在基于Wi-Fi的室内定位中进行短暂的学习

科学领域:

• 计算机科学 计算机科学
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 室内定位系统经常在有限的标记数据下扎.
• 卷积神经网络 (CNN) 是有效的,但需要大量的数据.
• 超级学习为数据稀缺的场景提供了解决方案.

研究的目的:

• 调查少量射击学习与基于Wi-Fi的室内定位的元学习相结合的有效性.
• 在数据有限的环境中提高定位系统的准确性和效率.
• 将基础CNN模型与元学习方法的性能进行比较.

主要方法:

• 在meta-learning框架内,利用了一些射击学习任务 (例如,N-shot).
• 应用CNN用于Wi-Fi信号处理和室内定位.
• 在不同的数据可用性和新型类别的各种场景中评估模型性能.
• 在数据预处理和元学习阶段,采用了以等号相似度 (FCS) 进行过.

主要成果:

• 根据FCS后每类 (K) 的数据样本,基CNN的准确性差异很大.
• 超级学习在有限样本的场景中表现出可接受的表现,特别是在新课程中.
• 在20个样本/班级中,基CNN达到0.80的预训练准确度;在新课程中,元学习 (3-way 1-shot) 达到0.78.

结论:

• 通过meta-learning进行少数拍摄的学习,有效地解决了Wi-Fi室内定位中的数据限制.
• 拟议的方法增强了对新的,未见的室内环境的模型概括性.
• 超级学习提供了一种可行的策略,用于提高定位准确性,当标记数据稀缺时.