Quantitative comparison of indoor positioning on different densities of WiFi arrays in a single environment
Notice bibliographique
Résumé
Location Based Services (LBS), which are supported by ubiquitous location finding and positioning information, have become increasingly popular. These services are integrated with various wireless technologies (i.e. cellular, WiFi, and Bluetooth) on mobile devices that establish necessary location information. While each of these technologies contributes to the integration, development and success of LBSs, WiFi has been the most widely employed as an alternative to the Global Positioning System (GPS). Several commercial WiFi-based positioning systems (WPS) are available to the public to extend positioning coverage to places where GPS is unreliable or unavailable; however, these commercial WPSs often fail to deliver GPS-like positioning. The coarse positioning accuracy of commercial WPSs may be caused by unreliable or unsecured databases, which contain the essential WiFi-array information to produce local positioning. Knowing this, the quality of WiFi-based positioning services can be enhanced by improving the quality of a database with well-surveyed and accurate information. The Saskatchewan Enhanced positioning System (SaskEPS) is designed to reduce common errors in WPS. SaskEPS's positioning accuracy and consistency is supported by a thoroughly validated Access Point (AP) database. It has been tested in several buildings at the University of Saskatchewan and successfully provides GPS-like positioning accuracy. Our tests have also begun to elucidate the role of WiFi density in ensuring GPS-like positioning accuracy in indoor spaces. In this paper, we investigate the quantitative relationship between WiFi density and SaskEPS's overall positioning accuracy.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».