INDOOR LOCALIZATION USING WI-FI BASED FINGERPRINTING AND TRILATERATION TECHIQUES FOR LBS APPLICATIONS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. The past few years have seen wide spread adoption of outdoor positioning services, mainly GPS, being incorporated into everyday devices such as smartphones and tablets. While outdoor positioning has been well received by the public, its indoor counterpart has been mostly limited to private use due to its higher costs and complexity for setting up the proper environment. The objective of this research is to provide an affordable mean for indoor localization using wireless local area network (WLAN) Wi-Fi technology. We combined two different Wi-Fi approaches to locate a user. The first method involves the use of matching the pre-recorded received signal strength (RSS) from nearby access points (AP), to the data transmitted from the user on the fly. This is commonly known as "fingerprint matching". The second approach is a distance-based trilateration approach using three known AP coordinates detected on the user's device to derive the position. The combination of the two steps enhances the accuracy of the user position in an indoor environment allowing location-based services (LBS) such as mobile augmented reality (MAR) to be deployed more effectively in the indoor environment. The mapping of the RSS map can also prove useful to IT planning personnel for covering locations with no Wi-Fi coverage (ie. dead spots). The experiments presented in this research helps provide a foundation for the integration of indoor with outdoor positioning to create a seamless transition experience for users.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle