An indoor radio propagation model considering angles for WLAN infrastructures
Notice bibliographique
Résumé
Abstract Wireless local area network fingerprint‐based indoor location system is a hot topic these years because it needs no extra hardware and is very easy to deploy. However, it demands a database containing the distribution of received signal strength (RSS) of the area of interest,called radio map. Conventionally, we need to grid the area densely and manually measure RSS values on intersections, which will consume a lot of time and human resources. What is worse, change of the environment may render this database totally useless. Our consideration is to measure RSS on a small amount of these intersections and use them to build a radio propagation model. Then, this model can be deployed to predict RSS values of other intersections and reconstruct the radio map. In other words, we only need to collect a very small part the radio map and utilize the radio propagation model to recover the whole one. So far, many models have been proposed, among which the one suggested by Seidel, named floor attenuation factor propagation model, achieves great balance between computational request and accuracy. But it is not compatible with environments in some scenarios. So as to compensate for this deficiency, we take into account the angles formed by signal and surfaces of obstacles, and the results show better compatibility. The proposed model has four parameters that are related to the environments, and our second contribution in this paper is to propose a method to determine them. In fact, after collecting a small part of the radio map, we can estimate these parameters with least square method. Then, these parameters can be used to predict the signal strength at any other points in the same environment, and the whole radio map is rebuilt. According to practical experiments, performance of the radio map built by the proposed model is not as good as the manually collected one, but 80% of collecting labor is saved. Copyright © 2015 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».