毕业设计(论文)外文文献翻译
2
基于 Wifi 的位置系统精度取决于指纹数据库中采集的位置指纹的数量。在定位过
程中信号波动发生可能会增加路径中的错误和用户定位的不准确性。
2 方法
2.1 数据处理
我们在这个项目中使用 UJIndoorLoc 数据库。它由使用 16 个不同的检测到的
520 个 RSSI 指纹组成手机型号由 18 个用户从 4 个到 5 个不同 3 座建筑物的楼层,
因此,以给定的指纹路线图作为训练设置,我们可以使用机器学习生成一个模型技
术,我们可以预测未知移动设备持有人的楼层号码某个建筑物。
2.2 降维处理
然而,高维特征空间具有冗余功能会损害计算效率因此,我们使用主成分分析
(PCA)提取主要特征。 能量显示了前 200 个主要组件的级别在图 2 中。 我们发
现前三名校长组件包含大部分的能量,并为此超过前 200 个元件,每个元件的能量
级别小于 1。 从图 3 可以看出,在预测准确度和准确度之间有一个折衷需要的功
能数量,表示计算复杂性,为学习任务。根据关于每个学习算法的特点,我们为适
合的算法选择 5,50 和 200 个顶级特征比较和探索最佳预测准确性
2.3 决策树
然后使用决策树进行实现,决策树有能够快速高效的去除许多不相关的变量,
但是决策树也有一些缺点,例如相比于 KNN 算法而言决策树存在一些不精确的比
较。多种的标准被应用在决策树的实施上面,通过不同的标准来使决策树中的数据
属性进行分离,以此来达到建造决策树的目的。
3 结果和讨论
我们使用三座建筑物的数据测试了模型。如前所述,在每个建筑物,我们在特
征空间上执行 PCA 以减少其特征空间维度和随机选择的样本来执行对四种分类进
行十倍交叉验证样本数据。 减少室内的尺寸和指纹点数量样本,空间中的样本数
量是可调的为每个模型实现最小的误差的数量。 将每次测量的数量取平均值得到
最终的最小误差样本的数量
3.1 KNN
我们首先探索我们最近的邻居的数量需要考虑对测试集进行分类,分类的误差
随之增加 k 的增加。然后我们看看来自的影响样本数量和最高主体数量特征在 kNN
的 k=1 分类中。错误随着样本量的增加而显着减少,但是增加更多样本数据并没有