EP-FPG applied to RSSI-Based Wireless Indoor Localization
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
Wireless Localization based on Received Signal Strength Indication (WL-RSSI) consists of predicting the localization of a particular device given the radio signals it receives. WL-RSSI methods are suitable for specific scenarios where Global Positioning System (GPS) is unstable or unavailable, such as indoor localization. Developing more efficient WL-RSSI methods is necessary to supplement GPS localization in such applications. Feedforward neural network trained by hybrid Particle swarm optimization and Gravitational search algorithm (FPG) is an optimization strategy that aims at better exploring the network weight-space when compared to methods such as Backpropagation (BP). Feedforward neural network trained by hybrid Particle swarm optimization and Gravitational search algorithm (FPG) is a kind of machine learning model with better exploring ability in the solution search space compared with conventional neural network training methods such as Backpropagation (BP). This article investigates a method to solve the slow convergence problem of conventional FPG and further improve its performance. Extreme Learning Machines (ELMs) are used to pre-train initial particles of the FPG (EP-FPG). This article also presents the application of EP-FPG to classification and regression WL-RSSI problems. Experimental results demonstrate that the proposed EP-FPG performs better on WL-RSSI problems than conventional FPG and BP.
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 | 0,000 | 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 | 0,001 |
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 découle