Low-Error Indoor Positioning via Synthetic RSSI Augmentation and Zx–WKNN Hybrid Model
Notice bibliographique
Résumé
Indoor Localization Systems (ILS) are critical for applications requiring high positioning accuracy, such as emergency response. However, traditional fingerprinting-based methods face challenges including multipath interference and the need for labor-intensive site surveys using Received Signal Strength Indicators (RSSIs). To address these limitations, this paper proposes two key contributions: (1) A data augmentation framework using Autoencoders (AE) and Variational Autoencoders (VAE) to expand RSSI datasets and reduce manual survey efforts; and (2) a hybrid localization model, Zonal-Weighted K-Nearest Neighbours (Zx-WKNN), which first classifies the target’s probable sub-area (zone) and then refines the location using a regression model. Each zone is defined around a reference point and contains RSSI fingerprints with corresponding coordinates. Unlike traditional WKNN, which considers all reference points, Zx-WKNN focuses on a limited number of zones (x = 1, 2, or 3) to enhance accuracy. Experimental results demonstrate that incorporating synthetic data from our generative models reduces Root Mean Squared Error (RMSE) by 6–25% and improves R-squared (R2) by 11–400%. Compared to baseline models such as WKNN and Random Forest, Zx-WKNN achieves 2.1–18.8% lower RMSE and 3.2–29% higher R2. Overall, our approach significantly improves localization accuracy while addressing the scalability limitations of traditional fingerprinting 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».