An Efficient and Robust Fingerprint-Based Localization Method for Multifloor Indoor Environment
Notice bibliographique
Résumé
Fingerprint-based indoor localization is one of the most promising solutions for various Intelligent Internet of Things (IIoT) systems. However, recent studies show that the key design challenges of current fingerprint-based localization techniques come from the following three aspects: 1) temporal variation caused by various patterns of IIoT device operations and stochastic fluctuation of wireless signals, 2) spatial unevenness of collected RSSI samples due to complex multi-floor environments, and 3) high feature sparsity of collected RSSI samples in large areas. To address these challenges, we present a localization architecture for multi-floor indoor localization in multi-building environment and accordingly propose a fingerprint-based localization method (referred to as GrowNetLoc) based on Gradient Boosting Neural Network (GrowNet) and Long Short-Term Memory (LSTM) network. Regarding building/floor identification, the gradient ensemble model GrowNet is utilized for extracting the mapping relationship between uneven RSSI samples and building/floor indices. Regarding location estimation, LSTM network is adopted as one layer of base learner to extract temporal features of RSSI samples, and a gradient boosting strategy is further used for overcoming the sample sparsity issue and improving the location estimation performance. Extensive experiments are conducted on real datasets and the results demonstrate that GrowNetLoc has superior localization accuracy and robustness performance compared with the existing methods.
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 | 0,000 |
| 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 ».