24、连续输出定位估计与无监督缺失多核极限学习机方法解析

连续输出定位估计与无监督缺失多核极限学习机方法解析

在室内定位和机器学习领域，定位方法的精度与处理缺失数据的能力一直是研究的重点。本文将介绍几种定位方法以及一种处理缺失数据的聚类方法，探讨它们的原理、优缺点及性能表现。

现有定位方法介绍

• LANDMARC方法
  • 原理 ：使用k个最小欧几里得距离计算权重，公式为 (w_u = \frac{\frac{1}{D_u^2}}{\sum_{u = 1}^{k}\frac{1}{D_u^2}}) ，其中 (u) 是升序排列的对应距离度量的索引。Ni等人发现经验上 (k = 4) 能产生最佳精度。跟踪标签的估计坐标 ((\hat{x}, \hat{y})) 通过 ( (\hat{x}, \hat{y}) = \sum_{u = 1}^{k} w_u (x_u, y_u)) 计算，其中 ((x_u, y_u)) 是参考标签 (u) 的坐标。
  • 优点 ：无需手动数据收集，能自动适应当前环境条件。
  • 缺点 ：所有相关设备必须事先校准，以避免设备差异导致的不准确；系统精度受参考设备密度影响显著；当跟踪设备与最近参考设备之间的传播路径不平衡时，精度可能会受到负面影响。
• LEMT方法
  • 原理 ：与LANDMARC类似，依赖参考设备处理动态环境。它假设设备之间的功能关系不随时间