针对WiFi定位中指纹数据库构建费时费力的问题,本文将使用人工智能顶级会议中最新的半监督学习方法之一——PNU分类(Classification from Positive,Negative and Unlabeled Data),它只需要少量有标记的正例、负例样本和大量的无标签样本.由于在指纹数据库的构建中,记录有标签的样本是最耗时间的过程,而获取无标签的样本非常容易,所以使用PNU方法可以大大减少指纹数据库的构建成本.实验结果表明,本方法达到的定位精度和常见的WiFi指纹定位方法具有可比性,而有效地减少定位成本.
WiFi Indoor Positioning Method Based on Semi-supervised Learning Model PNU
NETL
NSTL
万方数据
