GEOMAGNETIC FIELD-BASED INDOOR POSITIONING USING BACK-PROPAGATION NEURAL NETWORKS
Notice bibliographique
Résumé
Abstract. High-precision indoor positioning in complex environments has always been a hot research topic within the positioning and robotic communities. As one of the indoor positioning technologies, geomagnetic positioning is receiving widespread attention due to its global coverage. Additionally, geomagnetic positioning does not require special infrastructure configuration, its hardware cost is low, and its positioning errors do not accumulate over time. However, geomagnetic positioning is prone to mismatching, which causes serious problems at the positioning points. To tackle this challenge, this paper proposes an indoor localization method based on spectral clustering and weighted back-propagation neural network. The main research contribution is that in the offline phase, the spatial specificity of geomagnetism is used to define the similarity between fingerprints. In addition, a clustering-based reference point algorithm is proposed to divide the sub-fingerprint database, and a positioning prediction model based on back-propagation neural network is trained. Subsequently, in the online stage, the weights of different positioning prediction models are calculated according to the defined fingerprint similarity, weighted average prediction coordinates are obtained, and thereby the positioning accuracy is improved. Experimental results show that, in comparison with other neural network-based positioning methods, the positioning error of our proposed algorithm is reduced by approximately 26.6% and the positioning time is reduced by 24.7%. Experimental results show that the average positioning error of the algorithm is 1.81m.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».