针对高斯混合模型在模型训练之前无法确定最佳采样点组合方式以及无法确定最佳分布元个数的问题,提出一种基于GMM-Boost的WLAN室内定位方法。首先,采用第二类斯特林数枚举采样点组合方式,比较不同组合方式下高斯混合模型平均定位准确度...针对高斯混合模型在模型训练之前无法确定最佳采样点组合方式以及无法确定最佳分布元个数的问题,提出一种基于GMM-Boost的WLAN室内定位方法。首先,采用第二类斯特林数枚举采样点组合方式,比较不同组合方式下高斯混合模型平均定位准确度,进而确定最佳采样点组合方式。其次,针对每一种样本标签数,采用贝叶斯信息准则(Bayesian Information Criterion,BIC)选择高斯混合模型最优分布元个数。最后,结合Adaboost算法对高斯混合模型进行定位准确度提升。分析结果表明,该算法在定位误差为2 m时定位准确度为71.2%,在小样本量情况下可以获得较低的平均定位误差。与其他算法相比,该算法具有较好的定位准确度和泛化能力。展开更多
文摘针对高斯混合模型在模型训练之前无法确定最佳采样点组合方式以及无法确定最佳分布元个数的问题,提出一种基于GMM-Boost的WLAN室内定位方法。首先,采用第二类斯特林数枚举采样点组合方式,比较不同组合方式下高斯混合模型平均定位准确度,进而确定最佳采样点组合方式。其次,针对每一种样本标签数,采用贝叶斯信息准则(Bayesian Information Criterion,BIC)选择高斯混合模型最优分布元个数。最后,结合Adaboost算法对高斯混合模型进行定位准确度提升。分析结果表明,该算法在定位误差为2 m时定位准确度为71.2%,在小样本量情况下可以获得较低的平均定位误差。与其他算法相比,该算法具有较好的定位准确度和泛化能力。
