设数据已经加载
   data = data.dropna()  # 删除缺失值

2. **特征提取**：
- 计算每个信号到达每个地标的时间戳，这通常是基于信号强度衰减等信息计算得出的。

   timestamps = [get_timestamp(row) for _, row in data.iterrows()]

3. **地标定位**：
- 使用三角定位或者其他定位算法（如多普勒频移、时间差分等），从多个探测源的信号到达时间推断出地标的具体坐标。

   locations = triangulate(timestamps, sources_positions)

4. **时延-距离模型建立**：
- 对于每一对探测源和地标，计算它们之间的实际时延，并基于物理原理（例如光速或无线电信号速度）估计理论上的距离。

   delays = [abs(timestamp1 - timestamp2) * propagation_speed for timestamp1, timestamp2 in zip(timestamps, locations)]
   distances = [distance_from_speed(delay, speed_of_signal) for delay in delays]

5. **模型拟合**：
- 可能需要线性回归或其他机器学习模型来拟合一元二次函数或者其他形式的模型，描述时延和距离的关系。

   from sklearn.linear_model import LinearRegression
   model = LinearRegression()
   model.fit(delays.reshape(-1, 1), distances)

6. **验证与应用**：
- 检查模型的性能，如R^2分数，然后可以将这个模型用于预测新的探测源和地标间的即时延和距离。

   new_delay = predict_distance(model, new_timestamp)