論文の概要: A Simple Geometric-Aware Indoor Positioning Interpolation Algorithm Based on Manifold Learning

• arxiv url: http://arxiv.org/abs/2311.15583v1
• Date: Mon, 27 Nov 2023 07:19:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 16:53:25.306257
• Title: A Simple Geometric-Aware Indoor Positioning Interpolation Algorithm Based on Manifold Learning
• Title（参考訳）: 多様体学習に基づく簡易な幾何アウェア屋内測位補間アルゴリズム
• Authors: Suorong Yang, Geng Zhang, Jian Zhao and Furao Shen
• Abstract要約: 本稿では,屋内位置決め作業のための簡易かつ強力な幾何認識アルゴリズムを提案する。 局所位相多様体の幾何学的特性を多様体学習原理を用いて活用する。 提案アルゴリズムは,任意の屋内位置決めシステムに強制的に組み込むことができる。
• 参考スコア（独自算出の注目度）: 10.334396596691048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpolation methodologies have been widely used within the domain of indoor positioning systems. However, existing indoor positioning interpolation algorithms exhibit several inherent limitations, including reliance on complex mathematical models, limited flexibility, and relatively low precision. To enhance the accuracy and efficiency of indoor positioning interpolation techniques, this paper proposes a simple yet powerful geometric-aware interpolation algorithm for indoor positioning tasks. The key to our algorithm is to exploit the geometric attributes of the local topological manifold using manifold learning principles. Therefore, instead of constructing complicated mathematical models, the proposed algorithm facilitates the more precise and efficient estimation of points grounded in the local topological manifold. Moreover, our proposed method can be effortlessly integrated into any indoor positioning system, thereby bolstering its adaptability. Through a systematic array of experiments and comprehensive performance analyses conducted on both simulated and real-world datasets, we demonstrate that the proposed algorithm consistently outperforms the most commonly used and representative interpolation approaches regarding interpolation accuracy and efficiency. Furthermore, the experimental results also underscore the substantial practical utility of our method and its potential applicability in real-time indoor positioning scenarios.
• Abstract（参考訳）: 補間手法は屋内測位システムの分野で広く使われている。 しかし、既存の屋内位置補間アルゴリズムには、複雑な数学的モデルへの依存、柔軟性の制限、比較的低い精度など、いくつかの固有の制限がある。 本稿では,屋内測位補間手法の精度と効率を向上させるため,簡易かつ強力な室内測位用幾何補間アルゴリズムを提案する。 我々のアルゴリズムの鍵は、多様体学習原理を用いて局所位相多様体の幾何学的属性を利用することである。 したがって、複雑な数学的モデルを構築する代わりに、提案アルゴリズムは局所位相多様体に接する点のより正確かつ効率的な推定を容易にする。 また,提案手法を任意の屋内測位システムに統合することで,適応性を高めることができる。 シミュレーションと実世界の両方のデータセットで実施した系統的な実験と総合的な性能解析により、提案アルゴリズムは補間精度と効率性に関する最も一般的な補間手法を一貫して上回っていることを示す。 さらに, 実時間屋内測位シナリオにおける本手法の実用性とその可能性について, 実験結果から考察した。

関連論文リスト

• A simple algorithm for output range analysis for deep neural networks [0.0]
  本稿では,Deep Neural Networks (DNN) における出力範囲推定問題に対して,Simulated Annealing (SA) アルゴリズムを統合した新しい手法を提案する。 この方法はResNetsに固有の幾何学的情報や非線形性の欠如による課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-07-02T22:47:40Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• A New Interpolation Approach and Corresponding Instance-Based Learning [0.0]
  本稿では,2つの数値間の近似度を測り,対応する1次元法と式を導出する。 インスタンスベースの学習にアプローチを適用することで、新しいインスタンスベースの学習方法、ADBを用いた学習が得られる。 原理的には、この方法は類推による学習の一種であり、深層学習は帰納学習に属するものであり、いくつかの問題に対して、ビッグデータとクラウドコンピューティング環境における「異なるアプローチであるが、同じ結果」に影響を及ぼすことができる。
  論文  参考訳（メタデータ） (2021-08-26T00:41:17Z)
• A Granular Sieving Algorithm for Deterministic Global Optimization [6.01919376499018]
  リプシッツ連続関数に対する大域的最適化問題を解くために、勾配のない決定論的手法を開発した。 この方法は、目的関数の領域と範囲の両方で同期解析を行うグラニュラーシービングとみなすことができる。
  論文  参考訳（メタデータ） (2021-07-14T10:03:03Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Distributed Variational Bayesian Algorithms Over Sensor Networks [6.572330981878818]
  一般ベイズ推論問題に対する2つの新しい分散VBアルゴリズムを提案する。 提案アルゴリズムは、核融合センターで利用可能な全データに依存する集中型VBアルゴリズムとほぼ同等の性能を有する。
  論文  参考訳（メタデータ） (2020-11-27T08:12:18Z)
• Locally induced Gaussian processes for large-scale simulation experiments [0.0]
  本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。 提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。 計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
  論文  参考訳（メタデータ） (2020-08-28T21:37:46Z)
• Aligning Partially Overlapping Point Sets: an Inner Approximation Algorithm [80.15123031136564]
  変換の値に関する事前情報がない点集合を整列するロバストな手法を提案する。 我々のアルゴリズムは変換の正規化を必要とせず、変換の値に関する事前情報がない状況に対処できる。 実験により,提案手法が最先端のアルゴリズムよりも高いロバスト性を示した。
  論文  参考訳（メタデータ） (2020-07-05T15:23:33Z)
• IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
  本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。 提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。 加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
  論文  参考訳（メタデータ） (2020-06-11T18:49:06Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。